Asuntojen hinnoittelu

Jyväskylä, Lahti, Kuopio, Pori – mistä kannattaa etsiä asuntoa juuri nyt?

Saaristokaupunki, Kuopio. Kuvaaja Ninara Flickr'stä.

Priceworthy Oy:n luoma asuntojen toteutuneita myyntihintoja selittämään koulutettu tekoälymalli pystyy tunnistamaan alueita, joilla kauppaa käydään mallin mielestä suhteellisen edulliseen hintaan. Nämä ovat alueita, joilta tekoälyn mielestä siis kannattaa etsiä asuntoa juuri nyt.

Toisaalta mallin avulla löytyy myös alueita, joiden hintatasoa tekoäly ei kykene täysin selittämään. Blogisarjan edellisessä osassa havaittiin, että usein syynä on alueen arvostuksen muuttuminen. Alue on löydetty asunnonostajien toimesta ja asukaskanta on muuttumassa. Tämä ei kuitenkaan vielä näy mallin pohjalla olevissa, viiveellä päivittyvissä Tilastokeskuksen mittareissa, jotka eivät ole vielä täysin asettuneet uuden asukaskannan mukaisiksi. Tällainenkin alue voi silti olla asunnonostajan kannalta kiinnostava. Vaikka tekoäly ei tässä muodossaan kykenekään sanomaan, mikä olisi alueen oikea tuleva hintataso, on hyvin mahdollista, että alueelta löytyy vielä kohteita jotka eivät ole vielä nousseet uuden arvostuksen mukaisiin hintoihin.

Pääkaupunkiseudun ja Suomen kolmen suurimman kaupunkikeskuksen jälkeen on vuorossa kurkistus neljään seuraavaan eli Jyväskylään, Lahteen, Kuopioon ja Poriin.

Jyväskylä

Kuvassa 1 on esitetty erotus toteutuneiden kauppojen neliöhintatason ja mallin antaman ennusteen välillä. Lisätietoja mallia muodostettaessa käytetyistä 87 asuntojen ja asuinalueiden eroja selittävästä tekijästä löytyy blogisarjan aiemmasta osasta.

Kuvaa tulkitaan siten, että erotus kertoo ”selittämättömän” yli- tai alihinnan kyseisellä alueella. Hintaero voi olla merkki alueen yli- tai aliarvostuksesta, mutta taustalla voi toki olla myös jokin muu selittävä tekijä. Tällainen on esimerkiksi edellä mainittu viive alueen todellisen kehityksen ja Tilastokeskuksen mittareiden päivittymisen välillä.

A close up of a logo

Description automatically generated
Kuva 1. Tekoälyn ennuste suhteessa toteutuneisiin asuntojen neliöhintoihin Jyväskylässä 06/2019-05/2020. Tumma väri kertoo, että tekoälyllä on haasteita selittää alueen hintatasoa, keltainen väri puolestaan kertoo, että tekoälyn mielestä hintataso vaikuttaa houkuttelevalta. Harmailta alueilta ei ole riittävästi tilastotietoa luotettavan ennusteen luomiseksi.

Tekoälyn mielestä Jyväskylässä asuntoa etsivät kannattaa katsoa erityisesti postinumeroalueita 40500 Keljo-Ristonmaa, 40630 Kypärämäki ja 40600 Mattilanpelto. Näistä Keljo/Ristonmaa/Ylistönmäki -alueella on tosin melko vähän kauppoja aineistossa, joten yksittäisten kohteiden vaikutus toteutuneeseen keskihintaan voi olla suurempi. Sen sijaan Köhniö/Kypärämäki ja Mattilanpellon postinumeroalueen eri naapurustot ovat melko aktiivisen kaupankäynnin kohteena ja tulos luotettavampi. Kaikista alueista malli löytää yli 300 €/m2 nousuvaraa toteutuneeseen hintatasoon nähden.

