Toplu taşınmaz değerlemede makine öğrenme algoritmalarının kullanımı ve konumsal/konumsal olmayan özniteliklerin tahmin doğruluğuna etkilerinin karşılaştırılması

Yıl 2023, Cilt: 10 Sayı: 1, 63 - 83, 01.05.2023

Arif Çağdaş Aydınoğlu , Rabia Bovkır , İsmail Çölkesen

https://doi.org/10.9733/JGG.2023R0005.T

Öz

Taşınmaz değerinin güncel teknolojik yaklaşımlarla objektif olarak belirlenmesi, etkin ve sürdürülebilir taşınmaz yönetim planlaması kapsamında önemli bir role sahiptir. Toplu taşınmaz değerleme, taşınmazların tekil olarak değerlendirilmesi yerine zaman ve maliyet anlamında kayıplarını azaltarak çok sayıda taşınmazı eş zamanlı olarak değerlendirerek değer tespitlerinin yapılması işlemidir. Toplu taşınmaz değerlemede objektif, doğru ve hızlı sonuçlar elde için gelişmiş tahmin yaklaşımları olarak bilinen makine öğrenme tekniklerinin kullanımına başvurulmaktadır. Bu yöntemlerle geliştirilen modeller hem yüksek performans hem de değerleme sürecinde objektiflik sağlamaktadır. Ayrıca bu yöntemler ile değeri etkileyen kriterlerin ve kriterlerin önem düzeylerinin bütüncül biçimde değerlendirilmesi mümkün olmaktadır. Bu çalışmada Çoklu Doğrusal Regresyon (ÇDR), Genelleştirilmiş Doğrusal Model (GDM), Destek Vektör Makineleri (DVM), Karar Ağaçları (KA) ve Rastgele Orman (RO) algoritmaları kullanılarak toplu taşınmaz değerlemedeki model başarıları irdelenmiştir. Veri setleri Konumsal (K), Konumsal Olmayan (KO) ve Konumsal ve Konumsal Olmayan (KKO) olarak 3 gruba ayrılarak modelleme için ayrı ayrı uygulanmıştır. Model performans ölçütleri olarak Ortalama Mutlak Hata (Mean Absolute Error, MAE), Karesel Ortalama Hata (Root Mean Squared Error, RMSE), Ortalama Karesel Hata (Mean Squared Error, MSE) ve R2 hesaplanmıştır. Uygulama alanı olarak seçilen İstanbul ili Pendik ilçesi için örnek taşınmaz satış değerlerini temsil eden 1475 örnekleme noktası kullanılarak, 3 farklı veri seti (K, KO, KKO) ve farklı metotlar ile kurulan modellerin performansları irdelenmiştir. Buna göre en yüksek doğruluktaki yöntemin RO, en düşük doğruluktaki yöntemlerin ise KA ve GDM olduğu görülmüştür. Farklı veri setlerinin model doğruluğuna etkileri irdelendiğinde tek başına K veri seti ile KKO veri setinin kullanımı arasında büyük bir fark görülmemiştir.

Anahtar Kelimeler

Toplu taşınmaz değerleme, Makine öğrenme algoritmaları, Kriter analizi, Model tahmin doğruluğu

Destekleyen Kurum

TÜBİTAK

Proje Numarası

116Y204

Using machine learning algorithms in mass valuation and comparing the effects of geographical/non-geographical features on prediction accuracy

Öz

The objective determination of real estate values with current technological approaches has an important role in effective and sustainable real estate management plans. Mass appraisal is the process of valuing a large number of real estate simultaneously instead of evaluating the real estate individually for reducing the loss in terms of time and cost. Machine learning methods, known as advanced estimation approaches, are used to obtain more objective, accurate and fast results in mass valuation processes. In addition, besides sufficient objectivity and accuracy in value determination, these methods can evaluate the relations between the value and the criteria affecting the value holistically. In this context, model successes in mass valuation were examined using Multiple Linear Regression (MLR), Generalized Linear Model (GLM), Support Vector Machines (SVM), Decision Trees (DT) and Random Forest (RF) algorithms. The datasets were divided into 3 groups as Geographic (G), Non-Geographic (NG) and Geographic + Non-Geographic (GNG) and applied separately for modeling with different methods. Mean Absolute Error (MAE), Root Mean Squared Error (RMSE), Mean Squared Error (MSE) and R2 were calculated for determining the model measures. Pendik district of Istanbul province was chosen as the application area. By applying different methods with 1475 sampling points representing the real estate sales values for the application area, the performances of the models established were examined with 3 different data sets (G, NG, GNG). Accordingly, RF is the method that gives the highest accuracy while DT and GLM were found as the methods with the lowest accuracy. When the effects of different datasets on the model accuracy were examined, big difference was not observed between the use of the G and the GNG datasets.

