Kredit:Unsplash/CC0 Public Domain
Forskare vid University of South Australia har utvecklat en maskininlärningsteknik som gör fastighetsvärderingen mer transparent, tillförlitlig och praktisk, med förmågan att exakt modellera effekten av stadsutvecklingsbeslut på fastighetspriserna.
Tekniken skapades och validerades med hjälp av över 30 år av historisk försäljningsinformation i metro Adelaide och använder specialutvecklade maskininlärningsalgoritmer för att bearbeta enorma mängder data om bostäder, stadsstruktur och bekvämligheter, vilket gör det möjligt att kvantifiera effekterna av stadsplaneringspolicyer på bostadsvärdet.
Ledande forskare, UniSA geospatial dataanalytiker och stadsplaneringsexpert Dr. Ali Soltani, säger att tekniken har konsekvenser för fastighets-, stadsplanerings- och infrastruktursektorerna.
"Vår modelleringsteknik och våra resultat kan hjälpa fastighetsinvesterare, byggare, fastighetsägare, husvärderingsmän och andra intressenter att få en mer realistisk bild av värdet på egendom och de faktorer som påverkar det", säger Dr. Soltani.
"Denna forskning har implikationer för beslutsfattare genom att ge insikter om de potentiella effekterna av stadsplanering – såsom förnyelse av utfyllnad, masterplanerade samhällen, gentrifiering och befolkningsförflyttning – och policyer för tillhandahållande av infrastruktur på bostadsmarknaden och efterföljande lokal och regional ekonomi.
"Genom att fånga det komplicerade inflytandet av infrastrukturelement som väg- och kollektivtrafiknät, kommersiella centra och naturlandskap på bostadsvärdet, är vår modell särskilt värdefull för att förbättra noggrannheten i aktuella markvärdeförutsägelser och minska riskerna förknippade med traditionell fastighetsvärdering metoder, som till stor del är beroende av mänsklig erfarenhet och begränsad data."
Dr Soltani säger att modellen – utvecklad i samarbete med professor Chris Pettit från UNSW:s City Futures Research Center – också kan utvidgas till att omfatta andra ekonomiska funktioner på både makro- och mikronivå, såsom förändringar i räntor, sysselsättningsgrad och påverkan av covid-19, genom att utnyttja fördelarna med big data-teknik.
"Den här modellen har potential att användas som en beslutsstödjande plattform för en mängd olika intressenter, inklusive bostadsköpare och -säljare, banker och finansiella agenter, investerare, regeringen och försäkrings- eller låneagenter", säger Dr. Soltani.
"Vår teknik gör det enklare för intressenter och allmänheten att tillämpa resultaten av sofistikerade modeller på historiska data eller realtidsdata från flera källor, som tidigare har varit nästan svarta lådan och expertorienterade."
En sammanfattning av denna forskning har nyligen publicerats i tidskriften Cities . + Utforska vidare
