Investigating spatio-temporal real estate value fluctuation dynamics with GIS and statistical analysis techniques

Öz

Analysing the dynamics of value change in real estate depending on location and time is of great importance in the process of making strategic and effective decisions in the real estate market. Modelling the time-dependent economic variables affecting the change in the value of real estate with statistical techniques can present important bases for investors and policymakers. In this study, 14 economic variables that may affect the value change were determined to determine housing real estate's spatial-temporal value change dynamics. Pendik and Tuzla districts of Istanbul and Gebze, Çayırova and Darıca districts of Kocaeli city were determined as the study area, and variables and real estate value datasets were obtained for the period 2019-2023. Multiple Linear Regression (MLR), one of the statistical analysis techniques, was used to create a regression model to examine the relationship between the change in real estate value and economic variables. In the model explaining 63.3% of the variance in the change in value, the variables Consumer Price Index (CPI), Domestic Producer Price Index (DPPI), Rates of Change in Gross Domestic Product (GDP) By Kind of Economic Activity (Real Estate), Weighted Average Interest Rates Applied to Loans Extended by Banks (Housing), Money Supply of Turkish Lira, Consumer Loans (Housing) and Change in Exchange Rates were determined to be statistically significant. To analyse the spatio-temporal value changes, a Spatio-Time Cube Model was created. With the cube created, GIS-based Spatio-Temporal Trend Analysis, Emerging Hot Spot Analysis and Local Clustering and Outlier Analyses were performed. With the Spatio-Temporal Trend Analysis, it was determined that all neighbourhoods show an up-trend within 99% confidence level. Temporal patterns in the categories of Consecutive and Oscillating Hot Spot were identified with the Emerging Hot Spot Analysis. Local Clustering and Outlier Analysis revealed that Cami Neighbourhood in Tuzla district and Harmandere Neighbourhood in Pendik district are in the High-High Clustering category, while the other neighbourhoods are in the Multiple Type category. This study presents an integrated methodology for analysing the relationships between economic variables and value change with regression models, as well as for spatially monitoring spatio-temporal value changes by using Space-Time Cube based analyses. The proposed hybrid approach can be used to determine the spatio-temporal value change dynamics and to develop the feasible strategies in the real estate sector.

Anahtar Kelimeler

• GIS
• Space-Time Cube
• Real Estate Value Fluctuation
• Multiple Linear Regression

Proje Numarası

122R021

Konumsal-zamansal taşınmaz değer değişim dinamiklerinin CBS ve istatistiksel analiz teknikleri ile incelenmesi

