AYLIK KONUT SATIŞLARININ MODELLENMESİ VE ANTALYA ÖRNEĞİ

Yıl 2020, Cilt: 11 Sayı: 21, 141 - 158, 30.06.2020

Hilal Yılmaz , Ömür Tosun

https://doi.org/10.36543/kauiibfd.2020.007

Cited By: 6

Öz

Talep tahmini işletmelerin ve bireylerin geleceğe yönelik uygulayacağı stratejileri ve önlemleri almaları için yapmaları gereken önemli faaliyetlerden birisidir. Bu faaliyet kısaca bir hizmet veya ürün için gelecekte oluşacak olan talebin, en doğru ve hatasız bir şekilde hesaplanması sürecidir ve rekabetin yoğun olduğu günümüzde, üretim ve hizmet sektörlerinde işletmelerin ürünlerinin veya vermiş oldukları hizmetlerin sürdürülebilirliği açısından yaşamsal öneme sahiptir. İstatistiksel tahmin metotlarının yanında yapay zeka teknikleri de günümüzde talep tahmini için etkin bir şekilde kullanılmaktadır. Bu çalışmada Antalya ilinde konut taleplerinin tahmini Eviews programı ile çok değişkenli doğrusal regresyon analizi ile elde edilmiştir. Aynı veri seti için Matlab programı yardımıyla ileri beslemeli geri yayılımlı yapay sinir ağları kullanılarak da tahminler yapılmış ve sonuçların geçerliliği ile ağın performansı regresyon modeli ile elde edilen sonuçlarla karşılaştırılmıştır. Yapılan karşılaştırma doğrultusunda regresyon analizinin ortalama %9 hata değerine sahipken yapay sinir ağı tahmin modelinin %1 hata değerine sahip olduğu tespit edilmiştir. Dolayısıyla bölgesel konut satış modeli için yapay sinir ağlarının daha başarılı olduğu tespit edilmiştir.

Anahtar Kelimeler

Konut satışı, talep tahmini, yapay sinir ağları, çoklu regresyon analizi

Kaynakça

• Aktürk E ve Tekman N. (2016). “Konut Talebi ve Erzurum Kent Merkezinde Tüketicilerin Konut Edinme Kararlarını Etkileyen Faktörler”. Atatürk Üniversitesi İktisadi ve İdari Bilimler Dergisi, 30(2), 423-440.
• Çayıroğlu İ. (2015). Yapay Sinir Ağları. Karabük Üniversitesi, Karabük, Türkiye.
• Kobu B. (2014). Üretim Yönetimi. Yazın Basın Yayın, İstanbul, Türkiye.
• Lebe F ve Akbaş Y. (2014). “Türkiye’nin Konut Talebinin Analizi”. Atatürk Üniversitesi İktisadi ve İdari Bilimler Dergisi, 28, 57-83.
• Nahmias S. (2009). Production and Operations Analysis. Visual Library, Boston, Amerika.
• Nguyen N ve Cripps A. (2001). “Predicting Housing Value: A Comparison of Multiple Regression Analysis and Artificial Neural Networks”. Journal of Real Estate Research, 3(22), 313-336.
• Öztemel E. (2016). Yapay Sinir Ağları. Papatya Bilim Yayınevi, İstanbul, Türkiye.
• Öztürk N. ve Fitöz E. (2009), “Türkiye’de Konut Piyasasının Belirleyicileri: Ampirik Bir Uygulama”, Zonguldak Karaelmas Üniversitesi Sosyal Bilimler Dergisi, Cilt 5, Sayı 10, 21-46.
• Radzi M, Muthuveerappan C, Kamaridun N ve Mohammead I. (2012). “Forecasting House Price Index Using Artificial Neural Network”. International Journal of Real Estate Studies, 7(1).
• Reid RD ve Sanders NR. (2011). Operations Management. Oucbecor World-Versailles, Amerika.
• Tekin M. (1996). Üretim Yönetimi. Arı Yayıncılık, Konya, Türkiye.
• Top A, Yılmaz E. (2009). Üretim Yönetimi. Yaprak Yayınları, İstanbul, Türkiye.
• Uysal D ve Yiğit M. (2016). “Türkiye’de Konut Talebinin Belirleyicileri (1970-2015): Ampirik Bir Çalışma”. Selçuk Üniversitesi Sosyal Bilimler Meslek Yüksekokulu Dergisi, 19(1), 185-209.
• Üreten S. (2006). Üretim/İşlemler Yönetimi. Gazi Kitapevi, Ankara, Türkiye.
• Zainun N, Rahman A ve Eftekhari M. (2010). “Forecasting Low-Cost Housing Demand in Johor Bahru, Malaysia Using Artificial Neural Network(ANN)”. Journal of Mathematics Research, 2(1), 14-19.