Dergiler / Hacettepe Üniversitesi Sosyal Bilimler Dergisi / 2020 / Cilt: 2 - Sayı: 2

Yapay Sinir Ağlarının Gayrimenkullerin Toplu Değerlemesinde Uygulanabilirliği: Gölbaşı İlçesi Örneği

Sayfa
160–188
Yayın Tarihi
2020-08-31
DOI
—
🏛️Bu makalenin bibliyografik verileri ve tam metin bağlantısı DergiPark üzerinden sağlanmıştır.
DergiPark Kaydı ↗
✨

Yapay Zeka Hızlı Bakış & Çıkarımlar

AI Insight
⚡ TL;DR(1 Cümlede Hızlı Çıkarım)

Başta emlak vergisine esas değerlerin belirlenmesi olmak üzere yapılacak toplu değerleme çalışmalarında, regresyon analizi varsayımlarının sağlanamadığı, analizin gerçekleştirilemediği veya örnek sayısının sınırlı olduğu durumlarda değer tahmininde YSA’nın tercih edilebileceği sonucuna ulaşılmıştır.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Gayrimenkul değerlemede kullanılan yöntemler, taşınmaz sayısı, zaman, maliyet ve değerleme amacına bağlı olarak tekil veya toplu olarak iki şekilde sınıflandırılmaktadır.
📊
Temel Bulgular & Veri:Dünyada kısa sürede daha düşük maliyetler ile çok sayıda taşınmazın değer takdirine duyulan ihtiyaç nedeni ile başta vergilendirme olmak üzere kentsel dönüşüm, kamulaştırma, arsa/arazi düzenlemesi gibi işlemlerde toplu değerleme uygulamaları yapılmaktadır.
💡
Sonuç & Katkı:Başta emlak vergisine esas değerlerin belirlenmesi olmak üzere yapılacak toplu değerleme çalışmalarında, regresyon analizi varsayımlarının sağlanamadığı, analizin gerçekleştirilemediği veya örnek sayısının sınırlı olduğu durumlarda değer tahmininde YSA’nın tercih edilebileceği sonucuna ulaşılmıştır.
🔬Tür:Modelleme & Sayısal Simülasyon
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:toplu değerleme · taşınmaz değerleme · arsa değeri

Özet

Gayrimenkul değerlemede kullanılan yöntemler, taşınmaz sayısı, zaman, maliyet ve değerleme amacına bağlı olarak tekil veya toplu olarak iki şekilde sınıflandırılmaktadır. Dünyada kısa sürede daha düşük maliyetler ile çok sayıda taşınmazın değer takdirine duyulan ihtiyaç nedeni ile başta vergilendirme olmak üzere kentsel dönüşüm, kamulaştırma, arsa/arazi düzenlemesi gibi işlemlerde toplu değerleme uygulamaları yapılmaktadır. Bu durum, regresyon analizi gibi istatistiki yöntemlerin yanı sıra teknolojik gelişmelere bağlı ortaya çıkan yapay zekâ tekniklerinin de bu alanda kullanılmaya başlanılması sonucunu doğurmuştur. Bu makale konusu çalışmada, yapay zekâ tekniklerinin en yaygın kullanılanlarından Yapay Sinir Ağları (YSA) yönteminin gayrimenkullerin toplu değerlemesinde uygulanabilirliği, Ankara ili, Gölbaşı ilçesi için arsa fiyatı tahminine ilişkin gerçekleştirilen model yardımı ile ortaya konmuştur. YSA’nın tahmin başarısı hakkında karşılaştırma yapabilmek amacıyla, ayrıca Çoklu Regresyon Analizi de (ÇRA) kullanılmıştır. Analizler sonucunda, YSA modelinin, %94 R2 ve %4.8 MAPE ile ÇRA’ya göre daha iyi tahmin yaptığı, buna karşın model parametrelerinin yorumlanmasında yetersiz olduğu görülmüştür. Başta emlak vergisine esas değerlerin belirlenmesi olmak üzere yapılacak toplu değerleme çalışmalarında, regresyon analizi varsayımlarının sağlanamadığı, analizin gerçekleştirilemediği veya örnek sayısının sınırlı olduğu durumlarda değer tahmininde YSA’nın tercih edilebileceği sonucuna ulaşılmıştır.

