Araştırma Makalesi
BibTex RIS Kaynak Göster

Türkiye’nin Konut Satışı Değerlerinin Yapay Sinir Ağları İle Öngörülmesi

Yıl 2021, Sayı: 35, 19 - 32, 31.12.2021
https://doi.org/10.26650/ekoist.2021.35.180033

Öz

Gayrimenkul sektöründe konut arz ve talebinin dengede tutulabilmesi için konut satış tahminlerinin güçlü tahminler yapabilecek bir analiz yöntemi ile doğru bir şekilde yapılması büyük önem taşır. Fakat literatürde konut satış tahminlerine odaklanan çalışma sayısının oldukça az olduğu ve yeni nesil tekniklerden yapay sinir ağları ile tahmin yapan çalışma sayısının kısıtlılığı dikkat çekicidir. Bu nedenle bu çalışmanın amacı Türkiye’de konut satışlarının tahminini ve öngörüsünü yapay sinir ağları ile gerçekleştirerek literatüre katkı sunmaktır.
Çalışmada konut-fiyat endeksi, yeni konut-fiyat endeksi, yeni olmayan konut-fiyat endeksi, yabancılara yapılan konut satışı, bankalarca TL üzerinden konut kredilerine açılan faiz oranları, tüketici fiyat endeksi ve kur bağımsız değişkenler olarak seçilmiş ve konut satışı bağımlı değişken olarak kullanılarak yapay sinir ağlarında bir model geliştirilmiştir. Veriler 2013:01-2019:12 dönemlerini kapsayacak şekilde aylık olarak alınmış ve analizler MATLAB R2013a programında gerçekleştirilmiştir. Tahmin ve öngörü analizi için NARX ağı kullanılarak 2013:01-2019:12 döneminin tahmini ve 2020:01 döneminin öngörüsü elde edilmiştir. Performans ölçütü olarak ise MSE kullanılmıştır. Analiz sonucunda yapay sinir ağlarının ürettiği tahmin değerlerinin ve 2020:01 dönemine ait öngörü değerinin gerçek değerler ile oldukça yakın olduğu ve yapay sinir ağlarının mevsimlik etkileri saptayabildiği tespit edilmiştir. MSE değerinin küçüklüğü de tahmin ve öngörü başarısını ortaya koymuştur. Bu durum yapay sinir ağlarının konut satışı tahmininde ve öngörüsünde güçlü istatistiksel sonuçlar ürettiğini doğrular niteliktedir.

Destekleyen Kurum

Yazar bu çalışma için finansal destek almadığını beyan etmiştir.

