How Local Should an AVM Be? Spatial Resolution, Market Regionalization in Automated Valuation Models
Cet article recadre la localité des modèles d'évaluation automatisés (AVM) en tant que problème de regroupement partiel impliquant la résolution spatiale, la régionalisation du marché et les ancres externes, démontrant, à travers une analyse exhaustive des transactions immobilières commerciales en Corée, que bien qu'une résolution spatiale optimale existe et que la régionalisation améliore la précision, ces mécanismes ne sont que partiellement interchangeables et que les ancres externes peuvent modifier considérablement la sélection et la performance des modèles.
Article original sous licence CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète
Imaginez essayer de deviner le prix d'un bâtiment simplement en regardant une carte. Vous pourriez dire qu'il se trouve dans une ville spécifique, ou peut-être dans un quartier précis de cette ville, ou même au niveau d'un pâté de maisons exact. Pendant des décennies, les experts en évaluation immobilière automatisée ont opéré sur une hypothèse simple : plus vous êtes précis sur un emplacement, meilleure sera votre estimation. Si un ordinateur peut voir une adresse de rue, il devrait être meilleur que s'il ne voit qu'un code postal. Cette logique suggère que le détail spatial est une chose qu'il est préférable d'avoir autant que possible. Mais et si le fait d'être trop précis finissait par confondre l'ordinateur ? Et si la façon la plus précise de fixer le prix d'un bâtiment n'était pas de zoomer aussi loin que la carte le permet, mais de trouver un « point d'équilibre » où la localisation est assez détaillée pour être pertinente, mais assez large pour disposer de données suffisantes pour être fiable ?
C'est le puzzle central abordé par une nouvelle étude sur l'immobilier commercial en Corée du Sud. Les chercheurs ne se demandaient pas seulement comment obtenir une meilleure estimation de prix ; ils se demandaient quelle quantité d'information « locale » un modèle informatique devrait réellement être autorisé à utiliser. Ils se sont concentrés sur trois façons différentes d'introduire la localité dans un système d'évaluation. La première est la taille de la grille cartographique utilisée pour décrire un emplacement. La seconde est de savoir si le modèle doit traiter l'ensemble du pays comme un seul grand marché ou le diviser en modèles distincts pour différentes villes. La troisième est de savoir si le modèle peut utiliser un indice externe, comme un prix du terrain évalué par le gouvernement l'année précédente, pour l'aider à comprendre la valeur locale sans avoir à la deviner de toutes pièces. En testant ces trois facteurs contre des milliers de ventes immobilières réelles, l'étude révèle qu'il existe une limite à la mesure de la localité d'un modèle, et que dépasser cette limite rend les prédictions moins bonnes, et non meilleures.
Les chercheurs ont analysé plus de 22 000 transactions de bâtiments commerciaux et de bureaux dans sept grandes villes sud-coréennes entre 2018 et 2025. Ils ont construit un modèle informatique pour prédire les prix et l'ont ensuite testé sous des centaines de conditions différentes. Ils ont essayé de représenter les localisations sur des grilles allant de l'absence totale de grille spécifique jusqu'à une grille très fine de 500 mètres, en passant par 5 kilomètres, 2 kilomètres et 1 kilomètre. Ils ont également testé si le modèle devait être un système unique pour les sept villes ou s'il devait être divisé en systèmes distincts pour chaque ville, ou même en groupes de villes plus petits. Enfin, ils ont testé si donner au modèle un « indice » sous la forme du prix du terrain de l'année précédente aidait sa performance.
Les résultats ont montré un schéma clair et surprenant. Lorsque le modèle n'était autorisé à utiliser aucune information de localisation sous-urbaine, ses prédictions étaient erronées d'une médiane d'environ 27 %. Lorsque les chercheurs ont introduit une grille de 5 kilomètres, l'erreur a chuté de manière significative pour atteindre environ 22,6 %. C'était le meilleur résultat. Cependant, à mesure qu'ils affinaient la grille, passant à 2 kilomètres, puis 1 kilomètre, et enfin 500 mètres, la précision s'est de nouveau dégradée. À l'échelle la plus fine de 500 mètres, l'erreur est remontée à près de 27,4 %, ce qui était en fait pire que de n'avoir aucune grille du tout. L'étude a prouvé qu'il existe un juste milieu optimal. L'ordinateur a besoin de suffisamment de détails pour distinguer les différents secteurs, mais si la grille est trop fine, les carrés spécifiques deviennent trop vides de données. Le modèle tente de deviner le prix d'un minuscule carré vide basé sur très peu d'exemples, et commet des erreurs.
Les chercheurs ont également constaté que diviser le marché en modèles distincts pour différentes villes aidait, mais seulement jusqu'à un certain point. Diviser le modèle national unique en sept modèles spécifiques à chaque ville a amélioré la précision, mais diviser davantage en groupes de villes plus petits n'a pas apporté beaucoup plus d'amélioration. Les gains les plus importants sont venus du simple fait de s'éloigner d'un modèle unique de type « taille unique ». Cependant, cette division n'a pas résolu le problème de la grille trop fine. Même avec sept modèles de villes distincts, la grille de 500 mètres a toujours mal performé. Cela signifie que posséder des données de localisation plus spécifiques ne peut pas être corrigé simplement en ayant des définitions de marché plus spécifiques ; les deux problèmes sont liés mais ne sont pas interchangeables.
L'outil le plus puissant testé par les chercheurs a été l'« ancrage externe ». Il s'agissait d'une information fournie en dehors des propres données d'apprentissage du modèle : le prix du terrain officiel évalué par le gouvernement pour l'année précédente. Lorsque le modèle a reçu cet indice, tout le problème a changé. La chute brutale de précision qui se produisait lorsque la grille devenait trop fine a disparu. Avec l'indice du prix gouvernemental disponible, le modèle a performé de manière presque égale, que la grille soit de 5 kilomètres, 2 kilomètres ou 1 kilomètre. L'information externe était si forte qu'elle a éliminé le besoin pour le modèle de deviner le niveau de prix local à partir de zéro. Cela signifiait également que le modèle avait besoin de moins de divisions de villes distinctes pour bien fonctionner. Au lieu d'avoir besoin de cinq ou sept modèles différents, la meilleure configuration avec l'indice externe n'avait besoin que de trois.
L'étude conclut que la question pour la construction de ces systèmes d'évaluation n'est pas simplement « jusqu'où pouvons-nous être locaux ? », mais plutôt « quelle quantité de localité nos données peuvent-elles supporter ? ». Les chercheurs ont découvert que pour les bâtiments commerciaux dans ces villes, une grille de 5 kilomètres est l'échelle la plus fiable pour représenter la localisation lorsqu'aucun indice externe n'est utilisé. Aller plus finement que cela introduit trop de bruit. Si un signal de prix externe fiable est disponible, le choix de la taille de la grille importe beaucoup moins, et le modèle peut être plus simple. Les conclusions suggèrent que dans les domaines où les données sont rares, comme l'immobilier commercial, essayer d'être trop précis sur la localisation peut en réalité nuire à la performance. La meilleure approche consiste à trouver le niveau de détail que les données disponibles peuvent réellement supporter, plutôt que de supposer que plus de détails sont toujours meilleurs.
Noyé(e) sous les articles dans votre domaine ?
Recevez des digests quotidiens des articles les plus récents correspondant à vos mots-clés de recherche — avec des résumés techniques, dans votre langue.