Giuseppe di Gennaro

L’analisi di regressione multipla

applicata all’estimo immobiliare

La stima degli immobili, siano essi urbani che rurali, da

sempre costituisce uno dei più importanti campi applicativi
per i tecnici che operano nel settore dell’edilizia. L’analisi
della realtà tecnica estimativa del nostro paese, come rilevato
da autorevoli autori [1], riscontra una larghissima diffusione
del procedimento di stima mono parametrico laddove si
verifica che, se per una pluralità di casi le ipotesi alla base
dei procedimenti mono parametrici sono verificate in maniera
soddisfacente, in molte fattispecie estimative ciò non è assolu-
tamente vero.
Si assiste, cioè, all’applicazione di tale procedimento anche al
caso di immobili atipici, sia riguardo alle caratteristiche quanti-
tative e qualitative che per la varietà e diversità delle tipologie
edilizie ed immobiliari, con diversa funzione e destinazione.
Come è immediatamente intuibile, l’ipotesi semplificativa delle
stime mono parametriche è che l’immobile da valutare differisca
dagli immobili presi a confronto, e di prezzo noto, per il solo
parametro preso in considerazione, solitamente coincidente con
la superficie. Tale assunto non sempre è logicamente motivato
né, tanto meno, dimostrabile.
La scelta del procedimento estimativo, nella pratica corrente,
viene effettuata sulla scorta della quantità e qualità dei dati
disponibili per l’effettuazione delle operazioni di raffronto. Nel
semplice schema riepilogativo, riportato nella pagina successiva
Estimo si indica quale possa essere il procedimento più utilmente
applicabile in dipendenza delle condizioni di mercato riscontrate.

53
quaderni di legislazione tecnica - 3.2005
 Figura 1: Applicabilità delle procedure estimative in dipendenza dei dati di mercato
Procedure estimali mediante analisi di
regressione multipla
Quando i dati di mercato sono sufficiente-
mente numerosi è possibile procedere all’ef-
fettuazione di stime con metodi statistici quali
l’analisi di regressione multipla (nel seguito
indicata, per brevità, come MRA). I dati e le
informazioni da rilevare riguardano sia gli
effettivi prezzi di compravendita e gli effettivi
canoni di locazione che le caratteristiche degli
immobili e le informazioni di carattere generale.
La rilevazione dei dati è, infatti, non solamente
il primo passo procedurale nell’elaborazione
estimale ma, ancora di più in tale fattispecie,
elemento cruciale e fondamentale per la
validità di tutta l’operazione estimativa.
Ovviamente, l’onerosità insita nella raccolta e
catalogazione di un numero di risultanze
statisticamente significativo, fa si che l’applica-
zione di tali procedimenti sia economicamente
praticabile nei casi di valutazione di un
consistente numero di immobili (mass appraisal
con terminologia anglo sassone).
L’MRA è un procedimento di statistica
54
multivariata che pone una relazione funzionale
tra il valore di un immobile od il canone di
fitto ed un insieme di caratteristiche immobiliari,
permettendo di procedere alla stima degli
immobili, oggetto di valutazione, mediante
l’interpolazione dell’equazione di regressione
in corrispondenza delle caratteristiche proprie
dell’immobile da stimare. Pertanto rientra nella
casistica dei procedimenti pluri parametrici.
Questi procedimenti trovano la loro giustifi-
cazione teorica nelle leggi della statistica ed,
operativamente, in quella particolare branca di
tale disciplina che viene individuata come
statistica inferenziale. Con tale termine si indica
l’insieme dei metodi e degli strumenti matematici
che consentono di indurre le caratteristiche di
una popolazione dall’analisi di un numero
finito e, preferibilmente, piccolo di suoi
individui, definito come campione. Occorre
subito dire che una prima criticità del metodo
è rappresentata dalla scelta del campione
infatti, per differenti motivi come si vedrà nel
seguito, alcuni elementi del campione medesimo
potrebbero falsare le elaborazioni numeriche.
 La statistica insegna che, in determinate
condizioni, una variabile dipendente (per
esempio il valore di mercato di una unità
immobiliare) può essere spiegata attraverso
una regressione multipla, per mezzo di più
variabili indipendenti (ad esempio la superficie
coperta, il livello di piano, l’esposizione, la
superficie di terrazze e balconi, ecc.). La
formulazione più generica di una regressione
assume la seguente espressione:
Nel caso in cui la funzione «f» sia di tipo
lineare, la relazione sopra indicata può essere
espressa nella forma di regressione lineare:
dove appunto bi sono gli (n+1) parametri da
stimare, che consentono di definire la
funzione lineare di regressione multipla. Con
terminologia matematica, si può dire che b 0
costituisce la componente stocastica (cioè
casuale, aleatoria) ed i restanti termini la
componente deterministica.
