zabudowy mieszkalnej 163
Subrynek ten charakteryzuje si˛e stosunkowo wysokim poziomem atrakcyjno´sci zabudowy mieszkalnej. Najwy ˙zsze warto´sci znajduj ˛a si˛e nad jeziorem Malta ´nskim w północnej jego cz˛e´sci, w pobli ˙zu rzeki Warty oraz na osiedlu Lecha (zachodnia cz˛e´s´c Chartowa). Niskimi warto´sciami odznacza si˛e bliskie s ˛asiedztwo ulicy Kur-landzkiej w południowo-wschodniej cz˛e´sci subrynku oraz obszar mi˛edzy rondem Rataje, a rondem Staroł˛eka blisko rzeki Warta, co mo ˙ze wynika´c z gorszej
dost˛epno-´sci komunikacyjnej tego obszaru.
Na uwag˛e zwraca wi˛eksze podobie ´nstwo pomi˛edzy modelem regresji liniowej, a addytywnym ni ˙z modelem lasów losowych, który wydaje si˛e „spłaszcza´c” uzy-skane warto´sci wykazuj ˛ac ni ˙zsze zró ˙znicowanie wewn ˛atrz tego obszaru.
Subrynek 10 - ´Sródmie´scie
Waloryzacja zabudowy mieszkalnej w obr˛ebie dziesi ˛atego subrynku wykazuje znaczne zró ˙znicowanie przestrzenne (w porównaniu np. z obszarem Nowego Mia-sta w subrynku dziewi ˛atym). Ocena atrakcyjno´sci uzyskana za pomoc ˛a modelu re-gresji liniowej (Ryc. 7.4 na stronie 159, B.10 - A na stronie 227) wykazuje mniej przeszacowanych warto´sci ni ˙z uzyskana w oparciu o zgeneralizowany model ad-dytywny (Ryc. B.10 - B na stronie 227). Widoczne jest m.in. znaczne niedoszacowa-nie warto´sci atrakcyjno´sci w pobli ˙zu Starego Rynku, który w wi˛ekszo´sci prognoz charakteryzował si˛e wysokim poziomem atrakcyjno´sci.
Wi˛ekszo´s´c prognoz ukazuje, ˙ze dziesi ˛aty subrynek składa si˛e z dwóch obsza-rów charakteryzuj ˛acych si˛e odmiennym poziomem atrakcyjno´sci. Stare Miasto na północy posiada zabudow˛e mieszkaln ˛a bardziej atrakcyjn ˛a, za´s południowa cz˛e´s´c -dzielnica Wilda - mniej atrakcyjn ˛a. Najwy ˙zsze warto´sci atrakcyjno´sci znajduj ˛a si˛e w okolicy Starego Rynku, nad brzegiem Warty oraz w pobli ˙zu parku im. Jarogniewa i Izabeli Drw˛eskich w zachodniej cz˛e´sci subrynku. Najni ˙zszym poziomem atrakcyj-no´sci charakteryzuje si˛e tu obszar Wildy.
7.3. Porównanie wykorzystanych metod i wyników walory-zacji obszaru zabudowy mieszkalnej
Uzyskane wyniki ukazuj ˛a nieraz niejednoznaczny obraz atrakcyjno´sci obszaru zabudowy mieszkalnej w Poznaniu. Na rycinie 7.5 wskazano, które prognozy wy-kazywały ze sob ˛a korelacj˛e, a wi˛ec jak podobne były do siebie pod wzgl˛edem oceny atrakcyjno´sci. Na poziomie poszczególnych subrynków wida´c, ˙ze cz˛e´sciej (w 6 z 10 subrynków) najwy ˙zsz ˛a korelacj˛e wykazuj ˛a ze sob ˛a modele lasów losowych („rf”) z regresj ˛a liniow ˛a („lm”), cho´c najwy ˙zsze uzyskane warto´sci korelacji uzyskano mi˛e-dzy innymi kombinacjami: dla drugiego subrynku była to warto´s´c 0,74 mi˛emi˛e-dzy mo-delem GAM oraz lasów losowych, a dla subrynków szóstego i dziewi ˛atego odpo-wiednio warto´sci 0,74 i 0,71 mi˛edzy modelami regresji liniowej i GAM. Poza nielicz-nymi wyj ˛atkami korelacja mi˛edzy uzyskanymi wynikami jest dodatnia.
