How Local Should an AVM Be? Spatial Resolution, Market Regionalization in Automated Valuation Models
Este artigo reformula a localidade dos Modelos de Avaliação Automatizada (AVMs) como um problema de agrupamento parcial envolvendo resolução espacial, regionalização de mercado e âncoras externas, demonstrando, através de uma análise abrangente das transações de propriedades comerciais coreanas, que embora exista uma resolução espacial ideal e a regionalização melhore a precisão, esses mecanismos são apenas parcialmente intercambiáveis e as âncoras externas podem alterar significativamente a seleção e o desempenho do modelo.
Artigo original sob licença CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo
Imagine tentar adivinhar o preço de um edifício apenas olhando para um mapa. Você poderia dizer que ele está em uma cidade específica, ou talvez em um bairro específico dentro dessa cidade, ou quem sabe até no quarteirão exato. Por décadas, especialistas em avaliação imobiliária automatizada operaram sob uma premissa simples: quanto mais específico você for sobre uma localização, melhor será o seu palpite. Se um computador consegue ver um endereço de rua, ele deve ser melhor do que se visse apenas um CEP. Essa lógica sugere que o detalhe espacial é algo bom para se ter o máximo possível. Mas e se ser específico demais acabar confundindo o computador? E se a maneira mais precisa de precificar um edifício não for dando zoom o máximo que o mapa permite, mas sim encontrando um "ponto ideal" onde a localização é detalhada o suficiente para importar, mas ampla o suficiente para ter dados suficientes para ser confiável?
Este é o enigma central abordado por um novo estudo sobre o setor imobiliário comercial na Coreia do Sul. Os pesquisadores não estavam apenas perguntando como criar uma estimativa de preço melhor; eles estavam perguntando quanta informação "local" um modelo de computador deveria realmente ser permitido usar. Eles focaram em três maneiras diferentes de introduzir a localidade em um sistema de avaliação. A primeira é o tamanho da grade do mapa usada para descrever uma localização. A segunda é se o modelo deve tratar o país inteiro como um grande mercado ou dividi-lo em modelos separados para diferentes cidades. A terceira é se o modelo pode usar uma pista externa, como o preço do terreno avaliado pelo governo no ano anterior, para ajudá-lo a entender o valor local sem ter que adivinhá-lo do zero. Ao testar esses três fatores contra milhares de vendas imobiliárias reais, o estudo revela que existe um limite para o quão local um modelo deve ser, e que ultrapassar esse limite torna as previsões piores, não melhores.
Os pesquisadores analisaram mais de 22.000 transações de edifícios comerciais e de escritórios em sete grandes cidades sul-coreanas entre 2018 e 2025. Eles construíram um modelo de computador para prever preços e o testaram sob centenas de condições diferentes. Eles tentaram representar as localizações em grades variando de nenhuma grade específica até uma grade muito fina de 500 metros. Eles também testaram se o modelo deveria ser um único sistema para todas as sete cidades ou se deveria ser dividido em sistemas separados para cada cidade, ou até grupos menores de cidades. Finalmente, testaram se dar ao modelo uma "pista" na forma do preço oficial da terra do ano anterior ajudava no desempenho.
Os resultados mostraram um padrão claro e surpreendente. Quando o modelo podia usar nenhuma informação de localização sub-urbana, suas previsões erraram por uma mediana de cerca de 27 por cento. Quando os pesquisadores introduziram uma grade de 5 quilômetros, o erro caiu significativamente para cerca de 22,6 por cento. Este foi o melhor resultado. No entanto, à medida que tornavam a grade mais fina, passando para 2 quilômetros, depois 1 quilômetro e, finalmente, 500 metros, a precisão piorava novamente. Na escala mais fina de 500 metros, o erro subiu de volta para quase 27,4 por cento, o que foi, na verdade, pior do que não ter grade nenhuma. O estudo provou que existe um meio-termo ideal. O computador precisa de detalhes suficientes para distinguir diferentes áreas, mas se a grade for muito fina, os quadrados específicos tornam-se vazios demais de dados. O modelo tenta adivinhar o preço para um quadrado minúsculo e vazio com base em pouquíssimos exemplos, e comete erros.
Os pesquisadores também descobriram que dividir o mercado em modelos separados para diferentes cidades ajudava, mas apenas até certo ponto. Quebrar o modelo nacional único em sete modelos específicos por cidade melhorou a precisão, mas quebrá-lo ainda mais em grupos menores não ajudou muito mais. Os maiores ganhos vieram simplesmente de se afastar de um modelo único de "tamanho único". No entanto, essa divisão não corrigiu o problema da grade excessivamente fina. Mesmo com sete modelos de cidades separadas, a grade de 500 metros ainda teve um desempenho ruim. Isso significa que ter dados de localização mais específicos não pode ser resolvido apenas tendo definições de mercado mais específicas; os dois problemas estão relacionados, mas não são intercambiáveis.
A ferramenta mais poderosa que os pesquisadores testaram foi a "âncora externa". Esta era uma peça de informação fornecida de fora dos próprios dados de aprendizado do modelo: o preço oficial da terra avaliado pelo governo para o ano anterior. Quando o modelo recebeu essa pista, todo o problema mudou. A queda acentuada na precisão que ocorria quando a grade ficava muito fina desapareceu. Com a pista do preço do governo disponível, o modelo apresentou um desempenho quase igual, quer a grade fosse de 5 quilômetros, 2 quilômetros ou 1 quilômetro. A informação externa era tão forte que removeu a necessidade de o modelo adivinhar o nível de preço local do zero. Isso também significou que o modelo precisava de menos divisões de cidades separadas para funcionar bem. Em vez de precisar de cinco ou sete modelos diferentes, a melhor configuração com a pista externa precisava de apenas três.
O estudo conclui que a questão para construir esses sistemas de avaliação não é simplesmente "o quão local podemos ser?", mas sim "quanta localidade nossos dados podem suportar?". Os pesquisadores descobriram que, para edifícios comerciais nessas cidades, uma grade de 5 quilômetros é a escala mais confiável para representar a localização quando não são usadas pistas externas. Tornar a grade mais fina introduz muito ruído. Se um sinal de preço externo confiável estiver disponível, a escolha do tamanho da grade importa muito menos, e o modelo pode ser mais simples. As descobertas sugerem que, em campos onde os dados são escassos, como o setor imobiliário comercial, tentar ser preciso demais sobre a localização pode, na verdade, prejudicar o desempenho. A melhor abordagem é encontrar o nível de detalhe que os dados disponíveis podem realmente suportar, em vez de assumir que mais detalhes são sempre melhores.
Afogado em artigos na sua área?
Receba digests diários dos artigos mais recentes que correspondam às suas palavras-chave de pesquisa — com resumos técnicos, no seu idioma.