Comparison of Multiple Regression Analysis and Artificial Neural Networks Methods in Estimation of Housing Fair Values in Kecioren/Ankara

Yıl 2023, Cilt: 15 Sayı: 2, 828 - 839, 14.07.2023

Serkan Narin , Orhan Doğan , Nassirou Bande , , Yunus Genç

https://doi.org/10.29137/umagd.1297672

Cited By: 3

Öz

Since there are hundreds of parameters that affect the real value of the houses to be sold, determining the fair value is a very important issue. In this study, models are developed and the results are compared with both Multiple Regression Analysis (MRA), which is one of the statistical methods, and Artificial Neural Network (ANN), which is one of the artificial intelligence methods, in order to estimate the fair values of houses that depend on multiple parameters quickly and accurately. For this purpose, a total of 149 houses for sale in different neighborhoods of Kecioren district of Ankara, which were advertised on an e-commerce website where real estate sales are made in Turkey, were taken into consideration to create the MRA and ANN models. The 6 most effective parameters among hundreds of parameters in determining the fair value of a house were digitized and MRA and ANN models were established. Considering these data, it is seen that this selected ANN method gives more successful results compared to MRA.

Anahtar Kelimeler

Artificial Neural Networks, Multiple Regression Analysis, House, Fair Value, Real Estate Valuation.

Keçiören/Ankara Özelinde Konut Rayiç Değerlerinin Tahmininde Çoklu Regresyon Analizi ve Yapay Sinir Ağları Yöntemlerinin Karşılaştırılması

Öz

Satışı yapılacak konutların gerçek değerini etkileyen yüzlerce parametre olması nedeniyle piyasa rayiç değerinin belirlenmesi çok önemli bir konudur. Bu çalışma ile konutların birden çok parametreye bağlı olan rayiç değerlerinin tahmininin hızlı ve doğru şekilde yapılabilmesi için hem istatistiksel yöntemlerden biri olan Çoklu Regresyon Analizi (ÇRA) hem de yapay zekâ yöntemlerinden biri olan Yapay Sinir Ağı (YSA) ile modeller geliştirilmiş ve sonuçları karşılaştırılmıştır. Bu amaçla, ÇRA ve YSA modellerini oluşturmak için Ankara'nın Keçiören ilçesine bağlı farklı mahallelerde yer alan, Türkiye’de gayrimenkul satışlarının yapıldığı bir e-ticaret sitesinde ilan edilmiş toplam 149 adet satılık konut dikkate alınmıştır. Bir konutun rayiç değerinin belirlenmesinde yüzlerce parametre içerisinden en etkili olan 6 adet parametre sayısallaştırılarak, ÇRA ve YSA modelleri kurulmuştur. Bu verilere bakıldığında seçilen bu YSA yönteminin ÇRA’ya kıyasla daha başarılı sonuçlar verdiği görülmüştür.

Anahtar Kelimeler

Yapay Sinir Ağları, Çoklu Regresyon Analizi, Konut, Rayiç Değer, Gayrimenkul Değerleme