W celu oceny stabilno´sci wyników wzgl˛edem wykorzystywanego modelu (re-gresji liniowej, addytywnego i lasów losowych) obliczono równie ˙z korelacj˛e pomi˛e-dzy warto´sciami atrakcyjno´sci uzyskanymi za pomoc ˛a pojedynczych modeli dla ka ˙zdego z subrynków, a koresponduj ˛acymi z nimi warto´sciami z odpowiedniego modelu holistycznego. Wyniki korelacji wyników ukazano na rycinie 7.6. Warto´sci
RYC. 7.5: Warto´sci korelacji Pearsona uzyskanych waloryzacji zabu-dowy mieszkalnej w Poznaniu. rf - waloryzacja na podstawie modelu lasów losowych; gam - waloryzacja na podstawie zgeneralizowanego modelu addytywnego; lm - waloryzacja na podstawie modelu regresji
liniowej.
7.3. Porównanie wykorzystanych metod i wyników waloryzacji obszaru
zabudowy mieszkalnej 165
uzyskane dla modelu lasów losowych wykazuj ˛a wi˛eksz ˛a stabilno´s´c ni ˙z w pozosta-łych modelach. Najni ˙zsze warto´sci uzyskano dla zgeneralizowanych modeli addy-tywnych, które przez du ˙ze przeszacowania ró ˙zni ˛a si˛e od siebie znacz ˛aco, w niektó-rych przypadkach wykazuj ˛ac nawet negatywn ˛a korelacj˛e.
Informacja o stabilno´sci wyników jest kluczowa dla interpretacji samych walo-ryzacji. Im stabilniejsze, tym z wi˛eksz ˛a pewno´sci ˛a mo ˙zemy uzna´c je za realne od-zwierciedlenie stanu rzeczywistego.
RYC. 7.6: Warto´sci korelacji Pearsona pomi˛edzy warto´sciami atrak-cyjno´sci zabudowy mieszkalnej uzyskanymi za pomoc ˛a modeli sub-rynkowych, a koresponduj ˛acymi im warto´sciami uzyskanymi za
po-moc ˛a modeli holistycznych.
Jako ostatni ˛a metod˛e weryfikacji wyników porównano opracowane mapy atrak-cyjno´sci zabudowy mieszkalnej z wynikami uzyskanymi w drodze niezale ˙znej od autora niniejszej pracy ankietyzacji mieszka ´nców przeprowadzonej przez portal
„OtoDom” (OTODOM, 2016). W raporcie tym, na podstawie danych zebranych od ponad 3300 mieszka ´nców miasta, opracowano wska´znik rekomendacji (Net Pro-moter Score - NPS) ukazuj ˛acy, czy mieszka ´ncy poleciliby znajomym mieszkanie w swojej dzielnicy. Warto´sci uzyskane w wyniku waloryzacji przestrzennej na podsta-wie skonstruowanych modeli zostały zagregowane do jednostek administracyjnych (osiedli), dla których opracowano dane z raportu „OtoDOM”. Du ˙zy wpływ na uzy-skane wyniki posiada sposób agregacji uzyskanych warto´sci atrakcyjno´sci. Badaj ˛ac korelacj˛e ´sredniej warto´sci atrakcyjno´sci w osiedlu ze wska´znikiem NPS, jedynie waloryzacja przeprowadzona za pomoc ˛a modelu lasów losowych wykazała istotn ˛a statystycznie korelacj˛e (warto´s´c korelacji Pearsona: ~0,51, Ryc. 7.7). Wpływ na to ma sko´sny rozkład uzyskanych predykcji za pomoc ˛a modeli regresji liniowej oraz modeli addytywnych. Badaj ˛ac korelacj˛e pomi˛edzy median ˛a atrakcyjno´sci, a war-to´sciami NPS, istotna statystycznie relacja wyst˛epuje dla prognoz lasów losowych (~0,45) oraz regresji liniowej (~0,56). Wyniki te wyra´znie wskazuj ˛a, ˙ze zastosowana metoda waloryzacji zabudowy mieszkalnej w Poznaniu dostarcza wyników, które mog ˛a by´c wykorzystane w celu uzyskania predykcji przestrzennych atrakcyjno´sci miejsca zamieszkania.