Oltre al modello di regressione lineare, è
possibile assegnare alla funzione svariati altri
tipi di modello. In quello di potenza la
funzione ‹‹f›› assume la forma:
Altri modelli che possono essere adottati
sono:
– il modello moltiplicativo:
– il modello esponenziale:
ovvero:
il modello logaritmico, dove:
quaderni di legislazione tecnica - 3.2005
Mentre l’ultimo modello è già reso in forma
lineare, quelli descritti dalle precedenti
espressioni possono diventarlo, nel senso che
le formule possono essere rese lineari
sfruttando le proprietà dei logaritmi. Così il
modello potenza potrà essere posto nella
forma:
La circostanza che tutti i modelli descritti
siano descrivibili con formulazione lineare,
permette di concentrare l’attenzione proprio
sulla regressione multipla lineare che, per la
sua particolare formulazione, si presta ad
essere più chiaramente interpretata ed
analizzata nei risultati.
La determinazione dei coefficienti bi viene
effettuata, generalmente, seguendo il criterio
dei minimi quadrati e consistente nel rendere
minima la sommatoria dei quadrati delle
differenze tra valori osservati e valori interpolati.
yj= variabile osservata y^j= variabile interpolata
La grandezza numerica che immediata-
mente indica la capacità del modello prescelto
di dare spiegazione dei dati disponibili, è il
coefficiente di determinazione R2. Tale coeffi-
ciente assume valori compresi tra 0 e 1 ed
indica il grado di dispersione del campione
intorno alla retta (o all’iperpiano) interpo-
lante. Tale coefficiente non è tuttavia
sufficiente ad esprimere un giudizio sulla
bontà della funzione di regressione, giacché
la relazione osservata tra le variabili potrebbe
anche essere casuale. In presenza di molte
variabili il coefficiente R2 tende a sovrastimare
il parametro della popolazione. R 2corretta è
concepita per compensare la tendenza
ottimistica di R 2. Infatti la devianza della
regressione cresce a causa dell’aggiunta di
una ulteriore variabile indipendente, anche se
non significativa per spiegare le variazioni di
Y. R2corretto è espresso in funzione di R2, del
numero di variabili e della grandezza del
campione.
55

dove p = numero delle variabili indipendenti
ed N = numerosità delle osservazioni
Il test «F» di Fisher permette di stabilire la
significatività statistica della varianza indotta
dalla regressione nel suo complesso: affinché
ciò avvenga, deve risultare: F > F(α,v1,v2). Il
parametro a secondo membro è tabulato e
facilmente reperibile. In genere α è uguale a
0,05 cioè con l’intervallo di confidenza posto
pari al 95% (test bilaterale), mentre v1=n (cioè
uguale al numero di variabili dell’analisi di
regressione) e v2=(m – n – 1) (cioè i gradi di
libertà).
Un test di significatività deve essere condotto
anche sui singoli parametri b0, b1, …, bn per
stabilire se da un lato (test su b0) sia accettabile
l’ipotesi che la retta di regressione presenti
un’intercetta in alternativa al caso di retta
uscente dall’origine; dall’altro (test su bi) se le
corrispondenti variabili xi abbiano un significato
nello spiegare la variabile y. Tali test sono
svolti sulla distribuzione «t» di Student,
servendosi della varianza dei parametri nel
modo seguente:
I valori della distribuzione di "t" sono
anch’essi tabulati per i livelli di significatività e
per i gradi di libertà, dovendosi dunque
stabilire il valore di t(α,df) dove α è uguale a
0,05 e df=(m – n – 1). Il test s’intende superato
quando |t| > t(α,df).
Una qualsiasi analisi di regressione è oggi
estremamente semplificata dall’utilizzo degli
strumenti informatici, infatti l’applicazione
manuale dei procedimenti statistici inferenziali
con le modalità sopra indicate non è immediata
e facilmente eseguibile, dovendosi spesso
procedere a successivi aggiustamenti a seconda
dei risultati delle elaborazioni eseguite.
