Artificiell intelligens i analysarbetet

Pris- och hyressättning av nya bostäder

Maskininlärning ger en rad nya möjligheter vid analys av betalningsvilja för nya bostäder. Vi arbetar med flera typer av modeller och även olika grad av upplösning, från områdespriser ner till priser för enskilda bostäder med specifika egenskaper.

Att prissätta bostäder i nyproduktionsprojekt är ett hantverk. De nya bostäderna möter konkurrens från utbud av andra nyproducerade bostäder så väl som från befintliga bostäder på successionsmarknaden. Vid en traditionell analys av betalningsvilja för bostäder i ett projekt sammanställs alla tillgängliga data om utbud och noterade priser för begagnade bostäder. Beräkningar görs för att göra produkter så jämförbara som möjligt. Betalningsviljan kan variera mycket beroende på till exempel bostadens area, antal rum, avgift till förening, våningsplan med mera. I miljöer med ett stort antal transaktioner minskar osäkerheterna i analysen och det omvända gäller i miljöer med tunt dataunderlag.

Maskininlärningsmodeller kan med god precision bestämma en optimal pris- eller hyresnivå för en nybyggd bostad. Med modellerna går det även att undersöka hur prisnivån förändras om lägenheter eller projektet som helhet modifieras. Exempel på frågor som kan besvaras:

• Vad betyder bostadens area för betalningsviljan? Detta kan både visas för projekt som helhet och för en specifik bostad. Exempelvis: hur förändras betalningsviljan för ettor på ett visst våningsplan om arean ökar eller minskar?
• Hur påverkar avgiftsnivån? Även här kan analysen göras för specifika bostäder eller för projekt som helhet.
• Vilken betydelse har våningsplan?
• Vad betyder särskilda kvaliteter som närhet till park, vatten och serviceutbud för projektet? Finns skillnader för olika lägenhetsstorlekar?

Ett projekt kan analyseras med avseende på medelvärden för typbostäder, men kanske mer intressant är möjligheten att konfigurera ett helt projekt med uppgifter om samtliga bostäders specifika egenskaper och maskinellt pris- och hyressätta alla bostäder samtidigt. När modellen har byggts upp finns möjligheter till simuleringar som direkt summeras till slutsatser om hur projektets totala intäkter påverkas.

I modellerna ingår både bostädernas egenskaper och vad som utmärker byggnadens läge och närmiljö.  Modellerna kan tränas på de egenskaper som vi i studier av stadskvaliteter visat har betydelse för bostäders attraktivitet. Genom att både träna modellerna på lägenhetsegenskaper och stadskvaliteter samtidigt kan analyser göras av scenarier av typen ”hur påverkas betalningsviljan för små bostäder jämfört med stora bostäder av att tunnelbanan byggs ut?”.

I miljöer med litet antal transaktioner, där en manuell analys är utmanade, kan maskininlärningsmodeller ge värdefulla insikter. Moderna tränas med data för större geografiska områden, i vissa fall regioner, ibland hela Sverige, och nyttjar återkommande mönster för att prissätta bostäder även där det i nuläget helt saknas bostäder. Det vi behöver tillföra som input till modellerna är en beskrivning av den miljö som förväntas skapas när projektet är genomfört.

Söktryck för hyresrätter

Efterfrågan på hyresrätter är stor på många marknader i Sverige, vilket inte minst syns när kötider sammanställs. För nyproducerade eller renoverade bostäder kan kötiderna vara kortare och söktrycket, antalet sökande per bostad, vara lägre. Med maskininlärningsmodeller kan söktryck predikteras för enskilda bostäder med utgångspunkt från deras egenskaper, som exempelvis hyra, antal rum, area och våningsplan, samt deras exakta läge.

Om söktrycket är lågt behöver det inte leda till att lägenheter står tomma, men däremot kan omflyttningen bli förhöjd, vilket bland annat ger ökade underhållskostnader och minskade hyresintäkter genom omflyttningsvakans. Hyreslägenheter med höga hyror i mindre attraktiva områden riskerar få kritiskt lågt söktryck. Inför omfattande ROT-åtgärder i ett bestånd eller vid beslut om genomförande av nyproduktion av hyreslägenheter kan en skattning av söktryck vara avgörande. Analysen kan även användas för att konfigurera projekten med avseende på val av exempelvis ROT-åtgärder eller lägenhetsfördelning för nyproduktionsprojektet. Flera faktorer än hyresnivån har dock betydelse för söktrycket och dynamiken kan beskrivas med modeller. De viktigaste faktorerna som förklarar söktrycket är:

• Hyresnivån, som i svaga miljöer är känslig för hushållens budgetrestriktioner.
• Skillnad mellan bostädernas jämviktshyra (”marknadshyra”) och utgående hyra. Uppfattas bostaden som prisvärd i relation till vad den erbjuder i form av utformning och läge?
• Antal rum och area. Beroende på lokalt utbud finns både risk för överutbud eller behov av fler bostäder av viss storlek. Även budgetrestriktioner träffar olika beroende på om hushåll med en eller två försörjare kan bo i bostaden.
• Våningsplan. Precis som för bostadsrätter föredras läge högre upp i husen och i vissa fall undviks entréplan av trygghetsskäl.

Med modellerna kan både befintliga bestånd analyseras och tilltänkta projekt. Analys av befintliga bestånd är ofta kopplade till att beslut om ROT-åtgärder eller som del av analyser inför förvärv, finns möjlighet till lönsam upprustning av ett bestånd? För nya hyresrätter kan den hyra som krävs för att möjliggöra en lönsam investering uppgå till nivå som inte observerats tidigare på den lokala marknaden. Med modellerna finns möjlighet att pröva scenarier och utvinna mer kunskap ur mönster och data bortom vad manuella analyser förmår undersöka.