Housing Valuation Study in Tokat Province with Multiple Regression and Artificial Neural Networks

Yıl 2021, Cilt: 3 Sayı: 1, 1 - 7, 28.05.2021

Mehmet Emin Tabar , Aslan Cihat Başara , Yasemin Şişman

https://doi.org/10.51765/tayod.832227

Cited By: 16

Öz

Valuation is the determination of the amount that a property will be processed at a certain date. Valuation can be done for many purposes. These; can be listed as buying and selling, transfer, tax assessment, expropriation, inheritance distribution, investment, financing and credit. There are various methods of valuation. These methods are examined under 3 main groups as traditional, statistical and modern valuation methods. Statistical and modern methods involve less initiative as they depend on a mathematical model. Because in traditional valuation methods, valuation experts try to make value calculations by only estimating an price. However, one of the most important issues in the valuation area is the need to ensure that the information provided to the customer is clear. The aim of the article is to provide an overview of regression analysis, one of the statistical valuation methods, and artificial neural networks, one of the modern valuation methods, and to compare the accuracy values. Matlab software was used for artificial neural network modeling and Minitab software was used for regression analysis. The accuracies of the obtained values were determined by the average absolute percent error (MAPE) formula.

Anahtar Kelimeler

Real Estate Appraisal, Multiple Regression Analysis, Artificial Neural Network, Artificial Intelligence

Çoklu Regresyon ve Yapay Sinir Ağları ile Tokat İlinde Konut Değerleme Çalışması

Öz

Değerleme, en basit şekliyle bir mülkün belirli bir tarihte işleme alınacağı tutarın belirlenmesidir. Değerleme, birçok amaç dahilinde yapılabilir. Bunlar; alım-satım, devir, vergi

tahakkuku, kamulaştırma, miras dağıtımı, yatırım, finansman ve kredi olarak sıralanabilir. Değerlemenin çok çeşitli yöntemleri vardır. Bu yöntemler geleneksel, istatistiksel ve modern değerleme yöntemleri olarak 3 ana grup altında incelenir. İstatistiksel ve modern yöntemler matematiksel bir modele bağlı olduğu için daha az inisiyatif içermektedir. Çünkü geleneksel değerleme yöntemlerinde değerleme uzmanları, değer hesaplamalarını yalnızca bir fiyat tahmininde bulunarak yapmaya çalışırlar. Oysa değerleme alanının en önemli konularından biri, müşteriye sunulan bilgilerin açık ve net olmasını sağlama ihtiyacıdır. Makalenin amacı, istatistiksel değerleme yöntemlerden biri olan regresyon analizi ile modern değerleme yöntemlerinden biri olan yapay sinir ağları hakkında genel bir bakış sağlamak ve doğruluk değerlerinin karşılaştırılmasıdır. Yapay sinir ağları modellemesi için Matlab, regresyon analizi için Minitab yazılımı kullanılmıştır. Elde edilen değerlerin doğrulukları, ortalama mutlak yüzde hata (MAPE) formülüyle belirlenmiştir.

