Vapaus kirjoittaa kiinteistömarkkinoista ja -arvioinnista – työnantajan tai muiden sidosryhmien intressit eivät vaikuta päivittäistavarakaupan hinnoitteluanalyytikon kirjoitteluun. Tai no, kunhan olen varpaillani kirjoittaessani kivijalkakaupasta, ostareista ja kauppakeskuksista. Vuodesta 2005 vuoteen 2019 olen tehnyt noin 20-25 vuoden uran kiinteistöalalla – jos siis lasketaan yhteen työhön, alan opiskeluun sekä tieteelliseen kirjallisuuteen perehtymiseen käytetty aika. Nyt olen – ainakin toistaiseksi – vähittäiskaupan palveluksessa. Pahoitteluni siis, jos ja kun pompin jonkun varpailla uuden vapauteni humalluttamana.
Ammennan ihmetyksen aiheita viralliselta kiinteistöalan uraltani (2005-19):
- KTI Kiinteistötieto, tutkija
- Knight Frank (Lontoo), associate partner / global residential research co-ordinator
- Aalto yliopisto
- tutkimusapulainen
- tuntiopettaja
- Tampereen teknillinen yliopisto, tuntiopettaja (vieraileva)
- Orava Rahastot, pääanalyytikko
Koko uran ajan olen törmännyt harmillisen usein näkemykseen ’kiinteistöarviointi on enemmän taidetta kuin tiedettä’ sekä sokeaan uskoon alan oppikirjoissa esitettyihin viisauksiin.
Toki on niin, että alalla on tarvittu luovaa tiedon soveltamista. Professorit Ball ja Tsolacos [1] kirjoittivat pari vuosikymmentä sitten ongelmista mallintaa kiinteistömarkkinoita – dataa on vain lyhyeltä ajanjaksolta ja jo tilastoja laadittaessa tapahtuu systemaattisia tai satunnaisia virheitä. Nyt kuitenkin jopa Suomessa dataa alkaa olla saatavilla pitemmältäkin aikaväliltä – KTI:n datasetti on jo yli 20 vuotta ja enemmän tai vähemmän vertailukelpoista dataa asuntomarkkinoista löytyy Tilastokeskukselta 1960-luvulta alkaen. Lisäksi kattavia poikkileikkausaineistoja on ollut saatavilla jo pitemmän aikaa. Olisiko aika ottaa useampia askelia tiedettä kohti?
Ensimmäinen kysymys lukijoille: KUINKA MONI KIINTEISTÖARVIOITSIJA VALITSEE VERTAILUKAUPAT JOLLAKIN MUULLA KUIN ’MUTU’-MENETELMÄLLÄ?
Tiedetään, että ihmiselle on kutakuinkin mahdotonta hahmottaa simultaanisesti yli puoli tusinaa yksityiskohtaa ja niiden välisiä vuorovaikutuksia. Kiinteistöjen ja asuntojen välisiä erottavia tekijöitä on kuitenkin muitakin kuin sijainti, ikä ja pinta-ala, joiden perusteella vertailukaupat ensi sijassa valitaan.
Sijainniltaan oikeiden vertailukauppojen löytämiseksi tulisi tietää kuinka markkinat oikeasti jakautuvat osamarkkinoihin. Postinumeroaluejako ei tässä ole riittävä, koska jokin yksittäinen osamarkkina voi olla pirstaloitunut useammalle eri alueelle. Esimerkiksi ’Helsingin seudun waterfront-asunnot’ on kapea jatkumo kehä III:n halkaisijalla – ja lisäksi tämäkin osamarkkina jakautuu useampiin alamarkkinoihin, jotka eivät sijaitse maantieteellisesti lähellä toisiaan. Esimerkkeinä mahdollisista lähestymistavoista oikean maantieteellisen sijainnin valintaan voisi pitää vaikka papereita Culley – Bailey – Postila [2], jossa tutkitaan Lontoon prime-asuntomarkkinoiden jakautumista osa-markkinoihin sekä Dunse – Leishman – Watkins [3]. Nykyisin erilaisia analyysiohjelmistoja voi saada ihan ilmaiseksikin netistä (R-kieli, Gretl, …] ja yllättävän moni vastavalmistunut saattaa jopa osata ohjelmoida näillä – tai jollakin soveltuvalla kielellä [esim. Python].
