How Local Should an AVM Be? Spatial Resolution, Market Regionalization in Automated Valuation Models
Dit artikel herformuleert de lokaliteit van Automated Valuation Models (AVM's) als een probleem van gedeeltelijke pooling dat betrekking heeft op ruimtelijke resolutie, marktregionalisering en externe ankers, waarbij wordt aangetoond door middel van een uitgebreide analyse van Koreaanse commerciële vastgoedtransacties dat hoewel er een optimale ruimtelijke resolutie bestaat en regionalisering de nauwkeurigheid verbetert, deze mechanismen slechts gedeeltelijk uitwisselbaar zijn en externe ankers de modelselectie en prestaties aanzienlijk kunnen veranderen.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
Stel je voor dat je probeert de prijs van een gebouw te raden door alleen naar een kaart te kijken. Je zou kunnen zeggen dat het in een specifieke stad ligt, of misschien wel in een specifieke buurt binnen die stad, of zelfs tot op exact hetzelfde blok. Decennialang hebben experts in automatische vastgoedwaardering gewerkt volgens een eenvoudige aanname: hoe specifieker je bent over een locatie, hoe beter je gok zal zijn. Als een computer een straatadres kan zien, zou dat beter moeten zijn dan wanneer hij alleen een postcode ziet. Deze logica suggereert dat ruimtelijke details goede zaken zijn om zoveel mogelijk van te hebben. Maar wat als te specifiek zijn de computer juist in verwarring brengt? Wat als de meest nauwkeurige manier om de prijs van een gebouw te bepalen niet is door zo ver in te zoomen als de kaart het toelaat, maar door een "sweet spot" te vinden waar de locatie gedetailleerd genoeg is om ertoe te doen, maar breed genoeg om voldoende data te hebben om betrouwbaar te zijn?
Dit is het centrale vraagstuk waar een nieuwe studie naar commercieel vastgoed in Zuid-Korea zich mee bezighoudt. De onderzoekers vroegen niet alleen hoe ze een betere prijsinschatting konden maken; ze vroegen hoeveel "lokale" informatie een computermodel eigenlijk zou mogen gebruiken. Ze richtten zich op drie verschillende manieren om lokaliteit te introduceren in een waarderingssysteem. De eerste is de grootte van het kaartraster dat wordt gebruikt om een locatie te beschrijven. De tweede is of het model de hele land moet behandelen als één grote markt of het moet opsplitsen in aparte modellen voor verschillende steden. De derde is of het model een extern hintje kan gebruiken, zoals een door de overheid vastgestelde grondprijs van het voorgaande jaar, om het te helpen de lokale waarde te begrijpen zonder dat het alles vanaf nul hoeft te raden. Door deze drie factoren te testen tegen duizenden echte vastgoedtransacties, onthult de studie dat er een limiet is aan hoe lokaal een model kan zijn, en dat het overschrijden van die limiet de voorspellingen slechter maakt, niet beter.
De onderzoekers analyseerden meer dan 22.000 transacties van commerciële gebouwen en kantoorpanden in zeven grote Zuid-Koreaanse steden tussen 2018 en 2025. Ze bouwden een computermodel om prijzen te voorspellen en testten dit vervolgens onder honderden verschillende omstandigheden. Ze probeerden locaties weer te geven op rasters variërend van geen specifiek raster helemaal tot niet, tot 5 kilometer, 2 kilometer, 1 kilometer, en uiteindelijk een zeer fijn raster van 500 meter. Ze testten ook of het model één enkel systeem voor alle zeven steden moest zijn of dat het zou moeten worden opgesplitst in aparte systemen voor elke stad, of zelfs kleinere groepen steden. Ten slotte testten ze of het de het model hielp als het een "hint" kreeg in de vorm van de officiële grondprijs van vorig jaar.
De resultaten toonden een duidelijk en verrassend patiment. Wanneer het model helemaal geen substedelijke locatie-informatie mocht gebruiken, lagen de voorspellingen gemiddeld zo'n 27 procent af. Toen de onderzoekers een raster van 5 kilometer introduceerden, daalde de fout aanzienlijk naar ongeveer 22,6 procent. Dit was het beste resultaat. Echter, naarmate ze het raster fijner maakten, bewegend naar 2 kilometer, dan 1 kilometer, en uiteindelijk een zeer fijn raster van 500 meter, werd de nauwkeurigheid weer slechter. Op de fijnste schaal van 500 meter steeg de fout weer naar bijna 27,4 procent, wat zelfs slechter was dan wanneer er helemaal geen raster was gebruikt. De studie bewees dat er een optimaal middengebied bestaat. De computer heeft genoeg detail nodig om verschillende gebieden van elkaar te onderscheiden, maar als het raster te fijn is, worden de specifieke vakken te leeg van data. Het model probeert de prijs voor een minuscuul, leeg vakje te raden op basis van zeer weinig voorbeelden, en maakt daarbij fouten.
De onderzoekers ontdekten ook dat het opdelen van de markt in aparte modellen voor verschillende steden hielp, maar slechts tot op zekere hoogte. Het opdelen van het enkele nationale model in zeven stadspecifieke modellen verbeterde de nauwkeurigheid, maar het verder opdelen in kleinere groepen hielp niet veel meer. De grootste winsten kwamen voort uit het simpelweg wegbewegen van een enkel "one-size-fits-all" model. Deze opsplitsing loste het probleem van het te fijne raster echter niet op. Zelfs met zeven aparte stadsmodellen presteerde het 500-meter raster nog steeds slecht. Dit betekent dat het hebben van specifiekere locatiegegevens niet kan worden opgelost door simpelweg specifiekere marktdefinities te hebben; de twee kwesties zijn gerelateerd maar niet uitwisselbaar.
Het krachtigste hulpmiddel dat de onderzoekers testten, was de "externe anker". Dit was een stuk informatie dat van buiten de eigen leerdata van het model werd geleverd: de officiële grondprijs die door de overheid voor het voorgaande jaar is vastgesteld. Wanneer het model deze hint kreeg, veranderde het hele probleem. De scherpe daling in nauwkeurigheid die optrad wanneer het raster te fijn werd, verdween. Met de hint van de overheidsprijs beschikbaar, presteerde het model bijna even goed of het raster nu 5 kilometer, 2 kilometer of 1 kilometer was. De externe informatie was zo sterk dat het de noodzaak wegnam voor het model om het lokale prijsniveau vanaf nul te raden. Het betekende ook dat het model minder aparte stadsverdelingen nodig had om goed te functioneren. In plaats van vijf of zeven verschillende modellen nodig te hebben, had de beste opstelling met de externe hint slechts drie nodig.
De studie concludeert dat de vraag bij het bouwen van deze waarderingssystemen niet simpelweg is "hoe lokaal kunnen we gaan?", maar eerder "hoeveel lokaliteit kan onze data ondersteunen?". De onderzoekers ontdekten dat voor commerciële gebouwen in deze steden een raster van 5 kilometer de meest betrouwbare schaal is voor het weergeven van locatie wanneer er geen externe hints worden gebruikt. Fijnere schalen introduceren te veel ruis. Als er een betrouwbaar extern prijs-signaal beschikbaar is, doet de keuze van de rastergrootte er veel minder toe en kan het model eenvoudiger zijn. De bevindingen suggereren dat in velden waar data schaars is, zoals bij commercieel vastgoed, proberen te precies te zijn over de locatie de prestaties feitelijk kan schaden. De beste aanpak is om het niveau van detail te vinden dat de beschikbare data daadwerkelijk kan ondersteunen, in plaats van ervan uit te gaan dat meer detail altijd beter is.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.