Kaynakça

• Açlar, A. (1989). Taşınmaz Değerlemesi Ders Notları
• 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, Türkiye.
• Alşahin, S. (2015). Yapay Sinir Ağları İle Kiriş Tipi Yapılarda Hasar Tanımlama, Yayınlanmış Yüksek Lisans Tezi, Erciyes Üniversitesi Fen Bilimleri Enstitüsü, Kayseri, Türkiye.
• Bande, N., Doğan, O., Genç, Y., & Akyön, F.Ç. (2022) Yenimahalle/Ankara Özelinde Konut Fiyatlarının Yapay Sinir Ağları Metodu İle Belirlenmesi, 7. Uluslararası Erciyes Bilimsel Araştırmalar Kongresi, Kayseri, Türkiye.
• Bande, N. (2022). Yapay Zekâ Yaklaşımı ile Ankara’daki İki Farklı Lokasyonda Gayrimenkul Değerleme Üzerine Uygulamalar, Kırıkkale Üniversitesi, Yüksek Lisans Tezi, Fen Bilimleri Enstitüsü, İnşaat Mühendisliği ABD, Kırıkkale, Türkiye.
• Chatterjee, S. & Hadi, A. S. (2015). Regression Analysis By Example: John Wiley & Sons.
• Doğan, O., Bande, N., Genç, Y. & Akyön, F.Ç., Keçiören/Ankara Özelinde Konut Rayiç Değerlerinin Yapay Sinir Ağları Metodu Kullanılarak Tahmini, Uluslararası İktisadi ve İdari İncelemeler Dergisi, 2022 (35):113-128, 2022.
• Elmas, Ç. (2007). Yapay Zekâ Uygulamaları, Ankara, Türkiye.
• Garcίa, N., Gámez, M., & Alfaro, E. (2008). ANN+GIS: An Automated System for Property Valuation, Neurocomputing, 71(4), 733-742.
• Google Earth Pro. (2020). Erişim Adresi: https://www.google.com.tr/intl/tr/earth/
• Güngör, E. (1999). Gayrimenkul Değerlemesi ve Türkiye’de Sermaye Piyasalarında Gayrimenkul Ekspertiz Şirketlerine Yönelik Düzenlemeler Yapılmasına İlişkin Öneriler, T.C. Başbakanlık Sermaye Piyasası Kurulu Kurumsal Yatırımcılar Dairesi, Yeterlik Etüdü, Ankara, Türkiye.
• Jayalakshmi, T., & Santhakumaran, A. (2011). Statistical Normalization and Back Propagation for Classification, International Journal of Computer Theory and Engineering, 3(1), 89-93.
• Keçiören Belediyesi. (2019). Erişim Adresi: http://kentbs.kecioren.bel.tr/
• Koçer, M. (2016). Fretli Kolonların Kesme, Eğilme ve Süneklik Kapasitelerinin Yapay Sinir Ağları ile Belirlenmesi, Yayınlanmış Yüksek Lisans Tezi, Selçuk Üniversitesi, Fen Bilimleri Enstitüsü, Konya, Türkiye.
• Bande, N., Doğan, O., Genç, Y., & Akyön, F.Ç. (2022). Yenimahalle/Ankara Özelinde Konut Fiyatlarının Yapay Sinir Ağları Metodu İle Belirlenmesi. 7. Uluslararası Erciyes Bilimsel Araştırmalar Kongresi, 9-10 Mart 2022, Kayseri, Türkiye.
• Doğan, O., Bande, N., Genç, Y., & Akyön, F.Ç. (2022). Keçiören/Ankara Özelinde Konut Rayiç Değerlerinin Yapay Sinir Ağları Metodu Kullanılarak Tahmini, Uluslararası İktisadi ve İdari İncelemeler Dergisi, (35), 113-128.
• Doğan, O., Bande, N., Genç, Y., Akyön, F.Ç., & Tanç, R. (2023a). The Importance of Digitization in Estimating Housing Fair Value with the Artificial Neural Networks Method: The Case of Yenimahalle/Ankara/Türkiye, Brilliant Engineering, 1, 4768.
• Doğan, O., Bande, N., Genç, Y., & Koç, F. (2023b). Yapay Sinir Ağları Metodu ile Konut Özellikleri Yeniden Sayısallaştırılarak Rayiç Değerinin Tahmin Edilmesi: Keçiören/Ankara Örneği, Türkiye Arazi Yönetimi Dergisi, 5(1), 09-19.
• Özkan, G., Yalpır, Ş., & Uygunol, O. (2007). An Investigation on the Price Estimation of Residable Real Estates by Using Artificial Neural Network and Regression Methods, The 12th Applied Stochastic Models and Data Analysis International Conference (ASMDA), Chania, Crete, Greece.
• Öztemel, E. (2003). Yapay Sinir Ağları, İstanbul, Türkiye.
• Rossini, P.A. (1997). Artificial Neural Networks Versus Multiple Regression in the Valuation of Residential Property, Australian Land Economics Review, 3(1), 1-12.
• Sahibinden.com. (2020). Erişim Adresi: https://www.sahibinden.com/
• Saraç, E. (2012). Yapay Sinir Ağları Metodu İle Gayrimenkul Değerleme, Yayınlanmış Yüksek Lisans Tezi, İstanbul Kültür Üniversitesi Fen Bilimleri Enstitüsü, İstanbul, Türkiye.
• Shawn L.R., McKnight, A., Misty R.P., & Rachel N.C. (2019). Considerations for a Regression-Based Real Estate Valuation and Appraisal Model: A Pilot Study, Accounting and Finance Research, Vol. 8, No. 2; 2019. URL: https://doi.org/10.5430/afr.v8n2p99
• Tabanoğlu, M. (2019). Konut Yapılarının Rayiç Değerlerinin Yapay Sinir Ağları Metodu Kullanılarak Tahmin Edilmesi: Düzce İli Örneği, Yayınlanmış Yüksek Lisans Tezi, Düzce Üniversitesi Fen Bilimleri Enstitüsü, Düzce, Türkiye.
• 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), 01-07.
• TÜİK. Türkiye İstatistik Kurumu. (2022). Erişim Adresi: http://www.tuik.gov.tr/
• URL-1. (2022) http://teknogezegen.com/yapay-sinir-aglari/
• Wilkowski, W., & Budzyński, T. (2006). Application of Artificial Neural Networks for Real Estate Valuation, Shaping the Change XXIII FIG Congress, Munich, Germany.
• Yalpır, Ş. (2007). Bulanık Mantık Metodolojisi ile Taşınmaz Değerlenme Modelinin Geliştirilmesi ve Uygulaması: Konya Örneği, Yayınlanmış Doktora Tezi, Selçuk Üniversitesi Fen Bilimleri Enstitüsü, Konya, Türkiye.
• Zeng, T.Q., & Zhou, Q. (2001). Optimal Spatial Decision Making Using GIS: A Prototype Of A Real Estate Geographical İnformation System (REGIS), International Journal of Geographical Information Science, 15(4), 307-321.
• Zurada, J.M., Levitan, A.S., & Guan, J. (2001). Non-Conventional Approaches to Property Value Assessment, Journal of Applied Business Research, 22(3), 1-14.