Kaynakça

  • Bakhary, N., Yahya, K., & Ng, C. N. (2004). Univariate Artificial Neural Network in Forecasting Demand of Low Cost House in Petaling Jaya. Jurnal Teknologi, 40(1), 1-16.
  • Boussaada, Z., Curea, O., Remaci, A., Camblong, H., & Mrabet Bellaaj, N. (2018). A nonlinear autoregressive exogenous (NARX) neural network model for the prediction of the daily direct solar radiation. Energies, 11(3), 620.
  • Chaudhuri, T. D., & Ghosh, I. (2016). Artificial Neural Network and Time Series Modeling Based Approach To Forecasting The Exchange Rate İn A Multivariate Framework. arXiv preprint arXiv:1607.02093.
  • Dahan, A. A. (2018). The Future of The Real Estate Industry of Dubai: The Demand for Real Estates. Journal of Global Economic.
  • GOH, B. H. (1998). Forecasting Residential Construction Demand in Singapore: A Comparative Study of The Accuracy of Time Series, Regression and Artificial Neural Network Techniques. Engineering, Construction and Architectural Management.
  • Haykin, S. (2009). Neural Networks and Learning Machines. (3rd Ed.). New York: Prentice Hall.
  • Karaaslan, A., & Özden, K. Ö. (2016). Housing Demand in Turkey: Application of Grey Forecasting Model. Mediterranean Journal of Social Sciences, 7(2), 52.
  • Khalafallah, A. (2008). Neural Network Based Model for Predicting Housing Market Performance. Tsinghua Science and Technology, 13(S1), 325-328.
  • Lin, T., Horne, B. G., Tino, P., & Giles, C. L. (1996). Learning Long-Term Dependencies in NARX Recurrent Neural Networks. IEEE Transactions on Neural Networks, 7(6), 1329-1338.
  • Mathworks, 2018. Design Time Series NARX Feedback Neural Networks. https://www.mathworks.com/help/deeplearning/ug/design-time-series-narx-feedback-neural-networks.html#responsive_offcanvas (Erişim Tarihi: 21.08.2020).
  • Öztemel, E. (2006). Yapay Sinir Ağları. (2. Baskı). İstanbul: Papatya Yayıncılık.
  • Temür, A. S., Akgün, M., & Temür, G. (2019). Predicting Housing Sales in Turkey Using ARIMA, LSTM and Hybrid Models. Journal of Business Economics and Management, 20(5), 920-938.
  • Yavuz, E. (2018). Yapay Sinir Ağı Kullanarak Kontrol Alan Ağları İçin Çevrim İçi Mesaj Zamanlaması Optimizasyonu. Süleyman Demirel Üniversitesi, Isparta.
  • Yıldız, B. (2009). Finansal Analizde Yapay Zeka. Ankara: Detay Yayıncılık.
  • Yılmaz, B. (2015). Akarçay Havzasında Çözünmüş Oksijen Değerlerinin Yapay Sinir Ağları İle Belirlenmesi. Uzmanlık Tezi, Ankara.
  • Yurtoğlu, H. (2005). Yapay Sinir Ağları Metodolojisi İle Öngörü Modellemesi: Bazı Makroeknomik Değişkenler İçin Türkiye örneği. DPT.
  • Zainun, N. Y. (2011). Computerized Model to Forecast Low-Cost Housing Demand in Urban Area in Malaysia Using Artificial Neural Networks (ANN) (Doctoral dissertation, Loughborough University).
  • https://evds2.tcmb.gov.tr/ (Erişim Tarihi: 01.03.2020).

Prediction Using Artificial Neural Network of Turkey's Housing Sales Value

Yıl 2021, Sayı: 35, 19 - 32, 31.12.2021
https://doi.org/10.26650/ekoist.2021.35.180033

Öz

In order to keep the supply and demand in the real estate sector in balance, it is very important to make accurate estimates of house sales with an analysis method that can make strong predictions. However, it is noteworthy that the number of studies focusing on house sales estimates in the literature is quite low and the number of studies that make predictions with artificial neural networks from new generation techniques is remarkable. Therefore the aim of this study is to contribute to the prediction and forecasting of sales literature houses in Turkey performing with artificial neural networks.
In the study, housing-price index, new housing-price index, non-new housing-price index, house sales to foreigners, interest rates opened to housing loans over TL, consumer price index and exchange rate were selected as independent variables and residential sales were used as dependent variables. A model has been developed in neural networks. The data were taken monthly to cover the periods of 2013: 01-2019: 12 and the analyzes were carried out in the MATLAB R2013a program. Using the NARX network for prediction and forecasting analysis, the prediction of 2013: 01- 2019: 12 period and the prediction of 2020: 01 period was obtained. MSE was used as a performance criterion. As a result of the analysis, it has been determined that the predicted values produced by artificial neural networks and the predictive value of 2020: 01 are quite close to real values and artificial neural networks can detect seasonal effects. The smallness of the MSE value also proved the success of forecasting and forecasting. This confirms that artificial neural networks produce strong statistical results in predicting and predicting residential sales.

