Mercati Immobiliari Nascosti: Come gli Annunci Online Svelano le Vere Mappe delle Città

Vi siete mai chiesti come mai, cercando casa nella stessa città, i prezzi e le tipologie di immobili sembrino cambiare così drasticamente da un quartiere all’altro, a volte anche da una via all’altra? Certo, ci sono fattori ovvi come la vicinanza ai servizi o la qualità degli edifici. Ma c’è un livello più profondo, una sorta di “mappa invisibile” disegnata non solo dai mattoni e dal cemento, ma anche da chi quelle case le vende: le agenzie immobiliari.

Il mercato immobiliare, per sua natura, è legato allo spazio. Non è un blocco unico e omogeneo. È frammentato, diviso in quelli che noi addetti ai lavori chiamiamo “sottomercati”. E le agenzie immobiliari giocano un ruolo da protagoniste in questa divisione: si specializzano in certe zone, trattano certi tipi di immobili, si rivolgono a una clientela specifica. In pratica, contribuiscono attivamente a creare e mantenere questi confini invisibili.

Capire questa segmentazione spaziale è fondamentale. Ha implicazioni enormi sulla valutazione degli immobili, sulle decisioni di investimento, sullo sviluppo urbano e persino sull’equità sociale. Ma come possiamo “vedere” questa mappa nascosta?

Il Problema: Come si Dividono Davvero i Mercati Immobiliari?

Tradizionalmente, per definire i sottomercati si usavano approcci diversi. Alcuni si basavano su confini geografici predefiniti (come i quartieri amministrativi o le zone definite dagli esperti del settore). Altri utilizzavano metodi statistici, raggruppando aree con caratteristiche simili (prezzi, tipologie di case).

Sono metodi utili, certo, ma hanno dei limiti. I confini amministrativi non sempre riflettono la realtà del mercato. E le analisi statistiche possono diventare complesse e dipendere molto dai dati scelti. Mancava un pezzo del puzzle: il ruolo attivo delle agenzie. Si sapeva che influenzavano il mercato, ma come usare questa informazione per *mappare* la segmentazione?

Qui entra in gioco la rivoluzione digitale. Oggi, la stragrande maggioranza delle case in vendita o affitto passa attraverso i portali immobiliari online. Questi portali sono miniere d’oro di dati! Ogni annuncio non ci dice solo dov’è la casa e quanto costa, ma anche *chi* la sta vendendo: l’agenzia immobiliare.

La Nostra Arma Segreta: I Dati degli Annunci Online e le Reti Complesse

Ed è proprio qui che abbiamo avuto l’intuizione. E se usassimo i dati degli annunci online non solo per guardare le case, ma per capire come operano le agenzie nello spazio? Abbiamo pensato: ogni annuncio è una traccia digitale del lavoro di un’agenzia. Mettendo insieme tutti gli annunci di un’agenzia, possiamo ricostruire il suo “portafoglio” e vedere dove concentra la sua attività.

Abbiamo quindi sviluppato una nuova metodologia, che sfrutta la potenza dell’analisi delle reti complesse (un campo affascinante che studia le connessioni tra entità diverse). Ecco come funziona, in parole semplici:

