Akademik Sosyal Araştırmalar Dergisi, Yıl: 5, Sayı: 59, Kasım 2017, s

Transkript

1 Akademik Sosyal Araştırmalar Dergisi, Yıl: 5, Sayı: 59, Kasım 2017, s Yayın Geliş Tarihi / Article Arrival Date Yayınlanma Tarihi / The Publication Date Yrd. Doç. Dr. Ayşe Elif YAZGAN Necmettin Erbakan Üniversitesi, Uygulamalı Bilimler Fakültesi aeyazgan@konya.edu.tr Öğr. Gör. Nezahat KOÇYİĞİT Necmettin Erbakan Üniversitesi, Uygulamalı Bilimler Fakültesi nkocyigit@konya.edu.tr Yrd. Doç. Dr. Yasemin TELLİ ÜÇLER Necmettin Erbakan Üniversitesi, Uygulamalı Bilimler Fakültesi ytelliucler@konya.edu.tr Öğr. Gör. Emine Nihan CİCİ KARABOĞA Necmettin Erbakan Üniversitesi, Uygulamalı Bilimler Fakültesi enihancici@konya.edu.tr KONUT FİYATLARININ TAHMİNİNDE HEDONİK MODEL İLE YAPAY SİNİR AĞLARININ KARŞILAŞTIRILMASI: TR 52 BÖLGESİNDE AMP- RİK BİR ÇALIŞMA Öz İnsanlığın yüzyıllar boyunca önemli gereksinimlerden biri olan barınma ihtiyacını karşılayan konut, toplum hayatının en temel unsurlarından birisidir. Bu piyasadaki işlemler, merkezi bir piyasada toplu olarak gerçekleşmediğinden, süreklilik özelliğine sahip olmadığından herhangi bir konutun gerçek değeri hesaplanamayabilir ve zamanla konut fiyatının nasıl değiştiğinin tespiti de güçleşmektedir. Bu bağlamda, çalışmada Hedonik Model ile Yapay Sinir Ağları yöntemleri kullanılarak TR52 bölgesinde bulunan konutların satış fiyatının belirlenmesinde etkili olan her bir değişkenin satış fiyatına katkısı ortaya konmaya çalışılmış ve iki yöntemin tahmin performansları karşılaştırılmıştır. Uygulama sonucunda konut fiyatları tahminleme-

2 sinde YSA modelinin hedonik modele göre daha etkin ve iyi bir yöntem olduğu görülmüştür. Anahtar kelimeler: Konut Piyasası, Hedonik model, Yapay sinir ağları COMPARISION OF HEDONIC MODEL AND ARTIFICIAL NEURAL NETWORKS TO PREDICT HOUSING PRICES: AN EMPIRICAL STUDY IN THE TR52 REGION Abstract Housing that meets the need for housing, which is one of the important necessities of humanity for centuries, is one of the most basic elements of community life. As the transactions on this market do not take place collectively in a central market, real value can not be calculated for any dwelling since it does not have the continuity feature and it is difficult to determine how the price of dwelling changes over time.in this context, in the study, using the methods of Hedonic Model and Artificial Neural Network (ANN), it was attempted to be revealed the contribution of each variable, which is effective in identifying the sale price of housings that are present in the region TR52,to sale price, and estimation performances of two methods were compared. As a result of the application, in estimating housing prices, it was seen that ANN Model was a more effective model and a better alternative compared to Hedonic model. 466 Keywords: Housingmarketing, hedonic model, Artificialneural network 1. Giriş Konutlar, pek çok insanın sahip olmak istediği ve değerli bir yatırım aracı olarak gördüğü, ekonomik ve toplumsal fayda elde ederek içinde yaşadığı, dayanıklı tüketim mallarıdır. Özellikle ülkemizde çok fazla ilgi gören konulardan biri olmaktadır yılında Türkiye genelinde konut satış istatistikleri, bir önceki yıla göre %25,1 oranında artış göstermiştir. Şekil 1. Konut Satış Sayıları ( ) Kaynak: tuik. gov. tr Şekil 1 de görüldüğü üzere, satış şekline göre; adet toplam satışın tanesi ipotekli, tanesi ilk satış olarak istatistiklere geçmiştir. İstatistiki veriler ışığında artan bu talebin, ekonomik ve sosyo-ekonomik koşullar, vb. faktörlerin konut fiyatlarını değiştireceği hususu göz önüne alındığından fiyatların doğru tahmini konut satanlar ve talep edenler için çok önemli hale gelmektedir.

