# RECORD fe9b5a96e7007d52e9bebe9eaea418541aa3b090
# TITLE: An Automatic Tool for the Determination of Housing Rental Prices: An Analysis of the Italian Context
# YEAR: 2021.0  VENUE: Sustainability  DOI: 10.3390/su14010309
# AUTHORS: F. Tajani; F. Di Liddo; Rossana Ranieri; D. Anelli
# PAGES: 20  CANDIDATE TABLE PAGES (1-based): [10]
# ABSTRACT: In the last decades, some global events such as the economic crisis of 2008 and the COVID-19 emergency of 2020, have generated more attention towards the housing rental market and its capacity to meet several social needs. In order to study the existent demand for houses, then define the interventions on the residential assets to make them more affordable for the most fragile population groups, adequate evaluation tools are required. With reference to the residential property segment of five metropolitan cities located in the Italian territory, the present research is aimed at analyzing the contribution of the most influencing factors on rental prices. In particular, this research refers to the rented properties of the second half of 2019, with a set of variables that represent the intrinsic and extrinsic factors of the local market. The implementation of an automated valuation model allows the determination of the most significant factors and the functional relationships that they have with housing rental fees. The outputs obtained could support the improvement of equitable public housing policies or could guide private investment decisions, such as refurbishment interventions of certain significant factors that could increase the market rental value. This study is the first step in wider research that is currently in progress, which aims to investigate the effects of the existing COVID-19 pandemic on the residential rental market.


===== PAGE 1 (score 7, numeric-paren 0, table-words 0, var-words 7) =====

 
 
 
 
Sustainability 2022, 14, 309. https://doi.org/10.3390/su14010309 
www.mdpi.com/journal/sustainability 
Article 
An Automatic Tool for the Determination of Housing Rental 
Prices: An Analysis of the Italian Context 
Francesco Tajani 1, Felicia Di Liddo 2, Rossana Ranieri 1 and Debora Anelli 2,* 
1  Department of Architecture and Design, Sapienza University of Rome, Via Flaminia 359, 00196 Rome, Italy; 
francesco.tajani@uniroma1.it (F.T.); rossana.ranieri@uniroma1.it (R.R.) 
2  Department of Civil, Environmental, Land, Building Engineering and Chemistry (DICATECh), Polytechnic 
University of Bari, Via Orabona 4, 70125 Bari, Italy; felicia.diliddo@poliba.it 
*  Correspondence: debora.anelli@poliba.it 
Abstract: In the last decades, some global events such as the economic crisis of 2008 and the COVID‐
19 emergency of 2020, have generated more attention towards the housing rental market and its 
capacity to meet several social needs. In order to study the existent demand for houses, then define 
the  interventions  on  the  residential  assets  to  make  them  more  affordable  for  the  most  fragile 
population  groups,  adequate  evaluation  tools  are  required.  With  reference  to  the  residential 
property segment of five metropolitan cities located in the Italian territory, the present research is 
aimed at analyzing the contribution of the most influencing factors on rental prices. In particular, 
this research refers to the rented properties of the second half of 2019, with a set of variables that 
represent the intrinsic and extrinsic factors of the local market. The implementation of an automated 
valuation  model  allows  the  determination  of  the  most  significant  factors  and  the  functional 
relationships  that  they  have  with  housing  rental  fees.  The  outputs  obtained  could  support  the 
improvement of equitable public housing policies or could guide private investment decisions, such 
as refurbishment interventions of certain significant factors that could increase the market rental 
value. This study is the first step in wider research that is currently in progress, which aims to 
investigate the effects of the existing COVID‐19 pandemic on the residential rental market. 
Keywords: rent market; housing prices; automated valuation method; residential properties; Italian 
residential market 
 