1. Dividiamo lo spazio: Prendiamo una mappa dell’area che ci interessa (una città, una provincia) e la suddividiamo in tante piccole unità spaziali (ad esempio, celle quadrate di 1 km per lato, oppure comuni, codici postali, ecc.).
2. Costruiamo una rete “bipartita”: Creiamo una rete che collega due tipi diversi di “nodi”: da una parte le agenzie immobiliari, dall’altra le unità spaziali. Un collegamento tra un’agenzia e un’unità spaziale significa che quell’agenzia ha pubblicato annunci per immobili in quella zona. Il “peso” di questo collegamento ci dice *quanti* annunci ha pubblicato.
3. Proiettiamo la rete: Ora viene il bello. Trasformiamo questa rete in una nuova rete dove i nodi sono solo le unità spaziali. Come? Colleghiamo due unità spaziali (diciamo, due celle della nostra griglia) se hanno agenzie immobiliari in comune. Il “peso” di questo nuovo collegamento misura *quanto è simile* l’ecosistema delle agenzie tra le due zone. Se le stesse agenzie operano in entrambe le zone con una quota di mercato simile, il collegamento sarà forte. Se non ci sono agenzie in comune, non ci sarà nessun collegamento.
4. Scoviamo le comunità: A questo punto, abbiamo una rete di unità spaziali collegate in base alla somiglianza del loro “tessuto” di agenzie immobiliari. Usiamo degli algoritmi specifici (chiamati algoritmi di community detection, come Louvain, Infomap, OSLOM) che sono bravissimi a trovare gruppi di nodi fortemente connessi tra loro. Questi gruppi, o “comunità”, rappresentano i nostri sottomercati! Sono zone geografiche dove opera un insieme simile di agenzie con quote di mercato paragonabili.

L’aspetto fondamentale è che questo metodo non si basa su confini predefiniti o su caratteristiche intrinseche delle case, ma sull’attività reale delle agenzie sul territorio, così come emerge dai dati degli annunci.

Primi Risultati: Mappe Parlanti dalla Spagna

Abbiamo messo alla prova questo metodo con una mole enorme di dati provenienti dal portale spagnolo Idealista.com, analizzando gli annunci di vendita e affitto nelle province delle Isole Baleari, Barcellona e Madrid per un periodo di due anni (2017-2018). Parliamo di quasi due milioni di annunci e oltre 50.000 agenzie!

I risultati sono stati sorprendenti. Anche senza dare agli algoritmi alcuna informazione sulla vicinanza geografica, le “comunità” (i sottomercati) che sono emerse erano quasi sempre composte da regioni spazialmente contigue.

Ad esempio, nelle Baleari, abbiamo visto che Minorca e Ibiza-Formentera formavano sottomercati unici, mentre Maiorca, più grande, era divisa in quattro sottomercati distinti. Questo ha senso: le barriere fisiche (il mare) influenzano chiaramente l’operato delle agenzie. In tutte e tre le province spagnole analizzate, i sottomercati identificati erano tendenzialmente più grandi dei singoli comuni, suggerendo che le dinamiche di mercato operano su una scala sovra-comunale.

La cosa ancora più interessante è stata la robustezza dei risultati. Abbiamo provato diversi algoritmi di community detection, abbiamo cambiato la dimensione delle celle della griglia (da 500m a 2km di lato), ma le mappe dei sottomercati rimanevano incredibilmente simili e stabili. Era come se avessimo davvero toccato una struttura fondamentale del mercato.

La Sfida delle Divisioni Amministrative (e Come L’abbiamo Superata)

Tutto liscio, quindi? Non proprio. Ci siamo accorti di un problema quando abbiamo provato a usare, al posto delle nostre celle quadrate, le divisioni amministrative esistenti, come le “aree censuarie” (simili ai nostri “census tracts”). In Spagna, queste aree sono disegnate per avere una popolazione simile, il che significa che possono avere dimensioni e forme molto diverse.

Usando queste aree censuarie, la distribuzione degli annunci per unità spaziale diventava troppo omogenea, perdendo quella caratteristica “legge di Zipf” (poche aree con tantissimi annunci, molte aree con pochi annunci) che avevamo osservato con le celle e i comuni. Questo “appiattimento” mandava in tilt i nostri algoritmi: i sottomercati diventavano meno chiari, a volte emergeva un’unica, enorme comunità che copriva quasi tutto. I risultati non erano più robusti come prima.

Questo era un problema serio, perché spesso i dati disponibili (come quelli che avevamo per la Francia) sono geolocalizzati proprio a livello di area censuaria, non con coordinate precise. Che fare? Buttare via il metodo? Assolutamente no!