3 Konut fiyatı tahmininde kullanılan yöntemler geleneksel ve gelişmiş olarak sınıflandırılırken; geleneksel bir yöntem ve temelinde regresyon analizi olan hedonik model, düşünme sürecini taklit eden gelişmiş yöntemler sınıfında da Yapay Sinir Ağları (YSA) modeli çalışmanın konusunu oluşturmaktadır (Ecer, 2014: 2). Hedonik model malın özellikleri ile fiyatı arasındaki ilişkiye dayalı, her ek özelliğin fiyat üzerindeki etkisini belirlemek üzere bağımlı ve bağımsız değişkenler arasındaki ilişkinin basitçe tahmininde kullanılan bir yöntemdir. Fakat özellikle konut fiyatlarının tahmininde değişkenler arasında doğrusal ilişkiler olmaması sebebiyle gerçekçi sonuçlar vermekte yetersiz kalmakta, bu sorunun çözümünde alternatif olarak YSA Modeli kullanılmaktadır. En yaygın olanı çok katmanlı algılayıcılardır(mlp). MLP çoklu regresyon analizinin geliştirilmiş bir formudur (Ecer, 2014: 2). Çalışmada konut fiyatlarının tahmininde TR 52 Bölgesi nde hedonik model ile YSA modeli performansının karşılaştırılması hedeflenmiştir. Çalışmada izleyen bölümler şu şekildedir: İkinci bölümde konuyla ilgili daha önce yapılmış çalışmalardan hakkında bilgi verilmiştir. Üçüncü bölümde çalışmada kullanılan hedonik model ve Yapay Sinir Ağları yöntemlerinden bahsedilmiştir. Dördüncü bölümde modelde kullanılan veri ve yöntemler ele alınmış, kullanılan yöntemlerin tahmin performansları karşılaştırılmıştır. Son bölümde ise elde edilen bilgiler özetlenip sonuçlar değerlendirilmiştir. 2. Literatür Özeti Yazar(lar) Kullanılan Yöntem Kullanılan Parametreler Bulgular Worzala vd. (1995) YSA Rossini(1996) Cechin vd. (2000) Nguyen ve Al Cripps (2001) Limsombunchai ve Samarasinghe (2004) Çoklu Regresyon Analizi (MRA) ile YSA Doğrusal Regresyon (LR) ve YSA Çoklu Regresyon Analizi (MRA) ile Geri Yayılım İleri Beslemeli YSA (BPANN) YSA modeli Konutun yaşı, Oda sayısı, Banyo sayısı, Toplam alan, Garaj, Şömine sayısı, Arsa alanı ve bölge satış zamanı, satış fiyatı, mahalle, iyileştirme, arsa alanı, bölge, oda sayısı, eşdeğer inşaat alanı, durum, duvar tipi, çatı tipi, bina tipi ve bina inşaat tarihi apartmanın büyüklüğü, semt, coğrafi konum, çevre düzeni, oda sayısı, bina inşaat tarihi, kullanım alanı satış fiyatı, daire alanı, oda sayısı, banyo sayısı ve binanın yaşı daire alanı, bina yaşı, bina tipi, oda sayısı, banyo sayısı, garaj sayısı, sosyal tesisler ve coğrafi konum YPA metodu %82 doğruluk oranı vermiştir. MRA %90 ortalama uyum ve %89 doğruluk oranına ulaşırken, NN %78 ortalama uyum ve %81 doğruluk oranında YSA Doğrusal Regresyona göre daha kullanışlı sonuçlara ulaşmıştır. YSA metodu tavsiye edilmektedir. %84 doğruluk oranına ulaşmışlardır. Mora YSA modeli şehir merkezine olan uzak- YSA ile elde edilen sonuçların 467

4 (2004) lık, yol, ilçe büyüklüğü, inşaat sınıfı, bina yaşı, tadilat durumu, daire alanı, teras alanı, ilçe içinde konum, daire dizaynı, bulunduğu kat ve müştemilatın olup olmaması Zurada, v.d. (2006) Khalafallah (2008) Özkan v.d. (2007) Saraç (2012) Ecer (2014) Bulanık Mantık ve YSA metodunu YSA modeli YSA ve regresyon Çoklu regresyon, YSA ve DVM yöntemleri hedonik model ile MLP modeli banyo sayısı, daire alanı, garaj büyüklüğü, ısıtma sistemi, şömine sayısı, inşaat tipi ve garaj tipi zaman, faiz oranı, satışlardaki değişimin yıllara göre değişimi, bir önceki yıla göre satış birim değerinin değişimi, ortalama satış süresi ve işlem hacmi daire, bina yaşı, dairenin bulunduğu kat, cephe ve bölge oda sayısı, dairenin alanı (m2 ), kat bilgisi, kat sayısı, cephe durumu, otopark durumu, binanın yaşı, ısınma durumu, yol durumu, ulaşım noktalarına uzaklık (m), eğitim alanlarına uzaklık (m), sağlık merkezlerine uzaklık (m), karakollara uzaklık (m), parklara uzaklık (m). Konutun fiyatı, m 2,Oda sayısı, konutun yaşı, konutun kaçıncı katta bulunduğu, konutun iç özelliklerini gösteren kukla (ikili) değişkenler, konutun dış özelliklerini gösteren kukla değişkenler, konutun konumunu gösteren kukla değişkenler, konutun ulaşım imkanlarını gösteren kukla değişkenler, konutun regresyon analizinden elde edilen sonuçlara nazaran daha başarılı olduğu görülmüştür. Bulanık Mantık ve Yapay Sinir Ağları yeterli veri ve doğru analiz yapılması şartıyla kullanabilir metotlar olup üzerinde çalışılması gerektiği ifade edilmiştir. Yapay Sinir Ağları satışların değerine %2 tolerans oranla ulaşmıştır. Regresyon metodu ile %83, Yapay Sinir Ağları ile %84,5 doğruluk oranı elde edilmiştir. Yapay Sinir Ağlarının gayrimenkul değerlemesi için kullanabilir ve başarılı bir metot olduğu tespit edilmiştir. MLP modelinin hedonik modelden daha iyi tahmin yaptığı sonucuna ulaşılmıştır. 468

