SESSION 1 Türkye dek Kout Fyatlarıı Tahmde Hedok Regresyo Yötem le Yapay Sr Ağlarıı Karşılaştırılması Comparso of Hedoc Regresso Method ad Artfcal Neural Networks to Predct Housg Prces Turkey Asst. Prof. Dr. Fath Ecer (Afyo Kocatepe Uversty, Turkey) Abstract Ower-occuped housg s both a place to lve ad also the most mportat asset may households portfolo. Accurately predctg of house prces s therefore of great terest to the geeral publc. Ths paper ams to compare the housg prce predcto accuraces of Hedoc Model (HM) ad Artfcal Neural Networks (ANNs). I order to acheve ths am, two techques predcto results were compared by usg four performace crtera: RMSE, MAE, MAD, ad Thel s U statstc. Ths study uses the HM ad ANNs to emprcally determe the house prces Turkey. HM s the stadard techque for modelg the behavor of house prces over the past three decades ad s based o mcro ecoomc theory. The o-lear relatoshp betwee house prce ad ts determats ca be modeled by a ANN, so t s employed ths paper as a alteratve method. Emprcal results revealed that ANNs performed better tha HM house prce predctos, dcatg that ANNs could be useful for predcto of house prces. More clearly, the performace crtera from the ANNs are smaller tha those from the HM by roughly 60-90%. For stace, the ANN model has about 77 percet lower RMSE, 91 percet lower MAE, 64 percet lower MAD, ad 77 percet lower Thel s U statstc tha those of the HM. 1 Grş Kout, breyler çde yaşadığı mekalardır. Ayrıca çde yaşaya salara ekoomk ve toplumsal faydalar sağlaya dayaıklı br tüketm malı ve br yatırım aracıdır (Keleş, 2006; Sg vd. 2006). Pek çok sa ç sahp oldukları koutlar portföylerdek e değerl madd varlıklardır (Schulz ve Werwatz, 2004). Gelşmş ülkelerde emlak sektörü haehalkı zeglğe e büyük katkı sağlaya usur olduğu gb hükümetler verg gelr çde öeml br paya da sahptr. Bu bakımda kout fyatları poltkacıları, bakacıları, emlakçıları ve ev sahpler e çok lgledkler koularda brdr (Selm, 2009). Türkye de çoğu sa ev sahb olmayı stemektedr ve br kout almaı yapılablecek e öeml ve karlı yatırım olduğuu düşümektedr. Düyaı yaygı emlak ağlarıda ERA ı Avrupa 2006-2007 raporua göre Türkye dek kout sahplğ oraı % 68 dr. Bu ora ABD'de % 70, İgltere'de % 67, Almaya'da se % 40 sevyesdedr. Türkye de kout satışları özellkle mortgage yasasıı kabul edlmes ardıda öeml br artış göstermştr. Şekl 1 de so yıllarda ülkemzde gerçekleşe kout satışlarıa lşk grafk verlmştr. Bua göre 2008 yılıda 427105 adet, 2009 yılıda 531746 adet, 2010 yılıda 360357, 2012 de 701621 adet ve 2013 te se 1157190 adet kout satışı gerçekleşmştr (TÜİK, 2014). Şekl 1. Türkye dek kout satış sayıları Kayak: TÜİK. Kout fyatıdak değşmeler sosyo-ekoomk koşulları ve gelecektek ulusal ekoomk koşulları etklemektedr. Kout fyatları kout talebe bağlı olarak değşr. Taleb kısa zamada karşılaamaması halde fyatlar artar (Hott, 2011; Km ve Park, 2005). Kout fyatlarıı doğru tahm edlmes kout pyasasıdak faalyetler açısıda öemldr. Kout alalar ve satalar koutları gerçek değer blmek sterler. Yatırım araçları arasıda kouta yatırım yapmak steyeler ç de kout fyatıı gerçekç tahm edlmes oldukça öemldr (B, 2004). Kout fyatı tahm problemlerde kullaıla yötemler geleeksel ve gelşmş
2 INTERNATIONAL CONFERENCE ON EURASIAN ECONOMIES 2014 yötemler olarak kye ayrılablr. Regresyo aalz temell br yötem ola hedok model, geleeksel yötemler sııfıda yer alır. İsa düşüme sürec taklt ede yötemler se gelşmş yötemler kategorse grer. Yapay sr ağları (YSA), bulaık matık ve ARIMA gelşmş yötemler kategorsde yer ala yötemler başlıcalarıdır (Pagourtz vd., 2003). Çoklu regresyo tekkler kullaa hedok modeller kout fyatlarıı belrlemesde sıklıkla kullaılmaktadır (Coulso ve McMlle, 2008; Fletcher vd., 2004; Kefer, 2011; Kel ve Zabel, 2008; Stadelma, 2010). Hedok modelle, br malı özellkler fyat üzerdek etks araştırılır. Hedok model yardımıyla br malı özellkler le fyatı arasıda lşk kurarak, lave br özellğ malı fyatı üzerdek etks belrlemeye çalışılır. Dğer br fadeyle lave özellkler le malları farklılaştırılması sağlaır (Ülükara, 2008). Bağımlı