Mitä tulee alueisiin, jonka hintatason selittämisen kanssa mallilla on haasteita, näissä nousevat kärkeen aluekeskukset Palokka (40270) ja Korpilahti (41800). Näiden osalta on vaikea sanoa, onko kyse alueista, joiden arvostus on nousussa, vaiko pikemminkin siitä, että käytössä olevassa datassa ei ole mitään, mikä auttaisi tunnistamaan paikallisen palvelukeskittymän arvon asuntojen myyntihinnoille. Esimerkiksi tuoreesta pääkaupunkiseudun asuntojen hintakehitystä tarkastelleesta tutkimuksesta tiedetään, että uusilla vähittäiskaupan palveluilla yksistään on jo +1,5% vaikutus alueen asuntojen hintoihin[i]. Lähipalveluiden saatavuuden tai puutteen lisääminen malliin auttaisi todennäköisesti selittämään paremmin hintatasoa keskustaajaman ulkopuolisissa paikallisissa keskuksissa.

Jyväskylän keskustan osalta postinumeroalueista erottuu lähinnä 40700 Mäki-Matti, jonka osalta mallin ennuste alittaa toteutuneen keskihinnan n. 10%. On mahdollista, että Mäki-Matin osalta hintatasoon vaikuttaa yliopiston läheisyys.

Kaikenkaikkiaan Jyväskylän esimerkit antavat hyvän viitteen siitä, että vaikka Suomen tasoinen malli kykeneekin selittämään lähes 90% asuntojen myyntihintojen vaihtelusta, tarkemmalle tasolle pääseminen vaatisi postinumerotasoa tarkempaa dataa palveluista ja merkittävistä päivittäisistä asiointikohteista kuten yliopistoista

Lahti

Lahdessa (em. vertailu kuvassa 2) tekoäly suosittaa hyvää hinta-laatusuhdetta etsiville postinumeroalueita 15950 Kiikkula, 15900 Jalkaranta ja 15170 Tenava-Tonttila. Hintatason selittämisen kannalta haastavia mallin mielestä 15340 Kunnas-Hiekkanummi, 15810 Kasakkamäki ja 15540 Villähde. Alueiden tarkastelu ei suoraan paljasta ilmeisiä syitä ennusteen ja toteutuneiden hintojen eroihin, mutta on mahdollista, että alueiden erottumisessa selittävänä tekijänä on asuntotyyppi. Mallin mukaan Suomessa keskimäärin maksetaan omakotitaloista lähes 500 €/m2 enemmän kuin muuten täysin vastaavasta kerrostaloasunnosta, kun kaikki muut selittävät tekijät on eliminoitu. On mahdollista, että Lahden tapauksessa omakotitalojen kysyntä on vielä keskimääräistä korkeampi pääkaupunkiseudun kysynnän vuoksi[ii].

A close up of a logo

Description automatically generated
Kuva 2. Tekoälyn ennuste suhteessa toteutuneisiin asuntojen neliöhintoihin Lahdessa 06/2019-05/2020. Tumma väri kertoo, että tekoälyllä on haasteita selittää alueen hintatasoa, keltainen väri puolestaan kertoo, että tekoälyn mielestä hintataso vaikuttaa houkuttelevalta. Harmailta alueilta ei ole riittävästi tilastotietoa luotettavan ennusteen luomiseksi.

Kuopio

Kuvassa 3 on esitetty Kuopion osalta erotus mallin antaman ennusteen ja toteutuneiden kauppahintojen välillä.

Alueista, joilta on mukana yli 15 kauppaa ja joiden ennuste on siten luotettavampi, houkuttelevalta tekoälyn mielestä vaikuttaa hintataso postinumeroalueella 70840 (Jynkänmäki). Eli vaikka Saaristokaupungin kauppa käykin vilkkaana, Suomen mittakaavassa hintataso on mallin mielestä edelleen ihan kohtuullinen. Tässä kuitenkin saatetaan törmätä menetelmän rajoituksiin. Asuntokauppa on luonteeltaan alueellista ja vaikka monessa suhteessa voidaan hyödyntää dataa laajasti kun huomioidaan erot asuinalueiden ja kuntien välillä, blogisarjan edellisessä osassa tarkasteltu Oulun keskustan esimerkki osoittaa myös paikallisten hinta-ankkurien ja hintakynnysten olemassaolon.