5 Dalkıran (2015) tam logaritmik regresyon modeli manzarasına ilişkin kukla değişkenler, konut tipini belirten kukla değişkenler, konutun cephesini belirten kukla değişkenler konutun yaşı, bulunduğu kat, asansörün olupolmaması, oda sayısı, banyo sayısı, kalorifer, konumu (cadde, sokak), şehir merkezine, sağlık merkezine, toplu taşıma araçlarına yakınlık ile eğitim kurumlarına uzaklık ol konut fiyatı ile konutun bulunduğu kat, asansör, oda sayısı, banyo sayısı, kaloriferli ısınma sistemi, eğitim kurumlarına uzaklık, sağlık kuruluşlarına ve şehir merkezine yakınlık arasında anlamlı bir ilişki bulunmuştur. Yapılan literatür incelemeleri sonucunda konut fiyatının tahmininde Hedonik Model ve YSA uygulamasının birlikte ele alındığı Türkçe literatürün oldukça kısıtlı olduğu görülmektedir. 3. Konut Fiyatı Tahmininde Kullanılan Yöntemler 3.1. Hedonik Model Ülke ekonomileri için konut piyasalarının önemi her dönemde büyük olmuştur. Konut piyasasının bağıntılı olduğu sektörlerin idamesi ülke ekonomisinin gelişmesi gibi faktörlerle konut fiyat endekslerinin üretimi ve piyasa istikrarının sağlanıp sağlanamaması fiyatlardaki artış ve azalışların gerçeklik payına bağlı olmakta bu da piyasa kontrolü için önem taşımaktadır. Bu bağlamda tercih edilen yöntemler arasında olan hedonik yöntem tüketicinin kendi zevk ve tercihleri ile ürün fiyatlarını belirledikleri bir yöntem olarak karşımıza çıkmaktadır. Konut piyasası içerisinde tüketicilerin tercihlerinin gösterdiği farklılıklar ve bu farklılıkların tüketicilerin bireysel tercihlerini şekillendirmesi söz olmaktadır. Hedonik yöntem ile tüketicinin ödemeye rıza gösterdiği marjinal ederin ve fiyata etki eden her özelliğin tek tek belirlenmesine imkanı oluşmakta ve farklılaşmış ürün piyasasında kullanılmaktadır. Konut sektöründe ürün kalitesini belirleyen faktörler içerisinde tüketici faydası, üreticinin kim olduğu gibi faktörler belirteç olmuştur. Bunlar arasında en önemli faktör ise tüketicinin tercihleridir. Farklı tüketici kesimlerine farklı özelliklere sahip ürünler ile çeşitliliğini sağlayan sektör kendini bu yolla geliştirmektedir. Her bir konut için sahip olduğu özellikler onun kalitesini oluşturan temel yapı taşları oluşturmaktadır (Boyacıgil, 2003) Hedonik fiyatlandırma modelinin temelini farklılaştırılmış ürün piyasasının özellikleri ve bu ürünlerin fiyat ilişkileri oluşturmaktadır. Tespit edilmiş bir ürün grubu içerisinde bu sınıflandırmayı oluşturan ürün özelliklerinin sanal fiyatlarını belirleme yoludur. Örneğin bir konutun kendine ait garaja sahip olmasını baz alırsak; bu konut için satışta garajın fiyatı ayrı olarak verilmese de bu özellikle konutun, bu özelliğinin sanal fiyatı hedonik fiyatı bulunabilmektedir. Bu analizler ile tüketicinin hangi özelliklere daha çok değer verdiği ve fiyat ödemesi yaparken hangi faktörlerin tüketiciyi ödemeye razı ettiği rahatlıkla görülebilmektedir. Bu kriterlerin belirlenmiş olması üreticiyi hangi tip üretim yapacağı konusunda da yönlendirmeler oluşturmaktadır. Hedonik fiyat daha iyi ifade etmek istenirse özelliklerin fiyatı da denilebilmektedir (Arıkan, 2008: 4). 469

