Porovnání cen bytových jednotek mezi oceněním provedeným odborníkem a oceněním programem
Přehrát audio verzi
Porovnání cen bytových jednotek mezi oceněním provedeným odborníkem a oceněním programem
00:00
00:00
1x
- 0.25x
- 0.5x
- 0.75x
- 1x
- 1.25x
- 1.5x
- 2x
Foto: Pexels
Tento příspěvek se zaměřuje na průběžné výsledky analýzy rozdílů mezi tržním oceněním bytových jednotek provedeným odborníky a automatizovaným programem v České republice v rámci okresu Brno-město. Doposud bylo analyzováno 40 bytů v různých kategoriích podlahové plochy, dispozičního řešení, polohy v rámci katastrálního území, stavebně-technického stavu a dalších. Průběžné výsledky ukázaly vysokou korelaci mezi oběma metodami (r = 0,963), avšak byly identifikovány významné rozdíly u některých segmentů, zejména u novostaveb a bytů před rekonstrukcí a v rozdílné podlahové ploše. Výsledná studie může přinést důležité poznatky pro uživatele automatizovaných oceňovacích nástrojů.
1. Úvod
Oceňování nemovitostí představuje klíčovou součást realitního trhu a hraje zásadní roli při rozhodovacích procesech jak na straně kupujících, tak prodejců. Správné ocenění nemovitosti může výrazně ovlivnit průběh prodeje, financování nebo pojištění nemovitosti. Při nesprávném ocenění může dojít k prodloužení doby prodeje, finančním ztrátám či naopak k podcenění tržní hodnoty, což vede k nevýhodným transakcím. Tradiční metody oceňování nemovitostí se zakládají na odborných znalostech a zkušenostech certifikovaných odhadců. Tito odborníci provádějí důkladnou analýzu trhu, zohledňují technický stav nemovitosti, její lokalitu, dispozici a mnoho dalších faktorů, které ovlivňují výslednou hodnotu. [1] [5]
V posledních letech hlavně v zahraničí se však v oblasti oceňování nemovitostí prosazuje trend automatizace. Díky dostupnosti většího množství dat a rozvoji algoritmů strojového učení se na trhu objevují automatizované nástroje, které dokážou rychle a s relativně vysokou přesností určit tržní hodnotu nemovitostí. Tyto systémy dokážou analyzovat tisíce realitních transakcí v reálném čase a na základě statistických modelů poskytují odhad, který je často srovnatelný s oceněním provedeným odborníkem. Automatizované oceňování nemovitostí představuje efektivní nástroj, jehož spolehlivost je podmíněna dostupností rozsáhlé a kvalitní databáze s dostatečným množstvím transakcí s nemovitostmi, které jsou velmi podobné nebo totožné s hodnocenou nemovitostí. Klíčovými faktory jsou shodný stavebně-technický stav, podlahová plocha, vybavení, dispozice, lokalita, čas realizace transakce a další relevantní parametry. Ideální jsou pro tento druh ocenění lokality s aktivním realitním trhem, jako jsou například velká města, kde se často s nemovitostmi obchoduje. Zajistí se tak dostatečné množství srovnatelných vzorků. [2] [3]
Výzvou pro automatizované oceňování se stávají hlavně nestandardní nemovitosti. Ty mohou vykazovat například atypické půdorysy, méně prakticky využitelné prostory, omezenou dostupnost nebo specifickou polohu. Další komplikací je situace v lokalitách s nízkou aktivitou realitního trhu, kde není k dispozici dostatečné množství transakčních dat potřebných pro analytické modely. Riziko rovněž představují nepřesné či nepravdivé informace obsažené v databázích, které mohou ovlivnit výslednou přesnost ocenění.
Tento článek se zaměřuje na základní porovnání ocenění provedeného odborníky s oceněním generovaným programem. Cílem je analyzovat rozdíly mezi těmito dvěma metodami a identifikovat faktory, které mohou přispívat k odchylkám v ocenění. Výsledky této analýzy mohou poskytnout cenné poznatky pro další směr výzkumu a taky může přispět k vývoji automatizovaných nástrojů a jejich lepší integraci do praxe realitního trhu.