ve bağımsız değşkeler arasıdak lşkler bastçe tahm edlmesde hedok model oldukça uygu olmakla brlkte kout fyatıı tahmde yararlaıla değşkeler arasıdak doğrusal olmaya lşkler sebebyle hedok modeller gerçekç souçlar verememektedr. YSA, bu tür soruları çözümüde başvurulablecek alteratf yötemlerde brsdr (Kauko, 2003). YSA modellerde e popüler olaı daışmalı, ler beslemel ve geryayılım (backpropagato) algortmasıı kullaa br model ola Çok Katmalı Algılayıcılardır (MLP). Pek çok bezerlkler olması sebebyle MLP model çoklu regresyo aalz gelştrlmş br formu olarak görülmektedr (Tay ve Ho, 1992). Bu çalışmada hedok model le YSA yötemler kullaılarak İzmr de 2013 yılıda satıla koutlarda rasgele br öreklem oluşturulmuş ve koutları fyatı tahm edlerek yötemler performasları karşılaştırılmıştır. Çalışmaı özgü yaı YSA modeller kout fyatıı tahmde kullaılablecek güçlü modeler olduğuu belrlemş olmasıdır. Çalışma 7 bölümde oluşmaktadır. Sorak bölümüde kouyla lgl yapılmış çalışmalarda bahsedlmştr. 3. bölümde kout fyatıı tahmde kullaıla yötemlerde hedok model le YSA kısaca ele alımıştır. 4. bölümde kout fyatıı tahmde kullaıla ver set ve değşkeler açıklamıştır. 5. bölümde yötemler tahm performasları karşılaştırılmıştır. 6. bölümde elde edle bulgular ortaya koulmuş ve so bölümde souçlar değerledrlmştr. 2 Lteratür araştırması Hedok modelle lgl lk çalışmaları Lacaster (1966) ve Muellbauer (1974) yapmıştır. Hedok fyat teorse lşk kapsamlı değerledrmeler se Rose (1974) çalışmasıa dayaır. Ayrıca, Bhattacharya ve Km (2011), Boelhouwer vd. (2004), Clapp ve Gaccotto (2002), Costello ve Watks (2002), Curts (2011), Hamett (2009), Km ve Cho (2010) le Watso (2010) kout fyatıı belrleyclere ve tahme yöelk çalışmalar yapmışlardır. Kout fyatları, fyatı koutu özellkler tarafıda belrledğ hedok modellerle tahmleeblr (Bourassa vd., 2007). Kout fyatları belrlerke koutu özellkler ve çevres dkkate alıır. Satı alıması düşüüle koutlar koutu buluduğu mevk, yapısal özellkler, yakı çevres ve kamu hzmetde yararlaablme olaakları göz öüde buludurularak değerledrlr (Ka ve Qugley, 1975). Şehr merkeze yakılık, ulaşım olaaklarıı olması ve çeştllğ, düşük vergler, kamu hzmetler kaltes, eğtm kurumlarıa yakılık, çevre sosyo-ekoomk özellkler, doğa güzellkler gb etmeler kout fyatıı arttıra özellkler olması bekleeblr (Kefer, 2011; Stadelma, 2010). Maclea (1977), hedok model uygulamalarıı ele aldığı çalışmasıda kout fyatıı belrleye etmeler araştırmış ve özellkle çevresel faktörler fyat üzerdek etks belrlemeye çalışmıştır. Adar vd. (2000), İrlada Belfast ta 2648 kout üzerde yaptıkları çalışmada ulaşım olaaklarıı kout fyatı üzerdek etks araştırmışlardır. Elde edle souçlara göre ulaşım mkalarıı kout fyatıa etks şehr merkezde çok az ke özellkle alt gelr grubuu yaşadığı dış mahallelerde öeml sayılablecek br düzeyde bulumuştur. Stadelma (2010), Zürh kete bağlı 169 beledyedek koutları değerledrdğ çalışmasıda br hedok modelle 33 değşke kullaarak hag değşkeler kout fyatıı belrlemesde daha öeml olduğuu araştırmıştır. Araştırmaı souçları şehr merkeze ve alışverş merkezlere yakılık le hava krllğ sevyes kout fyatıı e öeml belrleycler olduğuu göstermştr. Selm (2008), yaptığı çalışmada Türkye de kout fyatlarıı belrleye faktörler aalz etmştr. Bua göre kout fyatlarıı etkleye e öeml özellkler koutu tp, yapı türü, oda sayısı, koutu büyüklüğü, koutu su sstem, havuz ve doğal gaza sahp olmasıdır. Cgöz (2011), kout fyatıı belrleycler üzere yaptığı çalışmada koutu buluduğu semt, şehr merkeze ola uzaklığı, stede havuz, gölet, spor alaı, tes kortu, güvelk ve park bulumasıı, koutu mazaraya sahp olmasıı, büyüklüğüü, oda sayısıı ve yakııda hastae bulumasıı kout fyatıa etk ede e öeml faktörler olduğuu belrlemştr. Kout fyatıı tahm etmeye yöelk yapıla ve YSA modeller kullaıldığı çalışmaları büyük çoğuluğu YSA modeller kout fyatlarıı tahm etmede dğer modellerde daha y performas sergledğ göstermektedr. Buula brlkte az sayıda da olsa bazı çalışmalar se ters görüşü savumaktadır. Öreğ Alle ve Zumwalt (1994), Lek vd. (1997), Worzala vd. (1995) bu çalışmalarda bazılarıdır.