6 Hedonik fiyatlandırma ile ilgili ilk çalışma 1966 yılında Lancaster tarafından yapılmıştır. Lancaster, çalışmasında tüketici talep teorisinde malların insanlar tarafından değer verdikleri karakteristiklerin toplamı olarak görüldüğünü ifade etmektedir. Öyle ki bir ürün için satın alınma kararı verileceğinde ürünü oluşturan karakteristik alt yapının tümünün nispi faydası bu ürünü satın alma kriterlerini oluşturacaktır (Ayvaz, 2002; Watkins, 1999). Hedonik fiyatlandırma da fiyat belirlenirken yöntem olarak korelasyon ve regresyon teknikleri uygulanmaktadır. Piyasa içerisinde ticareti yapılan ürünlerin farklı fiyat nedenleri üretici tarafından belirlenmiştir. Bu farklılıklar konutun kullanıcıya sağladığı konfor, iş merkezlerine ve sosyal alanlara yakınlık, yerel hizmetlerin kalitesi, altyapı olanakları, kirlilik, gürültü, vergi miktarı gibi özelliklerdir(altunkasa, 2008, 33). Konut piyasasındaki bu özelliklerden her biri hedonik fiyatlandırma yöntemi uygulamasının değişkenlerini yani regresyon ve korelasyon analizinde kullanılacak unsurları şekillendirmektedir. Modeli oluşturan değişkenlerden herhangi birini modelden çıkardığımızda ortaya çıkan modelin incelenen unsurun değeri de değişime uğrayacaktır. Bu değişimlerin biçim ve ölçüsü, ele alınan değişkenlerin birbirleriyle ya da konutun fiyatı ile olan ilişkileriyle belirlenmektedir. Bu nedenle yöntemin uygulanması esnasında seçimlerdeki değişime daha duyarlı davranmak modelin sağlığı açısından önem taşımaktadır. (Boyacıgil, 2003) Yapay Sinir Ağları Bu yöntem, iş dünyasında yönetimsel verilerin analiz ve değerlendirmeleri, finans, bankacılık, emlak, endüstri, eğitim ve yatırım projeleri gibi karışık problemli alanlarda çok boyutlu verilerin doğrusal olmayan sistemler ile analizinde uygulanabilmektedir (Elmas, 2003, s. 26). Ayrıca yöneylem araştırmalarında modelleme, altın, döviz, hisse senedi fiyat tahminleme, araç rotalama, satıcı problemleri, portföy yönetimi, sınıflandırma, doluluk oranları ve kümeleme gibi problemlerin çözümünde kullanılan yapay sinir ağları metodu, beynin çalışma prensiplerine göre geliştirilmiş istatistiksel bir yöntemdir. Bu alanda yapay sinir ağları ile engelli sporcu sayılarının tahminin yapıldığı çalışmalar bulunmaktadır(dalkılıç vd,2017). Genel olarak regresyon modellerindeki nedensellik (bağımlı ve bağımsız değişkenler arası) ilişkisinden hareketle fonksiyon tahminleme aracıdır. YSA nın istatistiksel yöntemlere göre en önemli farklılığı ve avantajı veri özellikleri ve dağılımlarına ilişkin herhangi bir varsayımının bulunmayışıdır. Ayrıca doğrusal bir tahminleme yöntemi olmadığı için karmaşık ve çoklu verilerin ve değişkenlerin modellenmesinde oldukça iyi sonuçlar verebilmektedir (Karahan, 2011, s. 57). Yani yapay sinir ağı modellemeleri verilere bağlı değildir. Verilere bağlı olmadığı için eksik, kısmen hatalı veya aşırı sapmalı veriler ile modellemeler yapabilmektedir. Bu modellemeler, karmaşık ilişkileri tanımlayabilmekte, genelleyebilmekte ve yeni durum ve beklentilere göre kabul edilebilir bir hata oranı ile en uygun cevapları sunabilmektedir. Model ve veri varsayımlarının olmayışı, eksik ve karmaşık verilerle etkin bir biçimde çalışabilmesi gibi nedenlerden dolayı yapay sinir ağları tahminleme problemlerinde tercih edilegelen bir metot olmaktadır (Özalp &Anagün, 2003, s. 30). Bir yapay sinir ağının çalışma prensibi, verilere göre oluşturulmuş olan bağlantı hatlarındaki ağırlıkların saptanması ve modellenmesi şeklindedir. İlgili ağırlıklar kullanılarak sinir ağı bir genelleme yaparak bir model tanımlar. Ağın tanımladığı bu bilgi optimum ağırlık değerleridir. Modellemede optimum ağırlıklar belirlendiğinde ağda tanımlanmış olur. Yapay sinir ağlarının yapısı giriş, gizli ve çıkış değişkenlerinden oluşmaktadır. Modelleme için ağa bilgi girişi, önceden derlenmiş olan veri setleri ile gerçekleştirilir. Sonuç değerleri ise çıktı değişkenleri (katmanları) seti olarak belirlenir. Ağdaki saklı değişken (katman) sayısı ilgili probleme göre farklılık arz edebilir (Karaatlı, Güngör, Demir, & Kalaycı, 2005, s ). Yapay sinir ağlarının çalışma prensibi aşağıda şekildeki gibi özetlenebilir. 470