2. Automatizované oceňování
Automatizované oceňování nemovitostí (AVM) je moderní přístup k určení tržní hodnoty, který se v posledních letech stal nedílnou součástí realitního trhu. Jak ukazují současné studie, tento trend se celosvětově rozvíjí a AVM nachází uplatnění nejen v komerčním sektoru, ale i v rámci vládních institucí, kde pomáhá zvyšovat efektivitu a snižovat náklady spojené s hodnocením nemovitostí. Je to přístup k určení tržní hodnoty, který využívá pokročilé algoritmy, statistické modely a velké množství dat k tomu, aby určil hodnotu nemovitostí s minimálním lidským zásahem. Tato metoda přináší mnoho výhod, včetně rychlosti, nižších nákladů a konzistentních výsledků. Vzhledem k neustálému růstu realitního trhu a počtu nemovitostních transakcí se automatizace oceňování stává nezbytnou součástí moderního realitního sektoru. [4]
Automatizované oceňování je zvláště cenné v případech, kdy je nutné provést rychlé rozhodnutí nebo kdy je objem oceňovaných nemovitostí příliš vysoký na to, aby byl zpracován ručně. Programy dokážou během několika minut analyzovat tisíce nemovitostí a na základě porovnání s podobnými objekty určit tržní hodnotu konkrétního bytu. Tento proces eliminuje subjektivní vlivy a snižuje riziko lidské chyby. Automatizované oceňování je zajímavým nástrojem nejen pro realitní kanceláře, ale i pro banky, pojišťovny a investory, kteří potřebují rychlý a levný odhad hodnoty nemovitostí. Díky neustálému vývoji algoritmů a zdokonalování datových zdrojů se tento přístup stává stále zajímavějším. [5]
Pro účely tohoto výzkumu byla navázána spolupráce s jedním z hlavních poskytovatelů oceňovacího programu v České republice pro ověření teorií na shromážděném datovém souboru oceněných bytových jednotek odborníky.
2.1 Datové zdroje a metodika programu
Program, který byl použit pro účely této analýzy, využívá tři hlavní zdroje dat, které poskytují komplexní přehled o trhu s nemovitostmi:
- Veřejná inzerce – Data jsou shromažďována z realitních portálů, které pokrývají více než 75 % všech veřejně nabízených rezidenčních nemovitostí v Česku. Systém monitoruje nové nabídky několikrát denně a sleduje změny parametrů, jako je cena, podlahová plocha nebo dispozice nemovitosti. [6]
- Data z ČÚZK (Český úřad zeměměřický a katastrální) – Jednou měsíčně jsou stahována data o realizovaných prodejích ve více než 13 tisících katastrálních územích v ČR. Tato data zahrnují skutečné prodejní ceny nemovitostí, což umožňuje programu získat realistický pohled na tržní hodnoty v jednotlivých lokalitách. [6]
- Prodejní ceny od realitních kanceláří – Realitní kanceláře poskytují data o skutečně realizovaných cenách svých zakázek, včetně typu nemovitosti, adresy, technického stavu a dalších klíčových parametrů. Tato data poskytují hlubší vhled do cenové struktury a umožňují programu zpřesnit své výpočty. [6]
2.2 Proces výpočtu tržní hodnoty
Proces zahrnuje sběr, čištění a obohacování dat, které jsou následně použity pro výpočet odhadované tržní hodnoty nemovitostí. Program využívá porovnávací metodu, při které vybírá až 10 nejpodobnějších nemovitostí na základě geografické blízkosti a dalších kritérií, jako je stáří nabídky, dispozice a stav nemovitosti. Program následně automaticky počítá koeficienty odlišnosti pro klíčové parametry, jako je konstrukce stavby, stav nemovitosti, dispozice, vlastnictví a podlaží. Finální odhad je poté proveden jako vážený průměr z cen porovnávaných nemovitostí. Tímto způsobem je zajištěn konzistentní odhad s minimálními odchylkami v přístupu. [6]
3. Metodologie
Tato kapitola popisuje postup, jakým byla data shromážděna, analyzována a jaké statistické metody byly použity k porovnání ocenění bytových jednotek odborníkem a automatizovaným programem. Cílem metodologie je zajistit, aby analýza byla co nejpřesnější a reflektovala skutečné rozdíly mezi oběma způsoby ocenění.
