– Vi har spart enormt med tid og ressurser ved å løse det meste digitalt og på lag med innbyggerne. Med en mer oppdatert og nøyaktig takst på alle boliger, blir skattebyrden mer rettferdig fordelt, sier prosjektleder Stine Borge Nordskag. Hun er avdelingsleder for eiendom og adresse i Trondheim kommune.

I høst mottok Trondheim den høythengende publikumsprisen for maskinlæringsprosjektet på NOKIOS 2023.

Thomas H. Thoresen, som er spesialist på maskinlæring og kunstig intelligens i Sopra Steria, sier at dette er svært fortjent:

– Med begrensede ressurser har kommunens avdeling for eiendomsbeskatning fått taksert alle boliger i hele Trondheim på en nøyaktig og rettferdig måte. Andre kommuner bør kaste seg på: Her kommer de nesten til dekket bord, sier han.

Digert sett med parametere

I 2019 stod Trondheim kommune overfor et vanskelig valg. Siden den forrige takseringsrunden ved begynnelsen av årtusenskiftet, hadde verdien på boligene i kommunen i snitt økt med mer enn det dobbelte siden forrige omtaksering. Kommunen har i snitt tilvekst av cirka 2000 til 2500 boliger årlig siden 2003/2004.

Skulle kommunen bruke store ressurser på en ny manuell omtaksering? Eller var det bedre å beregne verdi utfra en nasjonal modell for boligverdier som i liten grad tok hensyn til lokale forhold? I tillegg manglet kommunen verdi på cirka 10 prosent av boligmassen med denne beregningsmetodikken.

Kommunen valgte i stedet en tredje vei: Å taksere boligmassen ved hjelp av maskinlæring, kunstig intelligens. En tidlig konseptutprøving ga lovende resultater, og prosjektgruppen gikk i gang med å identifisere og sile parametere.

– Vi startet med et digert sett med parametere, som eksempelvis plandata, helning på tomt, nærhet til skole, og bygningsdata Så valgte vi gradvis bort de faktorene som hadde lite innvirkning på modellens prestasjon, forteller Stine Borge Nordskag.

100 000 boliger på 20 minutter

Etter et større arbeid med maskinlæringsmodellen og tilhørende lover og forskrifter, var det behov for en integrasjon mellom modellen og kommunens fagsystem for eiendomsskatt, samt MinSide. Oppdraget ble etter hvert gitt til Sopra Steria.

– I tillegg til å være en god sparringspartner på maskinlæring, har Sopra Steria hjulpet oss å få på plass en fagapplikasjon som håndterer maskinlæringsmodellen og takster ned på bruksenhetsnivå. Vi er nå i stand til å taksere samtlige 103 000 bruksenheter i kommunen på om lag 20 minutter, sier Nordskag.

Takket være integrasjonen med MinSide kan boligeierne levere innspill og korrigere faktainformasjon om egen bolig fra sofakroken. I tillegg til større nøyaktighet har dette også bidratt til å gjøre ordningen mer transparent og inkluderende.

2023 ble første år da den nye metoden ble brukt til å beregne eiendomsskatt i Trondheim kommune. Da økte skattegrunnlaget for boliger med hele 260 milliarder kroner sammenlignet med forrige omtaksering. Under klageperioden fikk kommunen inn under halvparten så mange klager som i 2004.

Nordskag nøler ikke med å kalle prosjektet en stor suksess.

– Dette er en god og spennende løsning som viser hvordan maskinlæring kan brukes i offentlig forvaltning. Vi mener den potensielt kan være veldig nyttig for andre kommuner. Selv om modellen selvsagt må tilpasses med lokale data, er det ikke nødvendig å finne opp kruttet på nytt. Vi er åpne for dialog og kontakt, sier hun.