7 Şekil 2: Yapay Sinir Ağları Blok Şeması Kaynak: Şekil 2 de gösterildiği gibi; girdi değerleri ve ağırlıklar toplama fonksiyonunu oluşturmuş ve çıktı elde edilmiştir. 4. Uygulama Bu çalışmada TR 52 Bölgesi kent merkezlerindeki(konya, Karaman) konut fiyatlarını etkileyen faktörler belirlenmiş ve konut fiyatlarının tahmininde hedonik model ve YSA yaklaşımından yararlanılmıştır Veri ve Yöntem TR52 Bölgesi kent merkezlerindeki (Konya, Karaman) konutlarla ilgili hedonik model ve YSA uygulaması için öncelikle yerleşim yerlerinde bulunan emlakçılar (TR52 Bölgesi kent merkezlerinin farklı mahallelerinde çalışan emlakçılar) tespit edilmiş, emlakçılarla yüz yüze görüşülerek veriler elde edilmiştir. Bu çalışmalar doğrultusunda emlakçıların portföylerindeki 2015 yılı Ocak-Aralık ayları arasında satılan 2586 konut veri setini oluşturmuştur. Konut fiyatına etki edebileceği düşünülen değişkenlerin seçiminde ise konuyla ilgili literatürden yararlanılmıştır. Veri setine dahil edilen tahmin modellerinde kullanılan bağımlı ve bağımsız 59 değişken ile ilgili bilgiler şu şekilde özetlenebilir: Fiyat: Konutun fiyatı, Konutun Büyüklüğü: Konutun m 2 cinsinden büyüklüğü, Oda Sayısı: Konutta bulunan oda sayısı, Konutun Yaşı: Konutun yapı ruhsatının alındığı tarih, Kat: Konutun kaçıncı katta olduğu, Balkon, ADSL, kiler,.(konutun iç özellikleri ile ilgili kukla değişkenler); Asansör, oyun parkı, kapalı otopark, (Konutun dış özellikleri ile ilgili kukla değişkenler); Hastane, market, AVM, (Konutun konumu ile ilgili kukla değişkenler); Anayol, cadde üzeri, otobüs,.(konutun ulaşım imkânları ile ilgili kukla değişkenler); Bahçeli, apartman dairesi, dubleks, (Konutun tipi ile ilgili kukla değişkenler); Kuzey, güney, (Konutun cephesi ile ilgili kukla değişkenler). 471

8 Özetlenen bu değişkenlerin içerisinden fiyat, konutun büyüklüğü, oda sayısı, konutun yaşı ve katı değişkenleri sürekli değişkenlerdir. Konutun iç özelliklerini, dış özelliklerini, konumunu, ulaşım imkânlarını, tipini ve cephesini gösteren değişkenler ise kukla değişkenler olarak değişken kümesine alınmıştır. Kukla değişkenler, konutun belirtilen özelliklere sahip olduğu durumda 1, değilse 0 değerini alan değişkenlerdir. Çalışmada TR 52 Bölgesi için konut fiyatlarının tahmininde kullanılan yöntemler belirtildiği üzere hedonik model ve YSA metodudur. Hedonik modelin tahmininde SPSS 16 ve YSA ile konut fiyatının tahmininde ise NeuroSolutions4.0 paket programlarından faydalanılmıştır Tanımlayıcı İstatistikler Çalışmada kullanılan değişkenlerin tanımlayıcı istatistikleri Tablo 1 de özetlenmiştir. Tablo 1. TR 52 Bölgesindeki Konutlara İlişkin Tanımlayıcı İstatistikler Değişkenler Ortalama Standart Sapma Minimum Maksimum Fiyat , , Konut Büyüklüğü 142,542 51, Oda Sayısı 3, Konutun yaşı 10,48 9, Kat 3,87 2, Tablo 1 incelendiğinde konutların satış fiyatının TL ile TL arasında, satış fiyatı ortalamasının TL, konut büyüklüğü ortalamasının 142m 2, oda sayısı ortalamasının 3, konut yaş ortalamasının 10 ve kat ortalamasının ise yaklaşık 4 olduğu görülmüştür Hedonik Model ve YSA Tahmin Sonuçlarının Karşılaştırılması TR 52 Bölgesi için konut fiyatlarının tahmininde kullanılan ilk yöntem hedonik modeldir. Çalışmada kullanılacak olan en uygun model belirleyebilmek için hedonik modellerde pek çok fonksiyon denenmiş; sonucunda en iyi parametre tahminini veren logaritmik form seçilmiş ve En Küçük Kareler(EKK) yöntemi kullanılmıştır. Hedonik modelin formu, Log Fiyat = β 0+β 1X 1+.Β 58X 58+ε şeklindedir. TR 52 Bölgesi için geliştirilen logaritmik hedonik modelle ilgili sonuçlar Tablo 2 de sunulmuştur. Tablo 2. TR 52 Bölgesindeki Konutlara İlişkin Logaritmik Hedonik Model Sonuçları 472 Değişkenler Katsayı t Sabit 4,22 184,49 Sürekli Değişkenler Konut Büyüklüğü 0,002 13,87* Oda Sayısı 0,029 2,544* Konutun yaşı 0,012 0,975 Kat 0,034 2,445* İç Özellikler Balkon 0,003 0,258 ADSL 0,004 0,427 Kiler 0,001 0,903* Duşakabin 0,026 2,782 Ankastre Mutfak 0,025 1,987* Ebeveyn Banyo 0,042 3,168*