SESSION 3 3 Kout fyatıı tahmde kullaıla yötemler Bu bölümde çalışmada kout fyatıı tahm edlmesde yararlaıla yötemlerde hedok model le YSA kısaca ele alımıştır. 3.1 Hedok model Hedok yaklaşımda br ürüü özellkler fyat üzerdek etks araştırılmaktadır. Dğer br fadeyle hedok model, br ürüü özellkleryle fyatı arasıda lşk kurarak ek br özellğ ürüü fyatı üzerdek etks belrlemesde kullaılır. Regresyo aalz, ürü pyasasıda hedok yaklaşım olarak adladırılmaktadır. Regresyo model bağımlı ve bağımsız değşkeler arasıdak lşkler yorumlamasıa olaak verr. Model yapısıı bast olması ve hesaplama kolaylığı sağlaması ou cazp ve güçlü yapa k usurdur. Buula beraber doğru foksyou belrleme zorluğu se zayıf tarafıdır. Y bağımlı değşke,. bağımsız değşke ve. formülle fade edleblr: 0 X 1 bağımsız değşke katsayısıı göstermek üzere hedok model (1) olu Y (1) Görüldüğü gb hedok model yapısı çoklu regresyo modelyle ayıdır. Acak hedok yaklaşımda farklı foksyoel yapılar kullaılablmektedr. E çok kullaıla foksyoel yapılar leer form, doğal logartma, logartma ve kök döüşümüdür. Buula brlkte hedok modele getrle bazı eleştrler de vardır. Bu eleştrler geellkle arz ve taleb belrlemes, hedok model foksyoel formu ve bağımsız değşkeler belrlemesyle lgldr (Selm, 2009). 3.2 Yapay sr ağları (YSA) YSA, sa bey öğreme sürec taklt ederek oluşturulmuş blgsayar sstemlerdr. Kedlere gösterle örekler le eğtleblrler ve bu sayede bezer koularda karar vereblrler. Br YSA grd, gzl ve çıktı katmaı olmak üzere üç katmada oluşur. Her katmada se örolar buluur. Br öro öce kede gele grdler ve oları ağırlık değerler alır. İkc aşamada et grdy hesaplar. Net grd, her grd değeryle ked ağırlığıı çarpılıp toplamasıyla elde edlr. Rumelhart vd. (1986), et grd şu şeklde buluduğuu belrtmşlerdr: Net 1 G A Elde edle et grd değer hperbolk tajat, sgmod, eşk, doğrusal gb smler ala aktvasyo foksyoları yardımıyla döüştürülür ve böylece br çıktı üretlr. Hperbolk tajat foksyou (3) olu formülle fade edleblr ve ( 1,1 ) arasıda değerler alır. x x e e ( x) (3) x x e e Aktvasyo foksyou yardımıyla çıktıı üretlmes se matematksel olarak şöyle gösterleblr: Ç f Net (4) Çalışmada YSA modellerde br ola MLP model kullaılmıştır. Lteratürde e çok kullaıla YSA modellerde br ola MLP model ler beslemel br ağ olup Rumelhart vd. (1986) tarafıda gelştrlmştr. MLP model daışmalı öğreme stratejs kullaır. MLP ağlarıı eğtmek ç geryayılım algortması kullaılır. Bu algortma hatayı gerye doğru yayarak e aza drr. Grd ve çıktı parametreler arasıda kes br foksyoel lşk kurulamadığıda dolayı YSA kara kutuya bezetlmektedr (Kauko vd., 2002). YSA modeller hedok modelle ayı grd ve çıktı parametreler kullaır. Dolayısıyla bu çalışmada grd parametreler olarak koutu özellkler, çıktı parametres olarak se fyatı logartması kullaılmıştır. 4 Kout fyatıı tahm Türkye üfus bakımıda üçücü büyük ket ola İzmr de 2010 da 39702 adet, 2011 de 34828 ve 2012 de 46429 adet ve 2013 te se 72421 kout el değştrmştr (TÜİK, 2014). Çalışmada İzmr de 2013 yılı Ocak-Temmuz ayları arasıda satıla ve rastgele örekleme yötemyle belrlee 610 kout ver set oluşturmuştur. Koutları satış fyatıı yaıda yaşı, oda sayısı, kaçıcı katta buluduğu, büyüklüğü, kler olup olmadığı gb kouta lşk pek çok özellkle lgl blgler derlemştr. X (2)