RYC. 7.7: Współzale ˙zno´s´c liniowa pomi˛edzy wska´znikiem rekomen-dacji uzyskanym na podstawie ankiet przeprowadzonych na próbie 3327 mieszka ´nców miasta z uzyskanymi ´srednimi warto´sciami atrak-cyjno´sci zabudowy mieszkalnej (model lasów losowych, rozdział 6).
Porównuj ˛ac wyniki waloryzacji uzyskane za pomoc ˛a poszczególnych modeli z subiektywn ˛a ocen ˛a wynikaj ˛ac ˛a z ankiet, zwraca uwag˛e zbie ˙zno´s´c wyników. Po-twierdza ona tym samym zasadno´s´c stosowania zaproponowanej w niniejszej pracy metody oceny atrakcyjno´sci zabudowy mieszkalnej. Jednocze´snie, jak wynika z przeprowadzonego w Poznaniu studium, podział na subrynki poprawia znacz ˛aco jako´s´c modeli regresji liniowej i zgeneralizowanych modeli addytywnych, jakkol-wiek nie posiada istotnego wpływu w przypadku lasów losowych. Ze wzgl˛edu na trudno´sci pojawiaj ˛ace si˛e przy wyznaczaniu subrynków i brak ujednoliconej meto-dologii w tym zakresie, podej´scie z wykorzystaniem lasów losowych mo ˙ze by´c tym bardziej warte stosowania.
167
Rozdział 8
Dyskusja
8.1. Ograniczenia zaproponowanej metodyki oceny atrak-cyjno´sci obszaru miejsca zamieszkania
Jedn ˛a z wi˛ekszych trudno´sci do przezwyci˛e ˙zenia w niniejszej pracy był brak szczegółowej informacji dotycz ˛acej stanu mieszka ´n na rynku nieruchomo´sci. Wiele bada ´n wskazuje, ˙ze stan mieszkania (czy jest wyremontowane, urz ˛adzone, itp.) sta-nowi jeden z wa ˙zniejszych czynników wpływaj ˛acych na cen˛e nieruchomo´sci (Tse, 2002; Nilsson, 2014). Dane z Rejestru Cen i Warto´sci Nieruchomo´sci nie zawieraj ˛a w sobie takich informacji. Potencjalnym rozwi ˛azaniem tego problemu byłoby po-zyskanie danych dotycz ˛acych nieruchomo´sci w mie´scie z innego zbioru danych, np. ofert sprzeda ˙zy zamieszczanych w Internecie. Jednak ˙ze pozyskiwanie takich danych zwi ˛azane jest z przetwarzaniem naturalnego j˛ezyka oraz zastosowaniem metod pozyskiwania danych z Internetu (ang. webscrapping). Dane takie charakte-ryzuj ˛a si˛e ni ˙zsz ˛a wiarygodno´sci ˛a ni ˙z oficjalne, pochodz ˛ace z rejestrów i wymaga-łyby drobiazgowego ’czyszczenia’ w celu unikni˛ecia bł˛edów. W przypadku braku opisu stanu mieszkania, potencjalnie mo ˙zliwe byłoby przetwarzanie udost˛epnio-nych zdj˛e´c mieszkania i za pomoc ˛a algorytmów uczenia maszynowego opracowa-nie modelu szacuj ˛acego stan mieszkania, co jednak znacz ˛aco wykracza poza zakres niniejszej pracy.