Pinta-alan osalta lienee kaikki ovat yhtä mieltä siitä, että asunnon hinta laskee iän myötä – joskin jonkin pisteen jälkeen iän vaikutus hintoihin muuttuukin positiiviseksi. Osaltaan tämä johtuu peruskorjauksista, joita tehdään useammassakin vaiheessa rakennuksen elinkaaren aikana – esim. Wilhelmsson [4] ja Stevenson [5]. Kaikkihan varmaan ovat tietoisia siitä, että ainakin suurimmissa kaupungeissa ikäfunktio on pysynyt kutakuinkin samanlaisena jostakin 60-70 –luvulta lähtien?! Jonka seurauksena pitääkin miettiä, pystyisikö ikätarkastelun korvaamaan joko osamarkkinatarkasteluilla tai pelkkien sijaintitietojen käytöllä? Postila – Laine – Koivuoja [6] konferenssipaperissa huomattiin, että erot toimistokiinteistöjen vuokrissa on selitettävissä yhtä hyvin pelkkien sijaintitietojen [lineaariset etäisyydet Hgin rautatieasemasta sekä lähimmästä kehä- ja sädetien risteyksestä] kuin spesifejä kiinteistöön liittyviä tietoja käyttäen.
Pasymowski [7] on kirjoittanut poleemisen paperin ”How to discredit most real estate appraisals in one minute” TriState Realtorsin kevään 2007 uutiskirjeessä. Käsi sydämelle – läpäisisikö arviokirjasi tätä minuutin testiä?
Vaikka todella modernien menetelmien (esim. d’Amato – Kauko [8] ja [9]) käyttö olisi sinun arviointitalossasi vielä kaukainen tavoite, niin alkeellisetkin laskennalliset menetelmät ovat nykyisin jo aika hyviä (esim. Francke – van de Minne [10]) ja helposti rakennettavissa. Joskin, oma ekonometrian opettajani aikanaan totesi hedonisten mallien olevan BS-malleja – lähinnä siksi, että nykyisillä ohjelmistoilla on äärimmäisen helppo rakentaa malleja, jotka ovat ainakin tilastollisessa mielessä hyviä mutta oikeasti antavat BullShit-tuloksia. Tämän allekirjoitan – vastaani on tullut parin erittäin vahvan tilastollisen taustan omaavan kaverin rakentama kvantitatiivinen asuntohintamalli. Ikävä kyllä malli oli tosielämän ja jopa teorian vastainen. Hyvään kvantitatiiviseen malliin – hedoninen / puumalli / GWR / jne. – tarvitaan syvällinen menetelmäosaaminen ja syvällinen ymmärrys kiinteistömarkkinoista. Lisäksi pitäisi osata ja jaksaa siivota dataa isolla kädellä.
Datan siivouksesta tai parantamisesta ihan vain yhtenä pienenä – mutta merkittävänä esimerkkinä asuntomarkkinoiden vuokratontit, joihin on voitu ladata jopa yli neljännes asunnon arvosta ’piilolainana’, että saataisiin asunnonostajan lainapuskuria venytettyä. Näin ollen pitäisi tunnistaa onko kohde vuokratontilla vai ei – ja jos on vuokratontilla niin onko se jyvitetyllä tontilla vai normaalilla vuokratontilla. Ja sitten pitäisi tunnistaa ne, joissa sopimus on ikuinen, lunastettavissa tai joissa on pakollinen lunastus (tuli vastaan eräästä Nuorisosäätiön ex-kohdetta analysoidessani). Vielä kun pystyisi erottamaan ne kohteet, joissa tontista 50% on tonttirahaston omistuksessa ikuisesti, 25% taloyhtiön omistuksessa ikuisesti ja loput 25% lunastettavissa taloyhtiön omistukseen asuntokohtaisesti – näitäkin löytyy. Eräs alan KHK-tasoinen toimija totesi, että koska asiasta ei ole tietoa, niin ei tarvitse huomioida. Toinen toimija puolestaan huomioi vertailukauppa-analyysistään nämä vuokratontilliset – hintoja tavallaan vääristävät kohteet vasta sen jälkeen, kun käytiin arvioitsijan kanssa vertailukauppa vertailukaupalta havaintoja lävitse. Kun näiden kohteiden vuokratontit huomioitiin, niin arvostuksiin tuli yllättäen huomattaviakin muutoksia.
