Where Mobility meets Value
Il modello utilizza XGBoost, un algoritmo di Machine Learning tree-based particolarmente adatto alle analisi spaziali perché capace di catturare relazioni non lineari, interazioni complesse tra variabili territoriali ed effetti locali tra aree urbane.
Il modello spiega il 65% della variabilità dei prezzi immobiliari a Milano, confermando un'ottima capacità predittiva. La cross-validation e il controllo dell'overfitting ne attestano la solidità e la robustezza.
Il modello evidenzia che la mobilità pubblica è un fattore di competitività urbana. Ogni intervento che aumenta la copertura serale, la frequenza o la connessione intermodale genera:
In quest'ottica, gli investimenti del PUMS di Milano non solo migliorano la mobilità, ma creano valore urbano misurabile.
Per valutare il potenziale di crescita delle diverse zone di Milano in relazione al Trasporto Pubblico Locale (TPL), è stato sviluppato l'Indice di Riqualificazione.
Vengono applicate penalizzazioni per i valori immobiliari già elevati e per la distanza dal centro, individuando così le aree dove il TPL rappresenta un motore di crescita futura non ancora capitalizzato.