مسیر اقتصاد/ مسکن یکی از مهمترین و رایج ترین اشکال دارایی است که بخش عمده ثروت خانوار و حتی کشورها را تشکیل می‌دهد و از این رو، قیمت مسکن تاثیر بسزایی در ثروت ملی و همچنین ثروت افراد دارد. از دیگر اثرات قیمت مسکن میتوان به مواردی همچون اهمیت آن در تامین پشتوانه وام‌های بانکی، تاثیر مستقیم در نرخ اجاره مسکن، تغییر الگوی مصرف افراد در بازارهای محلی و اثر غیر مستقیم آن بر تولید ناخالص ملی اشاره نمود.
برآورد قیمت مسکن امر دشواریست، زیرا هر ساختمان مسکونی دارای مشخصه‌های یکتایی بوده و دارای بازاری ناهمگن است. قیمت مسکن تحت تاثیر عواملی مانند مکان، مشخصه‌های ساختمان، عوامل زیست محیطی و شرایط بازار تعیین می‌گردد. با وجود دشواری ذکر شده، ارائه برآورد به علت اهمیت آن همواره لازم است و ذینفعان بسیاری در این موضوع درگیر هستند.
خطای انسانی بخش جدایی ناپذیر قیمت گذاری
تاکنون روش‌های متعددی برای برآورد قیمت مسکن توسط کارشناسان ارائه شده است که از جمله آنها میتوان به روش‌هایی مانند روش مقایسه مستقیم، قیمت‌گذاری بر اساس بازده سود یا اجاره و قیمت‌گذاری بر اساس هزینه ساخت اشاره داشت. روش مقایسه مستقیم پرکاربردترین روش برای برآورد قیمت ساختمان‌های مسکونی است. در روش مقایسه مستقیم، قیمت مسکن بر اساس مقایسه شباهت و تفاوت ویژگی‌های ساختمان مورد نظر با دیگر ساختمان‌های مسکونی مورد معامله و یا دارای قیمت مشخص در آن ناحیه، تعیین می‌شود و این روش پایه بسیاری از روش‌های دیگر است.
برآورد قیمت ساختمان به طور معمول توسط افراد و بر اساس دانش و تجارب آنها انجام می‌شود. در حال حاضر بسیاری از افراد و سازمان‌ها به برآوردهای ارائه شده توسط افراد وابسته هستند که از جمله آنها میتوان به بانک‌ها، سازمان امور مالیاتی، معامله گران بازار مسکن، دستگاه‌های قضایی و بسیاری دیگر اشاره نمود. در بسیاری از کشورها استانداردهای غیر الزامی به عنوان راهنما برای برآوردگران قیمت مسکن وجود دارد. به عنوان مثال سازمان IAAO که یک مجموعه آموزشی و غیرانتفاعی است و مرکز آن در آمریکا واقع شده، مجموعه استانداردهای فنی در زمینه برآورد قیمت مسکن را ارائه می‌دهد که شامل راهنماهایی برای جمع آوری داده، ارزیابی شرایط گوناگون، قوانین مالیاتی و دیگر موضوعات است.
سازمان RICS که در انگلیس واقع شده بر گسترش استانداردهای بین المللی در صنعت ساخت، املاک و مستغلات، توسعه سرزمین و زیرساخت تمرکز دارد. یکی از موضوعاتی که این سازمان به آن توجه ویژه داشته، ارائه استانداردهای برآورد قیمت برای املاک و مستغلات بوده است و گستره عناوین آن موارد بسیاری مانند قیمت گذاری ساختمان‌های تحت مالکیت بانک‌ها تا قیمت گذاری زمین‌های کشاورزی را شامل می‌شود. همچنین سازمان IVSC که مقر اصلی آن در انگلستان واقع شده است، مانند دیگر سازمان‌های مذکور، مجموعه‌‌ای غیر انتفاعی است که هدف خود را ارائه استانداردهایی برای ارزش گذاری و برآورد قیمت معرفی نموده و راهنماهایی گام به گام برای فرآیند ارزش گذاری ارائه می‌کند.
استانداردها و راهنماهای معرفی شده همگی به جهت کاهش خطاهای محتمل و ایجاد چارچوبی یکپارچه تدوین شده‌اند؛ اما همچنان خطاهای انسانی ناشی از جانبداری به علت تعارض منافع، اطلاعات ناقص، اشتباهات ادراکی و محاسباتی وجود دارد. در حال حاضر جای خالی استاندارد و راهنمایی جامع برای برآورد قیمت ساختمان‌ها متناسب با شرایط و قوانین کشور در حوزه مسکن احساس می‌شود که در صورت وجود چنین راهنمایی، میتوان بخشی از خطاهای انسانی در برآوردهای صورت گرفته شده را کاهش داد.