4 INTERNATIONAL CONFERENCE ON EURASIAN ECONOMIES 2014 4.1 Ver set ve değşkeler Ver setde yer ala koutları sahp olduğu 83 özellk se tahm modellerde bağımlı ve bağımsız değşkelerdr. Bu değşkeler kısaca şu şeklde özetleeblr: Fyat: Koutu fyatı; Büyüklük: m 2 csde koutu büyüklüğü; Oda sayısı: Koutta bulua oda sayısıdır. Bu sayı belrlerke salo, oda sayısıa dahl edlmştr. Öreğ 3+1 tp br kout 4 odalı olarak değerledrlmştr; Yaş: Koutu yaşı; Kat: Koutu kaçıcı katta buluduğu; ADSL, duşakab,,şofbe: Koutu ç özellkler göstere kukla (kl) değşkeler; Asasör, jeeratör,, yüzme havuzu: Koutu dış özellkler göstere kukla değşkeler; Alışverş merkez, deze yakılık,, üverste: Koutu koumuu göstere kukla değşkeler; Aayol, dolmuş,,skele: Koutu ulaşım mkalarıı göstere kukla değşkeler; Dez mazarası, doğa mazarası, şehr mazarası: Koutu mazarasıa lşk kukla değşkeler; Bahçel, dubleks: Kout tp belrte kukla değşkeler; Kuzey cephe,, batı cephe: Koutu cephes belrte kukla değşkeler. Değşkeler kümesde yer ala kukla değşkeler, eğer kout belrtle özellğe sahpse 1 aks halde 0 değer ala değşkelerdr. Öreğ otobüs durağı değşke br kukla değşkedr ve koutu yakııda otobüs durağı varsa 1, yoksa 0 şeklde fade edlmştr. Çalışmada fyat, büyüklük, oda sayısı, yaş ve kat değşkeler harcdek değşkeler kukla değşkelerdr. Tablo 1 de sürekl değşkeler taımlayıcı statstkler görülmektedr. Koutları satış fyatı 55000 TL le 475000 TL arasıda değşmekte olup satış fyatı ortalaması yaklaşık 185000 dr. Kout büyüklüğü ortalaması 125 m 2 dr. Yaş ortalaması yaklaşık 12 olup e yaşlı kout 32 yaşıdadır. Koutları km zem katta km se 20. kattadır. Bazı koutlar şehr merkezde, bazıları deze sıfır koumda, bazıları doğa mazaralı, bazıları okullara yakı, bazıları aayol üzerde, bazıları se terasa sahptr. Değşke Ortalama Stadart sapma Mmum Maksmum Bağımlı değşke Fyat 185181.23 82832.27 55000 475000 Bağımsız değşkeler Büyüklük 125.10 35.83 46 450 Oda sayısı 3.73 0.69 1 8 Yaş 11.65 9.92 1 32 Kat 3.55 2.42 0 20 Tablo 1. Sürekl değşkelere lşk statstkler 5 Modeller tahm performaslarıı karşılaştırılması Çalışmada e uygu modele karar vermek ç farklı hedok modeller kurulmuş ve e y model logfyat model olduğu belrlemştr. Modeller tahm doğruluklarıı karşılaştırmak amacıyla performas ölçütler olarak da adladırıla hataları karel ortalamasıı karekökü (RMSE), ortalama mutlak hata (MAE), medyaı mutlak sapması (MAD) ve Thel U değerlerde yararlaılmıştır. 5.1 Hedok model Hedok model % 95 güve düzeyde Tablo 2 de verlmş ola bağımsız değşkeler kapsaya br model olarak kurulmuştur. Hedok model formu, log Fyat 0 1X1... 81X 81 (5) şeklde olup X 1 de X 81 e kadar ola değerler 81 bağımsız değşkee, 1 de 81 e kadar ola değerler se bağımsız değşkeler katsayılarıa karşılık gelmektedr. Ayrıca hedok model tahmde e küçük kareler (EKK) yötem kullaılmıştır. Tablo 2 de ayı zamada regresyo katsayıları, stadart hatalar ve alamlılık düzeyler de bulumaktadır. Tablo 2 de yer ala bağımsız değşkeler YSA modelde de kullaıldığıı belrtmekte yarar vardır.
SESSION 5 Değşke Katsayı Stadart hata t p Sabt 4.811.027 176.476 0.000 Sürekl değşkeler Büyüklük 0.002.000 14.999 0.000* Yaş 0.001.001 0.903 0.367 Kat -0.001.002-0.667 0.505 İç Özellkler ADSL 0.005.010 0.458 0.647 Duşakab 0.029.012 2.343 0.019* Gyme Odası 0.036.018 2.030 0.043* İterkom -0.020.017-1.224 0.222 Kler -0.022.010-2.284 0.023* PVC -0.008.011-0.796 0.426 Şöme -0.004.029-0.132 0.895 Balko 0.003.015 0.233 0.816 Ebevey Bayo 0.033.013 2.443 0.015* Gömme Dolap 0.020.010 1.969 0.050* Isıcam 0.020.011 1.737 0.083 Klma -0.013.008-1.695 0.091 Akastre Mutfak 0.025.011 2.222 0.027* Pajur 0.042.010 4.117 0.000* Spot ışığı 0.016.011 1.459 0.145 Çamaşır Odası -0.022.022-0.986 0.324 Hırsız Alarmı -0.007.022-0.320 0.749 Barbakü 0.000.023-0.013 0.989 Fber İteret -0.024.018-1.348 0.178 Görütülü Dafo 0.025.014 1.758 0.079 Jakuz 0.041.020 2.037 0.042* Lamat Parke 0.001.010 0.124 0.902 Parke Zem 0.008.010 0.746 0.456 Teras -0.031.021-1.505 0.133 Çelk Kapı -0.011.013-0.866 0.387 Yagı Alarmı -0.030.025-1.202 0.230 Duvar Kağıdı 0.030.018 1.711 0.088 Kartopyer 0.003.010 0.272 0.786 Saua 0.049.059 0.823 0.411 W-F -0.042.022-1.903 0.058 Şofbe -0.031.012-2.718 0.007* Dış Özellkler Asasör 0.079.013 6.288 0.000* Jeeratör 0.031.024 1.283 0.200 Kreş 0.003.018 0.187 0.851 Tes Kortu 0.024.022 1.109 0.268 Güvelk 0.026.020 1.318 0.188 Kablo TV 0.009.010 0.920 0.358 Otopark 0.009.011 0.838 0.402 Yagı Merdve 0.019.019 1.025 0.306 Hdrofor 0.007.013 0.591 0.555 Kapalı Garaj -0.042.013-3.173 0.002* Oyu Parkı -0.016.013-1.242 0.215 Spor Alaı 0.010.015 0.644 0.520 Yüzme Havuzu 0.096.026 3.655 0.000* Isı Yalıtım 0.005.013 0.395 0.693 Kapıcı -0.013.014-0.902 0.368 Ses Yalıtımı -0.002.014-0.161 0.872 Su Deposu -0.023.015-1.516 0.130 Koum (Muht) AVM 0.002.011 0.203 0.839