Anahtar Kelimeler

Mass valuation, Machine learning algorithms, Criteria analysis, Model prediction accuracy

Proje Numarası

116Y204

Kaynakça

• Antipov, E. A., & Pokryshevskaya, E. B. (2012). Mass appraisal of residential apartments: An application of Random forest for valuation and a CART-based approach for model diagnostics. Expert Systems with Applications, 39(2), 1772-1778.
• Arslan, R. (1997). Arazi Kullanış Ekonomisi. İstanbul, Türkiye: Yıldız Teknik Üniversitesi Basım Yayın Merkezi.
• Aydınoğlu, A. Ç., Çölkesen, İ., Şenbil, M., Bovkır, R., & Yomralıoğlu, T. (2020). 116Y204 no’lu TÜBİTAK Projesi Sonuç Raporu. TÜBİTAK ÇAYDAG, Ankara, 04.2020.
• Aydınoğlu, A. Ç., Bovkır, R., & Çölkesen, İ. (2021). Implementing a mass valuation application on interoperable land valuation data model designed as an extension of the national GDI. Survey review, 53(379), 349-365.
• Boser, B. E., Guyon, I. M., & Vapnik, V. N. (1992). A training algorithm for optimal margin classifiers. In Proceedings of the fifth annual workshop on Computational learning theory.
• Bovkır, R., & Aydınoğlu, A. Ç. (2018). Providing land value information from geographic data infrastructure by using fuzzy logic analysis approach. Land use policy, 78, 46-60.
• Božić, B., Milićević, D., Pejić, M., & Marošan, S. (2013). The use of multiple linear regression in property valuation. Geonauka, 1(1), 41-45.
• Breiman, L., Friedman, J. H., Olshen, R. A., & Stone, C.J. (1984). Classification And Regression Trees. Routledge.
• Breiman, L. (1996). Bagging predictors. Machine learning, 24(2), 123-140.
• Breiman, L. (2001). Random forests. Machine learning, 45(1), 5-32.
• Bulut Nas, B. (2011). YSA ve DVM yöntemleri ile taşınmaz değerlemesi için bir yaklaşım geliştirme (Yüksek Lisans Tezi). Selçuk Üniversitesi, Fen Bilimleri Enstitüsü, Konya, Türkiye.
• Candaş, E. (2012). Taşınmaz Değerlemesi İçin Mevzuat Altyapısının Modellenmesi (Yüksek Lisans Tezi). İstanbul Teknik Üniversitesi, Fen Bilimleri Enstitüsü, İstanbul, Türkiye.
• Čeh, M., Kilibarda, M., Lisec, A., & Bajat, B. (2018). Estimating the performance of random forest versus multiple regression for predicting prices of the apartments. ISPRS international journal of geo-information, 7(5), 168.
• Chen, J. H., Ong, C. F., Zheng, L., & Hsu, S. C. (2017). Forecasting spatial dynamics of the housing market using support vector machine. International Journal of Strategic Property Management, 21(3), 273-283.
• Cortes, C., & Vapnik, V. (1995). Support-vector networks. Machine learning, 20(3), 273-297.
• Çölkesen, İ. (2015). Yüksek Çözünürlüklü Uydu Görüntüleri Kullanarak Benzer Spektral Özelliklere Sahip Doğal Nesnelerin Ayırt Edilmesine Yönelik Bir Metodoloji Geliştirme (Doktora tezi). İstanbul Teknik Üniversitesi Fen Bilimleri Enstitüsü, İstanbul, Türkiye.
• Çölkesen, İ. & Kavzoğlu, T. (2017). Kanonik Korelasyon Orman Algoritması ile Uzaktan Algılanmış Görüntülerin Sınıflandırılması [Özel Sayı]. Afyon Kocatepe Üniversitesi Fen ve Mühendislik Bilimleri Dergisi, 17(1), 102-111.
• Dawidowicz, A., & Źróbek, R. (2017). Land administration system for sustainable development–case study of Poland. Real Estate Management and Valuation, 25(1), 112-122.
• Demetriou, D. (2016). The assessment of land valuation in land consolidation schemes: The need for a new land valuation framework. Land Use Policy, 54, 487-498.
• Dimopoulos, T., & Moulas, A. (2016). A proposal of a mass appraisal system in Greece with CAMA system: Evaluating GWR and MRA techniques in Thessaloniki Municipality. Open geosciences, 8(1), 675-693.
• Dimopoulos, T., & Bakas, N. (2019). Sensitivity analysis of machine learning models for the mass appraisal of real estate. Case study of residential units in Nicosia, Cyprus. Remote sensing, 11(24), 3047.