Kaynakça

  • Bakhary, N., Yahya, K., & Ng, C. N. (2004). Univariate Artificial Neural Network in Forecasting Demand of Low Cost House in Petaling Jaya. Jurnal Teknologi, 40(1), 1-16.
  • Boussaada, Z., Curea, O., Remaci, A., Camblong, H., & Mrabet Bellaaj, N. (2018). A nonlinear autoregressive exogenous (NARX) neural network model for the prediction of the daily direct solar radiation. Energies, 11(3), 620.
  • Chaudhuri, T. D., & Ghosh, I. (2016). Artificial Neural Network and Time Series Modeling Based Approach To Forecasting The Exchange Rate İn A Multivariate Framework. arXiv preprint arXiv:1607.02093.
  • Dahan, A. A. (2018). The Future of The Real Estate Industry of Dubai: The Demand for Real Estates. Journal of Global Economic.
  • GOH, B. H. (1998). Forecasting Residential Construction Demand in Singapore: A Comparative Study of The Accuracy of Time Series, Regression and Artificial Neural Network Techniques. Engineering, Construction and Architectural Management.
  • Haykin, S. (2009). Neural Networks and Learning Machines. (3rd Ed.). New York: Prentice Hall.
  • Karaaslan, A., & Özden, K. Ö. (2016). Housing Demand in Turkey: Application of Grey Forecasting Model. Mediterranean Journal of Social Sciences, 7(2), 52.
  • Khalafallah, A. (2008). Neural Network Based Model for Predicting Housing Market Performance. Tsinghua Science and Technology, 13(S1), 325-328.
  • Lin, T., Horne, B. G., Tino, P., & Giles, C. L. (1996). Learning Long-Term Dependencies in NARX Recurrent Neural Networks. IEEE Transactions on Neural Networks, 7(6), 1329-1338.
  • Mathworks, 2018. Design Time Series NARX Feedback Neural Networks. https://www.mathworks.com/help/deeplearning/ug/design-time-series-narx-feedback-neural-networks.html#responsive_offcanvas (Erişim Tarihi: 21.08.2020).
  • Öztemel, E. (2006). Yapay Sinir Ağları. (2. Baskı). İstanbul: Papatya Yayıncılık.
  • Temür, A. S., Akgün, M., & Temür, G. (2019). Predicting Housing Sales in Turkey Using ARIMA, LSTM and Hybrid Models. Journal of Business Economics and Management, 20(5), 920-938.
  • Yavuz, E. (2018). Yapay Sinir Ağı Kullanarak Kontrol Alan Ağları İçin Çevrim İçi Mesaj Zamanlaması Optimizasyonu. Süleyman Demirel Üniversitesi, Isparta.
  • Yıldız, B. (2009). Finansal Analizde Yapay Zeka. Ankara: Detay Yayıncılık.
  • Yılmaz, B. (2015). Akarçay Havzasında Çözünmüş Oksijen Değerlerinin Yapay Sinir Ağları İle Belirlenmesi. Uzmanlık Tezi, Ankara.
  • Yurtoğlu, H. (2005). Yapay Sinir Ağları Metodolojisi İle Öngörü Modellemesi: Bazı Makroeknomik Değişkenler İçin Türkiye örneği. DPT.
  • Zainun, N. Y. (2011). Computerized Model to Forecast Low-Cost Housing Demand in Urban Area in Malaysia Using Artificial Neural Networks (ANN) (Doctoral dissertation, Loughborough University).
  • https://evds2.tcmb.gov.tr/ (Erişim Tarihi: 01.03.2020).
Toplam 18 adet kaynakça vardır.

Ayrıntılar

Birincil Dil Türkçe
Bölüm Makaleler
Yazarlar

Burcu Yaman Selçi 0000-0001-7881-415X

Yayımlanma Tarihi 31 Aralık 2021
Gönderilme Tarihi 19 Ağustos 2020
Yayımlandığı Sayı Yıl 2021 Sayı: 35

Kaynak Göster

APA Yaman Selçi, B. (2021). Türkiye’nin Konut Satışı Değerlerinin Yapay Sinir Ağları İle Öngörülmesi. EKOIST Journal of Econometrics and Statistics(35), 19-32. https://doi.org/10.26650/ekoist.2021.35.180033