Whitepaper: Residential rents explained - Deep dive with machine learning model

Whitepaper: Residential rents explained - Deep dive with machine learning model valaisee asuntojen vuokriin vaikuttavia tekijöitä pääkaupunkiseudulla, hyödyntäen XGBoost – koneoppimismenetelmää ja laajaa, lähes 200,000 datapisteen aineistoa. Tutkimuksessa vastaamme seuraaviin kysymyksiin:

1. Mitkä ovat keskeisimmät vuokrien vaihtelua selittävät tekijät pääkaupunkiseudulla?
2. Miten ja miten paljon nämä tekijät vaikuttavat vuokriin?
3. Pandemian jälkeisessä markkinatilanteessa, mikä on sopimuksen alkupäivämäärän, sijainnin saavutettavuuden ja asunnon ominaisuuksien (sauna, parveke) vaikutus vuokriin?

Tuloksissa erotimme seitsemän erillistä muuttujaryhmää ja niiden keskinäisen tärkeysjärjestyksen sekä vaikutuksen voimakkuuden. Kolmesta tärkeimmästä ryhmästä yksittäisten muuttujien vaikutusta mittaavat tulokset on esitetty helposti hyödynnettävässä muodossa, euroina per neliömetri.

Kahden ensimmäisen kysymyksen osalta tulokset vahvistavat jo vanhastaan tiedetyn hypoteesin: tärkeimmät vuokriin vaikuttavat tekijät ovat asunnon koko, saavutettavuus ja laatu. Kolmannen kysymyksen kohdalla dataan on pureuduttu huoneluvun mukaan eritellen, nostaen esiin erityisesti pienempien asuntojen eroavaisuuksia vuokrien ajallisen volatiliteetin, saavutettavuuden ja asunnon tilankäyttöön vaikuttavien ominaisuuksien (sauna, parveke) osalta.

Tutkimuksen tulokset tarjoavat helposti lähestyttävässä muodossa datavetoisen näkymän vuokramarkkinan viimeaikaisiin ilmiöihin ja moniin jatkohyödyntämismahdollisuuksiin.