Valuation of State Owned Real Estate with Artificial Intelligence Methods: An Application on Public Housing with Artificial Neural Networks

Öz

In the strategy document for the National Artificial Intelligence Strategy 2021-2025, 24 objectives were determined within the scope of 6 strategic priorities. One of these objectives is to accelerate the structural and competence transformation towards the effective use of artificial intelligence technologies in public institutions. In this context, demonstrating the usability of artificial intelligence applications in the valuation of state owned real estate is the focus of this study. For this, a valuation model was estimated with artificial neural networks (ANN) in the R software environment, based on the auction prices and features of the public houses in the Etimesgut District of Ankara Province, which were sold by auction between June and December 2020. Classical valuation methods are highly influenced by the subjective judgments of appraisers. The application of artificial intelligence methods, which are also used as advanced valuation methods to state owned real estate offers a different and innovative alternative to the traditional valuation approach in terms of ensuring objectivity in valuation and determining the market value accurately. In the estimation results obtained, an average of 93% accuracy rate was obtained. With these results, it is possible to say that the ANN method can be used in real estate valuation.

Anahtar Kelimeler

• Real Estate Management
• State Owned Real Estate
• Valuation
• Artificial İntelligence
• Artificial Neural Networks

Yapay Zekâ Yöntemleriyle Hazine Taşınmazlarının Değerlemesi: Yapay Sinir Ağları ile Kamu Konutları Üzerine Bir Uygulama

Öz

Ulusal Yapay Zekâ Stratejisi 2021-2025’e ilişkin strateji belgesinde 6 stratejik öncelik ve bu öncelikler kapsamında 24 amaç belirlenmiştir. Bu amaçlardan birisi de kamu kurumlarında yapay zeka teknolojilerinin etkin bir şekilde kullanımına yönelik yapısal ve yetkinlik dönüşümünün hızlandırılmasıdır. Bu kapsamda, hazine taşınmazlarının değerlemesinde yapay zeka uygulamalarının kullanılabilirliğinin gösterilmesi bu çalışmanın odağını oluşturmaktadır. Bunun için Ankara İli, Etimesgut İlçesinde bulunan ve 2020 yılı Haziran-Aralık ayları arasında ihale yoluyla satışı gerçekleşen kamu konutlarının ihale bedellerinden ve özelliklerinden yola çıkarak R yazılımı ortamında yapay sinir ağları (YSA) ile bir değerleme modeli tahmin edilmiştir. Klasik değerleme yöntemleri değer takdir eden kişilerin öznel yargılarından oldukça etkilenmektedir. İleri değerleme yöntemleri olarak da yararlanılan yapay zekâ yöntemlerinin hazine taşınmazlarına uygulanması değerlemede objektifliğin sağlanması ve rayiç bedelin doğru belirlenmesi açısından geleneksel değerleme anlayışına farklı ve yenilikçi bir alternatif sunmaktadır. Ulaşılan tahmin sonuçlarına göre ortalamada %93’lük doğruluk oranı elde edilmiştir. Bu sonuçlar ile YSA yönteminin taşınmaz değerlemesinde kullanılabilir bir yöntem olduğunu söylemek mümkündür.

Anahtar Kelimeler

• Taşınmaz İdaresi
• Hazine Taşınmazı
• Değerleme
• Yapay Zeka
• Yapay Sinir Ağları
• Real Estate Management
• State Owned Real Estate
• Valuation
• Artificial İntelligence
• Artificial Neural Networks

Kaynakça

1. Abidoye, R. B., & Chan, A. P. (2017). Modelling Property Values in Nigeria Using Artificial Neural Network. Journal of Property Research, 34(1), 36-53.
2. Altun, Ö. (2022). Kamu Konutu Fiyatlarını Belirleyen Faktörlerin Hedonik Fiyat Modeliyle Analizi. Sosyoekonomi , 30 (52) , 349-378 .
3. Aslay, F. & Özen, Ü. (2013). Meteorolojik Parametreler Kullanılarak Yapay Sinir Ağları ile Toprak Sıcaklığının Tahmini. Politeknik Dergisi, 16(4), 139-145.
4. Cechin, A., Souto, A., & Gonzalez, M. A. (2000, November). Real Estate Value at Porto Alegre City Using Artificial Neural Networks. In Proceedings. Vol. 1. Sixth Brazilian Symposium on Neural Networks (pp. 237-242).
5. Ćetković, J., Lakić, S., Lazarevska, M., Žarković, M., Vujošević, S., Cvijović, J., & Gogić, M. (2018). Assessment of The Real Estate Market Value in The European Market By Artificial Neural Networks Application. Complexity.
6. Cumhurbaşkanlığı Dijital Dönüşüm Ofisi ve Sanayi ve Teknoloji Bakanlığı (2021), Ulusal Yapay Zekâ Stratejisi (2021-2025), Ankara, Ulusal Yapay Zekâ Stratejisi (UYZS) 2021-2025 (cbddo.gov.tr), [Erişim Tarihi: 09.06.2022].
7. Çınar, S. & Ünal, F.B. (2022). 2/B Orman Vasfını Yitirmiş Araziden Tarım Arazisine Dönüşen Taşınmazların Toplu Değerlemesi. Geomatik , 7 (2) , 112-127 .
8. Çuhadar, M. , Güngör, İ. , Göksu, A. (2009). Turizm Talebinin Yapay Sinir Ağları İle Tahmini ve Zaman Serisi Yöntemleri ile Karşılaştırılmalı Analizi: Antalya İline Yönelik Bir Uygulama. Süleyman Demirel Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 14 (1) , 99-114 .