هوش مصنوعی بازیگر جدید قیمت گذاری مسکن
یکی از راهکارهای معرفی شده برای برآورد قیمت مسکن استفاده از نظریه مدل‌های هدانیک است. در این نظریه بیان می‌شود که مسکن نه صرفا به عنوان یک دارایی، بلکه به دلیل ویژگی‌های آن خریداری می‌شود. ولی به دلیل آنکه هر یک از ویژگی‌ها دارای قیمت صریحی نیست، قیمت مسکن براساس برآیند ضمنی قیمت این ویژگی‌ها تعیین می‌گردد. مدل‌های هدانیک شامل تخمین یک رابطه رگرسیون میان قیمت مسکن و متغیرهای زمان، ویژگی‌های ساختمان و مکان آن است. با وجود نتایج امید بخش و کمک کننده مدل‌های هدانیک، همچنان خطای تخمین آنها دقت کافی را ندارند و در بسیاری از موارد نیازمند قضاوت انسانی برای اصلاح نتایج هستند.
پس از معرفی مدل‌های مبتنی بر یادگیری ماشین و یادگیری عمیق که زیرشاخه‌ای از هوش مصنوعی هستند؛ تحولات زیادی در زمینه‌های مختلف به وجود آمد که یکی از آنها فرآیند برآورد قیمت مسکن است. مدل‌های برآورد قیمت مسکن مبتنی بر الگوریتم‌های یادگیری ماشین بهبود قابل توجهی نسبت به مدل‌های پیشین خود نشان داده‌اند و با توسعه علوم وابسته به یادگیری ماشین، دقت آنها نیز به صورت مداوم در حال بهبود است.
استفاده از این مدلها مزایای بسیاری دارد که از جمله مهمترین آنها میتوان به دوری از خطاهای جانبداری بر اساس منافع، سرعت عمل بسیار سریعتر در ارائه برآورد، هزینه‌های به مراتب پایین‌تر، کشف الگوهای پنهان و افزایش قدرت پیش بینی را نام برد.
در حال حاضر سامانه‌هایی با استفاده از مدل‌های مبتنی بر یادگیری ماشین در حال ارائه خدمات هستند که از نمونه‌های شاخص آنها میتوان به Zillow و Eppraisal اشاره داشت. بسیاری از برآوردگران در سراسر دنیا از سرویس‌های مشابهی برای در نظر گرفتن نقطه شروع برآورد و یا صحت سنجی آن استفاده می‌نمایند.
مسیر پر چالش استفاده از روش‌های نوین قیمت‌گذاری املاک
هوش مصنوعی در زمینه برآورد قیمت مسکن نتایج جالب توجهی ارائه می‌کند و در آینده‌ای نه چندان دور در این زمینه از انسان پیشی خواهد گرفت؛ اما در این مسیر چالش‌های مهمی برای ساخت و بکارگیری آنها وجود دارد. تمامی مدلها وابسته به داده‌هایی برای آموزش هستند و دقت آنها کاملا وابسته به کیفیت و صحت داده‌های ورودی است و این وابستگی، در کنار نبود پایگاهی جامع از داده‌های مربوط به قیمت ساختمان‌ها و ویژگی‌های آنها، ساخت مدل‌های برآوردگر با دقت مطلوب را دشوار کرده است. از سوی دیگر نیاز است تا به صورت مداوم داده‌ها به روز شده و جریان داده حفظ شود.
دیگر چالش اصلی استفاده از نتایج حاصل از برآورد مدلها در مراجع رسمی و دعواهای حقوقی است. هرچند استفاده از این مدلها در حال ترویج در میان معامله گران مسکن و مشاورین املاک است، اما دیگر مراجع رسمی همچنان استناد به برآوردهای انسانی را ترجیح می‌دهند که باید به مرور زمان و پیشرفت تکنولوژی اصلاح گردد.
قطعا هوش مصنوعی در آینده یکی از ارکان اصلی برآورد قیمت مسکن خواهد بود و زمینه سازی برای تسریع در بهره گرفتن از آن به کاهش هزینه‌ها، کاهش زمان فرآیند برآورد و جلوگیری از خطاهای انسانی کمک خواهد کرد.
انتهای پیام/ مسکن