3.1 Sběr dat
Data jsou shromažďována na základě ocenění v okrese Brno-město. Aktuálně je k dispozici k prvotní analýze 40 ocenění bytových jednotek. Každá nemovitost byla podrobena dvojímu ocenění. První bylo provedeno certifikovanými odborníky na oceňování nemovitostí (znalci a odhadci) a druhé automatizovaným programem. Z odborného ocenění byly vybrány informace, které jsou nutné k ocenění programem (typ nemovitosti, adresa, stav, vlastnictví, podlahová plocha a datum provedení odhadu). Výstupy z programu nebyly dále upravovány. Byty zahrnovaly různé kategorie, od malých jednopokojových bytů až po velké rodinné byty, v různém technickém stavu. Byty byly dle odlišností rozděleny do kategorií pro hlubší analýzu. [6]
3.2 Výběr statistických metod
Pro porovnání výsledků byly použity následující metody, které umožňují analýzu rozdílů mezi jednotlivými způsoby ocenění:
- Deskriptivní statistika – Zajišťuje základní přehled o datech, včetně průměru, mediánu a směrodatné odchylky. Tato metoda nám umožňuje pochopit celkové rozložení hodnot a identifikovat extrémní odchylky. Deskriptivní statistika také ukazuje, jak se liší rozptyl hodnot mezi oběma způsoby ocenění.
- Párový t-test – Párový t-test se používá k porovnání dvou souvisejících souborů dat (před a po zásahu, nebo různé metody měření stejného vzorku). Cílem je zjistit, zda mezi nimi existuje významný rozdíl. Tento test se běžně používá v případech, kdy je důležité zjistit, zda se dvě metody měření liší v průměrné hodnotě.
- Korelační analýza (Pearsonův korelační koeficient) – Tato metoda měří sílu vztahu mezi dvěma proměnnými. V kontextu této analýzy se korelace používá k určení, do jaké míry jsou výsledky programu v souladu s oceněním odborníka. Hodnota blízká 1 naznačuje silnou pozitivní korelaci, což znamená, že výsledky obou metod jsou podobné.
- Bland-Altmanova analýza – Tato metoda je určena k identifikaci systematických chyb mezi dvěma způsoby měření. Ukazuje rozdíl mezi oceněními na jedné ose a průměr obou hodnot na druhé ose. Tento typ analýzy je klíčový pro odhalení odchylek a identifikaci bytových jednotek, u kterých došlo k největším rozdílům.
- Segmentace podle velikosti bytu a technického stavu – Byty byly rozděleny do kategorií podle podlahové plochy a stavebně-technického stavu. Tato segmentace umožňuje identifikovat, jak se liší výsledky oceňování v různých segmentech trhu, a poskytuje podrobnější pohled na faktory ovlivňující ocenění.
4. Analýza dat
4.1 Deskriptivní statistika
Tato kapitola se zaměřuje na základní deskriptivní statistiku porovnávající ocenění bytových jednotek provedené odborníkem a automatizovaným programem. Deskriptivní statistika poskytuje přehled o průměrných hodnotách, mediánech a rozptylu ocenění, což umožňuje identifikovat rozdíly mezi oběma metodami.
| Metrika | Odborník [Kč/m²] | Program [Kč/m²] | Program – Odborník [Kč/m²] |
|---|---|---|---|
| Průměr | 104 536 | 103 648 | 888 |
| Medián | 103 185 | 105 161 | 1 976 |
| Směrodatná odchylka | 17 847 | 11 203 | 6 644 |
4.1.1 Průměr
Průměrná cena za m² ocenění odborníkem vyšlo na 104 536 Kč/m², zatímco automatizovaný program stanovil průměrnou cenu na 103 648 Kč/m². Rozdíl činí 888 Kč/m², což odpovídá přibližně 0,85 %. Tato blízkost naznačuje, že program poskytuje velmi podobné výsledky jako odborník, což svědčí o vysoké přesnosti automatizovaného nástroje.
