Mass Appraisal: a Statistical Approach to Determining the Impact of a Property's Attributes on its Value

• Autorzy: Anna Gdakowicz , Ewa Putek-Szeląg

Warianty tytułu

Masowa wycena nieruchomości. Statystyczny sposób określenia wpływu cech nieruchomości na jej wartość

• Języki publikacji: EN

Abstrakty

EN

One of the problems occurring when estimating the value of a property is determining how the individual attributes of a property affect its value. Until now, this was estimated either on the basis of analyses of prices and market features of similar properties, or by analogy to other properties in terms of the type and area of markets, by examining or observing the preferences of potential buyers, or in other ways (Polska Federacja Stowarzyszeń Rzeczoznawców Majątkowych, 2008). This article refers to the last option and presents an alternative way of dealing with the aforementioned issue. An approach based on statistical methods, using dependency coefficients is introduced as an objective proposal to determine the impact of individual attributes on the value of real estate. The idea of including statistical methods (dependency coefficients) in the procedure of mass real estate valuation is the basis of the statistical approach of the Szczecin Mass Real Estate Valuation Algorithm (Pol. Szczeciński Algorytm Masowej Wyceny Nieruchomości - SAMWN). Considering the specificity of the features (attributes) describing real estate, which in most cases may be presented on an ordinal scale, four coefficients measuring the strength of the relationship between the features and the value of the property were proposed. Since previous studies, e.g. Dmytrów et al. (2020), indicated that the results obtained for partial coefficients reflect the relationships found on the market more efficiently, the analysis was extended to include partial variants of selected coefficients. Then, six procedures for calculating weights in SAMWN were proposed. The obtained results were subsequently ordered on the basis of linear ordering procedures, as described in the work by Strahl (1978) and Pawlukowicz (2010). The aim of the article was twofold. Firstly, to identify the coefficients of dependencies that can be used in property valuation based on SAMWN, and also in the analysis of those properties whose attributes are often described on an ordinal scale. The second aim was to identify a combination of methods describing the influence and weights of the attributes which under SAMWN procedure produces results closest to the property values determined by real estate appraisers. (original abstract)

O masowej wycenie nieruchomości mówi się, gdy wartości dużej liczby nieruchomości są szacowane w tym samym czasie przy użyciu tej samej metody. Zastosowana metoda powinna charakteryzować się automatyzacją ograniczającą udział człowieka. Założenia te spełnia Szczeciński Algorytm Masowej Wyceny Nieruchomości (SAMWN), wykorzystywany do wyceny wartości wybranych nieruchomości gruntowych w Szczecinie. W artykule przedstawiono modyfikację SAMWN, polegającą na obiektywnym obliczaniu wpływu cech nieruchomości na jej wartość z wykorzystaniem współczynników zależności. Ponadto zaproponowano różne sposoby nadawania wag atrybutom użytym w modelu. Cel badania omawianego w artykule jest dwojaki. Po pierwsze polega na wskazaniu tych współczynników zależności, które mogą być użyte do wyceny nieruchomości opartej na SAMWN oraz do analizy nieruchomości wykorzystującej atrybuty mierzone na skali porządkowej. Po drugie celem jest wyłonienie takiej kombinacji metod uwzględniania wpływu i wag atrybutów, której zastosowanie w procedurze SAMWN dałoby wyniki najbliższe wartościom nieruchomości oszacowanym przez rzeczoznawców majątkowych. W badaniu wykorzystano dane dotyczące 405 nieruchomości gruntowych w Szczecinie przeznaczonych na cele mieszkaniowe, które na potrzeby badania zostały indywidualnie wycenione przez rzeczoznawców. Zaproponowano cztery rodzaje współczynników zależności i ich wartości cząstkowych oraz cztery sposoby uwzględniania tych współczynników w procedurze SAMWN. Ponadto przeprowadzono ocenę zastosowania sześciu metod ważenia proponowanych miar. W efekcie uzyskano 168 sposobów pomiaru wpływu poszczególnych atrybutów na wartość nieruchomości. W celu określenia, w którym przypadku uzyskane wartości wyceny są najbardziej zbliżone do wartości rzeczywistych (oszacowanych przez rzeczoznawców majątkowych), obliczono miary błędów wyceny, a następnie wdrożono procedury porządkowania liniowego, aby wskazać najlepszą kombinację rozpatrywanych wariantów. Przedstawiony algorytm wyceny masowej może być zastosowany do szacowania wartości różnego rodzaju nieruchomości. Wymaga to jednak dostosowania procedury do specyfiki wycenianej nieruchomości, tj. określenia strefy atrakcyjności i atrybutów istotnych dla danego typu nieruchomości. (abstrakt oryginalny)

