AI-baserad fastighetsvärdering av småhus

Sammanfattning

Detta examensarbete undersöker utvecklingen och prestandan hos en AI-baserad värderingsmodell för svenska småhus. Arbetet syftar till att analysera hur AI-baserade värderingsmodeller fungerar, vilka utmaningar som uppstår vid deras skapande, samt vilka etiska och samhällsmässiga begränsningar som förknippas med deras användning. Som metod har en egen värderingsmodell utvecklats med hjälp av maskininlärningsalgoritmen XGBoost, tränad på över 600 000 småhusförsäljningar i Sverige under perioden 2018-2026. Data hämtades från Värderingsdata och kompletterades med geokodade koordinater, makroekonomiska variabler, lokala prisankare och tidsrelaterade variabler. För att säkerställa transparens och förklarbarhet implementerades SHAP-värden (SHapley Additive exPlanations), vilket möjliggör en nedbrytning av varje enskild prediktion i additiva bidrag per variabel. Modellen namngavs Movton. Den slutliga modellen uppnådde ett MdAPE på 13 procent och ett R2-värde på 0,871 på testdata, vilket innebär att modellen förklarar cirka 87 procent av variationen i försäljningspriser. Resultaten från den temporala korsvalideringen bekräftade att modellen är stabil över tid. En jämförelse med etablerade referensmodeller, Boolis AVM och Värderingsdatas prisindikator, visade att modellen presterar i ett liknande spann med ett MdAPE på 8,7 procent respektive 9,5 procent mot dessa. De största utmaningarna i modellutvecklingen visade sig ligga utanför det algoritmiska valet och rörde primärt datakvalitet, hantering av icke-marknadsmässiga transaktioner, skydd mot dataläckage samt begränsad tillgång till variabler som beskriver fastighetens faktiska skick. Därtill bidrog modellens nationella täckning till en högre felmarginal jämfört med vad en regionalt avgränsad modell sannolikt hade uppnått. Från ett etiskt och samhällsmässigt perspektiv identifieras flera centrala utmaningar. AI-modeller riskerar att reproducera och befästa historisk strukturell diskriminering i bostadsmarknaden via proxyvariabler. Modellhomogenisering, där flera aktörer använder strukturellt liknande modeller tränade på överlappande data, lyfts i tidigare forskning som ett hot mot den finansiella stabiliteten, men arbetets egna erfarenheter talar för att sådan konvergens kräver samstämmighet i ett stort antal modelleringsval och inte enbart delad data, vilket gör risken mer villkorad än omedelbar. Vidare försvårar black box-problematiken ansvarsskyldighet och rättssäkerhet, och moderna datainsamlingstekniker väcker frågor om personlig integritet. Arbetsmarknadsmässigt beskrivs värderingsyrket ofta som hotat av polarisering, men de datakvalitetsproblem och det behov av fastighetsspecifik bedömning som arbetet visar pekar snarare mot en gradvis omdefiniering av yrkesrollen mot hybridarbete än mot en snabb automatisering av mellanskiktet. Sammantaget visar arbetet att det inom ramen för begränsade resurser är möjligt att bygga en AI-baserad värderingsmodell med rimlig prediktiv förmåga. Hybridmodeller, där AI kombineras med mänsklig expertis, framstår som det mest realistiska och robusta tillvägagångssättet i närtid. En etiskt legitim implementering förutsätter dock inte enbart algoritmisk kapacitet, utan i lika hög grad institutionella, juridiska och normativa ramverk.