Abbiamo sviluppato una tecnica “aggregativa stocastica”. L’idea è questa: anche se sappiamo solo che un annuncio appartiene a una certa area censuaria, possiamo usare la geometria. Dividiamo comunque lo spazio in celle quadrate. Poi, per ogni annuncio, lo assegniamo a una delle celle che si sovrappongono alla sua area censuaria, con una probabilità proporzionale all’area di sovrapposizione. È come se “spalmassimo” probabilisticamente gli annunci dalle aree censuarie alle celle.

Ripetiamo questo processo molte volte, generando un “ensemble” di possibili reti cella-cella. Su ognuna di queste reti applichiamo i nostri algoritmi di community detection. Alla fine, combiniamo tutti i risultati ottenuti (con una tecnica chiamata consensus clustering) per ottenere una mappa dei sottomercati finale e robusta.

Testando questo approccio sui dati spagnoli (dove avevamo le coordinate precise e potevamo confrontare), abbiamo visto che funzionava alla grande! Le mappe dei sottomercati ottenute con questo metodo aggregativo a partire dai dati censuari erano quasi identiche a quelle ottenute partendo dalle coordinate precise o usando i comuni. Avevamo trovato il modo di superare la limitazione dei dati meno precisi!

Prova del Nove: Funziona Anche in Francia?

A questo punto, eravamo pronti per la prova del nove: applicare tutto questo ai dati francesi, provenienti dal portale SeLoger.com. Qui avevamo solo la localizzazione a livello di area censuaria (chiamata “IRIS” in Francia). Abbiamo quindi usato la nostra tecnica aggregativa stocastica per ricostruire le reti a livello di celle (1 km x 1 km) per tre grandi aree urbane: Marsiglia-Aix en Provence, Parigi e Tolosa.

Ebbene, i risultati hanno confermato le nostre aspettative! Anche in Francia, sono emerse chiare segmentazioni spaziali in sottomercati contigui. Confrontando i risultati ottenuti dalle celle aggregate con quelli basati sui comuni (“communes”) e sulle aree censuarie (“IRIS”), abbiamo ritrovato lo stesso schema osservato in Spagna: l’accordo migliore era tra le celle aggregate e i comuni, mentre le aree censuarie davano risultati meno coerenti.

Questo ci ha dato grande fiducia: la nostra metodologia non era legata a un contesto specifico, ma sembrava catturare un fenomeno più generale, valido attraverso confini nazionali e diversi tipi di mercati urbani.

Perché Tutto Questo è Importante?

Quindi, cosa ci portiamo a casa da tutta questa analisi? Abbiamo sviluppato un modo nuovo e potente per “vedere” come i mercati immobiliari sono realmente segmentati nello spazio, basandoci sull’attività concreta delle agenzie immobiliari tracciata dagli annunci online.

Questo approccio ha diversi vantaggi:

• È data-driven: parte dai dati reali del mercato, non da assunzioni a priori.
• È bottom-up: la segmentazione emerge dall’analisi, non è imposta dall’alto.
• Mette in luce il ruolo cruciale, ma spesso trascurato, degli intermediari di mercato (le agenzie).
• È robusto: funziona bene con diversi algoritmi, a diverse scale spaziali e anche con dati di localizzazione non perfetti (grazie al metodo aggregativo).
• È generalizzabile: lo abbiamo testato con successo in due paesi diversi.

Le mappe dei sottomercati che otteniamo sono più realistiche dei semplici confini amministrativi e possono essere preziose per tanti scopi. Pensiamo agli urbanisti che devono pianificare lo sviluppo della città, ai policymaker che vogliono capire le dinamiche dei prezzi e l’accessibilità abitativa, o anche a chi sviluppa modelli di valutazione immobiliare (come i modelli edonici), che possono diventare molto più accurati tenendo conto di questi sottomercati reali.

Insomma, la prossima volta che navigate su un portale immobiliare, ricordatevi che dietro a quegli annunci c’è molto di più di una semplice casa in vendita: ci sono tracce digitali che, se lette nel modo giusto, possono svelarci le mappe nascoste delle nostre città. E capire queste mappe è il primo passo per poterle, forse, ridisegnare in modo più consapevole ed equo.

Fonte: Springer