• Dobson, A. J., & Barnett, A. G. (2008). An Introduction to Generalized Linear Models (3rd Edition). Chapman & Hall/ CRC Press.
• Güneş, T., & Yıldız, U. (2015). Mass valuation techniques used in land registry and cadastre modernization project of Republic of Turkey. FIG working week: From the Wisdom of the Ages to the Challenges of the Modern World.
• Güneş, T., & Yıldız, Ü. (2016). Property valuation and taxation for improving local governance in Turkey. Land tenure journal, 15(2), 141-160.
• Güngör, E. (1999). Gayrimenkul değerlemesi ve Türkiye’de sermaye piyasalarında gayrimenkul ekspertiz şirketlerine yönelik düzenlemeler yapılmasına ilişkin öneriler. Yeterlik Etüdü. T.C. Başbakanlık Sermaye Piyasası Kurulu Kurumsal Yatırımcılar Dairesi, Ankara, Türkiye.
• Hong, J., Choi, H., & Kim, W. S. (2020). A house price valuation based on the random forest approach: the mass appraisal of residential property in South Korea. International Journal of Strategic Property Management, 24(3), 140-152.
• IAAO (2013). Standard on Mass Appraisal of Real Property. International Association of Assessing Officers, Kansas, ABD.
• IVSC (2020). International Valuation Standards. International Valuation Standards Council, Londra, Birleşik Krallık.
• Kara, A., van Oosterom, P., Çağdaş, V., Işıkdağ, Ü., & Lemmen, C. (2020). 3 Dimensional data research for property valuation in the context of the LADM Valuation Information Model. Land use policy, 98, 104179.
• Karapınar, A., Bayırlı, R., Bal, H., Altay, A., Bal, E. Ç., & Torun, S. (2008). SPK Lisanslama Sınavlarına Hazırlık . Ankara: Gazi Kitapevi.
• Kavzoğlu, T., & Çölkesen, İ. (2010). Destek vektör makineleri ile uydu görüntülerinin sınıflandırılmasında kernel fonksiyonlarının etkilerinin incelenmesi. Harita Dergisi, 144(7), 73-82.
• Kavzoğlu, T., & Çolkesen, I. (2013). An assessment of the effectiveness of a rotation forest ensemble for land-use and land-cover mapping. International journal of remote sensing, 34(12), 4224-4241.
• Kontrimas, V., & Verikas, A. (2011). The mass appraisal of the real estate by computational intelligence. Applied Soft Computing, 11(1), 443-448.
• Lasota, T., Łuczak, T., Niemczyk, M., Olszewski, M., & Trawiński, B. (2013). Investigation of property valuation models based on decision tree ensembles built over noised data. International Conference on Computational Collective Intelligence. Springer, Berlin, Heidelberg.
• Manasa, J., Gupta, R., & Narahari, N. S. (2020). Machine learning based predicting house prices using regression techniques. 2020 2nd International conference on innovative mechanisms for industry applications (ICIMIA).
• Mayer, M., Bourassa, S. C., Hoesli, M., & Scognamiglio, D. (2019). Estimation and updating methods for hedonic valuation. Journal of European Real Estate Research.
• Nelder, J. A., & Wedderburn, R. W. (1972). Generalized linear models. Journal of the Royal Statistical Society: Series A (General), 135(3), 370-384.
• Osuna, E. E., Freund, R., & Girosi, F. (1997). Support Vector Machines: Training and Applications. AIM-1602CBCL-144, Massachusetts Institute of Technology, Artificial Intelligence Laboratory, Massachusetts, ABD.
• Ott, R. L., & Longnecker M. (2010). An introduction to statistical methods and data analysis. Belmont (CA): Brooks/Cole.
• Pal, M. (2005). Random forest classifier for remote sensing classification. International journal of remote sensing, 26(1), 217-222.
• Plant, R. E. (2012). Spatial Data Analysis in Ecology and Agriculture using R. Boca Raton: CRC Press.
• Quinlan, J., & Cameron-Jones, R. (1995). Oversearching and layered search in empirical learning. breast cancer, 286, 2-7.
• Resmi Gazete. (2001). 35 nolu, Sermaye Piyasası Mevzuatı Çerçevesinde Gayrimenkul Değerleme Hizmeti Verecek Şirketler İle Bu Şirketlerin Kurulca Listeye Alınmalarına İlişkin Esaslar Hakkında Tebliğ Sayı: 24491.