1. Introduction 
The recent rental market trend has constantly changed and is characterized by rapid 
bargaining, increasing rents, and high demand. Leased housing has gradually become an 
essential supplement to homeownership: worldwide, 1.2 billion people prefer this type of 
accommodation [1]. In Italy, leased housing has recently grown due to the various forms 
of leasing that ensure a tax benefit for the owners. The “short‐term” rental is the segment 
affected by a significant transformation, with a constant evolution in the supply of houses 
for temporary or tourist use. An analysis of the rental market, based on a sample of online 
ads  just  prior  to  the  COVID‐19  pandemic,  showed  an  increase  in  rents  per  m2  in  the 
provincial capital municipalities. This has increased from 1.6% in 2017 to 3.3% in 2019, 
with  the  towing  of  smaller  homes  that  are  better  furnished  and  in  a  good  state  of 
conservation [2]”. The situation has changed after the COVID‐19 emergency occurred, 
where  the  drop  in  rental  fees  was  higher  in  the  biggest  cities  (−9.5%)  where  a  larger 
number  of  students  and  workers  have  been  detected,  and  the  supply  of  housing 
properties to be leased has increased more than in smaller towns (−3.8%). The number of 
regularly registered lease contracts have grown by +4.2% compared to 2018, and most of 
them (about 80% of the total number of properties) are houses [3]. It represents a relevant 
share of the market demand, where in 2018 the Bank of Italy demonstrated that about 20% 
Citation: Tajani, F.; Di Liddo, F.;   
Ranieri, R.; Anelli, D. An Automatic 
Tool for the Determination of   
Housing Rental Prices: An Analysis 
of the Italian Context. Sustainability 
2022, 14, 309. https://doi.org/ 
10.3390/su14010309 
Academic Editors: Grazia Napoli 
Received: 5 December 2021 
Accepted: 24 December 2021 
Published: 28 December 2021 
Publisher’s 
Note: 
MDPI 
stays 
neutral with regard to jurisdictional 
claims  in  published  maps  and 
institutional affiliations. 
 
Copyright:  ©  2021  by  the  authors. 
Licensee  MDPI,  Basel,  Switzerland. 
This article is an open access article 
distributed  under  the  terms  and 
conditions of the Creative Commons 
Attribution 
(CC 
BY) 
license 
(https://creativecommons.org/license
s/by/4.0/). 


===== PAGE 10 (score 69, numeric-paren 57, table-words 4, var-words 0) =====

Sustainability 2022, 14, 309 
10  of  20 
 
Application of the Methodology 
In the present analysis, the EPR methodology is iteratively implemented for each 
sample  collected,  by  considering  the  structure  of  the  generic  expression  identified  in 
Equation (1) without the function (f) and with the dependent variable Rp (rental price) in 
logarithmic  form  (Y  =  ln(Rp)).Each  additive  monomial  term  of  the  mathematical 
expression is assumed to be a combination of the input variables raised to the proper 
numerical exponents. In particular, the candidate exponents selected from the research 
belong to the set (0; 0.5; 1; 2) and the maximum number l of additive terms in the final 
expressions are assumed to be eight.   
The implementation of the econometric technique for each Italian city considered has 
generated several models. For each study sample, the choice of the “best” model to be 
analyzed for the functional relationships between the explanatory variables and the rental 
prices has been carried out, taking into account (i) the statistical performance level, (ii) the 
complexity  of  the  algebraic  expressions,  and  (iii)  the  empirical  coherence  of  the 
coefficient’s signs. The first aspects mentioned are immediately examined as the CoD is 
associated by EPR with each model and the mathematical form is visible in the quantity 
of the terms of the equation and in the combination of the variables in each term. The 
empirical coherence of the functional relationships between the input variables in each 
model and the rental prices, is a less immediate operation to be carried out by the user, 
especially if there are more variables combined in the terms of the equation and they occur 
repeated more times 
The five models chosen between those provided by the EPR technique for each study 
sample are reported in Table 2.   
Table 2. EPR models for each study sample. 
City 
Equation 
MILAN 
Y = +0.74039 * Fc + 0.65355 * W0.5 Fp0.5 + 0.85473 * W0.5 * Fsc2 + 11.8431 * Ae0.5 * 
Uc * Dp0.5 * Du * Fsc0.5 + 0.91529 * Ab * L0.5 * Ce0.5 + 3.1017 * Ai0.5 − 2.0858 * Ai0.5 
* L0.5 * Dp + 2.5784 * Ai * L0.5 * Ce0.5 * Eab2 + 5.2917 
TURIN 
Y = + 0.20484 * Fc + 0.20638 * Ce + 2.3667 * Ai0.5 − 0.90861 * Ai0.5 * Dp0.5 * Du0.5 + 
3.1746 * Ai0.5 * Eab0.5 * Du * C + 0.79503 * Ai0.5 * Ae0.5 Cg * Du + 4.2823 * Ai 
*Ag0.5 * W0.5 * Dm + 5.1051 
ROME  Y = −0.95769 * Dp0.5 + 0.32292 * Ce2 * Dm0.5 + 0.72193 * W2 + 8.6191 * L * Ecde * 
Fsc + 0.58693 * Ab0.5 * Fc2 + 2.4715 * Ai0.5 + 6.3407 
NAPLES  Y = −0.65252 * Dg + 0.79149 * W2 Fsc2 + 0.72862 * L * Uc + 1.5006 * Ai0.5 + 
0.96063* Ai0.5 * Ds0.5 * Fc0.5 + 5.7416 
CATANI
A 
Y = + 2.9701 * Eab0.5 * Ds * Dm2 + 0.11784 * Ce0.5 + 0.57677 * W2 + 4.2099 * L0.5 * 
Uc * Fc0.5 + 3.3906 * Ab0.5 * K * Du2 + 0.73513 * Ag2 + 1.5162 * Ai0.5 − 13.4711 * 
Ai0.5 * Uc0.5 * Ds * Dm + 5.5681 
First of all, it should be noted that the models selected are characterized by a different 
algebraic form complexity, and that they have an average CoD equal to about 80% (88.69% 
for the city of Milan, 79.31% for the city of Turin, 86.87% for the city of Rome, 74.92% for 
the city of Naples, and 67.06% for the city of Catania). 
The statistical performance indicator associated by EPR to each model shows a high 
statistical reliability in terms of the coherence of the detected data. This is confirmed by 
other calculated statistical indices, i.e., the root mean square error (RMSE), which refers 
to the square root of the mean of the squared errors between the prices of the original 
sample and the values estimated through the model the mean absolute percentage error 
(MAPE), which refers to the average percentage error between the detected prices and the 
values estimated; and the maximum absolute percentage error (MaxAPE), which refers to 
the  maximum  percentage  error  between  the  detected  prices  and  the  values  estimated 