9. Do, A.Q. & Grudnitski, G. (1992) A Neural Network Approach to Residential Property Appraisal. The Real Estate Appraiser, 58, 38-45.
10. Dogan, O. , Bande ,, N. , Genç, Y. & Akyon, F. C. (2022). Keçiören/Ankara Özelinde Konut Rayiç Değerlerinin Yapay Sinir Ağları Metodu Kullanılarak Tahmini. Uluslararası İktisadi ve İdari İncelemeler Dergisi , (35) , 113-128.
11. İlhan, A. T., & Semih, Ö. Z. (2020). Yapay Sinir Ağlarının Gayrimenkullerin Toplu Değerlemesinde Uygulanabilirliği: Gölbaşı İlçesi Örneği. Hacettepe Üniversitesi Sosyal Bilimler Dergisi, 2(2), 160-188.
12. Jenkins, D. H., Lewis, O. M., Almond, N., Gronow, S. A., & Ware, J. A. (1999). Towards an İntelligent Residential Appraisal Model. Journal of Property Research, 16(1), 67-90.
13. Kontrimas, V. & Verikas, A. (2011). The Mass Appraisal of The Real Estate by Computational İntelligence. Applied Soft Computing, 11(1), 443-448.
14. Lai, Pi-Ying, (2011). Analysis of The Mass Appraisal Model by Using Artificial Neural Network in Kaohsiung City. Journal of Modern Accounting and Auditing, 7(10), 1080-1089.
15. Limsombunchao, V. (2004). House Price Prediction: Hedonic Price Model vs. Artificial Neural Network. American Journal of Applied Sciences, 1, 193–201.
16. Lundberg, Scott & Lee, Su-In (2017). A Unified Approach to Interpreting Model Predictions, Advances in Neural İnformation Processing Systems. Long Beach, CA:4765-4774.
17. McCluskey, W. (1996). Predictive Accuracy of Machine Learning Models for The Mass Appraisal of Residential Property. New Zealand Valuers Journal, 40-46.
18. Milli Emlak Genel Müdürlüğü, (2022). 2021 Yılı Faaliyet Raporu, Ankara, [Erişim Tarihi: 09.06.2022], 12.04.2022-faal-yet-raporu-web-tesl-m-ed-len-20220412124708.pdf (csb.gov.tr)
19. Milli Emlak Genel Müdürlüğü (2022). Değerleme, https://webdosya.csb.gov.tr/db/milliemlak/dokumanlar/degerleme-63268-20220603141200.pdf [Erişim Tarihi: 09.06.2022].
20. Mora-Esperanza, J. G. (2004). Artificial İntelligence Applied to Real Estate Valuation: An Example for the Appraisal of Madrid. Catastro, April, 1, 255-265.
21. Mousa, A. A., & Saadeh, M. (2010). Automatic Valuation of Jordanian Estates Using a Genetically-Optimised Artificial Neural Network Approach. WSEAS Transactions on Systems, 9, 905-916.
22. Ozkan, G., Yalpir, S., & Uygunol, O. (2007). An İnvestigation on The Price Estimation of Residable Real-Estates by Using ANN and Regression Methods. In 12th Applied Stochastic Models and Data Analysis International conference (ASMDA).
23. Pagourtzi, E., Assimakopoulos, V., Hatzichristos, T., & French, N. (2003). Real Estate Appraisal: A Review of Valuation Methods. Journal of Property Investment & Finance.
24. Pagourtzi, E., Metaxiotis, K., Nikolopoulos, K., Giannelos, K., & Assimakopoulos, V. (2007). Real Estate Valuation with Artificial İntelligence Approaches. International Journal of Intelligent Systems Technologies and Applications, 2(1), 50-57.
25. Riberio, M. T., Sameer, S. & Carlos, G. (2016). Why Should I Trust You? Explaining the Predictions of Any Classifier. https://arxiv.org/abs/1602.04938 [Erişim Tarihi: 01.08.2022].
26. Rossini, P. (1997). Artificial Neural Networks versus Multiple Regression in the Valuation of Residential Property. Australian Land Economics Review, 3(1), 1-12.
27. Sampathkumar, V., Santhi, M. H., & Vanjinathan, J. (2015). Evaluation of the Trend of Land Price Using Regression and Neural Network Models. Asian Journal of Scientific Research, 8(2), 182-194.