9 Giyinme Odası 0,008 0,759* Gömme Dolap 0,027 1,874 Klima 0,017 1,875 Panjur 0,005 0,596 Parke 0,001 1,697 Laminant 0,003 0,574 Kartonpiyer 0,007 0,479 Duvar Kâğıdı 0,015 1,597 Görüntülü Diafon 0,049 1,744* Çelik Kapı 0,001 0,874 Yangın Alarmı 0,037 1,826 Dış Özellikler Asansör 0,078 3,56* Oyun Parkı 0,042 3,247* Kapalı Otopark 0,049 3,497* Otopark 0,008 0,879 Güvenlik 0,027 1,278* Kapıcı 0,013 0,876 Spor Alanı 0,009 0,879 Hidrofor 0,003 0,179 Isı Yalıtım 0,005 0,317 Yangın Merdiveni 0,017 0,978 Jenaratör 0,037 1,381 Kablo TV 0,008 0,913 Ses Yalıtımı 0,003 0,179 Su Deposu 0,027 1,379 Konum Hastane 0,042 3,197* İlköğretim 0,034 2,192* Lise 0,027 1,867 Semt Pazarı 0,017 1,571 Eczane 0,002 0,149 Şehir Merkezi 0,018 1,097 Park 0,014 0,107 Cami 0,031 2,131 Market 0,019 1,671 AVM 0,037 2,211 Üniversite 0,012 1,059 Ulaşım Anayol Üzeri 0,017 1,511 Dolmuş Hattı 0,034 2,167 Otobüs Hattı 0,002 0,143 Cadde Üzeri 0,021 1,857 Tramvay Hattı 0,018 1,

10 Konut Tipi Bahçeli 0,027 1,489 Apartman Dairesi 0,034 2,147 Dubleks 0,017 1,516 Cephe Kuzey 0,007 0,758 Güney 0,002 0,189 Doğu 0,018 1,576 Batı 0,014 1,521 R 2 0,745 Düzeltilmiş R 2 0,724 Standart Hata 0,219 Durbin Watson İstatistiği 1,92 F 118,333 p 0,000 *p<0,05 TR 52 Bölgesi için oluşturulan hedonik modele göre, konutun büyüklüğü, oda sayısı, katı, konutta kiler, ankastre mutfak, ebeveyn banyosu, giyinme odası, görüntülü diafon, asansör, oyun parkı, kapalı otopark ve güvenlik olması, konutun hastane ve ilköğretim okullarına yakın olması konut fiyatlarını etkilemektedir. Ayrıca bu değişkenler konut fiyatlarını pozitif yönde etkilemektedir. Regresyon modelinin düzeltilmiş determinasyon katsayısı (Düzeltilmiş R 2 ) 0,724 olarak bulunmuştur ve bu rakam modeldeki değişkenlerin konut fiyatlarını açıklama gücünü göstermektedir. Hedonik modele ilişkin Anova testi sonuçları (F=118,333; p<0,05)ise modelin bir bütün olarak anlamlı olduğunu göstermektedir. Bu çalışmada TR 52 Bölgesi için konut fiyatlarının tahmininde kullanılan ikinci yöntem ise YSA metodu olmuştur. Literatür özetinde de belirtildiği üzere ülkemizde YSA metodu ile konut fiyatlarının tahmin edilmesiyle ilgili yapılmış çalışma sayısı oldukça kısıtlıdır. Bu durum, konut satışlarının analizinin zor olması, ilgili müdürlüklerin kayıtlarındaki verilerin açık olmaması, vergi ödemelerinden dolayı satış kayıtlarının gerçek değerlerinden daha düşük gösterilmesi ve gayrimenkul değerlemesi ile ilgili sağlıklı bir bilgiye ulaşmanın güç olmasından kaynaklanmaktadır(saraç, 2012: 31). Günümüzde, belirli amaçlar doğrultusunda ve değişik alanlarda kullanılan birçok YSA modeli geliştirilmiştir. Bu modeller içerisinde en çok kullanım alanı bulanı ise çok katmanlı algılayıcı modelidir(kaynar vd., 2011: 466). İleri beslemeli bir YSA modeli olan Çok Katmanlı Algılayıcı (MLP) modelinde ilk katman girdi katmanı, çözülmesi istenilen problemle ilgili bilgilerin YSA ya girmesini sağlar. Bir diğer katman olan çıktı katmanı ise, ağ içerisinde olan bilginin dışarıya iletildiği katmandır. Bu iki katman arasında bulunan katman ise gizli katman olarak isimlendirilir. Çalışmada MLP modelinde kullanılan bağımlı ve bağımsız değişkenler, hedonik modelde kullanılanlarla aynıdır. Daha etkin, en az hataya sahip YSA modelini elde etmek için çok sayıda mimari denenmiş ve sonunda en iyi tahmin performansını gerçekleştiren YSA modeli bulunmuştur. Buna göre modelin ağ yapısı Şekil 3 de verildiği üzere oluşturulmuştur. 474