L’analisi di regressione multipla consente di
formulare valutazioni di immobili attraverso la
sommatoria di molteplici prezzi unitari (definiti
anche «prezzi marginali») relativi a differenti
caratteristiche misurabili che qualificano il
56
bene oggetto di valutazione. Con questo
procedimento è, quindi, possibile esprimere il
valore di mercato di un bene immobile non
più solo quale prodotto tra un prezzo unitario
a mq di superficie calpestabile, ma quale
sommatoria tra tanti «valori» riferiti ad innume-
revoli caratteristiche misurabili del bene
immobile in oggetto, ciascuno ottenuto dal
prodotto di un prezzo «marginale» unitario per
un’opportuna quantità.
Così, per esempio, il valore di mercato di
un appartamento potrà essere stimato attraverso
la somma del suo prezzo unitario moltiplicato
per la superficie lorda commerciale, cui è
possibile aggiungere un incremento del valore
di mercato in funzione dell’altezza di piano in
cui esso è collocato in un fabbricato dotato di
ascensore, ed inoltre un incremento di valore
di mercato in funzione alla maggiore vicinanza
rispetto al centro storico, etc.
L’esperienza acquisita dall’applicazione della
regressione multipla a casi di ordine pratico,
nonché ragioni desunte dall’esperienza generale
di stima, suggeriscono alcuni valori di accetta-
bilità per i test di verifica:
• l’indice di determinazione deve risultare
almeno pari a 0,9 ;
• i test «t» ed «F» vanno effettuati sulla base
di un intervallo di confidenza pari al 95%.
Un altro degli aspetti da considerare, nello
sviluppo dei modelli di regressione, è che
quando esistono interrelazioni tra le variabili ci
ritrova di fronte al problema della collinearità.
Analiticamente, vi è collinearità quando vi è
un’esatta dipendenza lineare tra due o più
colonne o righe della matrice delle caratteri-
stiche rilevate. Nel campo estimativo è ben
raro che si verifichi il caso di una perfetta
dipendenza lineare tra le variabili (perfetta
collinearità), però può sorgere il problema che
siano fortemente correlate. Ciò può portare a
calcolare parametri che, nel segno e nell’am-
montare, divergono da quelli attesi.
Come orientamento per la scelta delle
variabili si può essere guidati da alcune
considerazioni di ordine logico, collegate alle
caratteristiche che influenzano gli operatori
economici nel mercato del bene oggetto di
stima:
• rappresentare condizioni verosimili con
quelle nelle quali si muovono gli operatori di
mercato;
• simulare i meccanismi di mercato in
rapporto alle aspettative dei clienti;
• dare plausibilità alla stima nelle varie fasi
di svolgimento, interpretazione e dimostra-
zione dei risultati.
Per le variabili quantitative si adottano
misure tecniche ed economiche nella scala di
misura cardinale, anche se la scelta del
numerario non è indifferente a fenomeni di
collinearità. Le scale vengono classificate come
nominali (dicotomiche su due variabili 1 e 0),
ordinali (esprimono il posto occupato da un
oggetto in una successione ordinata di numeri)
e cardinali (quando vi è corrispondenza
biunivoca tra i valori di scala ed i numeri reali,
cardinale continua, o i numeri interi, cardinale
discreta). Per le variabili qualitative non
ordinabili, si assegnano i valori zero ed uno
(che vengono definite variabili dicotomiche)
per indicare la presenza o meno della caratte-
ristica. Per le variabili qualitative ordinabili,
occorre stabilire una regola di corrispondenza
con una scala di punteggi numerici.
La procedure utilizzate nella selezione delle
variabili sono classificate in tre tipologie:
a) forward selection: la prima variabile ad
entrare nella regressione è quella che presenta
il maggiore coefficiente di correlazione con la
variabile dipendente; queste, ed anche le
successive variabili, devono rispondere a
requisiti sul test «F»;
b) backward elimination: si inizia con tutte
le variabili inserite nell’equazione di regressione
e si procede, successivamente, alla elimina-
zione di quelle con bassa correlazione;
c) step-wise selection: è una combinazione
delle prime due.
In un campione di dati sono definiti outlier
quelli che, per una o piú delle caratteristiche
rilevate, presentano un grado di similarità
basso o, al limite, nullo rispetto alle altre
osservazioni che compongono il campione. I
procedimenti per l’eliminazione degli outlier,
coincidenti con quelli della scelta delle variabili,
sono i citati forward selection, la backword
elimination o la stepwise selection che però,
com’è stato dimostrato, possono anche non
centrare perfettamente l’obiettivo, e questo per
quaderni di legislazione tecnica - 3.2005
un problema del metodo dei minimi quadrati
il quale, individuando la retta a cui corrisponde
il più piccolo valore dei quadrati dei residui,
tende a minimizzare il residuo dell’outlier a
scapito dei punti buoni.
