How Local Should an AVM Be? Spatial Resolution, Market Regionalization in Automated Valuation Models
Questo articolo inquadra la località dei Modelli di Valutazione Automatica (AVM) come un problema di pooling parziale che coinvolge la risoluzione spaziale, la regionalizzazione del mercato e gli ancoraggi esterni, dimostrando attraverso un'analisi completa delle transazioni di proprietà commerciale coreana che, sebbene esista una risoluzione spaziale ottimale e la regionalizzazione migliori l'accuratezza, tali meccanismi sono solo parzialmente intercambiabili e gli ancoraggi esterni possono alterare significativamente la selezione e le prestazioni del modello.
Articolo originale sotto licenza CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo
Prova a immaginare di dover indovinare il prezzo di un edificio guardando solo una mappa. Potresti dire che si trova in una città specifica, o forse in un quartiere specifico all'interno di quella città, o magari addirittura in un isolato preciso. Per decenni, gli esperti di valutazione immobiliare automatizzata hanno operato su un presupposto semplice: più si è specifici riguardo a una posizione, migliore sarà la propria stima. Se un computer può vedere un indirizzo stradale, dovrebbe essere migliore rispetto a quando vede solo un codice postale. Questa logica suggerisce che il dettaglio spaziale sia un elemento positivo da avere il più possibile. Ma cosa succederebbe se essere troppo specifici confondesse effettivamente il computer? E se il modo più accurato per determinare il prezzo di un edificio non fosse quello di zoomare quanto più possibile sulla mappa, ma trovare un "punto di equilibrio" in cui la posizione sia abbastanza dettagliata da essere rilevante, ma abbastanza ampia da avere dati sufficienti per essere affidabile?
Questo è il puzzle centrale affrontato da un nuovo studio sul settore immobiliare commerciale in Corea del Sud. I ricercatori non stavano solo cercando come ottenere una migliore stima del prezzo; stavano chiedendo quanta informazione "locale" un modello informatico dovrebbe effettivamente essere autorizzato a utilizzare. Si sono concentrati su tre diversi modi per introdurre la località in un sistema di valutazione. Il primo è la dimensione della griglia della mappa utilizzata per descrivere una posizione. Il secondo è se il modello debba trattare l'intero paese come un unico grande mercato o dividerlo in modelli separati per diverse città. Il terzo è se il modello possa utilizzare un indizio esterno, come il prezzo del terreno accertato dal governo l'anno precedente, per aiutarlo a comprendere il valore locale senza doverlo indovinare da zero. Testando questi tre fattori contro migliaia di vere vendite immobiliari, lo studio rivela che esiste un limite a quanto un modello possa essere locale e che superare tale limite peggiora le previsioni, invece di migliorarle.
I ricercatori hanno analizzato oltre 22.000 transazioni di edifici commerciali e uffici in sette grandi città della Corea del Sud tra il 2018 e il 2025. Hanno costruito un modello informatico per prevedere i prezzi e poi lo hanno testato sotto centinaia di diverse condizioni. Hanno provato a rappresentare le posizioni su griglie che andavano da nessuna griglia specifica, fino a una griglia di 5 chilometri, 2 chilometri, 1 chilometro e, infine, una griglia molto fine di 500 metri. Hanno anche testato se il modello dovesse essere un unico sistema per tutte e sette le città o se dovesse essere suddiviso in sistemi separati per ogni città, o addirittura in gruppi più piccoli di città. Infine, hanno testato se dare al modello un "indizio" sotto forma del prezzo del terreno dell'anno precedente avrebbe aiutato le sue prestazioni.
I risultati hanno mostrato un modello chiaro e sorprendente. Quando al modello era permesso usare nessuna informazione di posizione sub-urbana, le sue previsioni erano errate di una mediana di circa il 27 percento. Quando i ricercatori hanno introdotto una griglia di 5 chilometri, l'errore è sceso significativamente a circa il 22,6 percento. Questo era il risultato migliore. Tuttavia, man mano che rendevano la griglia più fine, passando a 2 chilometri, poi 1 chilometro e infine 500 metri, l'accuratezza peggiorava nuovamente. Alla scala più fine di 500 metri, l'errore risaliva a quasi il 27,4 percento, che era in realtà peggiore rispetto al non avere alcuna griglia. Lo studio ha dimostato che esiste un punto di equilibrio ottimale. Il computer ha bisogno di abbastanza dettaglio per distinguere tra diverse aree, ma se la griglia è troppo fine, i quadrati specifici diventano troppo vuoti di dati. Il modello cerca di indovinare il prezzo per un quadratino minuscolo e vuoto basandosi su pochissimi esempi, e commette errori.
I ricercatori hanno anche scoperto che suddividere il mercato in modelli separati per diverse città aiutava, ma solo fino a un certo punto. Dividere il singolo modello nazionale in sette modelli specifici per città migliorava l'accuratezza, ma suddividerlo ulteriormente in gruppi più piccoli non aiutava molto di più. I maggiori guadagni derivavano semplicemente dal passare da un modello unico "taglia unica" a qualcosa di diverso. Tuttavia, questa suddivisione non risolveva il problema della griglia eccessivamente fine. Anche con sette modelli cittadini separati, la griglia di 500 metri continuava a performare scarsamente. Ciò significa che avere dati sulla posizione più specifici non può essere risolto semplicemente avendo definizioni di mercato più specifiche; i due problemi sono correlati ma non intercambiabili.
Lo strumento più potente testato dai ricercatori è stato l'"ancora esterna". Questo era un pezzo di informazione fornito dall'esterno dei dati di apprendimento del modello stesso: il prezzo ufficiale del terreno accertato dal governo per l'anno precedente. Quando il modello ha ricevuto questo indizio, l'intero problema è cambiato. Il brusco calo di accuratezza che si verificava quando la griglia diventava troppo fine è scomparso. Con l'indizio del prezzo governativo disponibile, il modello ha performato quasi equamente sia con una griglia di 5 chilometri, sia con 2 chilometri, sia con 1 chilometro. L'informazione esterna era così forte che ha eliminato la necessità per il modello di indovinare il livello di prezzo locale partendo da zero. Ha anche significato che il modello aveva bisogno di meno divisioni cittadine separate per funzionare bene. Invece di aver bisogno di cinque o sette modelli diversi, la configurazione migliore con l'indizio esterno richiedeva solo tre.
Lo studio conclude che la questione per la costruzione di questi sistemi di valutazione non è semplicemente "quanto localmente possiamo arrivare?", ma piuttosto "quanta località possono supportare i nostri dati?". I ricercatori hanno scoperto che per gli edifici commerciali in queste città, una griglia di 5 chilometri è la scala più affidabile per rappresentare la posizione quando non vengono utilizzati indizi esterni. Andare oltre con una griglia più fine introduce troppo rumore. Se è disponibile un segnale di prezzo esterno affidabile, la scelta della dimensione della griglia conta molto meno e il modello può essere più semplice. Le conclusioni suggeriscono che in campi dove i dati sono scarsi, come il settore immobiliare commerciale, cercare di essere troppo precisi sulla posizione può effettivamente danneggiare le prestazioni. Il modo migliore è trovare il livello di dettaglio che i dati disponibili possono effettivamente supportare, piuttosto che assumere che più dettaglio sia sempre meglio.
Sommerso dagli articoli nel tuo campo?
Ricevi digest giornalieri degli articoli più recenti corrispondenti alle tue parole chiave di ricerca — con riassunti tecnici, nella tua lingua.