Öz

Taşınmazların konum ve zamana bağlı olarak değer değişim dinamiklerinin analizi, taşınmaz piyasasında stratejik ve etkin kararlar alma sürecinde büyük öneme sahiptir. Taşınmazların değer değişimini etkileyen zamana bağlı ekonomik değişkenlerin istatistiksel tekniklerle modellenmesi, yatırımcılara ve politika yapıcılara önemli altlıklar sunabilmektedir. Bu çalışmada konut tipindeki taşınmazların konumsal-zamansal değer değişim dinamiklerinin belirlenebilmesi için değer değişimi üzerinde etkili olabilecek 14 ekonomik değişken belirlenmiştir. İstanbul’un Pendik ve Tuzla ilçeleri ile Kocaeli ilinin Gebze, Çayırova ve Darıca ilçelerindeki mahalleler çalışma alanı olarak belirlenmiş olup, değişkenler ve taşınmaz değer veri setleri 2019-2023 dönemi için temin edilmiştir. İstatistiksel analiz tekniklerinden Çoklu Doğrusal Regresyon (ÇDR) kullanılarak taşınmaz değer değişimi ile ekonomik değişkenler arasındaki ilişkiyi incelemek için regresyon modeli oluşturulmuştur. Değer değişimindeki varyansın %63.3'ünü açıklayan modelde Tüketici Fiyat Endeksi (TÜFE), Yurt İçi Üretici Fiyat Endeksi (Yİ-ÜFE), İktisadi Faaliyet Kollarına Göre Gayrisafi Yurt İçi Hasıla Değişim Oranları (Gayrimenkul), Bankalarca Açılan Kredilere Uygulanan Ağırlıklı Ortalama Faiz Oranları (Konut), Türk Lirası Arzı, Tüketici Kredileri (Konut) ve Döviz Kurları değişimi değişkenleri istatistiksel açıdan anlamlı olarak tespit edilmiştir. Konumsal-zamansal değer değişimlerini incelemek için ise Konum-Zaman Küp Modeli oluşturulmuştur. Oluşturulan küp ile CBS tabanlı Konumsal-Zamansal Trend Analizi, Yükselen Sıcak Konum Analizi ve Yerel Kümelenme ve Aykırılık Analizleri gerçekleştirilmiştir. Konumsal-Zamansal Trend Analizi ile tüm mahallelerin %99 güven aralığında yükselme trendi gösterdiği belirlenmiştir. Yükselen Sıcak Konum Analizi ile Ardışık Sıcak Konum ve Salınımlı Sıcak Konum kategorilerinde zamansal örüntüler belirlenmiştir. Yerel Kümeleme ve Aykırılık Analizi ile Tuzla ilçesindeki Cami Mahallesi ve Pendik ilçesindeki Harmandere Mahallesi’nin Yüksek-Yüksek Kümelenme kategorisinde olduğu, diğer mahallelerin ise Çoklu Tip kategorisinde olduğu belirlenmiştir. Bu çalışma ekonomik değişkenler ve değer değişimi arasındaki ilişkilerin regresyon modelleri ile incelenebilmesinin yanı sıra konumsal-zamansal değer değişimlerinin Konum-Zaman Küpü temelli analizler ile konumsal olarak izlenebilmesine yönelik bütünleşik bir metodoloji sunmaktadır. Önerilen hibrit yaklaşım konumsal-zamansal değer değişim dinamiklerinin belirlenmesi ve taşınmaz sektöründe doğru stratejiler geliştirilmesinde kullanılabilir.

Anahtar Kelimeler

• CBS
• Konum-Zaman Küpü
• Taşınmaz Değer Değişimi
• Çoklu Doğrusal Regresyon

Proje Numarası

122R021

Kaynakça

1. Akça, T. (2023). House price dynamics and relations with the macroeconomic indicators in Turkey. International Journal of Housing Markets and Analysis, 16(4), 812-827.
2. Anselin, L. (1995). Local indicators of spatial association—LISA. Geographical analysis, 27(2), 93-115. Arslan, İ. (2007). Konut ekonomisi. Sakarya: Sakarya Yayıncılık.
3. Bennett, L., Vale, F., Nieto, A. (2020). Spatial Data Mining: Cluster Analysis and Space-Time Analysis. 2020 ESRI Fedaral GIS Conference, https://www.esri.com/content/dam/esrisites/en-us/events/conferences/2020/federal-gis/means-and-medians-to-machine-learning-spatial-statistics-basics-and-innovations.pdf
4. Cheng, S., Zhang, B., Peng, P., Yang, Z., & Lu, F. (2020). Spatiotemporal evolution pattern detection for heavy-duty diesel truck emissions using trajectory mining: A case study of Tianjin, China. Journal of Cleaner Production, 244, 118654.
5. Cressie, N., & Wikle, C. K. (2015) Statistics for spatio-temporal data. Singapore: John Wiley & Sons.
6. Cunha, A. M., & Lobão, J. (2021). The determinants of real estate prices in a European context: a four-level analysis. Journal of European Real Estate Research, 14(3), 331-348.
7. Çetin, A.C. (2021). Türkiye’de konut fiyatlarına etki eden faktörlerin analizi. Mehmet Akif Ersoy Üniversitesi Uygulamalı Bilimler Dergisi, 5(1), 1-30.
8. Erdoğan, S., & Memduhoğlu, A. (2019). A spatiotemporal exploratory analysis of real estate sales in Turkey using GIS. Journal of European Real Estate Research, 12(2), 207-226.