Una soluzione a tale problematica viene
offerta dall’utilizzo dei così detti stimatori
robusti, del tipo LMS (Least Median of Squares,
minima mediana dei quadrati dei residui) che
va in pratica ad individuare la retta che
interpola la maggioranza dei casi, in modo da
rendere minimo il contributo della singola
osservazione. Quest’ultimo può essere scaricato
dal sito: http://www.agoras.ua.ac.be/ - AGORAS
– Department of Matematics and Computer
Science – University of Antwerp – Middel-
heimlaan 1 – B – 2020 Antwerpen – Belgium
- (in linguaggio FORTRAN) insieme ad alcune
pubblicazioni inerenti gli stimatori robusti.
Criticità insite nell’applicazione dell’MRA
Si è già fatto cenno ad alcune criticità insite
nella scelta del campione in esame. Esse
risiedono, essenzialmente, in due ordini di
problematiche:
1. una prima problematicità è data dalle
difficoltà che spesso si frappongono alla
costituzione di un campione sufficientemente
numeroso. Considerazioni di carattere pratico
impongono di avere un numero di elementi
del campione pari ad almeno 5 volte il numero
delle variabili. Il raggiungimento di detto
standard (da intendersi come un minimo e
non certamente come un massimo) è reso
difficile dalla presenza dei ben noti ostacoli ad
una trasparenza del mercato immobiliare nel
nostro paese. Infatti, negli atti di trasferimento,
viene quasi sempre indicato un valore conven-
zionale e non quello per il quale effettiva-
mente ha avuto luogo la transazione. Inoltre la
tradizionale tendenza ad evadere imposte e/o
tasse porta i contribuenti a dichiarare valori
inferiori al reale anche quando la transazione
viene effettuata da persone giuridiche. Ma non
solamente il reperimento del reale prezzo di
vendita od il reale canone di locazione crea
problemi. Anche la definizione di semplici
parametri geometrici, come la superficie
richiede una specificazione. A seconda delle
circostanze locali la superficie commerciale di
57
 un’unità immobiliare può essere costituita da
quella lorda, comprensiva o meno delle
superfici a balconi e terrazze, con l’aggiunta,
nel secondo caso, di quota parte della superficie
a balconi, comprendere o meno, con coeffi-
cienti riduttivi, la superficie di cantinole e/o
ripostigli, ecc;
2. una seconda problematicità risiede nella
circostanza che, talora, il prezzo e/o il canone
rilevato sono del tutto fuori dell’ordinario (in
senso positivo od in senso negativo). Infatti
occorre che nel campione non siano presenti
casi anomali. Tale circostanza può verificarsi,
per esempio, quando si utilizza nel campione
un dato di una compravendita dove il prezzo
sia stato anormalmente basso in dipendenza di
una necessità del venditore di realizzare in
tempi brevi una liquidità monetaria. Di contro
può anche capitare di trovarsi in presenza di
immobili sovra stimati per motivazioni di
acquisto non strettamente economiche. In
definitiva è necessario effettuare un preliminare
esame dei dati elementari di compravendita e
di locazione, al fine di verificare che gli stessi
rientrino, quanto meno, negli intervalli di
oscillazioni proposti da numerosi borsini ed
osservatori del mercato immobiliare.
Aspetti tecnici-applicativi
L’effettuazione di valutazioni di immobili
con il procedimento MRA, passa attraversi i
seguenti punti di sviluppo:
a) individuazione del campione di beni
(unità immobiliari) paragonabili a quelli da
valutare. Una prima scelta da effettuare è
quella sulla numerosità della popolazione. E’
immediatamente evidente che un campione
numeroso permetterà di descrivere molto
meglio con una relazione funzionale la
popolazione. Ma ciò spesso risulta impossibile
per motivi di ordine pratico ed economico
legati alla possibilità di effettuare lunghe e
costose indagini di mercato;
b) scelta delle caratteristiche che possono
influire significativamente sui valori che
assumerà la funzione di regressione. Infatti
potrebbe capitare che alcune caratteristiche
non siano indipendenti ma, come già detto,
collineari e quindi da scartare;
c) ordinamento qualitativo, secondo un
58
ordine di peso, delle variabili non quantitative.
