Des chercheurs de l'Université d'Australie-Méridionale ont développé une technique d'apprentissage automatique qui rend l'évaluation des propriétés plus transparente, fiable et pratique, avec la capacité de modéliser avec précision l'impact des décisions de développement urbain sur les prix de l'immobilier.

La technique a été créée et validée à l'aide de plus de 30 ans d'informations sur les ventes historiques dans la région métropolitaine d'Adélaïde et utilise des algorithmes d'apprentissage automatique spécialement développés pour traiter d'énormes quantités de données sur le logement, la structure urbaine et les équipements, permettant de quantifier les effets des politiques d'urbanisme. sur la valeur du logement.

Le chercheur principal, analyste de données géospatiales UniSA et expert en urbanisme, le Dr Ali Soltani, affirme que la technique a des implications pour les secteurs de l'immobilier, de l'urbanisme et des infrastructures.

"Notre technique de modélisation et nos résultats peuvent aider les investisseurs immobiliers, les constructeurs, les propriétaires, les évaluateurs de maisons et d'autres parties prenantes à obtenir une vision plus réaliste de la valeur de la propriété et des facteurs qui l'affectent", déclare le Dr Soltani.

"Cette recherche a des implications pour les décideurs politiques en fournissant des informations sur les impacts potentiels de la planification urbaine - tels que la régénération de remplissage, les communautés planifiées, la gentrification et le déplacement de la population - et les politiques de fourniture d'infrastructures sur le marché du logement et l'économie locale et régionale qui en résulte.

"En capturant l'influence compliquée des éléments d'infrastructure tels que les réseaux routiers et de transport en commun, les centres commerciaux et les paysages naturels sur la valeur de la maison, notre modèle est particulièrement utile pour améliorer la précision des prévisions actuelles de la valeur des terres et réduire les risques associés à l'évaluation des propriétés traditionnelles. méthodologies, qui dépendent largement de l'expérience humaine et de données limitées."

Selon le Dr Soltani, le modèle - développé en collaboration avec le professeur Chris Pettit du City Futures Research Center de l'UNSW - peut également être étendu pour inclure d'autres caractéristiques économiques aux niveaux macro et micro, telles que les variations des taux d'intérêt, des taux d'emploi et le l'influence du COVID-19, en exploitant les avantages des technologies de mégadonnées.

"Ce modèle a le potentiel d'être utilisé comme plate-forme d'aide à la décision pour une variété de parties prenantes, y compris les acheteurs et les vendeurs de maisons, les banques et les agents financiers, les investisseurs, le gouvernement et les agents d'assurance ou de prêt", déclare le Dr Soltani.

"Notre technique permet aux parties prenantes et au grand public d'appliquer plus facilement les résultats de modèles sophistiqués sur des données historiques ou en temps réel provenant de sources multiples, qui étaient auparavant presque des boîtes noires et orientées vers les experts."

Un résumé de cette recherche a été récemment publié dans la revue Cities . + Explorer plus loin

Les trajets plus longs affectent davantage le coût de la vie dans les grandes villes que les restrictions de zonage