6 INTERNATIONAL CONFERENCE ON EURASIAN ECONOMIES 2014 Dez kearı 0.040.023 1.774 0.077 Hastae 0.007.011 0.621 0.535 Market 0.007.015 0.450 0.653 Semt Pazarı -0.011.012-0.915 0.361 İtfaye -0.018.017-1.047 0.296 Eczae 0.004.015 0.267 0.790 Park 0.012.012 1.037 0.300 Şehr Merkez 0.017.011 1.588 0.113 Cam -0.022.012-1.874 0.061 Eğlece Merkez 0.002.013 0.140 0.889 Üverste -0.055.030-1.871 0.062 Lse 0.013.011 1.109 0.268 İlköğretm Okulu -0.030.014-2.145 0.032* Ulaşım Aayol üzer -0.010.011-0.951 0.342 Dolmuş -0.022.012-1.777 0.076 Cadde üzer 0.014.010 1.339 0.181 Otobüs Durağı -0.003.013-0.197 0.844 Tre İstasyou -0.018.012-1.528 0.127 Dez Otobüsü 0.028.018 1.577 0.115 İskele 0.025.012 2.100 0.036* Mazara Dez Mazarası 0.043.015 2.770 0.006* Doğa Mazarası -0.012.012-0.994 0.321 Şehr Mazarası 0.016.010 1.657 0.098 Kout tp Bahçel -0.024.017-1.407 0.160 Dubleks -0.010.024-0.415 0.678 Cephe Batı Cephe 0.011.011 0.941 0.347 Doğu Cephe 0.011.012 0.938 0.349 Güey Cephe 0.007.010 0.768 0.443 Kuzey Cephe 0.002.012 0.146 0.884 2 R 0.724 2 R 0.681 Stadart hata 0.100 Akake blg ölçütü (AIC) -1.630 Schwarz blg ölçütü (BIC) -1.015 Durb-Watso statstğ 2.026 * % 95 güve düzeyde statstksel olarak alamlıdır. Tablo 2. Hedok model tahmcler Hedok modele göre koutu büyüklüğü, koutta duşakab, gyme odası, kler, ebevey bayosu, gömme dolap, akastre mutfak, pajur, jakuz, şofbe, asasör olması le koutu buluduğu stede kapalı garaj ve yüzme havuzu olması, koutu lköğretm okulua ve skeleye yakılığı le dez mazarasıa sahp olması kout fyatıı etklemektedr. Ayrıca bu değşkelerde koutu büyüklüğü, koutta duşakab, gyme odası, ebevey bayo, gömme dolap, akastre mutfak, pajur, jakuz, asasör, açık yüzme havuzu olması le koutu skeleye yakılığı ve dez mazarasıa sahp olması koutu fyatıı arttırmaktadır. Hedok modele lşk ANOVA test souçları se Tablo 3 te özetlemştr. ANOVA test souçları model br bütü olarak alamlı olduğuu göstermştr. Model Kareler Ortalama F p toplamı Kareler Regresyo 13.845 0.167 16.662 0.000 Hata 5.266 0.010 Toplam 19.111 Tablo 3. ANOVA test souçları
SESSION 7 5.2 Yapay sr ağları Çalışmada YSA modellerde br ola MLP model terch edlmştr. MLP modelde kullaıla bağımlı ve bağımsız değşkeler, karşılaştırmaı sağlıklı br şeklde yapılablmes ç hedok modelde kullaılalarla ayıdır. Dğer br fadeyle logfyat bağımlı değşke olup kouta lşk dğer 81 özellk se bağımsız değşkeler olarak modelde yer almıştır. Ayrıca, bu değşkeler brçoğu YSA le kout fyatıı belrledğ dğer çalışmalarla örtüşmektedr (D vd., 2001; Do ve Grudtsk, 1992; Hatzchrstos ve Frech, 2003; Kauko vd., 2002; Lek vd., 1997; McCluskey ve Borst, 1997; Nguye ve Crpps, 2001; Pagourtz vd., 1995; Tay ve Ho, 1992; Vst vd., 2004). Çalışmada çok sayıda mmar deeerek e az hataya sahp model elde edlmeye çalışılmıştır. Bu modelde br gzl katma olup gzl katmada 3 öro bulumaktadır. Hem gzl katmada hem de çıktı katmaıda hperbolk tajat foksyou kullaılmıştır. Öğreme oraı 0.2 olup mometum katsayısı se 0.6 dır. Çalışmada e y tahm performasıı gerçekleştre YSA model mmar yapısı Şekl 2 de verlmştr. Şekl 2 de yuvarlaklar öroları, çzgler se ağırlıkları göstermektedr. İler beslemel br ağ ola bu modelde grd katmaı, br gzl katma ve çıktı katmaı yer almaktadır. Büyüklük Yaş Kat ADSL Duşakab Dubleks 6 Tartışma Grd katmaı