Se infatti queste ultime (superficie, età, ecc.)
non presentano alcuna difficoltà ad essere
descritte numericamente, quelle qualitative,
per potere essere utilizzate nella funzione di
regressione, devono essere preliminarmente
ordinate e relazionate ad una scala di valori;
d) assegnazione di una scala di valori alle
variabili qualitative così che, per esempio, il
carattere tipologia edilizia potrà essere ordinato,
in senso crescente, nelle specificazioni
economico < medio < signorile < di pregio
artistico-storico e si dovrà assegnare un valore
numerico ad ognuna di queste specificazioni
(1, 2, 3 e 4 oppure 1, 3 5, 7);
e) elaborazione informatica dei dati raccolti
ed approntati. In realtà è stato proprio lo
sviluppo delle procedure automatiche di calcolo
e del software applicativo a determinare un
rinnovato interesse per tutti quei metodi in cui
è necessario svolgere una massa ponderosa di
calcoli;
f) successivamente si passa all’esame delle
risultanze mediante la disanima dei coefficienti
di regressione parziale;
g) ulteriori esami dei risultati ottenuti
vengono condotti guardando la significatività
globale e quella delle singole variabili (R2 ed
altri test);
h) in base all’esame ed alle verifiche dei
precedenti test si decide se sostituire e/o
eliminare alcune variabili.
Come premesso, l’elemento fondamentale di
partenza nella tecnica estimativa è quella della
raccolta dei dati in ingresso, dati che saranno
sia quantitativi che qualitativi. Allo scopo sono
state elaborate vari tipi di scheda di rilevazione.
In ogni tipo di scheda risulta essenziale
procedere all’individuazione di dati descrittivi
sia qualitativi che quantitativi. In fase di
rilevazione è conveniente procedere all’indivi-
duazione, descrizione e/o quantificazione del
maggiore numero di dati possibili, in modo da
non precludere la possibilità di procedere a
quell’operazione di eliminazione e/o sostitu-
zione di variabili precedentemente indicata
come ultima fase della procedura.
In [2] l’Autore propone un quadro esempli-
ficativo dei contenuti della scheda di rilevazione
immobiliare. La raccolta dati è organizzata
secondo due distinte tipologie: dati endogeni
e dati esogeni. I dati endogeni (direttamente
afferenti l’unità immobiliare oggetto di
rilevazione) sono a loro volta suddivisi in tre
gruppi (identificativi, tecnici e produttivi),
quelli esogeni in due gruppi (fabbricato ed
urbani). Le schede di rilevazione sono inoltre
accompagnate da un sintetico manuale di
compilazione, ad uso dei rilevatori, in cui
sono riportati criteri e modalità di rilevazione.
Esaurita la fase di rilevazione, è possibile
procedere all’elaborazione numerica dei dati
del campione in esame. Detta elaborazione
allo stato attuale è agevolmente eseguibile con
opportuni software specialistici (ad esempio
SPSS sito italiano http://www.spss.it/).
Il software SPSS, all’attualità, rappresenta
uno strumento molto sofisticato per elabora-
zioni statistiche e matematiche con un ricco
corredo di opzioni quali la possibilità, quando
i dati non soddisfano i requisiti statistici per
i minimi quadrati ordinari, di utilizzare i
minimi quadrati ponderati (WLS) e minimi
quadrati a due stadi (2SLS). WLS consente di
dare un peso maggiore a misure che sono
più precise o affidabili all’interno di una serie
di dati. 2SLS aiuta a tenere sotto controllo le
correlazioni fra variabili di previsione e
termini di errore che spesso si verificano con
dati di tipo temporale.
L’utilizzo di tale tipologia di software è
necessario e giustificato quando si procede a
valutazioni particolarmente complesse e,
come nel caso della progettata revisione
degli estimi catastali, di grande impatto
Figura 2: Schermata di lavoro del software SPSS
quaderni di legislazione tecnica - 3.2005
sociale ed economico.
Pur tuttavia, anche senza ricorrere a
strumenti così sofisticati, è già possibile
eseguire delle semplici analisi di regressione
sfruttando le funzioni assemblate presenti nel
foglio di calcolo elettronico Microsoft® Excel.
Detto strumento di elaborazione dati prevede
infatti già predisposte le funzione di
regressione, sia lineare che logaritmica, e
provvede anche a calcolare le statistiche di
una linea utilizzando il metodo dei minimi
quadrati per calcolare la linea retta che si
adatti meglio ai dati, restituendo una matrice
che descrive la linea.
L’equazione della retta, con la simbologia
utilizzata da Excel, è:
y = m1x1 + m2x2 + ... + b (in caso di più
intervalli di valori x)
dove il valore della variabile dipendente y è
una funzione dei valori della variabile indipen-
dente x. I valori m sono coefficienti che
corrispondono ad ogni valore di x, mentre b
è una costante. Si noti che y, x e m possono
anche essere dei vettori. Il tipo di matrice
restituito da REGR.LIN è {mn; mn-1; ... ; m1; b}.
