ارزیابی هوشمند قیمت املاک راهکار عملیاتی شدن طرح‌های مسکنی

به گزارش تجارت‌نیوز ، کمبود اطلاعات دقیق و طبقه‌بندی شده از وضعیت روز بازار مسکن و قیمت خانه در مناطق مختلف، باعث می‌شود سیاست‌گذاران و متولیان تصمیم‌گیری در اقتصاد مسکن، طرح‌ها و برنامه‌هایی را در دستور کار سازمان‌های ذی‌ربط قرار دهند که در آن بازه زمانی کارساز نبوده و حتی شرایط عملیاتی شدن نداشتند.

به عنوان مثال طرح بازآفرینی شهری که مدت‌هاست با دستور مستقیم ریاست جمهوری باید در راس امور وزارت راه‌و شهرسازی قرار می‌گرفت، هم‌اکنون تنها در برخی از نقاط کشور که شرایط ساخت‌وساز در آنجا فراهم بوده کلید خورد و آن‌طورکه باید اقدامی که بتوان به عنوان دستاورد دولت و متولیان سیاست‌گذار دربخش مسکن بر شمرد، صورت نگرفته است.

یکی از دلایل این امر نداشتن اطلاعات کافی از هزینه‌ها، وضعیت سکونت اهالی محله‌های هدف در حین ساخت‌و‌ساز و محاسبه مابه‌التفاوت قیمت خانه‌ای که در بافت قرار دارد با واحدی که بعد از نوسازی به ساکنان تعلق می‌گیرد و تامین مالی این اختلاف قیمت‌ها برای خانواده‌ها، در کنار مباحث دیگر بوده است. از طرفی قیمت بالای زمین و توان پایین دولت برای خرید آنها دشوار بود.

از طرفی پیمانکاران یا همان توسعه‌گران که وزارت راه‌ و شهرسازی به ورود آنها به این طرح چشم دوخته بود، مشوق کافی برای ورود به این بخش نداشتند و بازگشت سرمایه و سوددهی ساخت‌وساز در نقاط بهتر شهر را نسبت به فعالیت در این مناطق ترجیح می‌دادند.

اما از آنجایی که نوسازی بافت فرسوده مزایای زیادی ازجمله افزایش تولید، سکونت خانواده‌های کم و میان‌درآمدی که در این مناطق زندگی می‌کنند، ساماندهی اجتماعی این مناطق و در نهایت زیبایی شهری را به همراه دارد، نباید از این طرح مفید غافل شد و باید به دنبال راهکاری برای آغاز قدرتمند این طرح و جذب پیمانکاران برای ورود به این طرح بود.

اما همان‌طور که در ابتدا اشاره شد اطلاعات ناقص مسبب به سرانجام نرسیدن بسیاری از این طرح‌ها بوده و باید مرجعی موثق و سازوکاری کامل برای دریافت و پردازش اطلاعات حوزه مسکن در نظر گرفت. البته مجموعه‌هایی دانش‌بنیان وارد عمل شده و با هدف داده‌پردازی اطلاعات بازار مسکن از طریق هوش‌ مصنوعی قدم بزرگی در این راه برداشته و توانسته‌اند، نوع فعالیت و کارا بودن ابزار سامانه خود را به متولیان و مدیران تصمیم‌گیر بخش مسکن به اثبات برسانند.

«کیلید» مجموعه‌ای است که با بهره‌گیری از هوش‌ مصنوعی توانسته در سال‌های اخیر دستاوردهای مفید و کاربردی را در بازار مسکن ایجاد کند و اطلاعات شفاف و طبقه‌بندی شده‌ای را در اختیار کاربران عمومی و مدیران بخش‌های مختلف قراردهد.

یکی از بهترین ابزارهای «کیلید» ارزیابی هوشمند قیمت املاک است که در طرح بازآفرینی شهری می‌تواند مورد استفاده قرار گیرد و حتی در طرح‌های دیگر که به تازگی وزارت راه و شهرسازی در نظر گرفته است بهره ببرد تا قدم‌های بعدی در اقتصاد مسکن با دید بازتر و برنامه‌ریزی جامع‌تری‌ انجام شود.

اما این ارزیابی به چه صورت محاسبه می‌شود. همانطور که نیروی‌ انسانی مشخصات یک ملک را برای قیمت‌گذاری برآورد می‌کند و نسبت به سال بازآفرینی شهری ساخت، نوع ساخت، متراژ و سایر امکانات دیگر ارزش‌گذاری روی یک واحد انجام می‌دهد، هوش مصنوعی نیز این اطلاعات را درمقیاس بزرگ‌تر و المان‌های بیشتر محاسبه و در قالب‌های مختلف خروجی قابل برداشت ارائه می‌دهد.

در کنار این مباحث هوش‌مصنوعی میانگین قیمت معاملات خانه‌های مجاور را که در نزدیک‌ترین بازه زمانی معامله شده است را هم در نظر گرفته و میانگین و میانه قیمت به کاربران ارائه می‌دهد. به ‌عنوان مثال هنگامی که شخصی برای خرید آپارتمان در توحید یا حتی اجاره آپارتمان در توحید اقدام می‌کند و در سایت «کیلید» به جستجو می‌پردازد، هوش‌مصنوعی تمام فایل‌های آن منطقه را به او نشان داده و با محاسبات پیچیده‌ ریاضی، میانگین و میانه معاملات انجام شده را محاسبه و تخمین قیمت ملک در این منطقه را در کنار قیمت پیشنهادی مالک به او نشان می‌دهد.

در کنار این تخمین قیمتی، نموداری از روند تغییرات قیمت در بازه‌های زمانی مختلف را هم نمایش داده و متقاضیان را از همه لحاظ با موقعیت ملک مورد نظر آشنا می‌کند.

اما این سوال پیش می‌آید که این اطلاعات از کجا برداشت و پردازش می‌شود؟ وزارت راه وشهرسازی مدتی است، سامانه‌ای با عنوان سامانه اطلاعات بازار املاک «سابا» راه‌اندازی کرده و مشاورین املاک را موظف به ثبت اطلاعات معاملات خود در این سامانه کرده است. این اطلاعات که دسترسی آن برای عموم آزاد است، در کنار اطلاعات کاربردی دیگر به عنوان خوراک وارد سامانه کیلید شده و هوش‌ مصنوعی با پردازش آنها خروجی‌های که ذکر شد را ارائه می‌دهد.