How Local Should an AVM Be? Spatial Resolution, Market Regionalization in Automated Valuation Models
Este artículo replantea la localidad de los Modelos de Valoración Automatizada (AVM) como un problema de agrupación parcial que involucra la resolución espacial, la regionalización del mercado y los anclajes externos, demostrando a través de un análisis exhaustivo de las transacciones de propiedades comerciales en Corea que, si bien existe una resolución espacial óptima y la regionalización mejora la precisión, estos mecanismos son solo parcialmente intercambiables y los anclajes externos pueden alterar significativamente la selección y el rendimiento del modelo.
Artículo original bajo licencia CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo
Imagina intentar adivinar el precio de un edificio con solo mirar un mapa. Podrías decir que está en una ciudad específica, o quizás en un barrio específico dentro de esa ciudad, o tal vez incluso en la manzana exacta. Durante décadas, los expertos en valoración automatizada de propiedades han operado bajo un supuesto simple: cuanto más específico seas sobre una ubicación, mejor será tu suposición. Si una computadora puede ver una dirección de calle, debería ser mejor que si solo ve un código postal. Esta lógica sugiere que el detalle espacial es algo bueno que se debe tener tanto como sea posible. Pero, ¿y si ser demasiado específico realmente confunde a la computadora? ¿Qué tal si la forma más precisa de tasar un edificio no es acercando el zoom tanto como lo permite el mapa, sino encontrando un "punto ideal" donde la ubicación sea lo suficientemente detallada como para importar, pero lo suficientemente amplia como para tener suficientes datos que sean fiables?
Este es el enigma central abordado por un nuevo estudio sobre bienes raíces comerciales en Corea del Sur. Los investigadores no solo se preguntaban cómo hacer una mejor estimación de precio; se preguntaban cuánta información "local" debería permitírsele realmente usar a un modelo computacional. Se centraron en tres formas diferentes de introducir la localidad en un sistema de valoración. La primera es el tamaño de la cuadrícula del mapa utilizada para describir una ubicación. La segunda es si el modelo debe tratar a todo el país como un gran mercado único o dividirlo en modelos separados para diferentes ciudades. La tercera es si el modelo puede utilizar una pista externa, como el precio del suelo tasado por el gobierno del año anterior, para ayudarlo a entender el valor local sin tener que adivinarlo desde cero. Al probar estos tres factores contra miles de ventas de propiedades reales, el estudio revela que existe un límite para qué tan local puede ser un modelo, y que superar ese límite empeora las predicciones, no las mejora.
Los investigadores analizaron más de 22,000 transacciones de edificios comerciales y de oficinas en siete de las principales ciudades de Corea del Sur entre 2018 y 2025. Construyeron un modelo computacional para predecir precios y luego lo probaron bajo cientos de condiciones diferentes. Probaron representar las ubicaciones en cuadrículas que iban desde ninguna cuadrícula específica en absoluto, hasta una de 5 kilómetros, 2 kilómetros, 1 kilómetro y, finalmente, una cuadrícula muy fina de 500 metros. También probaron si el modelo debía ser un único sistema para las siete ciudades o si debía dividirse en sistemas separados para cada ciudad, o incluso grupos más pequeños de ciudades. Finalmente, probaron si darle al modelo una "pista" en forma del precio del suelo del año anterior ayudaba a su rendimiento.
Los resultados mostraron un patrón claro y sorprendente. Cuando se le permitió al modelo usar ninguna información de ubicación suburbana en absoluto, sus predicciones fallaron por una mediana de aproximadamente el 27 por ciento. Cuando los investigadores introdujeron una cuadrícula de 5 kilómetros, el error cayó significamente a aproximadamente un 22.6 por ciento. Este fue el mejor resultado. Sin embargo, a medida que hacían la cuadrícula más fina, pasando a 2 kilómetros, luego a 1 kilómetro y finalmente a 500 metros, la precisión empeoraba de nuevo. En la escala más fina de 500 metros, el error subió de nuevo a casi un 27.4 por ciento, lo cual era de hecho peor que no tener ninguna cuadrícula. El estudio demostró que existe un punto medio óptimo. La computadora necesita suficiente detalle para distinguir entre diferentes áreas, pero si la cuadrícula es demasiado fina, los cuadros específicos quedan demasiado vacíos de datos. El modelo intenta adivinar el precio para un cuadro diminuto y vacío basándose en muy pocos ejemplos, y comete errores.
Los investigadores también descubrieron que dividir el mercado en modelos separados para diferentes ciudades ayudaba, pero solo hasta cierto punto. Dividir el modelo nacional único en siete modelos específicos por ciudad mejoró la precisión, pero dividirlo más en grupos más pequeños no ayudó mucho más. Las mayores ganancias provinieron simplemente de alejarse de un modelo único de "talla única para todos". Sin embargo, esta división no solucionó el problema de la cuadrícula excesivamente fina. Incluso con siete modelos de ciudades separadas, la cuadrícula de 500 metros seguía funcionando mal. Esto significa que tener datos de ubicación más específicos no puede solucionarse simplemente teniendo definiciones de mercado más específicas; los dos problemas están relacionados pero no son intercambiables.
La herramienta más poderosa que probaron los investigadores fue el "ancla externa". Esta era una pieza de información suministrada desde fuera de los propios datos de aprendizaje del modelo: el precio oficial del suelo tasado por el gobierno para el año anterior. Cuando el modelo recibió esta pista, todo el problema cambió. La fuerte caída en la precisión que ocurrió cuando la cuadrícula se volvió demasiado fina desapareció. Con la pista del precio del gobierno disponible, el modelo funcionó casi igualmente bien ya fuera con una cuadrícula de 5 kilómetros, 2 kilómetros o 1 kilómetro. La información externa fue tan fuerte que eliminó la necesidad de que el modelo adivinara el nivel de precio local desde cero. También significó que el modelo necesitaba menos divisiones de ciudades separadas para funcionar bien. En lugar de necesitar cinco o siete modelos diferentes, la mejor configuración con la pista externa solo necesitaba tres.
El estudio concluye que la pregunta para construir estos sistemas de valoración no es simplemente "¿qué tan local podemos ser?", sino más bien "¿cuánta localidad puede soportar nuestros datos?". Los investigadores encontraron que, para los edificios comerciales en estas ciudades, una cuadrícula de 5 kilómetros es la escala más fiable para representar la ubicación cuando no se usan pistas externas. Hacerla más fina introduce demasiado ruido. Si se dispone de una señal de precio externa fiable, la elección del tamaño de la cuadrícula importa mucho menos, y el modelo puede ser más simple. Los hallazgos sugieren que en campos donde los datos son escasos, como los bienes raíces comerciales, intentar ser demasiado preciso sobre la ubicación puede en realidad perjudicar el rendimiento. El mejor enfoque es encontrar el nivel de detalle que los datos disponibles pueden soportar realmente, en lugar de asumir que más detalle es siempre mejor.
¿Ahogado en artículos de tu campo?
Recibe resúmenes diarios de los artículos más novedosos que coincidan con tus palabras clave de investigación — con resúmenes técnicos, en tu idioma.