REGR.LIN inoltre può anche restituire statistiche
aggiuntive di regressione. La sintassi per
l’utilizzo della formula nel foglio di lavoro
(worksheet) è la seguente: REGR.LIN(y_nota;
x_nota; cost; stat) dove Y_nota è l’insieme dei
valori y già noti. X_nota è un insieme facoltativo
di valori x che possono essere già noti. Cost
è un valore logico che specifica se la costante
b deve essere uguale a 0 (se cost è VERO o
è omesso, b verrà calcolata secondo la normale
procedura; se cost è FALSO, b verrà impostata
a 0 è i valori m verranno corretti in modo che
y = mx). Stat è un ulteriore valore logico che
specifica se restituire o meno statistiche
aggiuntive di regressione (se stat è VERO,
REGR.LIN restituirà le statistiche aggiuntive di
regressione. Di conseguenza, la matrice
restituita sarà {mn ;mn-1 ;...;m1 ;b \ sn; sn-1 ;...;
s1; sb \ r2; sy\ F; gdl \ sqreg \ sqres}. La
sbarra indica che le risultanze vengono riportate
nella riga sottostante; se stat è FALSO o è
omesso, REGR.LIN restituirà solo i coefficienti
m e la costante b).
Le statistiche aggiuntive di regressione sono
le seguenti:
59
 Statistica Descrizione

s1; s2; ...; sn Valori di errore standard per i coefficienti m1;m2;...;mn.

sb Valore di errore standard per la costante b (sb = #N/D quando cost è FALSO).
R2 Coefficiente di determinazione compreso, come detto, tra 0 e 1. Se è uguale a 1, significa
che esiste una correlazione perfetta nel campione, vale a dire, non sussiste alcuna
differenza tra il valore previsto e il valore effettivo di y. Se invece il coefficiente di determi-
nazione è uguale a 0, l’equazione di regressione non sarà di alcun aiuto nella stima di un
valore y.
sy Errore standard per la stima di y.
F Statistica F o valore osservato di F. Si utilizza la statistica F per determinare se la relazione
osservata tra le variabili dipendenti e indipendenti è casuale.
Gdl Gradi di libertà. Si utilizzano i gradi di libertà per trovare i valori critici di F in una tabella
statistica. Si confrontano i valori trovati nella tabella con la statistica F restituita dalla
funzione REGR.LIN per stabilire un livello di confidenza per il modello.
Sqreg Somma della regressione dei quadrati.
Sqres Somma residua dei quadrati.

Nell’analisi di regressione svolta con Excel, Esempi e studi

per ogni punto viene calcolato il quadrato
della differenza tra il valore di y stimato per
quel punto e il valore reale di y corrispon-
dente. La somma dei quadrati delle differenze
viene denominata somma residua dei quadra-
ti. Viene quindi calcolata la somma dei qua-
drati delle differenze tra i valori reali di y e la
media dei valori y, denominata somma totale
dei quadrati (somma della regressione dei qua-
drati + somma residua dei quadrati). Minore è
la somma residua rispetto alla somma totale
dei quadrati, maggiore sarà il valore del già
definito coefficiente di determinazione, R2.
È possibile affermare l’esistenza di una rela-
zione tra le variabili se la statistica osservata F
è maggiore del valore critico di F, tabellato nei
manuali di statistica o, in alternativa, utilizzare
la funzione DISTRIB.F di Excel.
Con ulteriori test sarà possibile verificare se
ciascun coefficiente di pendenza è utile nel
calcolo della stima del valore. La verifica si
effettua dividendo il coefficiente di pendenza
per l’errore standard stimato e raffronta il
risultato con il valore critico di t. Anche in
questo caso è possibile utilizzare tabelle o fare
ricorso alla funzione INV.T di Excel.
In [2] la funzione valore assume una modella-
zione del tipo lineare non passante per l’origine
(b # 0). A seconda del campione di ambito
urbano al quale si riferisce, tutti comunque
all’interno del comune di Roma, la funzione
vede assumere differenti valori per i coeffi-
cienti delle variabili. Ma anche le variabili non
sono sempre le stesse ed in ugual numero. Il
riferimento temporale è l’anno 2000 – 1°
semestre - ed i prezzi marginali sono espressi
in lire. Così per l’ambito urbano Emo –
quartiere Trionfale – la funzione valore ha la
seguente espressione:
V = - 71.847.438,76 +
3.173.271,36 * Sup.Cop +
23.591.363,54 * Affaccio +
1.144.831,95 * Sup.Balc. +
510.656,12 * Sup.Terraz. +
2.252.296,44 * Sup.Ver.