===== PAGE 11 (score 17, numeric-paren 0, table-words 2, var-words 13) =====

Sustainability 2022, 14, 309 
11  of  20 
 
through the model. Furthermore, in order to analyze the stability of each functional model 
selected,  and  to  flag  problems  like  overfitting  (or  selection  bias),  a  ten‐fold  cross‐
validation  [57]  has  been  implemented  on  the  starting  database  of  each  study  sample, 
where the outputs obtained confirm the good performance prediction of the functional 
models.   
With reference to each sample detected for the Italian cities analyzed in the present 
research, in Table 3 the variables selected by EPR as the most influential on the residential 
rental prices are reported. Regarding the intrinsic variables selected by the model for the 
five cities, it should be pointed out that the internal area and the number of bathrooms are 
included in all models, whereas the bad quality of the property maintenance conditions 
are not in any models. The presence of the kitchen located in the same living room of the 
property is considered only in the case of the city of Catania, whereas the property EPC 
labels from C to E are relevant in the residential market of the city of Rome. With reference 
to  the  extrinsic  variables,  the  property  location  in  the  central  municipal  trade  area 
constitutes one of the most influencing factors considered by potential renters, as it is 
included in all models obtained for the study samples of the cities analyzed in the present 
research. 
Table 3. The variables selected by EPR for each city’s model. 
 
MILAN 
TURIN 
ROME 
NAPLES 
CATANIA 
Internal area 
◉ 
◉ 
◉ 
◉ 
◉ 
Surface area of 
balconies 
◉ 
 
◉ 
 
◉ 
Surface area of 
green areas 
 
◉ 
 
 
◉ 
Condominium 
areas 
◉ 
◉ 
 
 
 
Floor   
◉ 
 
◉ 
◉ 
◉ 
Bathroom   
◉ 
◉ 
◉ 
◉ 
◉ 
Kitchen   
 
 
 
 
◉ 
Bad quality of 
property 
maintenance 
conditions 
 
 
 
 
 
Good quality of 
property 
maintenance 
conditions 
 
◉ 
 
 
 
Excellent quality of 
property 
maintenance 
conditions 
◉ 
◉ 
◉ 
 
◉ 
EPC labels from A4 
to B 
◉ 
◉ 
 
 
◉ 
EPC labels from C 
to E 
 
 
◉ 
 
 
Age of the building 
◉ 
 
 
◉ 
◉ 
Subway 
 
◉ 
◉ 
 
◉ 
Central train 
station 
 
 
 
◉ 
◉ 
University center 
◉ 
◉ 
 
 
◉