9. Erkek, M., Çayırlı, K., & Hepsen, A. (2020). Predicting house prices in Turkey by using machine learning algorithms. Journal of Statistical and Econometric Methods, 9(4), 31-38.
10. Ertürk, H., & Sam, N. (2016). Kent ekonomisi. Ekin Yayınevi.
11. Gebeşoğlu, P. F. (2019). Housing price index dynamics in Turkey. Yaşar Üniversitesi E-Dergisi, 14, 100-107.
12. Getis, A., & Ord, J. K. (1992). The analysis of spatial association by use of distance statistics. Geographical analysis, 24(3), 189-206.
13. Hägerstrand, T. (1970). What about people in regional science?. Ninth European Congress of the Regional Science Association, 24, 7-21.
14. Halimi, L., Bagheri, N., Hoseini, B., Hashtarkhani, S., Goshayeshi, L., & Kiani, B. (2020). Spatial analysis of colorectal cancer incidence in Hamadan Province, Iran: a retrospective cross-sectional study. Applied Spatial Analysis and Policy, 13, 293-303.
15. Huang, Z. (2021). Spatiotemporal evolution patterns of the COVID-19 pandemic using space-time aggregation and spatial statistics: a global perspective. ISPRS International Journal of Geo-Information, 10(8), 519.
16. İslamoğlu, B., & Nazlıoğlu, Ş. (2019). Enflasyon ve konut fiyatları: İstanbul, Ankara ve İzmir için panel veri analizi. Siyaset, Ekonomi ve Yönetim Araştırmaları Dergisi, 7(1), 93-99.
17. James, G., Witten, D., Hastie, T., Tibshirani, R., & Taylor, J. (2023). Linear regression. James, G., Witten, D., Hastie, T., Tibshirani, R., & Taylor, J. (Ed). An introduction to statistical learning: With applications in python. 69-134. Springer Cham.
18. Karadaş, H. A., & Salihoğlu, E. (2020). Seçili makroekonomik değişkenlerin konut fiyatlarina etkisi: Türkiye örneği. Ekonomik ve Sosyal Araştırmalar Dergisi, 16(1), 63-80.
19. Kiel, K. A., & Zabel, J. E. (2008). Location, location, location: The 3L Approach to house price determination. Journal of Housing Economics, 17(2), 175-190.
20. Kitapci, O., Tosun, Ö., Tuna, M. F., & Turk, T. (2017). The use of artificial neural networks (Ann) in forecasting housing prices in Ankara, Turkey. Journal of Marketing and Consumer Behaviour in Emerging Markets, 1(5), 4-14.
21. Kowe, P., Mutanga, O., Odindi, J., & Dube, T. (2020). A quantitative framework for analysing long term spatial clustering and vegetation fragmentation in an urban landscape using multi-temporal landsat data. International Journal of Applied Earth Observation and Geoinformation, 88, 102057.
22. Kveladze, I., Kraak, M. J., & van Elzakker, C. P. (2019). Cartographic design and the space–time cube. The Cartographic Journal, 56(1), 73-90.
23. Mo, C., Tan, D., Mai, T., Bei, C., Qin, J., Pang, W., & Zhang, Z. (2020). An analysis of spatiotemporal pattern for COIVD‐19 in China based on space‐time cube. Journal of Medical Virology, 92(9), 1587-1595.
24. Ogneva-Himmelberger, Y., & Haynes, M. (2022). Using space–time cube to analyze trends in adverse birth outcomes and maternal characteristics in Massachusetts, USA. GeoJournal, 87(4), 2491-2504.
25. Ören, K., & Yüksel, H. (2013). Türkiye’de konut sorunu ve temel dinamikleri. Süleyman Demirel Üniversitesi Sosyal Bilimler Enstitüsü Dergisi, 18, 47-84.
26. Rabiei-Dastjerdi, H., & McArdle, G. (2021). Novel exploratory spatiotemporal analysis to identify sociospatial patterns at small areas using property transaction data in Dublin. Land, 10(6), 566.