4.1.2 Medián
Hodnota mediánu u odborníka činí 103 185 Kč/m² a u programu 105 161 Kč/m². Rozdíl 1 976 Kč/m² (přibližně 1,9 %) ukazuje, že program má tendenci oceňovat byty o něco výše než odborník.
Obr. 1 Medián rozdílů mezi oceněním dle technického stavu (O-P)
Fig. 1 Median of differences in valuation according to technical condition (O-P)
Pro lepší přehlednost grafů byla vytvořena tabulka níže s vysvětlením pohybu hodnot v případě kladných a záporných čísel a jejich interpretace na tendence odborníka a programu ocenění nadhodnocovat nebo podhodnocovat.
| Pohyb hodnot | Odborník | Program |
|---|---|---|
| Hodnota v záporných číslech | Podhodnocuje | Nadhodnocuje |
| Hodnota v kladných číslech | Nadhodnocuje | Podhodnocuje |
V případě segmentace dat dle stavebně technického stavu nemovitosti medián, jako hodnota odolná vůči extrémům, naznačuje, že byty v dobrém a velmi dobrém stavebně technickém stavu bývají programem nadhodnoceny, zatímco odborníci přisuzují vyšší hodnotu novostavbám a nemovitostem po rekonstrukci. Největší rozdíl je patrný u nemovitostí ve velmi dobrém stavebně technickém stavu, což může signalizovat například odlišné metody hodnocení kvality nemovitostí.
4.1.3 Směrodatná odchylka (přesnost ocenění)
Směrodatná odchylka je u odborníka výrazně vyšší – 17 847 Kč/m² oproti 11 203 Kč/m² u programu. Tato hodnota ukazuje, že ocenění odborníkem je více rozptýlené a vykazuje větší variabilitu. Nižší směrodatná odchylka u programu naznačuje vyšší konzistenci výsledků. Program tedy poskytuje stabilnější a předvídatelnější výsledky, zatímco odborník více zohledňuje individuální vlastnosti jednotlivých bytů.
4.2 Párový t-test
Párový t-test byl proveden za účelem porovnání ocenění nemovitostí odborníkem a programem. Testoval se předpoklad, zda mezi průměrnými hodnotami těchto dvou metod existuje statisticky významný rozdíl.
Obr. 2 Porovnání ocenění nemovitostí odborníkem a programem
Fig. 2 Comparison of property valuations by an expert and the program
Výsledky párového t-testu:
- t-statistika: 0,481468
- p-hodnota: 0,632875
Na hladině významnosti 0,05 výsledky ukazují, že p-hodnota (0,63) je větší než kritická hodnota 0,05. Proto nezamítáme nulovou hypotézu , která předpokládá, že mezi oceněními odborníkem a programem není statisticky významný rozdíl. Výsledky naznačují, že rozdíly mezi oceněními jsou náhodné a nelze tvrdit, že jedna metoda konzistentně poskytuje vyšší či nižší ocenění než druhá.
4.3 Korelační analýza
V rámci této studie byla korelační analýza použita k určení, jak silně souvisí ocenění bytových jednotek provedené odborníkem s oceněním automatizovaným programem.
Hlavním důvodem pro použití korelační analýzy bylo ověřit, zda automatizovaný nástroj poskytuje konzistentní výsledky ve srovnání s odbornými odhady. Pokud by korelační koeficient vykazoval vysoké hodnoty (blízké 1), znamenalo by to, že program se přibližuje oceněním odborníka, což by zvyšovalo jeho důvěryhodnost a praktičnost. Naopak nízká korelace by naznačovala, že automatizovaný systém vykazuje odlišnosti, které by mohly ovlivnit jeho spolehlivost.