11 Girdi Katmanı Gizli Katman Çıktı Katmanı Büyüklük Oda Sayısı Yaş Kat Balkon ADSL.... Doğu Batı 475 Şekil 3. Yapay Sinir Ağları Çok Katmanlı Algılayıcı Modeli Ağ Yapısı Şekilde görüldüğü üzere modelde girdi katmanı, gizli katman ve çıktı katmanı bulunmaktadır. Aynı zamanda modeldeki ara katmanda 3 nöron bulunmaktadır. Hedonik model ve YSA ile kurulan modellerden elde edilen tahmin sonuçlarını karşılaştırmak için karesel hataların ortalama karekökü (RMSE), ortalama mutlak hata(mae) ve ortalama kare hata(mse) gibi performans kriterleri hesaplanmıştır. Hesaplanan bu değerler sıfıra yakın ise, modelin tahmin performansının mükemmele yakın olduğu söylenebilir(ecer, 2014: 7). Tablo 4. Hedonik Model ve YSA nın Performanslarının Karşılaştırılması Performans Kriterleri Hedonik Model YSA(MLP Modeli) MSE 1,335 0,249 RMSE 1,155 0,427 MSE 1,344 0,311 Tablo 4 e göre MSE değerleri karşılaştırıldığında hedonik modelde bu değer 1,335 iken YSA modelinde ise 0,249 dur. RMSE değerleri karşılaştırıldığında hedonik modelde bu değer 1,155 iken YSA modelinde ise 0,427 dir.mae değerleri karşılaştırıldığında ise hedonik modelde bu değer 1,344 iken YSA modelinde ise 0,311 dir. Tablodan da anlaşılacağı üzere YSA modelinden elde edilen performans değerlerinin üçü de hedonik modelden elde edilen performans değerlerine göre daha küçüktür. Değerlerin sıfıra yakın çıkması, seçilen performans kriterleri açısından YSA modelinin hedonik modelden daha iyi performans sergilediğini göstermektedir. Bu durum aynı zamanda YSA modelinin, hedonik modele göre konut fiyatını daha doğru tahmin ettiğini göstermektedir.

12 Ayrıca, YSA modeline göre, konutun yaşı, konutta ankastre mutfak, gömme dolap, çelik kapı, güvenlik, kapıcı olması, AVM ve üniversiteye yakınlığı, cadde üzerinde tramvay hattına yakın olması konut fiyatını etkileyen değişkenlerdir. 5. Sonuç Bu çalışmada, TR 52 Bölgesinde 2015 Ocak-Aralık ayları arasında satılmış olan 2586 konuta ilişkin konut fiyatı tahminlemesi, hedonik model ve Yapay Sinir Ağları modellerinden MLP modeli kullanılarak yapılmıştır. En iyi parametre tahminini veren logaritmik form seçilmiş ve En Küçük Kareler Yönteminden yararlanılmıştır. Hedonik model sonuçlarına göre konutun büyüklüğü, oda sayısı, katı, konutta kiler, ankastre mutfak, ebeveyn banyosu, giyinme odası, görüntülü diafon, asansör, oyun parkı, kapalı otopark ve güvenlik olması, konutun hastane ve ilköğretim okullarına yakın olması konut fiyatlarını etkilemektedir. Ayrıca bu değişkenler konut fiyatlarını pozitif yönde etkilemektedir. Çalışmada TR 52 Bölgesi için konut fiyatlarının tahmininde kullanılan diğer yöntem ise Yapay Sinir Ağları metodu olmuştur. YSA modelleri içerisinden en yaygın kullanım alanı bulan çok katmanlı algılayıcı modeli (MLP) kullanılmıştır. MLP modelinde kullanılan bağımlı ve bağımsız değişkenler, hedonik modelde kullanılanlarla aynıdır. Bu model göre, konutun yaşı, konutta ankastre mutfak, gömme dolap, çelik kapı, güvenlik, kapıcı olması, AVM ve üniversiteye yakınlığı, cadde üzerinde tramvay hattına yakın olması konut fiyatını etkileyen değişkenlerdir. İki modelin tahmin doğrulukları karşılaştırmak için karesel hataların ortalama karekökü (RMSE), ortalama mutlak hata(mae) ve ortalama kare hata(mse) gibi performans kriterleri kullanılmıştır. YSA modelinden elde edilen performans değerlerinin üçü de hedonik modelden elde edilen değerlere göre daha küçük çıktığı için seçilen performans kriterleri açısından YSA modelinin hedonik modelden daha iyi performans sergilediği anlaşılmıştır. Bu durum aynı zamanda konut fiyatlarının tahminlenmesinde YSA modelinin hedonik modele göre daha etkin ve iyi alternatif bir yöntem olduğunu göstermiştir. Bu çalışmayı diğer çalışmalardan ayıran en önemli husus, TR52 Bölgesi kent merkezlerinde daha önce benzer bir çalışma yapılmamış olmasıdır. Konut fiyatının tahmininde Hedonik Model ve Yapay Sinir Ağları uygulamasının birlikte ele alındığı Türkçe literatürün oldukça kısıtlı olmasından dolayı bu çalışmanın ilgili literatüre bir katkı sağlayacağı düşünülmektedir. Ayrıca uygulamada ele alınmayan bazı değişkenlerin(faiz oranı, döviz kuru vb.) ileriki çalışmalarda da eklenmesiyle çalışma daha da detaylandırılabilir. 476 KAYNAKLAR Arıkan, F. E. (2008), Ev Kiralarını Etkileyen Faktörlerin Hedonik Fiyat Yöntemi İle Belirlenmesi, Marmara Üniversitesi Sosyal Bilimler Enstitüsü, Yüksek Lisans Tezi, İstanbul. Ayvaz, Ö. (2002), Emlak Fiyatlarının Hedonik Model ile Araştırılması, İzmir Örneği, Dokuz Eylül Üniversitesi Sosyal bilimler Enstitüsü, Ekonometri Anabilim Dalı Yüksek Lisans Tezi, İzmir. Boyacıgil, O. (2003), HedonicPricing Yönteminin İskenderun Kenti Örneğinde Uygulanması, Çukurova Üniversitesi, Peyzaj Mimarlığı Anabilim Dalı, Yüksek Lisans Tezi, Adana. Cechin, A., Souto, A. And Gonzalez, M.A., (2000). Real Estate Value At Porto Alegre City Using Ann. Proceedings 6th Brazilian Symposium On Neural Networks,, November.