Vengono prese in considerazioni 5 variabili
e non compare il livello di piano. Nel campione
di ambito urbano Balduina, le variabili si
riducono a 3 e, questa volta, compare il livello
di piano. Nel campione di ambito urbano

60
Batteria Nomentano, le variabili salgono invece
a 7. Infine viene eseguita la formulazione di
un’espressione per un campione di settore
urbano che aggreghi dati relativi agli ambiti
analizzati singolarmente. Nel passaggio
dall’ambito al settore, nella funzione valore il
numero delle variabili sale a 14, di cui 6 per
la zona di appartenenza, pur essendo queste
in numero di 8. Dal ché si deduce che per
due zone, l’appartenenza dell’immobile a tale
zona, non produce influenza sul prezzo di
vendita.
In [3] Girard e Guarino analizzano il settore
immobiliare in alcuni quartieri napoletani
(Vomero, Chiaia, Posillipo e Bagnoli) relativa-
mente gli anni 1999 e 2000. Anche in questo
caso la forma della funzione valore non è
costante e varia da quartiere a quartiere. Nel
caso di Posillipo, per esempio, le variabili
prese in considerazione sono in numero di
tre (superficie, stato di conservazione e
panoramicità) ed i relativi prezzi marginali
sono pari a: L. 7.560.738,1 per la superficie,
L. 73.844.855 per lo stato di conservazione e
L. 209.000.000 per il panorama, che incide
per ben il 21,15 % sul prezzo medio degli
immobili (209.000.000/988.000.000 = 0,2115).
La formula della funzione valore è di seguito
riportata:
P = - 2,41 * 108 + 7.560.738,1 * SU +
73.844.855 * S.CONS +
2,09 * 108 * PAN
Si è evidenziato come la numerosità del
campione fosse un requisito essenziale per la
validità dell’applicazione dei procedimento
econometrici la cui mancanza inficia la validità
del procedimento medesimo. Talora si verifica
la circostanza che i dati disponibili siano
numerosi, ma non si è sicuri della loro
attendibilità. Sorge quindi la necessità di
selezionare, all’interno dei dai disponibili,
quali siano reali ed utilizzabili nelle successive
elaborazioni.
In [4] De Mare illustra le risultanze di
un’esperienza condotta nel mercato
immobiliare di Salerno in ordine al locale
mercato delle locazioni. Le considerazioni da
cui parte l’autore sono di due ordini. Il primo
attiene alla grande disponibilità di dati sui
contratti di locazione semplicemente reperibili
quaderni di legislazione tecnica - 3.2005
presso l’Agenzia delle Entrate mentre, il
secondo, si basa sul capovolgimento dello
scenario del sistema delle locazioni. Infatti,
con gli interventi legislativi succedutisi negli
ultimi 5-7 anni, il mercato delle locazioni ha
acquisito i connotati di una fonte di dati utili
per la revisione degli estimi urbani, molto più
consistente e trasparente rispetto a quella del
mercato delle compravendite (utilizzo delle
locazioni classificabili nella tipologia del
canale libero di cui alla legge 431/98 e dei
patti in deroga di cui alla legge 359/92). Di
contro, pur potendo disporre di una fonte
consistente di dati, occorre sempre procedere
ad una valutazione di attendibilità dei dati
medesimi.
L’autore utilizza due insieme di dati:
il primo è costituito dai valori reperiti presso
le agenzie immobiliari aderenti alla FIAIP
(Federazione Italiana degli Agenti Immobiliari
Professionali) ed è numericamente ridotto a
20 elementi della cui risultanza economica si
è certi; il secondo insieme di dati, rilevato
nella parte economica dall’Agenzia delle
Entrate, è costituito da un insieme molto più
numeroso (n. 450 contratti di locazione) per
i quali è necessario appurare l’attendibilità
economica. Ciò viene fatto per il tramite di
un modello econometrico che utilizza le reti
neurali. Le reti neurali, o reti neuronali, sono
modelli matematici che tentano di emulare il
sistema nervoso centrale umano. Lo scopo
finale delle reti neurali artificiali (nel seguito
indicate con ANN) è realizzare i meccanismi
di apprendimento del cervello umano,
facendo in modo che la rete interagisca con
l’ambiente esterno senza l’intervento umano,
oltre quello della creazione. I primi modelli
di reti neurali sono stati sviluppati da W.