V kontextu tohoto výzkumu jsme očekávali, že silná pozitivní korelace by naznačovala, že program dokáže dostatečně přesně replikovat hodnocení odborníků, což by znamenalo, že může být využit jako efektivní a rychlá alternativa tradičního oceňování.
Výsledkem analýzy bylo zjištění, že hodnota Pearsonova korelačního koeficientu je r = 0,963, což představuje velmi silnou pozitivní korelaci. Tento výsledek jasně ukazuje, že automatizované ocenění se ve velké míře shoduje s oceněním odborníka, což potvrzuje jistou kvalitu a přesnost programu.
Korelační analýza nám poskytla klíčové informace o tom, že automatizovaný nástroj je schopen generovat odhady s vysokou mírou přesnosti. Nicméně je důležité podotknout, že korelace sama o sobě nezachycuje rozdíly v absolutních hodnotách, což je důvodem, proč byla analýza doplněna o Bland-Altmanovu analýzu pro podrobnější zkoumání rozdílů.
4.4 Bland-Altmanova analýza
Bland-Altmanova analýza je sofistikovaná metoda používaná k identifikaci systematických chyb mezi dvěma různými způsoby měření. Tato metoda je zvláště užitečná pro vizualizaci rozdílů mezi jednotlivými oceněními a odhalení případných odchylek, které by mohly být přehlédnuty při běžné korelační analýze.
V rámci tohoto výzkumu byla Bland-Altmanova analýza použita k porovnání ocenění odborníkem a automatizovaným programem. Tato metoda umožnila identifikovat byty, kde program systematicky nadhodnocoval nebo podhodnocoval hodnotu v porovnání s odborníkem. Z grafu vyplývá, že většina rozdílů se pohybuje v přijatelném rozmezí, avšak několik bytů vykazuje výraznější odchylky. Tato zjištění poskytují cenné informace pro další zlepšování algoritmu programu.
Obr. 3 Bland-Altmanova analýza (O-P)
Fig. 3 Bland-Altman analysis (O-P)
Graf znázorňuje Bland-Altmanovu analýzu, která porovnává rozdíly mezi oceněním bytových jednotek odborníkem a automatizovaným programem. Na vodorovné ose (X) je zobrazen průměr ocenění oběma metodami, zatímco svislá osa (Y) ukazuje rozdíl mezi těmito oceněními. Modré body představují rozdíly mezi jednotlivými oceněními (O-P). Červená čárkovaná čára znázorňuje průměr rozdílů, což umožňuje vizualizaci celkového posunu mezi oceněními. Zelené čárkované čáry označují ±1,96 směrodatné odchylky (SD), což je interval, ve kterém by mělo ležet přibližně 95 % rozdílů. Body mimo tento interval signalizují byty s významným rozdílem v ocenění.
Graf ukazuje, že většina ocenění spadá do přijatelných mezí, avšak několik bytových jednotek se odchyluje mimo interval ±1,96 SD, což naznačuje potenciální systematickou chybu nebo specifické faktory, které program nedokáže přesně zachytit.
Obr. 4 Rozložení rozdílů mezi oceněním odborníka a programem (O-P)
Fig. 4 Distribution of differences between expert and program valuation (O-P)
Histogram zobrazuje rozložení rozdílů mezi oceněním odborníkem a programem. Vodorovná osa (X) znázorňuje rozdíl ocenění v korunách (Kč), zatímco svislá osa (Y) ukazuje počet bytových jednotek v daném intervalu rozdílů. Histogram ukazuje, že většina rozdílů se pohybuje kolem nulové hodnoty, což znamená, že ocenění programem se ve většině případů shoduje s oceněním odborníka. Největší počet bytů (10+) vykazuje minimální rozdíl, což svědčí o vysoké přesnosti automatizovaného nástroje. Na krajích histogramu jsou patrné extrémní hodnoty, které signalizují byty s výrazně vyššími nebo nižšími odhady.
Graf potvrzuje, že většina ocenění programem odpovídá hodnotám stanoveným odborníky, přičemž rozdíly jsou většinou malé. Výraznější odchylky se vyskytují pouze u malého počtu bytových jednotek. Tento histogram slouží jako vizuální potvrzení konzistence mezi oběma způsoby ocenění.
