CBS tabanlı makine öğrenme teknikleri ile toplu taşınmaz değerlemesi

Abstract

Taşınmazların değerlerinin güncel yaklaşımlarla objektif tespiti ülke ekonomilerinin büyüme-küçülme hızını doğrudan etkileyen sürdürülebilir taşınmaz yönetim stratejilerinin geliştirilmesinde oldukça önemlidir. Taşınmazların tekil olarak değerlendirilmesinin yerini çok sayıda taşınmazın eş zamanlı olarak değerinin belirlenebildiği toplu taşınmaz değerleme almıştır. Toplu taşınmaz değerlemesinde günümüz gelişmiş tahmin yaklaşımları olarak bilinen makine öğrenme teknikleri kullanılmaya başlamıştır. Çalışmada konut tipindeki taşınmazların toplu değerlemesinde CBS tabanlı makine öğrenme teknikleri ile bütüncül yaklaşım geliştirilmiştir. Farklı gelişmişlik seviyesindeki mahalleleri içeren İstanbul (Pendik ve Tuzla ilçeleri) ve Kocaeli (Gebze, Çayırova ve Darıca ilçeleri) çalışma alanı olarak belirlenmiştir. Veriler, açık veri portalları ve kurum veri tabanlarından temin edilerek coğrafi analiz teknikleri ile üretilmiştir. Coğrafi Kısıtlı Kümeleme Analiz tekniği ile çalışma alanında benzer sosyo-gelişmişlik özelliklere sahip beş yerleşim bölgesi tespit edilmiştir. Bölgeler ve tüm çalışma alanı için eğitim-test veri setleri oluşturulmuştur.Rastgele Orman ve Çoklu Doğrusal Regresyon (ÇDR) makine öğrenme teknikleri kullanılarak değer tahmin modelleri üretilmiş, performansları test veri setleri üzerinden karşılaştırılmıştır. Başarılı sonuçlar veren Rastgele Orman modellerinde, kriter önem düzeyleri ve performansları açısından bölgelere göre farklılıklar tespit edilmiştir. Beş ayrı yerleşim bölgesi ve tüm çalışma alanı için CBS tabanlı taşınmaz değer haritaları üretilmiş olup, bu haritalar üzerinden değer dağılımları irdelenmiştir.Taşınmaz değeri ile ilişkili kriterlerin yerel etki dağılımlarının incelenmesinde global modelleme yaklaşımı ÇDR ve lokal modelleme yaklaşımı Coğrafi Ağırlıklı Regresyon (GWR) tekniği kullanılarak modeller oluşturulmuştur. Arsa rayiç değeri ve konut birim değeri arasında çalışma alanının bazı kesimlerinde negatif yönde, bazı kesimlerinde pozitif yönde ilişkiler tespit edilmiştir. Arsa rayiç değerine ilişkin regresyon katsayıları ve modelin duyarlılığına ilişkin R2 yerel dağılımı CBS ortamında haritalandırılmıştır.Determining real estate value as objective by current approaches is very important in development of sustainable real estate management strategies that directly affect growth-shrinkage rate of national economies. Mass valuation, which value of large number real estates can be determined simultaneously, has replaced individual assessment of real estates. Machine learning techniques, known as today's advanced prediction approaches, have started to be used in mass valuation. In the study, holistic approach was developed by GIS-based machine learning techniques for mass valuation of residential properties. Istanbul (Pendik and Tuzla districts) and Kocaeli (Gebze, Çayırova, and Darıca districts), which include neighborhoods at different levels of development, were determined as study area. The data were obtained from open data portals and official databases and produced by geographical analysis techniques. By Spatially Constrained Multivariate Clustering Analysis technique, five settlements with similar socio-development characteristics were determined in study area. Training-test datasets were created for regions and entire study area. Value prediction models were developed by using Random Forest and Multiple Linear Regression (MLR) techniques, and their performances were compared over test datasets. In the Random Forest models that obtained more successful results, differences were determined according to the regions in terms of feature importance levels and performances. GIS-based real estate value maps were produced for five different settlements and entire study area, and value distributions were examined on these maps. To examine local affect distributions of the criteria related to real estate value, models were developed by using global modeling approach MLR and local modeling approach Geographically Weighted Regression (GWR). Negative relationships were detected in some parts of study area and positive relations were detected in some parts of study area between land market value and housing unit value. The regression coefficients for land value and R2 local distribution for sensitivity of model were mapped in the GIS environment.