McCulloch e W. Pitts nel 1943 (con il loro
manifesto «A logical calculus of the ideas
immanent in nervous activity»). Da allora
fino a oggi molti sviluppi sono stati fatti e
presentare tutti questi sviluppi richiederebbe
ben più spazio del presente accenno. Si
vuole soltanto ricordare il lavoro di M.
Minsky che con la sua pubblicazione del
1969 (M. Minsky, S. Papert, Perceptrons: an
introduction to computational geometry,
MIT Press, Cambridge, 1969) ha dato un
61
 contributo fondamentale nel definire quello
che le ANN possono fare e soprattutto quello
che non possono fare.
In [4] si mostra come attraverso l’applica-
zione del modello è possibile arrivare a
selezionare un consistente numero di dati tale
da incrementare sensibilmente il campione di
analisi. Poiché il procedimento è iterativo,
l’analisi dimostra che, a partire dei 20 dati
dell’insieme FIAIP, è possibile selezionare altri
13, 20 e 30 elementi per incrementare la
numerosità del campione a seconda che si
accetti il passaggio attraverso il 100%, il 90%
o l’80% delle iterazioni della procedura. In
ogni modo è possibile procedere ad un
consistente aumento della numerosità del
campione, portandolo ad assumere le
dimensioni di una consistente banca dati.
Il problema della veridicità dei dati economici
è poi sentito quando si tratta di utilizzare
quelle che sono le offerte di mercato. A volte,
infatti, viene presa in considerazione la
possibilità di utilizzare le proposte di vendita
delle agenzie di intermediazione immobiliare a
fini estimali, attraverso la statuizione di «pseudo-
prezzi»: la ragione di questa locuzione scaturisce
dalla natura di tali dati che – in quanto
appunto proposte di vendita – non sono
prezzi storici, non essendo ancora intervenuto
il materiale incontro tra domanda e offerta.
L’utilizzo senza discernimento di dette
informazioni (facilmente reperibili presso le
sedi delle agenzie ma anche nei siti internet
degli innumerevoli «portali della casa») è da
evitare non solo per le ragioni sopra richiamate,
ma anche perché sono gli stessi franchisors a
monitorare la percentuale di trattativa sul
prezzo di vendita.
Bibliografia
[1] Simonotti, Marco – La stima immobiliare – ed. UTET
[2] Miccoli, Saverio – Mass appraisal: modelli sperimentali per il mercato immobiliare di Roma - Ce.S.E.T. – Quaderni 2002-8
[3] Girard, Luigi Fusco - Guarino, Mario – Analisi del mercato immobiliare a Napoli - Ce.S.E.T. – Quaderni 2002-8 – p. 402-445
[4] de Mare, Gianluigi – Un modello neurale per l’adeguamento dei campioni estimativi scarsi definito per la selezione dei canoni di locazione
da banche dati. Ce.S.E.T. – Quaderni 2002-8
62
Considerazioni finali
L’MRA, ben utilizzata sulla scorta di un
adeguato campione di riferimento, è capace di
offrire ottime prestazioni nella stima
immobiliare. Nel nostro paese questi modelli
sono impiegati da circa 20 anni nel campo
della ricerca, ma solo marginalmente nella
pratica estimativa. Infatti, come in ogni altra
disciplina scientifica, anche nell’estimo si
assiste ad un allargamento e sviluppo delle
conoscenze, con correlata evoluzione teorica
ed applicativa che avviene dapprima sul piano
dottrinario per merito ed opera di Università,
Istituti di Ricerca, ecc. Però, in questo caso e
diversamente dalle altre discipline scientifiche,
avviene molto a rilento la successiva applica-
zione alla pratica professionale di uso corrente
del nuovo bagaglio di conoscenze acquisito. Si
riscontra cioè, per la grande massa degli
operatori che opera nel campo estimativo, una
scarsa conoscenza dell’evoluzione del settore e
una ancora minore propensione ad utilizzare
procedure derivate dall’analisi statistica, pur
essendo queste ultime presenti nella dottrina
estimale italiana, da diversi decenni.
Inoltre la loro diffusione nel campo profes-
sionale è marginale a motivo, anche e forse
sopra tutto, della difficoltà di reperire dati di
compravendita veritieri, senza i quali le
conclusioni dei modelli sono assolutamente
irrealistiche. Infatti è necessario che il valutatore
possa disporre di validi dati di raffronto, in
numero limitato nel caso di stime singole,
molteplici nel caso di stime con procedimenti su
base statistica. Occorrerà quindi porre le
condizioni, nel nostro paese, perchè il mercato
immobiliare possa assumere i caratteri di una
maggiore trasparenza. ■