4.5 Segmentace dle velikosti a technického stavu
Segmentace dat podle velikosti bytových jednotek a jejich technického stavu je klíčovým nástrojem pro hlubší pochopení rozdílů mezi oceněním odborníka a automatizovaným programem. Tato analýza umožňuje identifikovat, zda existují určité typy bytů, které vykazují větší odchylky v ocenění a jaké faktory mohou mít na tyto rozdíly vliv.
Byty byly rozděleny do kategorií podle podlahové plochy do následujících skupin:
- Malé byty (do 40 m²)
- Středně velké byty (40–60 m²)
- Větší byty (60–80 m²)
- Velké byty (80–100 m²)
- Velmi velké byty (nad 100 m²)
Současně byla nemovitostem přiřazena jedna z kategorií stavebně-technického stavu:
- Novostavby
- Byty v dobrém stavu
- Byty před rekonstrukcí
Obr. 5 Rozdíly mezi oceněním odborníka a programem (O-P) dle velikosti a technického stavu
Fig. 5 Differences between expert and program valuation (O-P) by size and technical condition
Graf znázorňuje průměrné procentuální rozdíly mezi oceněním bytových jednotek provedeným odborníkem a automatizovaným programem. Byty jsou rozděleny do pěti kategorií podle podlahové plochy a segmentovány dle technického stavu – novostavby, byty v dobré kondici a byty před rekonstrukcí.
Novostavby (žlutá) vykazují pozitivní rozdíly ve všech velikostních kategoriích, s nejvyšším rozdílem (7 %) u malých bytů do 40 m², což naznačuje tendenci programu nadhodnocovat tuto skupinu.
Byty v dobré kondici (oranžová) vykazují mírné pozitivní rozdíly, které s rostoucí velikostí bytu klesají, přičemž u velmi velkých bytů dochází k minimálnímu zápornému rozdílu (−1 %).
Byty před rekonstrukcí (červená) vykazují nejvýraznější negativní rozdíly, což znamená, že program má sklon podhodnocovat byty ve špatném technickém stavu. Největší podhodnocení (−10 %) je patrné u malých bytů do 40 m².
Tato analýza ukazuje, že automatizovaný oceňovací program dosahuje lepších výsledků u větších a nových bytů, kde může být hodnota snáze predikovatelná díky dostupným srovnatelným datům. To může být způsobeno například větším množstvím provedených obchodů s novostavbami, kde se pohled na ocenění těchto bytů může lišit minimálně. V případě menších bytů a jednotek před rekonstrukcí dochází k větším odchylkám, což může souviset s horší kvalitou dat nebo vyšší složitostí ocenění těchto nemovitostí.
Zjištění naznačují, že u menších bytů nebo nemovitostí před rekonstrukcí by bylo vhodné doplnit automatizované ocenění manuální kontrolou odborníka, aby se minimalizovala rizika chybných nebo zkreslených odhadů.
5. Závěr
Tento výzkum se zaměřil na porovnání ocenění bytových jednotek provedených odborníkem s oceněním automatizovaným programem. Analýza byla provedena na vzorku 40 bytů v různých kategoriích podlahové plochy a stavebně-technického stavu. Výsledky ukázaly vysokou míru shody mezi oběma způsoby ocenění.
Deskriptivní analýza ukazuje, že automatizovaný nástroj je vhodný pro běžné ocenění, ale u bytů s netypickými vlastnostmi nebo v odlišných stavech je vhodné provést individuální posouzení odborníkem. Výsledky naznačují vysokou míru shody mezi oběma metodami, což podporuje využití automatizovaných nástrojů v praxi.
Výsledky párového t-testu ukázaly, že neexistuje statisticky významný rozdíl mezi oceněními nemovitostí provedenými odborníkem a programem. Celkově výsledky podporují nasazení automatizovaných nástrojů pro oceňování nemovitostí jako vhodný doplněk k odborným posudkům, zejména v běžných případech bez složitých parametrů.
