AI-baserad fastighetsvärdering av småhus

Abstract (Swedish)

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.

Popular Abstract

This study examines the development and performance of an AI-based valuation model for Swedish single-family houses. The aim is to analyse how such models function, identify key development challenges, and assess associated ethical and societal implications.

A proprietary model, Movton, was developed using the XGBoost algorithm and trained on over 600 000 housing transactions in Sweden from 2018 to 2026. The dataset was enriched with geocoded locations, macroeconomic indicators, and temporal features. To enhance interpretability, SHAP values were applied, allowing each prediction to be decomposed into variable-level contributions. The model achieved a Median Absolute Percentage Error of 13 percent and an R2 of 0.871, explaining approximately 87 percent of price variation. Temporal validation confirmed stable performance over time. Comparisons with established models showed similar accuracy, with median deviations around 9 percent. Key challenges were primarily data-related, including data quality issues, non-market transactions, risk of data leakage, and limited information on property conditions. The nationwide scope also contributed to higher error levels than a regional model might produce. From an ethical perspective, risks include reinforcing existing market biases, reduced accountability due to model opacity, and privacy concerns linked to data usage. Model homogenisation and labour market polarisation are sometimes presented as systemic risks, but the practical obstacles identified here, particularly around data and metadata quality, suggest such outcomes are gradual rather than imminent. The findings suggest that AI-based valuation is feasible, but hybrid approaches combining human expertise remain the most robust in practice.

• author: Ahlfors, Movitz and Ladan, Anton
• supervisor: Ingemar Bengtsson
• organization: Real Estate Science
• alternative title: AI-based property valuation of single-family homes
• course: VFTM01 20261
• year: 2026
• type: H2 - Master's Degree (Two Years)
• subject: Technology and Engineering; Mathematics and Statistics; Business and Economics
• keywords: AI, AI-baserad fastighetsvärdering, AI-modell, Datadriven analys, Etik, Fastigheter, Fastighetsvärdering, Maskininlärning, Prestandautvärdering, Samhällspåverkan, Småhus, XGBoost
• other publication id: ISRN LUTVDG/TVLM 26/5604SE
• language: Swedish
• id: 9243557
• date added to LUP: 2026-07-20 12:55:03
• date last changed: 2026-07-20 12:55:03