Nuovo metodo per analizzare la segmentazione del mercato immobiliare
I ricercatori usano le inserzioni online per identificare i sottogruppi del mercato immobiliare in Spagna e Francia.
― 6 leggere min
Indice
Il mercato immobiliare è strettamente legato alla geografia. Le agenzie immobiliari tendono a concentrarsi su certe aree, il che porta alla creazione di mercati più piccoli all'interno del mercato immobiliare più grande. Questo articolo spiega un nuovo metodo per identificare come si formano questi mercati più piccoli, o submercati, utilizzando annunci online di case in vendita.
Il modo in cui le case vengono pubblicizzate online offre un approccio fresco per comprendere il mercato immobiliare. Gli annunci forniscono informazioni preziose sulle proprietà e sugli agenti immobiliari che le gestiscono. Analizzando queste informazioni, i ricercatori possono studiare come le agenzie immobiliari operano in modo diverso in varie località e come questo influisce sui prezzi e sulla disponibilità nel mercato immobiliare.
Nozioni di base sul mercato immobiliare
Il mercato immobiliare non è uniforme; varia in base alla posizione, al prezzo e al tipo di proprietà. Fattori come la posizione residenziale, la vicinanza a scuole o parchi, le differenze nei tipi di proprietà e le preferenze individuali contribuiscono a come il mercato è segmentato. Comprendere questi segmenti è cruciale per gli investitori immobiliari, i pianificatori urbani e i politici perché possono influenzare i Prezzi delle case e lo sviluppo delle comunità.
Nella ricerca, i mercati immobiliari sono stati studiati in vari modi. Alcuni studi esaminano come i prezzi differiscono a seconda del quartiere, mentre altri valutano come le politiche cittadine influenzano i valori abitativi. Ci sono anche sforzi per determinare se specifici mercati immobiliari possono essere raggruppati in submercati. Riconoscere questi submercati consente agli analisti di fare previsioni migliori sulle tendenze dei prezzi.
Il ruolo degli annunci online
L'ascesa dei portali immobiliari online ha trasformato il modo in cui le persone accedono alle informazioni immobiliari. I siti web che consentono agli utenti di cercare case permettono ai ricercatori di raccogliere grandi quantità di dati sui prezzi degli immobili, sulle tendenze del mercato e sulle caratteristiche sociali dei vari quartieri. Gli annunci di solito includono dettagli sulla proprietà, come prezzo, dimensioni e l'agenzia che gestisce la vendita. Questi dati sono fondamentali per capire come le agenzie immobiliari creano e mantengono la loro quota di mercato.
Gli annunci online possono servire come impronte digitali delle azioni intraprese dalle agenzie immobiliari quando comprano, vendono o promuovono proprietà online. Guardando dove si trovano questi annunci, si può avere un'idea di come le agenzie operano in modo diverso in varie aree.
Costruire una rete
Per analizzare il mercato immobiliare usando gli annunci online, i ricercatori possono creare una rete. Questa rete connette le agenzie immobiliari, le proprietà che elencano e le aree geografiche in cui si trovano queste proprietà. Il primo passo è organizzare le informazioni in un formato strutturato, che ci permette di vedere come le agenzie si relazionano con le specifiche località che servono.
Collegando le agenzie con le proprietà che elencano in aree specifiche, creiamo un quadro per analizzare le tendenze nel mercato immobiliare. Questo quadro consente ai ricercatori di vedere quali regioni sono collegate tramite agenzie comuni, rivelando così schemi sottostanti su come il mercato è segmentato.
Rilevare i submercati
Una volta costruita la rete, possono essere utilizzati diversi metodi per identificare i submercati all'interno del mercato immobiliare. Questi metodi analizzano le connessioni tra le aree geografiche e le agenzie per trovare schemi che indicano la presenza di submercati.
Ad esempio, se due aree condividono molte delle stesse agenzie immobiliari, è probabile che facciano parte dello stesso submercato. D'altra parte, se un'area elenca principalmente proprietà tramite agenzie diverse rispetto ai suoi vicini, potrebbe indicare un submercato distinto. I metodi di clustering possono essere applicati a gruppi di aree connesse nella rete per identificare questi submercati.
Analizzare i dati
In questo studio, sono stati esaminati due paesi: Spagna e Francia. I ricercatori hanno raccolto dati sugli annunci da portali immobiliari spagnoli e siti web immobiliari francesi. Hanno categorizzato i dati per Regioni Geografiche in entrambi i paesi, permettendo loro di analizzare le differenze e le somiglianze nella segmentazione del mercato immobiliare.
In Spagna, si sono concentrati sugli annunci di tre province: Isole Baleari, Barcellona e Madrid. Ognuna di queste regioni ha caratteristiche uniche che influenzano come funziona il mercato immobiliare. Analizzando gli annunci, i ricercatori potevano ottenere informazioni su come variano i prezzi delle case e la disponibilità.
Allo stesso modo, in Francia, sono stati analizzati gli annunci di grandi aree urbane come Parigi, Marsiglia e Tolosa. Le sfide affrontate in Francia includono limitate informazioni geografiche, costringendo i ricercatori a utilizzare dati di censimento per formare connessioni tra le diverse aree.