Tiedän, että Suomessa ainakin kahdella suurella toimijalla on käytössään kvantitatiiviset arvonmääritysmallit, ainakin asuntopuolella. En vaadi enkä edes toivo/usko, että kaikki muut toimijat seuraisivat näitä jalanjälkiä – ei ainakaan ennen kuin kv. standardinlaatijat antavat selkeät ohjeet. EVS:n ja TEGoVAn mukaan kvantitatiivista mallia voi käyttää arvion tukena, mutta ihmisarvioitsijan on auditoitava ja hyväksyttävä mallin tulokset. IVS ja RICS käsittääkseni sallivat yhä kvantitatiivisen mallin käytön. Kannanottoja aiheesta lienee tulossa 2020. IAAO ja USPAP kannustavat kvanttimallien käyttöön ja ovat antaneet kattavia ohjeistuksia mallien mielekkyyden määrittämiseen. EU:n standardit (esim. AIFM) hyväksyvät kvantitatiiviset mallit. Brittiläinen korkein alan oikeusistuin on ottanut kantaa korvausarviointiin liittyvässä tapauksessa kvantitatiivisiin malleihin – ja todennut kvantitatiivisten mallien olevan huomattavasti parempien ja luotettavampien kuin ’perinteisten arvioiden’.
Brittitutkijat ovat esittäneet omasta mielestäni ideaalisen arvonmääritysmallin: lasketaan yksi kvanttiarvio, laaditaan perinteinen vertailukauppa-arvo sekä otetaan kolme parhaiten vastaavaa yksittäistä vertailukauppaa. Tiputetaan näistä korkein ja matalin ja lasketaan lopuista kolmesta keskiarvo.
Aloitin vertailukaupoista – ja toivoisin, että jos mitään muuta ei alalla tehtäisi, niin ainakin vertailukaupat valittaisiin kvantitatiivisilla menetelmillä – ihmiseen kun ei ikävä kyllä ole luottaminen. Algoritmeja vertailukauppojen valintaan on aikojen saatossa kehitetty useita. Esimerkkeinä vaikkapa Gau-Lai-Wang [11] ja Isakson [12]. Klusterointialgoritmeja on vaikka kuinka – PCA, SOM, FFNN, … ks. [9] ja [10]. Löytyisi vielä yksi ihan selkeä kaava, jonka voisi syöttää Exceliin ja saada ulos etäisyysmitan – ikävä kyllä juuri nyt en tuota paperia enkä kaavaa löydä. Toimitan sen myöhemmin lisättäväksi tämän tekstin yhteyteen.
Piti käsittelemäni muitakin tietämystä ja luuloja käsitteleviä teemoja … mutta paperi ja lukijan kestävyys varmaan loppuisivat kesken. Josko jätettäisiin seuraavaan kertaan?
Mikael Postila
Kirjoittaja on SKAY ry:n hallituksen varajäsen ja työskentelee analyytikkona Kesko Groupilla.
Viittaukset:
[1] Ball – Tsolacos (2002). UK commercial property forecasting – The devil is in the data, Journal of Property Research, 19:1, 13-38. [DOI: 10.1080/09599910110110699]
[2] Culley – Bailey – Postila (2014). Prime London housing – drivers and submarkets, Conference paper at ERES 2014 Conference in Bucharest, Romania. (https://eres.architexturez.net/doc/oai-eres-id-eres2014-81)
[3] Dunse – Leishman – Watkins (2001). Classifying office submarkets, Journal of Property Investment & Finance, 19:3, 236-250.
[4] Wilhelmsson (2008). House price depreciation rates and level of maintenance, Journal of Housing Economics, 17:1, 88-101.
[5] Stevenson (2004). New empirical evidence on heteroscedasticity in hedonic housing models, Journal of Housing Economcis, 13:2, 136-153.
[6] Postila – Laine – Koivuoja (2007). Hedonic office rent indices for Finnish real estate markets, Conference paper ERES 2007 in London, United Kingdom. (https://eres.architexturez.net/doc/oai-eres-id-eres2007-251)
[7] Pasymowski (2007). How to discredit most real estate appraisals in one minute, TriState Realtors commercial alliance newsletter, spring 2007. (http://www.realstat.com/download/discredit.pdf)
[8] Kauko – d’Amato (2008). Mass appraisal methods – an international perspective for property valuers. Wiley-Blackwell.
[9] d’Amato – Kauko (2017). Advances in automated valuation modelling – AVM after the non-agency mortgage crisis. Springer – Studies in systems, decision and control – book 8.
[10] Francke – van de Minne (2019). Dealing with unobserved heterogeneity in hedonic price models. (https://pdfs.semanticscholar.org/799b/d979199359b737da86dd83109ed31465bd85.pdf)
[11] Gau – Lai – Wang (1992). Optimal comparable selection and weighting in real property valuation – an extension, J. of the American Real Estate and Urban Economics Association, V20:1, pp. 107-123
http://faculty.baruch.cuny.edu/kwang/classes/fin551/pdf/OptimalComparableSelection(A10).pdf
[12] Isakson (2002), The linear algebra of the sales comparison approach. Journal or Real Estate Research, 24:2, 117-128.