Inn ˛a słabo´sci ˛a opracowanej metodyki jest brak uwzgl˛ednienia do´swiadcze ´n na-bywców, które wpływaj ˛a na ich upodobania, co czyni atrakcyjno´s´c bardziej subiek-tywnym doznaniem. Cz˛esto z sentymentu, nabywcy mog ˛a wróci´c do dzielnicy, w której si˛e wychowali i która jak si˛e spodziewaj ˛a, pozwoli im dobrze wychowa´c ko-lejne pokolenie. Zjawisko to nazywane jest przywi ˛azaniem do miejsca. Dotyczy ono poczucia zakorzenienia i ł ˛aczy si˛e z odpowiednim ładunkiem emocjonalnym (Gaw-ron i in., 2017). Zjawisko to wydaje si˛e jednak obecnie nazbyt skomplikowane do uwzgl˛ednienia w dowolnych badaniach wielkoskalowych i mo ˙ze by´c zale ˙zne na-wet od przypadkowych aspektów takich jak zapach lub chwilowy efekt estetyczny, który pojawia si˛e po deszczu (Steele, 1981). Jednocze´snie mo ˙zliwe jest, ˙ze pewne odczucia wzgl˛edem miasta zakorzeniaj ˛a si˛e w grupowej ´swiadomo´sci powoduj ˛ac odpowiednio pozytywne lub negatywne skojarzenia. Przykładem takiego zjawiska w Poznaniu jest dzielnica Wilda. W XX wieku nie cieszyła si˛e ona dobr ˛a renom ˛a, co było powi ˛azane z du ˙z ˛a liczb ˛a popełnianych przest˛epstw. Opinia ta urosła do po-pkulturowego memu pod wpływem piosenki napisanej przez Krzysztofa „Graba ˙za”
Grabowskiego z zespołu Strachy na Lachy. Piosenka „Ezoteryczny Pozna ´n” ´sle prze-słanie, ˙ze na Wildzie mieszka Szatan. Dzi´s, mimo policyjnych statystyk stwierdzaj ˛ a-cych, ˙ze jest to jedna ze spokojniejszych dzielnic (Bogacka i in., 2016), wci ˛a ˙z panuje przekonanie o Wildzie jako niebezpiecznej dzielnicy (OTODOM, 2016).
Zaprezentowane w niniejszej pracy wyniki ograniczaj ˛a si˛e do bardzo ´scisłego zakresu czasowego i przestrzennego. Opracowane modele mog ˛a słu ˙zy´c charakte-rystyce obszaru zabudowy mieszkalnej w Poznaniu. Jak wykazały modele subryn-kowe, inna przestrze ´n zwi ˛azana jest z innym doborem zmiennych oraz innymi funk-cjami hedonicznymi w zwi ˛azku z czym modele te nie mog ˛a stanowi´c bezpo´sredniej podstawy do oceny atrakcyjno´sci w innych miastach.
Opracowane modele zostały przygotowane w oparciu o dane transakcyjne z lat 2008 - 2014. W samym Poznaniu od 2014 roku nast ˛apił szereg inwestycji oraz zmian o charakterze jako´sciowym, które prawdopodobnie wpływaj ˛a na postrzegan ˛a obec-nie atrakcyjno´s´c. Przykładem takim mo ˙ze by´c obszar w pobli ˙zu ronda „´Sródka”, czy osiedla „´sw. Łazarz”, gdzie w ostatnich latach zachodz ˛a silne procesy gentryfikacji zwi ˛azane z wprowadzaniem si˛e młodszych osób i rozwojem lokali gastronomicz-nych.