27. Requia, W. J., Roig, H. L., Koutrakis, P., & Adams, M. D. (2017). Modeling spatial patterns of traffic emissions across 5570 municipal districts in Brazil. Journal of Cleaner Production, 148, 845-853.
28. Türk, T., Tunab, M. F., & Kitapci, O. (2017). Estimating the residence price by linear regression model and Geographical Information Systems (GIS). New Trends and Issues Proceedings on Humanities and Social Sciences, 4, 208-218.
29. Wu, P., Meng, X., & Song, L. (2022). Identification and spatiotemporal evolution analysis of high-risk crash spots in urban roads at the microzone-level: Using the space-time cube method. Journal of Transportation Safety & Security, 14(9), 1510-1530.
30. Yalpır, Ş. (2018). Enhancement of parcel valuation with adaptive artificial neural network modeling. Artificial intelligence review, 49, 393-405.
31. Ye, W. F., Ma, Z. Y., & Ha, X. Z. (2018). Spatial-temporal patterns of PM2.5 concentrations for 338 Chinese cities. Science of The Total Environment, 631, 524-533.
32. Zandi, G., Mahadevan, A., Supramaniam, L., Aslam, A., & Theng, L. K. (2015). The economical factors affecting residential property price: The case of Penang island. International Journal of Economics and Finance, 7(12).
33. Zhang, Z., Ming, Y., & Song, G. (2019). Identify road clusters with high-frequency crashes using spatial data mining approach. Applied Sciences, 9(24), 5282.
34. Zhang, Y., Liu, X., Liu, M., Zou, X., Zhang, Q., & Peng, T. (2021). Multi-Scale Spatiotemporal Change Characteristics Analysis of High-Frequency Disturbance Forest Ecosystem Based on Improved Spatiotemporal Cube Model. Remote Sensing, 13(13), 2537.
35. URL-1: Türkiye Hanehalkı Finansal Algı ve Tutum Araştırması (2020). https://www.cbfo.gov.tr/turkiye-hanehalkifinansal-algi-ve-tutum-arastirmasi (Erişim Tarihi: 15 Ocak 2020).
36. URL-2: TÜİK-İnşaat Maliyet Endeksi (2024). https://data.tuik.gov.tr/Bulten/Index?p=Construction-Cost-Index-July-2024-53666 (Erişim Tarihi: 30 Ekim 2024).
37. URL-3: TÜİK-Tüketici Fiyat Endeksi (2024). https://data.tuik.gov.tr/Bulten/Index?p=Tuketici-Fiyat-Endeksi-Haziran-2024-53616 (Erişim Tarihi: 30 Ekim 2024).
38. URL-4: TCMB-Bankalarca Açılan Kredilere Uygulanan Ağırlıklı Ortalama Faiz Oranları (2024). https://www.tcmb.gov.tr/wps/wcm/connect/tr/TCMB+TR/Main+Menu/Istatistikler/Faiz+Istatistikleri/Bankalarca+Acilan+Kredi/ (Erişim Tarihi: 30 Ekim 2024).
39. URL-5: TÜİK-Nüfus ve Demografi İstatistikleri (2024). https://data.tuik.gov.tr/Kategori/GetKategori?p=Nufus-ve-Demografi-109 (Erişim Tarihi: 30 Ekim 2024).
40. URL-6: TÜİK-Konut Satış İstatistikleri (2024). https://data.tuik.gov.tr/Bulten/Index?p=Konut-Satis-Istatistikleri-Haziran-2024-53760 (Erişim Tarihi: 30 Ekim 2024).
41. URL-7: Endeksa (2024). https://www.endeksa.com/tr/analiz/turkiye/endeks/satilik/konut (Erişim Tarihi: 30 Ekim 2024).
42. URL-8: Emerging Hot Spot Analysis-Space Time Pattern Mining (2024). https://pro.arcgis.com/en/pro-app/latest/tool-reference/space-time-pattern-mining/emerginghotspots.htm (Erişim Tarihi: 30 Ekim 2024).
43. URL-9: Local Outlier Analysis -Space Time Pattern Mining (2024). https://pro.arcgis.com/en/pro-app/latest/tool-reference/space-time-pattern-mining/localoutlieranalysis.htm (Erişim Tarihi: 30 Ekim 2024).