🔖

Bu Makaleye Atıf Yap

İLHAN, A. T., ÖZ, S. (2020). Yapay Sinir Ağlarının Gayrimenkullerin Toplu Değerlemesinde Uygulanabilirliği: Gölbaşı İlçesi Örneği. Hacettepe Üniversitesi Sosyal Bilimler Dergisi, Cilt: 2 - Sayı: 2, 160–188. https://ajindex.com/articles/762500

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (14)

  1. Abraham, M. (2016), “Determinants of Residential Property Value in New Zeland: A neural Network Approach”, Department of Applied Business, New Zeland Goverment Institue of Technology, Auckland, 1-24.
  2. Arıkan Kargı, V.S. (2015), Yapay Sinir Ağ Modelleri ve Bir Tekstil Firmasında Uygulama, Ekin Basım Yayın Dağıtım: Bursa. Ataseven, B. (2013), “Yapay Sinir Ağları ile Öngörü Modellemesi”, Öneri Dergisi, 10 (39), 101-115.
  3. Benjamin, J.D., Guttery, R.S. and Sirmans, C.F. (2004), “Mass Appraisal: An Introduction to Multiple Rregression Analysis For Real Estate Valuation”, Journal of Real Estate Practice and Education, 7 (1); 65-77.
  4. Bradford, T. and Rispin, C. (2013), Automated Valuation Models (AVMs) 1st Edition,
  5. RICS Professional Information, UK. Bulut Nas, B. (2011), YSA ve DVM Yöntemleri İle Taşınmaz Değerlemesi İçin Bir Yaklaşım Geliştirme, Yüksek Lisans Tezi, Selçuk Üniversitesi,
  6. Fen Bilimleri Enstitüsü, Konya. Chiarazzo, V., Caggiani, L., Marinelli, M. and Ottomanelli, M. (2014), “Neural Network Based Model For Real Estate Price Estimation Considering Environmental Quality Of Property Pocation”, Transportation Research Procedia, 3, 810-817.
  7. Clapp, J. M. (2003), “A Semiparametric Method for Valuing Residential Locations: Application to Automated Valuation”, The Journal of Real Estate Finance and Economics, 303-320. Comparison of Activation Functions for Deep Neural Networks, https://www. towardsdatascience.com/comparison-of-activation-functions-for-deep-neural-networks-706ac4284c8a, Erişim tarihi: 10.06.2019.
  8. Demir, R. ve Ülengin, F. (2008), “Yapay Sinir Ağları Yardımı ile Şirket Birleşmelerinin Kestirimi”, İTÜ Dergisi, 7 (6), 92-101.
  9. Ecer, F. (2014), “Türkiye’deki Konut Fiyatlarının Tahmininde Hedonik Regresyon ile Yapay Sinir Ağlarının Karşılaştırılması”, International Conference on Eurasian Economies,1-10.
  10. Fausett, L. (1994),
  11. Fundementals of Neural Networks, Prentice-Hall, Inc., A Simon&Schuster Company: New Jersey. Gallego, J. and Esperanza, M. (2004), Artificial Intelligence Applied to Real Estate Valuation, An Example for The Appraisal of Madrid, Catastro,255-265
  12. Gamgam, H. ve Altunkaynak, B. (2017),
  13. SPSS Uygulamalı Regresyon Analizi, Seçkin Yayıncılık: Ankara.
  14. Güneş, T. ve Yıldız, Ü. (2015), Mass Valuation Techniques Used in Land Registry and A Cadastre Modernization Project of Republic of Turkey, FIG Working Week, From the Wisdom of the Ages to the Challenges of the Modern World, Sofia, Bulgaria. Hayrullahoğlu, G., Aliefendioğlu, Y., Tanrıvermiş, H.