Słowa kluczowe

EN

Real estate valuation; Statistical methods; Linear ordering; Real estate's value

PL

Wycena nieruchomości; Metody statystyczne; Porządkowanie liniowe; Wartość nieruchomości

• Czasopismo: Wiadomości Statystyczne
• Rocznik: 2023
• Numer: nr 10
• Strony: 24--48

Twórcy

autor

Anna Gdakowicz

• Uniwersytet Szczeciński

autor

Ewa Putek-Szeląg

• Uniwersytet Szczeciński

Bibliografia

• Abidoye, R. B., & Chan, A. P. C. (2018). Improving property valuation accuracy: A comparison of hedonic pricing model and artificial neural network. Pacific Rim Property Research Journal, 24(1), 71-83. https://doi.org/10.1080/14445921.2018.1436306.
• Ahn, J. J., Byun, H. W., Oh, K. J., & Kim, T. Y. (2012). Using ridge regression with genetic algorithm to enhance real estate appraisal forecasting. Expert Systems with Applications, 39(9), 8369-8379. https://doi.org/10.1016/J.ESWA.2012.01.183.
• Alcantud, J. C. R., Rambaud, S. C., & Torrecillas, M. J. M. (2017). Valuation Fuzzy Soft Sets: A Flexible Fuzzy Soft Set Based Decision Making Procedure for the Valuation of Assets. Symmetry, 9(11), 1-19. https://doi.org/10.3390/SYM9110253.
• Amidu, A.-R., & Boyd, D. (2018). Expert problem solving practice in commercial property valuation: an exploratory study. Journal of Property Investment & Finance, 36(4), 366-382. https://doi.org/10.1108/JPIF-05-2017-0037.
• Anselin, L. (2002). Under the hood issues in the specification and interpretation of spatial regression models. Agricultural Economics, 27(3), 247-267. https://doi.org/10.1111/J.1574-0862.2002.TB00120.X.
• Antipov, E. A., & Pokryshevskaya, E. B. (2012). Mass appraisal of residential apartments: An application of Random forest for valuation and a CART-based approach for model diagnostics. Expert Systems with Applications, 39(2), 1772-1778. https://doi.org/10.1016/J.ESWA.2011.08.077.
• Bellotti, A. (2017). Reliable region predictions for automated valuation models. Annals of Mathematics and Artificial Intelligence, 81(1-2), 71-84. https://doi.org/10.1007/S10472-016-9534-6.
• Calka, B. (2019). Estimating Residential Property Values on the Basis of Clustering and Geostatistics. Geosciences, 9(3), 1-14. https://doi.org/10.3390/GEOSCIENCES9030143.
• Calka, B., & Bielecka, E. (2016). The Application of Geoinformation Theory in Housing Mass Appraisal. In 2016 Baltic Geodetic Congress (BGC Geomatics) (pp. 239-243). IEEE. https://doi.org/10.1109/BGC.GEOMATICS.2016.50.
• Cervelló-Royo, R., Guijarro, F., Pfahler, T., & Preuss, M. (2016). An Analytic Hierarchy Process (AHP) framework for property valuation to identify the ideal 2050 portfolio mixes in EU-27 countries with shrinking populations. Quality & Quantity, 50(5), 2313-2329. https://doi.org/10.1007/s11135-015-0264-3.
• Chen, J.-H., Ong, C. F., Zheng, L., & Hsu, S.-C. (2017). Forecasting spatial dynamics of the housing market using Support Vector Machine. International Journal of Strategic Property Management, 21(3), 273-283. https://doi.org/10.3846/1648715X.2016.1259190.
• Chen, Z., Hu, Y., Zhang, C. J., & Liu, Y. (2017). An Optimal Rubrics-Based Approach to Real Estate Appraisal. Sustainability, 9(6), 1-19. https://doi.org/10.3390/SU9060909.
• Dimopoulos, T., & Moulas, A. (2016). A Proposal of a Mass Appraisal System in Greece with CAMA System: Evaluating GWR and MRA techniques in Thessaloniki Municipality. Open Geosciences, 8(1), 675-693. https://doi.org/10.1515/GEO-2016-0064.