Korelační analýza prokázala velmi silnou pozitivní korelaci (r = 0,963) mezi oceněními odborníka a programem. Tento výsledek potvrzuje konzistenci a spolehlivost automatizovaného ocenění.
Bland-Altmanova analýza odhalila, že většina ocenění se pohybuje v přijatelných mezích, avšak u některých bytů byly zjištěny výraznější odchylky, zejména u menších bytů a bytů před rekonstrukcí.
Segmentace podle velikosti a technického stavu poskytuje detailní pohled na přesnost automatizovaného oceňovacího programu. Segmentace dle velikosti bytu ukázala, že u malých bytů (do 40 m²) dochází k největším rozdílům v ocenění. Novostavby byly nadhodnoceny, zatímco byty před rekonstrukcí byly často podhodnoceny. U větších bytů se rozdíly snižovaly. Segmentace dle technického stavu potvrdila, že byty v dobré kondici nebo novostavby jsou oceňovány s menšími rozdíly oproti odborníkovi, zatímco byty před rekonstrukcí vykazují výraznější odchylky. Z toho plyne, že program lépe oceňuje větší a nové byty, zatímco u menších bytů před rekonstrukcí dochází k největším odchylkám. Tento poznatek naznačuje, že v těchto kategoriích je vhodné doplnit automatizované ocenění o kontrolu odborníkem.
Automatizovaný nástroj prokázal schopnost generovat ocenění, která se ve většině případů blíží odbornému odhadu. Přesto však existují určité segmenty, kde program vykazuje větší odchylky především u menších bytů a nemovitostí před rekonstrukcí. V těchto případech je doporučeno kombinovat automatizované ocenění s odborným posudkem, aby se snížilo riziko nesprávného ocenění.
Další kroky výzkumu jsou zaměřeny na rozšíření vzorku nemovitostí a analyzovat i další faktory, jako je dispozice bytu, jeho umístění v rámci katastrálního území či dalších parametrů, které mohou mít vliv na výsledné ocenění. Dále je záměrem vytvořit modelové situace nestandardních bytů, kde by se ověřila schopnost programu reagovat úpravou ceny pomocí jím zvolených koeficientů.
Tento výzkum přispívá k lepšímu pochopení možností a limitů automatizovaného oceňování nemovitostí a poskytuje podklad pro další zkoumání.
Literatura
- BRADÁČ, A. Teorie a praxe oceňování nemovitých věcí. Brno: Akademické nakladatelství CERM, 2016. ISBN 978-80-7204-930-1.
- Kok, Nils & Koponen, Eija-Leena & Martínez-Barbosa, Carmen Adriana. (2017). Big Data in Real Estate? From Manual Appraisal to Automated Valuation. The Journal of Portfolio Management. 43. 202-211
- Kok, Nils & Koponen, Eija-Leena & Martínez-Barbosa, Carmen Adriana. (2017). Big Data in Real Estate? From Manual Appraisal to Automated Valuation. The Journal of Portfolio Management. 44. 202-211. 10.3905/jpm.2017.43.6.202
- Bidanset, Paul & Rakow, Ron. (2022). Survey on the use of automated valuation models (AVMs) in government assessment offices: An analysis of AVM use, acceptance, and barriers to more widespread implementation.
- Źróbek, S.; Kucharska-Stasiak, E.; Renigier-Biłozor, M. Today’s Market Needs Modernized Property Appraisers. Real Estate Manag. Valuat. 2020, 28, 93–103.
- Metodika výpočtu tržní ceny v programu v1.0.
This post focuses on the preliminary results of an analysis of differences between the market valuation of residential units conducted by experts and an automated program in the Czech Republic, specifically within the Brno-město district. So far, 40 apartments have been analyzed across various categories of floor area, layout, cadastral location, construction-technical condition, and other factors. The preliminary results showed a high correlation between the two methods (r = 0.963); however, significant differences were identified in certain segments, particularly in new constructions, apartments before renovation, and in varying floor areas. The resulting study may provide valuable insights for users of automated valuation tools.