Ponadto, modele w pracy zostały opracowane w oparciu o dane dotycz ˛ace za-budowy wielorodzinnej, gdy ˙z Rejestr Cen i Warto´sci Nieruchomo´sci posiadał nie-liczne informacje dotycz ˛ace transakcji w zabudowie jednorodzinnej. W zwi ˛azku z powy ˙zszym wyniki mog ˛a stanowi´c co najwy ˙zej sugestie dotycz ˛ace atrakcyjno´sci krajobrazu. Gdyby jednak przeprowadzi´c badanie dla zabudowy jednorodzinnej, zarówno istotne zmienne jak i ich wpływ hedoniczny ne ceny m2 nieruchomo´sci byłyby inne od uzyskanych w niniejszej pracy.
Wiarygodno´s´c opracowanych prognoz przestrzennych uzale ˙zniona jest w du ˙zej mierze od lokalizacji nieruchomo´sci. Był to jeden z głównych powodów, dla któ-rego w niniejszej pracy wykorzystano transakcje z rynku wtórnego, a nie pierwot-nego. W interpretacji uzyskanych prognoz przestrzennych nale ˙zy mie´c na uwadze,
˙ze uwzgl˛ednione transakcje były skoncentrowane w wybranych, opisanych w roz-dziale 3 obszarach. W wyniku nierównomiernego rozmieszczenia transakcji, osie-dla takie jak Ławica, czy ´Swierczewo scharakteryzowane zostały przez gorsze
jako-´sciowo modele subrynkowe, które posiadały mniej wiarygodne prognozy atrakcyj-no´sci obszaru zabudowy mieszkalnej.
Jednym z wa ˙zniejszych etapów procesu modelowania atrakcyjno´sci obszaru za-budowy mieszkalnej jest wybór zmiennych niezale ˙znych mog ˛acych mie´c wpływ na ceny m2nieruchomo´sci. Zmienne u ˙zyte w niniejszej pracy dobrane zostały na pod-stawie przegl ˛adu literatury oraz wiedzy eksperckiej na temat funkcjonowania mia-sta. Nale ˙zy jednak doda´c, i ˙z lista zmiennych mogłaby w przyszło´sci zosta´c rozsze-rzona o dodatkowe metryki krajobrazowe uwzgl˛edniaj ˛ace, przykładowo, wielko´sci płatów, ich kształt czy rozmieszczenie w przestrzeni. W przypadku zastosowania ukazanej metodyki w innych miastach równie ˙z nale ˙zy uwzgl˛ednia´c unikalny cha-rakter analizowanego obszaru. Jednocze´snie zaznaczy´c nale ˙zy, ˙ze u ˙zyte zmienne nie wyczerpuj ˛a zbioru wszystkich mo ˙zliwych elementów krajobrazu, gdy ˙z jest to tech-nicznie niewykonalne, cho´c potencjalnie mog ˛a mie´c istotny wpływ na atrakcyjno´s´c obszaru zabudowy mieszkalnej. Do takich zmiennych zaliczy´c mo ˙zna na przykład dost˛epno´s´c miejsc parkingowych czy przychodni zdrowia.
Ze wzgl˛edu na siln ˛a współliniowo´s´c zmiennych przestrzennych konieczna jest interpretacja uzyskanych wyników z uwzgl˛ednieniem istniej ˛acych korela-cji. Jest to kluczowe, cz˛esto pomijane, zagadnienie zwi ˛azane z hedoniczn ˛a ocen ˛a wpływu zmiennych krajobrazowych na atrakcyjno´s´c obszarów zabudowy miesz-kalnej.
Mimo wy ˙zej wymienionych ogranicze ´n opracowanej metodyki zaznaczy´c na-le ˙zy, ˙ze uzyskane wyniki s ˛a zbie ˙zne z niezale ˙znie przeprowadzonymi badaniami an-kietowymi przeprowadzonymi przez serwis OtoDom (OTODOM, 2016). Uzyskana,