Gzl katma Çıktı katmaı Şekl 2. YSA mmars Kullaıla k model tahm doğruluklarıı karşılaştırmak ç dört farklı performas ölçütü kullaılmıştır: RMSE, MAE, MAD ve Thel U değer. Hata değerler üzere kurulu ola bu değerler sıfıra yakı çıkması, model tahm performasıı mükemmele yakı olduğuu fade etmektedr. y koutu gerçek fyatıı, y koutu modellerle tahm edle fyatıı, gözlem sayısıı, e. koutu gerçek fyatı le tahm edle fyatı arasıdak farkı (hata) göstermek üzere performas ölçütler matematksel olarak şöyle fade edleblr: RMSE 1 1 1 ^ y y 2 1 ^ MAE y y (7) e MAD medya e medya (8) ^ y y Thel U 2 y 2 Tablo 4, performas ölçütler hesaplamalar soucu bulua değerler göstermektedr. RMSE değer hedok modelde 2.2871, MLP modelde se 0.5188 dr. MLP model RMSE değer hedok model RMSE değerde % 77.32 daha düşüktür. MAE değer hedok modelde 2.1938, MLP modelde se 0.2016 olup MLP model RMSE değer hedok model RMSE değerde % 90.81 daha düşüktür. MAD değerler karşılaştırıldığıda hedok model MAD değer 0.3790, MLP model MAD değer se 0.1360 olduğu görülmektedr. Bua göre MLP model MAD değer hedok model MAD değerde % 64.11 daha düşüktür. Bezer şeklde Thel U değerler karşılaştırıldığıda Thel U değerler hedok model ve MLP model ç sırasıyla 0.4374 ve 0.0992 olduğu görülmektedr. Bua göre MLP model Thel U değer (6) (9)
8 INTERNATIONAL CONFERENCE ON EURASIAN ECONOMIES 2014 hedok model Thel U değerde % 77.32 daha düşüktür. Bulgulara göre dört performas ölçütü ç de MLP model hedok modelde daha y performas sergledğ görülmektedr. Çükü MLP modelde elde edle RMSE, MAE, MAD ve Thel U değerler hedok modelde elde edle değerlere göre daha küçüktür. MLP model hedok modelde daha y performas serglemes, MLP model kout fyatıı hedok modelde daha doğru tahm ettğ şeklde yorumlaablr. Ayrıca, MLP modele göre kout fyatıı etkleye değşkeler, yüzme havuzu, koutu dez kearıda olması, şehr merkeze yakı olması, hırsız alarmıı olması, gömme dolaba sahp olması, yaşı, tre stasyoua yakılığı, buluduğu stede güvelğ olması, dez otobüsüe yakılığı, cam, üverste ve sağlık ocağıa yakılığı, cadde üzerde olması, akastre mutfağa, ses yalıtımıa ve ısıcama sahp olması, kablo TV, hdrofor ve çelk kapıı olması ve terastır. 7 Souç Hedok MLP Fark (%) model RMSE 2.2871 0.5188 77.32 MAE 2.1938 0.2016 90.81 MAD 0.3790 0.1360 64.11 Thel U 0.4374 0.0992 77.32 Tablo 4. Hedok model le MLP modeller tahm performasları Türkye de pek çok sa ev sahb olmak stemektedr ve br ev satı almaı yapılablecek e karlı yatırım olduğuu düşümektedr. Türkye, yaklaşık % 70 kout sahplğ oraı le düyada e yüksek kout sahplğe sahp ülkelerde brdr. Türkye de kout pyasası hızla büyümektedr ve kout fyatları ev ala ve satalar açısıda oldukça öeml br koudur. Kout fyatı belrlerke kouta lşk pek çok özellğ fyat üzerde etkl olduğu blmektedr. Koutu yaşı ve metrekare olarak büyüklüğü le kout fyatı arasıda doğrusal olmaya br lşk olduğu geçmşte yapıla çalışmalarda ortaya koulmuştur. Bu edele kout fyatıı tahm ederke leer yaklaşımları kullamak elde edle tahm souçlarıa ola güve sarsmaktadır. Doğrusal olmaya lşkler modelleyeblme yeteeğe sahp ola YSA, çalışmada hedok yaklaşıma alteratf olarak kullaılmıştır. Bu çalışmada, İzmr Karşıyaka lçesde 2013 yılı Ocak-Temmuz ayları arasıda satılmış ola 610 koutu verler kullaılarak kout fyatı tahmlemes yapılmıştır. Kout fyatı tahmde hedok model le YSA modellerde MLP model kullaılmıştır. Hedok modele göre koutu büyüklüğü, koutta duşakab, gyme odası, kler, ebevey bayo, gömme dolap, akastre mutfak, pajur, jakuz, şofbe, asasör, kapalı garaj ve açık yüzme havuzu olması, lköğretm okulua ve skeleye yakılığı le dez mazarasıa sahp olması kout fyatıı etkleye e öeml değşkeler olarak bulumuştur. MLP modelde se, kout fyatıı etkleye değşkeler, yüzme havuzu, koutu dez kearıda olması, şehr merkeze