Risultati dell'analisi
Dopo aver costruito le reti e analizzato gli annunci, i ricercatori hanno trovato che i mercati immobiliari sia in Spagna che in Francia mostrano chiari schemi di segmentazione. I submercati identificati tendevano ad essere geograficamente connessi e spesso più grandi dei confini municipali tipici. Questa coerenza dimostra che anche quando si esaminano diverse regioni o paesi, il comportamento del mercato è simile.
I risultati suggeriscono che le agenzie immobiliari svolgono un ruolo cruciale nel plasmare come sono organizzati i mercati immobiliari. Le loro decisioni su dove concentrare i loro sforzi di marketing possono influenzare prezzi e disponibilità in diversi quartieri.
Accordo tra diversi metodi
Per garantire la robustezza dei risultati, i ricercatori hanno applicato vari algoritmi di rilevamento delle comunità alle reti che hanno costruito. Questi metodi includono Louvain, Infomap e OSLOM, progettati per categorizzare le aree in comunità in base alle loro somiglianze e connessioni all'interno della rete.
Confrontando le comunità identificate dai diversi metodi, i ricercatori potevano verificare la coerenza dei loro risultati. I risultati hanno mostrato un alto livello di corrispondenza tra i vari algoritmi, indicando che i segmenti di mercato identificati erano stabili tra i metodi.
Sfide nell'analisi dei dati
Sebbene lo studio abbia rivelato intuizioni preziose, ci sono state sfide nell'analizzare i dati. Ad esempio, quando si utilizzavano i distretti del censimento in Francia, la distribuzione degli annunci era più uniforme, rendendo più difficile rilevare segmenti di mercato distinti. Questa limitazione evidenzia l'importanza di scegliere unità geografiche appropriate per l'analisi.
Per affrontare questo problema, i ricercatori hanno sviluppato un nuovo metodo per aggregare i dati a livello di censimento in reti che potessero rappresentare meglio il mercato immobiliare. Attraverso un approccio di modellazione stocastica, hanno creato un quadro che consentiva maggiore flessibilità nell'analizzare dati eterogenei.
Conclusione
In conclusione, i ricercatori hanno presentato un nuovo metodo per analizzare la segmentazione spaziale dei mercati immobiliari. Utilizzando gli annunci online, hanno potuto identificare submercati plasmati dalla presenza e dall'influenza delle agenzie immobiliari. La metodologia si è dimostrata efficace sia in Spagna che in Francia, illustrando il suo potenziale per applicazioni più ampie nello studio dei mercati immobiliari.
I risultati sottolineano l'importanza delle agenzie immobiliari nella creazione di segmenti di mercato e evidenziano il valore degli annunci online come risorsa per comprendere le dinamiche abitative. La ricerca futura potrebbe concentrarsi sull'utilizzo di queste intuizioni per informare le politiche abitative e migliorare i modelli per prevedere i prezzi delle proprietà.
Questo approccio all'analisi del mercato immobiliare offre una via per comprendere meglio come le diverse agenzie operano nello spazio e aiuta a individuare i fattori che contribuiscono alla segmentazione del mercato. Sfruttando i dati digitali, i ricercatori possono continuare a esplorare le complessità dei mercati immobiliari in vari contesti.
Titolo: Exploring the spatial segmentation of housing markets from online listings
Estratto: The real estate market shows an inherent connection to space. Real estate agencies unevenly operate and specialize across space, price and type of properties, thereby segmenting the market into submarkets. We introduce here a methodology based on multipartite networks to detect the spatial segmentation emerging from data on housing online listings. Considering the spatial information of the listings, we build a bipartite network that connects agencies and spatial units. This bipartite network is projected into a network of spatial units, whose connections account for similarities in the agency ecosystem. We then apply clustering methods to this network to segment markets into spatially-coherent regions, which are found to be robust across different clustering detection algorithms, discretization of space and spatial scales, and across countries with case studies in France and Spain. This methodology addresses the long-standing issue of housing market segmentation, relevant in disciplines such as urban studies and spatial economics, and with implications for policymaking.
Autori: David Abella, Johann H. Martínez, Mattia Mazzoli, Thibault Le Corre, Julien Migozzi, Eduard Alonso-Paulí, Rafel Crespí-Cladera, Thomas Louail, José J. Ramasco
Ultimo aggiornamento: 2024-05-15 00:00:00
Lingua: English
URL di origine: https://arxiv.org/abs/2405.08398
Fonte PDF: https://arxiv.org/pdf/2405.08398
Licenza: https://creativecommons.org/licenses/by/4.0/
Modifiche: Questa sintesi è stata creata con l'assistenza di AI e potrebbe presentare delle imprecisioni. Per informazioni accurate, consultare i documenti originali collegati qui.
Si ringrazia arxiv per l'utilizzo della sua interoperabilità ad accesso aperto.
Link di riferimento
- https://doi.org/10.1080/00330124.2020.1824678
- https://www.sciencedirect.com/science/article/pii/S019897152100065X
- https://www.idealista.com/
- https://www.seloger.com/
- https://dx.doi.org/10.1088/0305-4470/20/15/039
- https://doi.org/10.1371/journal.pone.0018961
- https://doi.org/10.5281/zenodo.11093099
- https://github.com/davidabbu/