Onderzoekers van de University of South Australia hebben een machine learning-techniek ontwikkeld die vastgoedwaardering transparanter, betrouwbaarder en praktischer maakt, met de mogelijkheid om de impact van stadsontwikkelingsbeslissingen op vastgoedprijzen nauwkeurig te modelleren.

De techniek is gemaakt en gevalideerd met behulp van meer dan 30 jaar historische verkoopinformatie in metro Adelaide en maakt gebruik van speciaal ontwikkelde algoritmen voor machine learning om enorme hoeveelheden gegevens over huisvesting, stedelijke structuur en voorzieningen te verwerken, waardoor het mogelijk wordt om de effecten van stedenbouwkundig beleid te kwantificeren op woningwaarde.

Hoofdonderzoeker, UniSA geospatiale data-analist en stedenbouwkundige expert Dr. Ali Soltani, zegt dat de techniek implicaties heeft voor de vastgoed-, stadsplanning- en infrastructuursectoren.

"Onze modelleringstechniek en bevindingen kunnen vastgoedinvesteerders, bouwers, eigenaren van onroerend goed, huistaxateurs en andere belanghebbenden helpen een realistischer beeld te krijgen van de waarde van onroerend goed en de factoren die daarop van invloed zijn", zegt Dr. Soltani.

"Dit onderzoek heeft implicaties voor beleidsmakers door inzicht te geven in de potentiële effecten van stadsplanning - zoals infill regeneratie, master-geplande gemeenschappen, gentrificatie en ontheemding - en infrastructuurvoorzieningen op de woningmarkt en de daaropvolgende lokale en regionale economie.

"Door de gecompliceerde invloed van infrastructuurelementen zoals wegen- en openbaarvervoernetwerken, commerciële centra en natuurlijke landschappen op de woningwaarde vast te leggen, is ons model vooral waardevol voor het verbeteren van de nauwkeurigheid van de huidige voorspellingen van de grondwaarde en het verlagen van de risico's die gepaard gaan met traditionele vastgoedwaardering methodologieën, die grotendeels afhankelijk zijn van menselijke ervaring en beperkte gegevens."

Dr. Soltani zegt dat het model - ontwikkeld in samenwerking met professor Chris Pettit van het City Futures Research Center van UNSW - ook kan worden uitgebreid met andere economische kenmerken op zowel macro- als microniveau, zoals veranderingen in rentetarieven, werkgelegenheidspercentages en de invloed van COVID-19, door gebruik te maken van de voordelen van big data-technologieën.

"Dit model heeft het potentieel om te worden gebruikt als een beslissingsondersteunend platform voor een verscheidenheid aan belanghebbenden, waaronder huizenkopers en -verkopers, banken en financiële agenten, investeerders, de overheid en verzekerings- of leningagenten", zegt Dr. Soltani.

"Onze techniek maakt het eenvoudiger voor belanghebbenden en het grote publiek om de bevindingen van geavanceerde modellen toe te passen op historische of realtime gegevens uit meerdere bronnen, die voorheen bijna black-box en expertgericht waren."

Een samenvatting van dit onderzoek is onlangs gepubliceerd in het tijdschrift Cities . + Verder verkennen

Langere woon-werkverkeer heeft meer invloed op de kosten van levensonderhoud in grote steden dan bestemmingsplannen