• Dmytrów, K., Gdakowicz, A., & Putek-Szeląg, E. (2020). Methods of analyzing qualitative variable correlation on the real estate market. Real Estate Management and Valuation, 28(1), 80-90. https://doi.org/10.2478/REMAV-2020-0007.
• Doszyń, M. (Ed.). (2020). System kalibracji macierzy wpływu atrybutów w szczecińskim algorytmie masowej wyceny nieruchomości. Wydawnictwo Naukowe Uniwersytetu Szczecińskiego.
• Gabrielli, L., Giuffrida, S., & Trovato, M. R. (2017). Gaps and overlaps of urban housing submarket: Hard clustering and fuzzy clustering approaches. In S. Stanghellini, P. Morano, M. Bottero & A. Oppio (Eds.), Appraisal: From Theory to Practice (pp. 203-219). Springer. https://doi.org/10.1007/978-3-319-49676-4_15.
• Gatnar, E., & Walesiak, M. (Eds.). (2011). Analiza danych jakościowych i symbolicznych z wykorzystaniem programu R. Wydawnictwo C.H. Beck.
• Gdakowicz, A., & Putek-Szelag, E. (2020a). Is It Possible to Overfit the Algorithm? Case Study of Mass Valuation of Land Properties in Szczecin. European Research Studies Journal, 23(SI2), 110-122. https://doi.org/10.35808/ERSJ/1812.
• Gdakowicz, A., & Putek-Szeląg, E. (2020b). The Use of Statistical Methods for Determining Attribute Weights and the Influence of Attributes on Property Value. Real Estate Management and Valuation, 28(4), 33-47. https://doi.org/10.1515/REMAV-2020-0030.
• Glennon, D., Kiefer, H., & Mayock, T. (2018). Measurement error in residential property valuation: An application of forecast combination. Journal of Housing Economics, 41, 1-29. https://doi.org/10.1016/J.JHE.2018.02.002.
• Guan, J., Shi, D., Zurada, J. M., & Levitan, A. S. (2014). Analyzing Massive Data Sets: An Adaptive Fuzzy Neural Approach for Prediction, with a Real Estate Illustration. Journal of Organizational Computing and Electronic Commerce, 24(1), 94-112. https://doi.org/10.1080/10919392.2014.866505 .
• Han, L., & Zhu, J. (2008). Using matrix of thresholding partial correlation coefficients to infer regulatory network. Biosystems, 91(1), 158-165. https://doi.org/10.1016/J.BIOSYSTEMS.2007.08.008.
• Hellwig, Z. (1968). Zastosowanie metody taksonomicznej do typologicznego podziału krajów ze względu na poziom ich rozwoju oraz zasoby i strukturę wykwalifikowanych kadr. Przegląd Statystyczny, 15(4), 307-327.
• Hozer, J., Gnat, S., Kokot, S., & Kuźmiński, W. (2019). The Problem of Designating Elementary Terrains for the Purpose of Szczecin Algorithm of Real Estate Mass Appraisal. Real Estate Management and Valuation, 27(3), 42-58. https://doi.org/10.2478/REMAV-2019-0024.
• Hozer, J., Kokot, S., & Kuźmiński, W. (2002). Metody analizy statystycznej rynku w wycenie nieruchomości. Polska Federacja Stowarzyszeń Rzeczoznawców Majątkowych.
• Hui, S. K., Cheung, A., & Pang, J. (2010). A Hierarchical Bayesian Approach for Residential Property Valuation: Application to Hong Kong Housing Market. International Real Estate Review, 13(1), 1-29. https://ideas.repec.org/a/ire/issued/v13n012010p1-29.html.
• International Association of Assessing Officers. (2019). Standard on Mass Appraisal of Real Property. A criterion for measuring fairness, quality, equity and accuracy. https://www.iaao.org/media/standards/StandardOnMassAppraisal.pdf.
• Jahanshiri, E., Buyong, T., & Shariff, A. R. M. (2011). A Review of Property Mass Valuation Models. Pertanika Journal of Science & Technology, 19(special issue), 23-30. https://core.ac.uk/download/pdf/153832642.pdf

Identyfikatory

DOI

10.59139/ws.2023.10.2