Anahtar Kelimeler

Konut Değerleme, Çoklu Regresyon Analizi, Yapay Sinir Ağları, Yapay Zeka

Kaynakça

• Akış, B. (2013). İstatistiki yöntemlerle değer belirleme ve değer haritası üretimi Selçuklu örneği Selçuk Üniversitesi, Yüksek Lisans Tezi, Fen Bilimleri Enstitüsü, Harita Mühendisliği ABD, Konya.
• Atik, M., Köse, Y., Yilmaz, B. & Erbaş, M. (2015). Şehirlerin İlerleme Yönlerinin Gayrimenkul Değerleri Üzerindeki Etkisinin Ölçülmesi. Çankırı Karatekin Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 5(2), 443-458.
• Box, G. E. & Jenkins, G. M. (1976). Time series analysis, control, and forecasting. San Francisco, CA: Holden Day, 3226(3228), 10.
• Bre, F., Gimenez, J. M. & Fachinotti, V. D. (2018). Prediction of wind pressure coefficients on building surfaces using artificial neural networks. Energy and Buildings, 158, 1429-1441.
• Brown, R. K. (1965). Real estate economics: an introduction to urban land use: Houghton Mifflin.
• Büyükkaraçığan, N., Altınışık, İ. & Uzun, H. (2017). Türkiye’de Gayrimenkul Değerleme Çalışmalarında Karşılaşılan Sorunlar ve Çözüm Önerileri. Selçuk Üniversitesi Sosyal ve Teknik Araştırmalar Dergisi(14), 77-91.
• Canan, S. (2006). Yapay sinir ağları ile GPS destekli navigasyon sistemi, Doktora Tezi, Selçuk Üniversitesi, Fen Bilimleri Enstitüsü, Elektrik-Elektronik Mühendisliği ABD, Konya.
• Chatterjee, S. & Hadi, A. S. (2015). Regression analysis by example: John Wiley & Sons.
• Del Giudice, V., De Paola, P. & Cantisani, G. B. (2017). Valuation of real estate investments through Fuzzy Logic. Buildings, 7(1), 26.
• Erdem, N. (2017). Türkiye için bir taşınmaz değerleme sistemi yaklaşımı. Geomatik, 2(1), 18-39.
• Eroğlu, H. & Şişman, Y. (2020). Arazi toplulaştırması dağıtım işleminde tek amaçlı genetik algoritmanın kullanılması. Geomatik, 5(2), 91-99.
• Graupe, D. (2013). Principles of artificial neural networks, 7, World Scientific.
• Hışır, M. (2009). Türkiye’de Taşınmaz Değerleme ve Harita Mühendisliği, TMMOB Harita ve Kadastro Mühendisleri Odası, 12. Türkiye Harita Bilimsel ve Teknik Kurultayı, 11-15.
• Isakson, H. R. (2001). Using multiple regression analysis in real estate appraisal. The Appraisal Journal, 69(4), 424.
• Kalaycı, E. (2007). Kentsel alanlarda taşınmaz mal değerlemesi ve Afyonkarahisar örneği, Yüksek Lisans Tezi, Afyon Kocatepe Üniversitesi, Fen Bilimleri Enstitüsü, Jeodezi ve Fotogrametri Mühendisliği ABD, Afyonkarahisar.
• Kempa, O., Lasota, T., Telec, Z. & Trawiński, B. (2011). Investigation of bagging ensembles of genetic neural networks and fuzzy systems for real estate appraisal. In Asian Conference on Intelligent Information and Database Systems, Springer, Berlin, Heidelberg, 323-332.
• Livingstone, D. J. (2008). Artificial neural networks: methods and applications, Totowa, NJ, USA: Humana Press, 185-202.
• Nam, K. & Schaefer, T. (1995). Forecasting international airline passenger traffic using neural networks. The Logistics and Transportation Review, 31(3), 239-252.
• Nghiep, N. & Al, C. (2001). Predicting housing value: A comparison of multiple regression analysis and artificial neural networks. Journal of real estate research, 22(3), 313-336.
• Özdamar, N. (2004). 4822 Sayılı Yasa ile Değişik 4077 Sayılı Yasa’da Tanımlanan Konut Nedir? Türkiye Barolar Birliği Dergisi, 55, 317-331.
• Öztürk, K. & Şahin, M. E. (2018). Yapay Sinir Ağları ve Yapay Zekâ’ya Genel Bir Bakış. Takvim-i Vekayî, 6(2), 25-36.
• Pagourtzi, E., Assimakopoulos, V., Hatzichristos, T. & French, N. (2003). Real estate appraisal: a review of valuation methods. Journal of Property Investment & Finance.
• Pedersen, B. P. & Larsen, J. (2009). Prediction of full-scale propulsion power using artificial neural networks. Paper presented at the Proceedings of the 8th international conference on computer and IT applications in the maritime industries (COMPIT’09), Budapest, Hungary May.
• Peterson, S. & Flanagan, A. (2009). Neural network hedonic pricing models in mass real estate appraisal. Journal of real estate research, 31(2), 147-164.
• Ring, A. A. & Dasso, J. J. (1977). Real estate principles and practices: Prentice Hall.
• Rossini, P. (2000). Using expert systems and artificial intelligence for real estate forecasting. In Sixth Annual Pacific-Rim Real Estate Society Conference, Sydney, Australia (pp. 24-27).
• Şişman, Y., Elevli, S. & Şişman, A. (2016). Konutun Satış Değerine Etki Eden Faktörlerin Araştırılması: Atakum Örneği. Atakum’a Akademik Bir Bakış Yeni Atakum, 365-371.
• Tabar, M. E. (2020). Yapay Sinir Ağları ve Bulanık Mantıkla Gayrimenkul Değerleme Modelinin Oluşturulması: Samsun Örneği, Yüksek Lisans Tezi, Ondokuz Mayıs Üniversitesi, Fen Bilimleri Enstitüsü, Harita Mühendisliği ABD, Samsun.
• Tabar, M. E. & Şişman, Y. (2020). Bulanık Mantık ile Arsa Değerleme Modelinin Oluşturulması. Türkiye Arazi Yönetimi Dergisi, 2(1), 18-24.
• Yegnanarayana, B. (2009). Artificial neural networks. PHI Learning Pvt. Ltd.
• Yomralıoğlu, T., Nişancı, R., Çete, M. & Candaş, E. (2011). Dünya’da ve Türkiye’de Taşınmaz Değerlemesi. Türkiye’de Sürdürülebilir Arazi Yönetimi Çalıştayı, Okan Üniversitesi, İstanbul.
• Zang, C. & Imregun, M. (2001). Structural damage detection using artificial neural networks and measured FRF data reduced via principal component projection. Journal of sound and vibration, 242(5), 813-827.
• Zeng, T. Q. & Zhou, Q. (2001). Optimal spatial decision making using GIS: a prototype of a real estate geographical information system (REGIS). International Journal of Geographical Information Science, 15(4), 307-321.
• Zhang, G., Patuwo, B. E. & Hu, M. Y. (1998). Forecasting with artificial neural networks:: The state of the art. International Journal of Forecasting, 14(1), 35-62.