28. Sarip, A. G. (2005, January). Integrating Artificial Neural Networks and GIS for Single-Property Valuation. In Elevation-PRRES Conference, Pacific Rim Real Estate Society, Melbourne, Citeseer,(pp. 1-16).
29. Selim, H. (2009). Determinants of House Prices in Turkey: Hedonic Regression Versus Artificial Neural Network. Expert systems with Applications, 36(2), 2843-2852.
30. Štubňová, M., Urbaníková, M., Hudáková, J., & Papcunová, V. (2020). Estimation of Residential Property Market Price: Comparison of Artificial Neural Networks and Hedonic Pricing Model. Emerging Science Journal, 4(6), 530-538.
31. Tabar, M., E., Başara, A. C. & Şişman, Y. (2021). Çoklu Regresyon ve Yapay Sinir Ağları ile Tokat İlinde Konut Değerleme Çalışması, Türkiye Arazi Yönetimi Dergisi, 3 (1), 1-7.
32. Taffese, W. Z. (2007, February). Case-based Reasoning and Neural Networks For Real Estate Valuation. In Artificial Intelligence And Applications (pp. 98-104).
33. Tay, D.P. & Ho, D.K. (1992). Artificial Intelligence and The Mass Appraisal of Residential Apartments. Journal of Property Valuation and Investment, 10, 525-540.
34. Ulvi, C. & Özkan, G. (2019). Taşınmaz Değerlemede Yapay Zeka Tekniklerinin Kullanılabilirliği ve Yöntemlerin Karşılaştırılması. Geomatik , 4 (2) , 134-140 .
35. Wong, K. C., So, A. T., & Hung, Y. C. (2002). Neural Network vs. Hedonic Price Model: Appraisal of High-Density Condominiums. In Real Estate Valuation Theory (pp. 181-198). Springer, Boston, MA.
36. Worzala, E., Lenk, M., & Silva, A. (1995). An Exploration of Neural Networks And İts Application to Real Estate Valuation. Journal of Real Estate Research, 10(2), 185-201.
37. Xie, X., & Hu, G. (2007, August). A Comparison of Shanghai Housing Price index Forecasting. In Third International Conference on Natural Computation (ICNC 2007) (Vol. 3, pp. 221-225).
38. Yalpır, Ş. (2018). Enhancement of Parcel Valuation With Adaptive Artificial Neural Network Modeling. Artificial İntelligence Review, 49(3), 393-405.
39. Yılmaz, A. (2021). R Programlamaya Giriş, 1. Baskı, İstanbul: Kodlab Yayın.
40. Yılmaz, A. (2021). Yapay Zeka, 9. Baskı, İstanbul: Kodlab Yayın.
41. Yılmaz, A. & Kaya, U. (2021). Derin Öğrenme, 3. Baskı, İstanbul: Kodlab Yayın.
42. Yılmazel, Ö., Afşar, A., & Yılmazel, S. (2018). Konut Fiyat Tahmininde Yapay Sinir Ağları Yönteminin Kullanılması. Uluslararası İktisadi ve İdari İncelemeler Dergisi, (20), 285-300.
43. 4706 Sayılı Hazineye Ait Taşınmaz Malların Değerlendirilmesi ve Katma Değer Vergisi Kanununda Değişiklik Yapılması Hakkında Kanun, Kabul Tarihi: 29.06.2001, Yayımlandığı Resmi Gazete Tarihi: 18.07.2001 ve Sayısı: 24466, Yayımlandığı Düstur; Tertip: 5, Cilt: 40.
44. 313 Sıra Sayılı Milli Emlak Genel Tebliği, Yayımlandığı Resmi Gazete Tarihi:29.08.2007 ve Sayısı: 26628.
45. 385 Sıra Sayılı Milli Emlak Genel Tebliği, Yayımlandığı Resmi Gazete Tarihi:17.04.2018 ve Sayısı: 30394.
46. 2014/1 Sıra nolu Genelge, Sayısı: 97208366-010-99[3100-0], https://webdosya.csb.gov.tr/db/milliemlak/icerikler/2014-1-degerleme-usul-ve-esaslarina-il-sk-n-genelge-20220211090910.docx [Erişim Tarihi: 09.06.2022].
47. 2015/1 Sıra nolu Genelge, Sayısı: 97208366-010-99[3100-0], https://webdosya.csb.gov.tr/db/milliemlak/icerikler/2015-1-4706-sayili-kanunun-5.-maddes-n-n-11-son-fikrasinin-uygulanmasi-20220211085352.docx [Erişim Tarihi: 09.06.2022].
48. 2021/18 Sayılı Cumhurbaşkanlığı Genelgesi, Yayımlandığı Resmi Gazete Tarihi: 20.08.2021 ve Sayısı: 31574.
49. RD, (2022). RDocumentation, [Erişim Tarihi: 09.06.2022], www.rdocumentation.org
50. UN, (2022). United Nations, data, [Erişim Tarihi: 09.06.2022], http://data.un.org/en/iso/tr.html