Residential real estate valuation : review and practical comparison of valuation methods
Sairanen, Elias (2020)
Pro gradu -tutkielma
Sairanen, Elias
2020
School of Business and Management, Kauppatieteet
Kaikki oikeudet pidätetään.
Julkaisun pysyvä osoite on
https://urn.fi/URN:NBN:fi-fe2020091669823
https://urn.fi/URN:NBN:fi-fe2020091669823
Tiivistelmä
The purpose of this master’s thesis is to find out what kind of housing valuation models exist in the previous literature. In addition, the purpose of this study is to compare more closely the two different methods, artificial neural network (ANN) and multiple regression analysis (MRA), and find out which of the methods is more accurate in determining the prices of apartment buildings in the Helsinki area.
The data used in the research has been collected from the Confederation of Finnish Real Estate’s database and from the website of the Finnish Tax Administration. The combined data contains information about apartments in Helsinki. In addition to the housing information, the data contains regional income data. The research material of this study was analyzed using an artificial neural network as well as multiple regression analysis.
This research finds that the most often used residential real estate valuation method in the previous literature is the multiple regression method. The second most common is the hedonic pricing and 3rd common is the artificial neural network model. In the analysis section of this study, the artificial neural network model proved to be the most accurate way to estimate the prices of apartment buildings in Helsinki. According to this study, the most important variables influencing the price of an apartment were: number of square meters of the apartment, income level of the area, form of ownership of the plot and the condition of the apartment. In addition, the study found that in some cases the location of the apartment has a significant impact on the price. Tämän pro gradu -tutkielman tarkoituksena on selvittää, minkälaisia asuntojen arvonmääritysmalleja aiempi kirjallisuus tuntee. Lisäksi tavoitteena on vertailla tarkemmin kahta erilaista menetelmää, keinotekoista neuroverkkoa (ANN) sekä usean muuttujan regressioanalyysiä (MRA), ja ottaa kantaa siihen, kumpi menetelmistä on tarkempi määriteltäessä Helsingin seudun kerrostaloasuntojen hintoja.
Tutkielmassa käytetty data on kerätty Suomen Kiinteistövälitysalan Keskusliiton (KVKL) sähköisestä tietopalvelusta sekä Suomen Verohallinnon verkkosivuilta. Yhdistetty data sisältää tietoa Helsingin seudun asunnoista ja niiden omaisuuksista sekä alueellisista tulotiedoista. Aineisto analysoitiin hyödyntämällä keinotekoista neuroverkkoa sekä usean muuttujan regressioanalyysiä.
Tutkielman tulokset osoittavat, että aiemmassa kirjallisuudessa käytetyin asunnon arvonmääritysmalli on usean muuttujan regressio. Toiseksi yleisin on hedoninen hinnoittelumalli ja kolmanneksi keinotekoinen neuroverkko -malli. Tämän tutkimuksen aineiston analysoinnissa keinotekoinen neuroverkko -malli osoittautui tarkimmaksi malliksi arvioidessa Helsingin seudun asuntojen hintoja. Tutkielman mukaan Helsingin asuntojen kaikista tärkeimpiä hintaan vaikuttavia muuttujia ovat asuinneliöiden määrä, alueen palkkataso, tontin omistusmuoto sekä asunnon kunto. Lisäksi tutkimuksen mukaan asunnon sijainnilla on joissain tapauksissa merkittävä vaikutus asunnon arvoon.
The data used in the research has been collected from the Confederation of Finnish Real Estate’s database and from the website of the Finnish Tax Administration. The combined data contains information about apartments in Helsinki. In addition to the housing information, the data contains regional income data. The research material of this study was analyzed using an artificial neural network as well as multiple regression analysis.
This research finds that the most often used residential real estate valuation method in the previous literature is the multiple regression method. The second most common is the hedonic pricing and 3rd common is the artificial neural network model. In the analysis section of this study, the artificial neural network model proved to be the most accurate way to estimate the prices of apartment buildings in Helsinki. According to this study, the most important variables influencing the price of an apartment were: number of square meters of the apartment, income level of the area, form of ownership of the plot and the condition of the apartment. In addition, the study found that in some cases the location of the apartment has a significant impact on the price.
Tutkielmassa käytetty data on kerätty Suomen Kiinteistövälitysalan Keskusliiton (KVKL) sähköisestä tietopalvelusta sekä Suomen Verohallinnon verkkosivuilta. Yhdistetty data sisältää tietoa Helsingin seudun asunnoista ja niiden omaisuuksista sekä alueellisista tulotiedoista. Aineisto analysoitiin hyödyntämällä keinotekoista neuroverkkoa sekä usean muuttujan regressioanalyysiä.
Tutkielman tulokset osoittavat, että aiemmassa kirjallisuudessa käytetyin asunnon arvonmääritysmalli on usean muuttujan regressio. Toiseksi yleisin on hedoninen hinnoittelumalli ja kolmanneksi keinotekoinen neuroverkko -malli. Tämän tutkimuksen aineiston analysoinnissa keinotekoinen neuroverkko -malli osoittautui tarkimmaksi malliksi arvioidessa Helsingin seudun asuntojen hintoja. Tutkielman mukaan Helsingin asuntojen kaikista tärkeimpiä hintaan vaikuttavia muuttujia ovat asuinneliöiden määrä, alueen palkkataso, tontin omistusmuoto sekä asunnon kunto. Lisäksi tutkimuksen mukaan asunnon sijainnilla on joissain tapauksissa merkittävä vaikutus asunnon arvoon.