13 Dalkılıç Mehmet, Atasoy Mustafa, Yiğit Şıhmehmet, Mamak Hüdaverdi, ( 2017) Yapay sinir ağları ile engelli lisanslı sporcu Sayılarının tahmini, Akademik Sosyal Araştırmalar Dergisi, Temmuz, Dalkıran F. (2015). Denizli Kentinde Konut Talebine Etki Eden Faktörlerin Hedonik Fiyatlandırma Modeli İle Tahmin Edilmesi Uluslararası Sosyal Araştırmalar Dergisi Cilt: 8 Sayı: 37. Ecer F. (2012). Türkiye deki Konut Fiyatlarının Tahmininde Hedonik Regresyon Yöntemi İle Yapay Sinir Ağlarının Karşılaştırılması, Papers/1150.Pdf/ Elmas, Ç. (2003). Yapay Sinir Ağları (Kuram, Mimari, Eğitim, Uygulama). Ankara: Seçkin Yayıncılık. Karaatlı, M., Güngör, İ., Demir, Y., Kalaycı, Ş. (2005). Hisse Senedi Fiyat Hareketlerinin Yapay Sinir Ağları İle Tahmin Edilmesi. Yönetim ve Ekonomi Araştırmaları Dergisi, Karahan, M. (2011). İstatistiksel Tahminleme Yöntemleri: Yapay Sinir Ağları Metodu İle Ürün Talep Tahminlemesi. Konya: Selçuk Üniversitesi Sosyal Bilimler Enstitüsü. 477 Per- Khalafallah, A., (2008). Neural Network Based Model For Predicting Housing Market formance, Tsinghua Science & Technology, Vol. 13, Pp Lancaster, K., (1966). A New Approach To Consumer Theory, The Journal Of Political Economy, 74, P Limsombunchai, V. and Samarasinghe, S.,(2004). House Price Prediction Using Artificial Neural Network: A Comparative Study With Hedonic Price Model. Applied Economics Journal, Vol. 9-2, Pp Mora-Esperanza, J. G. (2004). Artificial intelligence applied to real estate valuation: An example for the appraisal of Madrid. CATASTRO. April. Muellbauer, J., (1974). Household Production Theory, Quality And The Hedonic Technique, The American Economic Review, 64 (6), P Nguyen, N. and A. Cripps.,(2001). Predicting Housing Value: A Comparison Of Multiple Regression Analysis And Artificial Neural Networks. The Journal Of Real Estate Research, Vol 22 (3): Özalp, A., & Anagün, S. (2003). Yapay Sinir Ağı Performansına Etki Eden Faktörlerin Analizinde Taguchi Yöntemi: Hisse Senedi Fiyat Tahmini Uygulaması, İstatistik Araştırma Dergisi, Özkan, G., Yalpır, S. and Uygunol, O.,(2007). An Investigation On The Price Estimation Of Residable Real-Estates By Using Ann And Regression Methods, The 12th InternationalConference On Applied Stochastic Models And Data Analysis, Chania, Crete, Greece. Kaynar, O., Taştan S., Demirkoparan F., (2011). Yapay Sinir Ağları İle Doğalgaz Tüketim Tahmini Atatürk Ü. İİBF Dergisi, 10. Ekonometri ve İstatistik Sempozyumu Özel Sayısı,

14 Rosen, S., (1974). Hedonic Prices And Implicit Markets: Product Differentiation İn Pure Competition,,Journal Of Political Economy, 82, Rossini, P.A.,(1997). Artificial Neural Networks Versus Multiple Regression İn The Valuation Of Residential Property, Australian Land Economics Review, November Vol 3(1). Saraç E.(2012). Yapay Sinir Ağları Metodu İle Gayrimenkul Değerleme İstanbul Kültür Üniversitesi Fen Bilimleri Enstitüsü İnşaat Mühendisliği Anabilim Dalı Yüksek Lisans Tezi, İstanbul. tuik. gov. tr/erişim tarihi Watkins, C.(1999). Agricultural Economics Society Property Valuation and the Structure of Urban Housing Markets, Journal of Property Investment& Finance. Worzala, E., Lenk, M., & Silva, A. (1995). An Exploration Of Neural Networks And Its Application To Real Estate Valuation, Journal Of Real Estate Research, 10 (2), P Yayar, R. & Karaca, S. S. (2014). Konut Fiyatlarına Etki Eden Faktörlerin Hedonik Modellen Belirlenmesi: TR83 Bölgesi Örneği, Ege Akademik Bakı Dergisi, Cilt. 14, Sayı. 4, Ss Zurada, J.M., Levitan, A.S. And Guan, J., Non-Conventional Approaches To Property Value Assessment. Journal Of Applied Business Research, 2006, Vol. 22(3) tarihi