Toisaalta Neulamäen (70150) osalta malli ei täysin kykene selittämään toteutuneita neliöhintoja. Kuten aiemmin nähtiin, tämä voi hyvinkin johtua alueella käynnissä olevasta muutoksesta, joka ei vielä ole täysin heijastunut mallin käyttämiin Tilastokeskuksen mittareihin.

A close up of a logo

Description automatically generated
Kuva 3. Tekoälyn ennuste suhteessa toteutuneisiin asuntojen neliöhintoihin Kuopiossa 06/2019-05/2020. Tumma väri kertoo, että tekoälyllä on haasteita selittää alueen hintatasoa, keltainen väri puolestaan kertoo, että tekoälyn mielestä hintataso vaikuttaa houkuttelevalta. Harmailta alueilta ei ole riittävästi tilastotietoa luotettavan ennusteen luomiseksi.

Pori

Kuvasta 4 näkyy mallin ja toteutuneiden myyntihintojen vertailu Porin osalta. Porin osalta tulosten luotettavuutta rajoittaa melko vähäinen kauppojen määrä aineistossa. Tärppeinä malli nostaa esiin postinumeroalueet 28130 Impola ja 28600 Vähärauma, joista molemmissa tekoälyn mielestä löytää jonkin verran arvonnousupotentiaalia. Muiden alueiden osalta kauppamäärien pienuus johtaa siihen, että yksittäisillä kohteilla voi olla iso merkitys keskihintaan ja sitä kautta erotukseen.

A close up of a map

Description automatically generated
Kuva 4. Tekoälyn ennuste suhteessa toteutuneisiin asuntojen neliöhintoihin Porissa 06/2019-05/2020. Tumma väri kertoo, että tekoälyllä on haasteita selittää alueen hintatasoa, keltainen väri puolestaan kertoo, että tekoälyn mielestä hintataso vaikuttaa houkuttelevalta. Harmailta alueilta ei ole riittävästi tilastotietoa luotettavan ennusteen luomiseksi.

Yhteenveto

Kurkistus seuraavaan nelikkoon on kiinnostava paitsi tietysti kyseisten kaupunkien asunnonetsijöiden kannalta, myös siksi, että se antaa viitteitä menetelmän rajoituksiin. Jyväskylän tulokset viittaavat alueellisten palveluiden merkitykseen hintatasojen erojen selittämisessä. Oulun keskustan ja Kuopion Saaristokaupungin hintatason mallintamisen haasteet viittaavat puolestaan hintakynnysten olemassaoloon. Tällöin neliöhintaa ei voikaan enää pitää jatkuvasti muuttuvana suureena, vaan se nousee pikemminkin hyppäyksittäin ja saattaa myös joksikin aikaa takertua jonkin psykologisen hintakynnyksen alle.

Analysoimalla tuloksia voidaan siis tunnistaa selkeitä jatkokehitysmahdollisuuksia mallille, samalla kun saadaan jo käytännön hyötyjä tähänastisesta mallinnustyöstä.


[i] Kurvinen, A., & Wiley, J. (2019). Retail Development Externalities for Housing Values, Journal of Housing Research; Washington Vol. 28, Iss. 1, 109-128.

[ii] Esimerkiksi Helsingin Sanomat uutisoi Lahden omakotitaloihin kohdistuvasta pääkaupunkiseudun työssäkäyvien kysynnästä 4.7.2020 erikoisatikkelissaan, kts. https://dynamic.hs.fi/2020/tulot/.

Otsikon kuvassa Saaristokaupunki, Kuopio. Kuvaaja Ninara Flickr’stä. Käyttö Creative Commons-lisenssillä https://creativecommons.org/licenses/by/2.0/legalcode.