yakı olması, hırsız alarmıı olması, gömme dolaba sahp olması, yaşı, tre stasyoua yakılığı, buluduğu stede güvelğ olması, dez otobüsüe yakılığı, cam, üverste ve sağlık ocağıa yakılığı, cadde üzerde olması, akastre mutfağa, ses yalıtımıa ve ısıcama sahp olması, kablo TV, hdrofor ve çelk kapıı olması ve terastır. İk model tahm doğrulukları karşılaştırıldığıda MLP model hedok modelde daha y tahm yaptığı soucua ulaşılmıştır. Elde edle souçlar kout fyatıı tahm ederke MLP model hedok modelde daha doğru tahm gerçekleştrdğ göstermştr. Tahm doğruluklarıı karşılaştırmak amacıyla yararlaıla dört performas krter gözöüde buludurulduğuda MLP modelde elde edle değerler hedok modelde elde edlelere kıyasla yaklaşık % 60-90 daha küçük olduğu bulumuştur. Çalışmada elde edle bulgular daha öce yapılmış pek çok çalışmaı soucuu desteklemş ve kout fyatıı tahm etme hususuda YSA metodolojs üstülüğüü pekştrmştr. Özetle söylemek gerekrse kout fyatıı tahm etmede YSA güçlü br potasyele sahptr ve kout fyatlarıı tahm edlmesde rahatlıkla kullaılablr. Buula brlkte bu oktada vurgulaması gereke husus e y tahm soucuu vere model acak deeme yaılma yoluyla oluşturulableceğdr. Deeme yaılma yötem kullaılmada elde edle souçlara dayaarak YSA modeller üstülüğüde bahsetmek büyük br yaılgıdır. Çalışmaı kısıtı se kout fyatıı etkleyebleceğ düşüüle ekoomk faktörlerde faz oraı ve dövz kurlarıı tahm modellerde yer almamasıdır. Teşekkür Bu çalışma, Afyo Kocatepe Üverstes Blmsel Araştırma Projeler Komsyou tarafıda 14.HIZ.DES.13 olu proje kapsamıda desteklemştr.
SESSION 9 Kayakça Adar, A., McGreal, S., Smyth, A., Cooper, J., & Ryley, T. 2000. House Prces ad Accessblty: The Testg of Relatoshps wth the Belfast Urba Area, Housg Studes, 15 (5), p.699-716. Alle, W.C. & Zumwalt, J.K 1994. Neural Networks: A Word of Cauto, Upublshed Workg Paper, Colorado State Uversty. Bhattacharya, R. & Km, S.-W., 2011. Ecoomc Fudametals, Subprme Ledg ad Housg Prces: Evdece from MSA-level Pael Data, Housg Studes, 26 (6), p.897-910. B, O., 2004. A Predcto Comparso of Housg Sales Prces by Parametrc versus Sem-Parametrc Regressos, Joural of Housg Ecoomcs, 13, p.68-84. Boelhouwer P., Haffer M., Neuteboom P. & Vres P. D., 2004. House Prces ad Icome Tax the Netherlads: A Iteratoal Perspectve, Housg Studes, 19 (3), p.415-432. Bourassa, S. C., Cato, E. & Hoesl, M., 2007. Spatal Depedece, Housg Submarkets, ad House Prce Predcto, Joural of Real Estate Face ad Ecoomcs, 35, p.143-160. Cgöz, A. R. A. A., 2011. Hedok Talep Teors Çerçevesde Br Fyatladırma Öreğ, Doktora tez, İ. Ü. Sosyal Blmler Esttüsü, İstabul. Clapp, J. M., & Gaccotto, C., 2002. Evaluatg House Prce Forecasts, Joural of Real Estate Research, 24 (1), p.1-25. Costello, G. & Watks, C., 2002. Towards a System of Local House Prce Idces, Housg Studes, 17 (6), p.857-873. Coulso, N.E. & McMlle, D.P., 2008. Estmatg Tme, Age ad Vtage Effects Housg Prces, Joural of Housg Ecoomcs, 17, p.138-151. Curts, M. A., 2011. The Impact of Housg Subsdes ad Prces o Mothers Lvg Arragemets: Evdece from the Cesus, Housg Studes, 26 (5), p.747 765. D, A., Hoesl, M., & Beder, A. 2001. Evrometal Varables ad Real Estate Prces, Urba Studes, 38(11), p.1989-2000. Do, Q. & Grudtsk, G., 1992. A Neural Network Approach to Resdetal Property Apprasal, The Real Estate Appraser, 58, p.38-45. Fletcher, M., Maga, J., Raebur, E., 2004. Comparg Hedoc Models for Estmatg ad Forecastg House Prces, Property Maagemet, 22 (3), p.189-200. Hamett, C., 2009. Spatally Dsplaced Demad ad the Chagg Geography of House Prces Lodo 1995-2006, Housg Studes, 24 (3), p.301-320. Hott, C., 2011. Ledg Behavor ad Real Estate Prces, Joural of Bakg & Face, 35, p.2429-2442. Ka, J. & Qugley, J. 1975. A Ecoomc Aalyss of the Urba Housg Market. Natoal Bureau of