• Resmi Gazete, (2018). Bakanlığa bağlı kamu kurumlarının teşkilatına ilişkin Cumhurbaşkanlığı Değişikliği Kararı. Resmi Türkiye Cumhuriyeti Gazetesi, No: 30479.
• Reyes-Bueno, F., García-Samaniego, J. M., & Sánchez-Rodríguez, A. (2018). Large-scale simultaneous market segment definition and mass appraisal using decision tree learning for fiscal purposes. Land Use Policy, 79, 116-122.
• RICS (2017). Professional Valuation Standards. Royal Institution of Chartered Surveyors, Londra, Birleşik Krallık.
• SPK (2006). Sermaye Piyasasında Uluslararası Değerleme Standartları Hakkında Tebliğ. Sermaye Piyasası Kurulu, Seri: VIII, No: 45, Ankara, Türkiye.
• Şişman, S. (2021). CBS Tabanlı Makine Öğrenme Teknikleri ile Toplu Taşınmaz Değerlemesi (Yüksek Lisans Tezi)., Gebze Teknik Üniversitesi, Fen Bilimleri Enstitüsü, Kocaeli, Türkiye.
• Şişman, S., Akar, A. U., & Yalpır, S. (2021). The novelty hybrid model development proposal for mass appraisal of real estates in sustainable land management. Survey Review, 1-20.
• TDUB (2017). Türkiye Değerleme Standartları (TUGDES) Çalışması, Türkiye Değerleme Uzmanları Birliği.
• TEGoVA (2016). European Valuation Standards. 8. Baskı. The European Group of Valuers’ Associations, Belçika: Gillis Yayınevi.
• TKGM (2011). TKMP 4. Bileşeni Gayrimenkul Değerinin Belirlenmesi ve Kayıt Altına Alınması, Teknik Rapor, Ankara, Türkiye.
• The Appraisal Institute (2001). The Appraisal of Real Estate, 12. Ed. Appraisal Institute, Chicago, ABD.
• Ünel, F. B., & Yalpır, Ş. (2019). Valuations of building plots using the AHP method. International Journal of Strategic Property Management 23(3), 197–212.
• Vapnik, V. N. (1982). Estimation of Dependences Based on Empirical Data. New York: Springer-Verlag.
• Wang, X., Wen, J., Zhang, Y., & Wang, Y. (2014). Real estate price forecasting based on SVM optimized by PSO. Optik, 125(3), 1439-1443.
• Yalpır, Ş. (2007). Bulanık mantık metodolojisi ile taşınmaz değerleme modelinin geliştirilmesi ve uygulaması: Konya örneği (Doktora Tezi). Selçuk Üniversitesi Fen Bilimleri Enstitüsü, Konya, Türkiye.
• Yalpır, Ş., & Özkan, G. (2008). The usage of artificial ıntelligence in determining the residential real-estate prices in urban areas and the comparison of valuation methods. Integrating Generations FIG Working Week 2008, 14-19.
• Yalpır, Ş., Durduran, S. S., Ünel, F. B., & Yolcu, M. (2014). Creating A Valuation Map in GIS Through Artificial Neural Network Methodology: A Case Study. Acta Montanistica Slovaca, 19(2), 79-89.
• Yalpır, Ş., & Bünyan Ünel, F. (2016). Türkiye'de ve Uluslararası çalışmalarda arsa değerlemede kullanılan kriterlerin irdelenmesi ve Faktör Analizi ile azaltımı. Afyon Kocatepe Üniversitesi Fen ve Mühendislik Bilimleri Dergisi, 16(2), 303-322.
• Yalpır, Ş. (2018). Enhancement of parcel valuation with adaptive artificial neural network modeling. Artificial intelligence review, 49(3), 393-405.
• Yalpır, Ş., Şişman, S., Akar, A. U., & Ünel, F. B. (2021). Feature selection applications and model validation for mass real estate valuation systems. Land use policy, 108, 105539.
• Yazıcı, K. (1997). Özelleştirmede Değerleme Yöntemleri ve Değerleme Kriterleri (Uzmanlık Tezi). T.C. Başbakanlık Devlet Planlama Teşkilatı Müsteşarlığı, Yıllık Programlar ve Konjonktür Değerlendirme Genel Müdürlüğü.
• Yılmazer, S., & Kocaman, S. (2020). A mass appraisal assessment study using machine learning based on multiple regression and random forest. Land Use Policy, 99, 104889.
• Yomralıoğlu, T. (1993). A nominal asset value-based approach for land readjustment and its implementation using geographical information systems (Doktora Tezi). University of Newcastle upon Tyne, Department of Surveying, Newcastle, İngiltere.