Ecoomc Research, New York. Kauko, T. 2003. O Curret Neural Network Applcatos Ivolvg Spatal Modellg of Property Prces, Joural of Housg ad the Bult Evromet, 18(2), p.159-181. Kauko, T., Hoomejer, P., & Hakfoort, J. 2002. Capturg Housg Market Segmetato: A Alteratve Approach Based o Neural Network Modelg, Housg Studes, 17(6), p.875-894. Keleş, R. 2006. Ketleşme Poltkası, İmge Ktapev, 9. Baskı, Akara. Kefer, H., 2011. The House Prce Determato Process: Ratoal Expectatos wth a Spatal Cotext, Joural of Housg Ecoomcs, 20, p.249-266. Kel, K. A. & Zabel, J. E., 2008. Locato, Locato, Locato: The 3L Approach to House Prce Determato, Joural of Housg Ecoomcs, 17, p.175-190. Km, K.-H. & Cho, M., 2010. Structural Chages, Housg Prce Dyamcs ad Housg Affordablty Korea, Housg Studes, 25 (6), p.839-856. Km, K., & Park, J. 2005. Segmetato of the Housg Market ad Its Determats: Seoul ad Its Neghbourg New Tows Korea, Australa Geographer, 36(2), p.221 232. Lacaster, K., 1966. A New Approach to Cosumer Theory, The Joural of Poltcal Ecoomy, 74, p.132-157. Lek, M. M., Worzala, E. M., & Slva, A. 1997. Hgh-tech Valuato: Should Artfcal Neural Networks Bypass the Huma Valuer, Joural of Property Valuato ad Ivestmet, 15, p.8-26.
10 INTERNATIONAL CONFERENCE ON EURASIAN ECONOMIES 2014 Maclea, D., 1977. Some Thoughts o the Nature ad Purpose of House Prce Studes, Urba Studes, 14(1), p.59-71. McCluskey, W.J. & Borst, R.A. 1997. A Evaluato of MRA, Comparable Sales Aalyss ad ANNs for the Mass Apprasal of Resdetal Property Norther Irelad, Assessmet Joural, 4(1), p.47-55. Muellbauer, J., 1974, Household Producto Theory, Qualty ad the Hedoc Techque, The Amerca Ecoomc Revew, 64 (6), p.977-994. Nguye, N. & Crpps, A. 2001. Predctg Housg Value: A Comparso of Multple Regresso Aalyss ad Artfcal Neural Network, Joural of Real Estate Research, 22 (3), p.313-36. Pagourtz, E., Assmakopoulos, V., Hatzchrstos, T., & Frech, N. 2003. Real Estate Apprasal: A Revew of Valuato Methods, Joural of Property Ivestmet & Face, 21(4), p.383-401. Rose, S., 1974. Hedoc Prces ad Implct Markets: Product Dfferetato Pure Competto, Joural of Poltcal Ecoomy, 82, 34-55. Rumelhart, D. E., Hto, G., & Wllams, R. 1986. Learg Represetato by Back-Propagatg Errors, Nature, 323 (9), p.533-536. Schulz, R., & Werwatz, A. 2004. A State Space Model for Berl House Prces: Estmato ad Ecoomc Iterpretato, Joural of Real Estate Face ad Ecoomcs, 28(1), p.37-57. Selm, S., 2008. Determats of house prces Turkey: A hedoc regresso model, Doğuş Üverstes Dergs, 9 (1), s.65-76. Selm, H., 2009. Determats of House Prces Turkey: Hedoc Regresso versus Artfcal Neural Network, Expert Systems wth Applcatos, 36, p.2843-2852. Sg, T.-F., Tsa, I.-C., Che, M.-C., 2006. Prce Dyamcs Publc ad Prvate Housg Markets Sgapore, Joural of Housg Ecoomcs, 15, p.305-320. Stadelma, D., 2010. Whch Factors Captalze to House Prces? A Bayesa Averagg Approach, Joural of Housg Ecoomcs, 19, p.180-204. Tay, D.P.H. & Ho, D.K.K. 1992. Artfcal Itellgece ad the Mass Apprasal of Resdetal Apartmets, Joural of Property Valuato ad Ivestmet, 10 (2), p.525-540. TÜİK, 2014. Kout satış statstkler, http://www.tuk.gov.tr/pretablo.do?alt_d=1056. Ülükara, T., 2008. Lüks Koutlarda Satış Fyatıı Etkleye Faktörler Icelemes: İstabul Öreğ, İstabul Tekk Üverstes Fe Blmler Esttüsü, Yüksek Lsas Tez, İstabul. Vst, L., Chrstopher, G. & Lee, M. 2004. House Prce Predcato: Hedoc Prce Model vs. Artfcal Neural Network, Amerca Joural of Appled Scece, 3, p.193-201. Watso, M., 2010. House Prce Keyesasm ad the Cotradctos of the Moder Ivestor Subject, Housg Studes, 25 (3), 413-426. Worzala, E., Lek, M., & Slva, A. 1995. A Explorato of Neural Networks ad Its Applcato to Real Estate Valuato, Joural of Real Estate Research, 10 (2), p.185-201.