Yapay zekâ yaklaşımı ile Ankara'daki iki farklı lokasyonda gayrimenkul değerleme üzerine uygulamalar

Abstract

Gayrimenkul fiyatlarının mutlak bir değeri olmadığından ve tamamen izafi olduğundan, pazarlama aşamasında gayrimenkulün rayiç bedelinin tespiti yapım maliyetine, kira/ürün getirisine ve/veya emsal piyasa fiyatlarına bakılarak yapılmaktadır. Konutlarda ise, bu değerleme daha çok piyasa satış rayici üzerinden yapılmaktadır. Bu çalışma ile konut rayiç değerlerinin tespitinin hızlı ve doğru şekilde yapılabilmesi için Yapay Zekâ yöntemlerinden olan bir Yapay Sinir Ağı (YSA) modeli geliştirilmiştir. Bu amaçla Ankara'nın iki farklı ilçesinde satışı yapılacak konut (daire) fiyatlarının tahmin çalışması gerçekleştirilmiştir. Birinci uygulama alanı olarak, 2019 yılında Keçiören ilçesine bağlı 3 farklı Atapark, Ufuktepe ve Kanuni mahallelerinde yer alan konut satış ilanları değerlendirmeye alınmıştır. Toplam 149 adet satılık konuta ilişkin veriler, gayrimenkul satışlarının yapıldığı sahibinden.com sitesinden alınmıştır. Konutların rayiç değerinin belirlenmesinde en etkili olduğu düşünülerek bu site tarafından her bir konuta ilişkin verilen 11 adet parametre (bina yaşı, kat sayısı, bulunduğu kat, cephe durumu, oda sayısı, dairenin net alanı, site durumu, ısınma türü, asansör durumu, kapalı garaj durumu ve ulaşım ve sosyal tesis noktalarına uzaklığı) sayısallaştırılarak, en uygun gizli katman, nöron sayısı ve aktivasyon fonksiyonunu belirlemek için gizli katmanı, nöron sayısı ve aktivasyon fonksiyonu değiştirilerek 20 adet model oluşturulmuştur. İki ara katmanlı, ara katmanlardaki nöron sayısı 10, ara katmanların aktivasyon fonksiyonları Sigmoid olan ağ modelinin en uygun olduğu belirlenmiştir. Konut rayiç fiyatlarının belirlenmesinde, ortalama hatanın karesi (MSE) 0,000432, tüm verilerin işlendiği eğitim grafiğinde regresyon (R) 0,95098 ve konutların piyasa rayiç değeri ile tüm veri seti için YSA modeliyle hesaplanan değerlerin doğruluk oranı %93,02 bulunmuştur. İkinci uygulamada ise, 2022 yılının Ocak ayında, Yenimahalle ilçesinde birbirine komşu olan Karşıyaka, Kayalar, Güzelyaka, Yeşilevler, Anadolu ve Barış mahallelerinde satışı bulunan konut (daire) fiyatlarının tahmin çalışması gerçekleştirilmiştir. Birinci uygulamadaki konutların parametrelerine, bu ikinci uygulamada parametre olarak balkon durumu, eşya durumu ve banyo sayısı eklenmiştir. Toplam 14 adet giriş değişkeni ve 1 adet çıkış değişkeni sayısallaştırılıp, önceki uygulamadaki yöntem izlenmiştir. İki ara katmanlı, ara katmanlardaki nöron sayısı 15, ara katmanların aktivasyon fonksiyonları Sigmoid olan ağ modelinin en uygun olduğu belirlenmiştir. Konut rayiç fiyatlarının belirlenmesinde, ortalama hatanın karesi (MSE) 0,0000161, tüm verilerin işlendiği eğitim grafiğinde regresyon (R) 0,9599 ve konutların piyasa rayiç değeri ile tüm veri seti için YSA modeliyle hesaplanan değerlerin doğruluk oranı %91,73 bulunmuştur. Her iki uygulama alanında seçilen YSA modeleri için performans fonksiyonu olan MSE'nin yaklaşık 0,000224, tüm verilerin işlendiği eğitim grafiğinde R'nin ise %95'ün üzerinde olması bu çalışmanın başarılı olduğunu göstermiştir. YSA yardımıyla hesaplanan değerlerin, konutların piyasa değeri ile ortalama yaklaşıklığın %91 oranında örtüştüğü görülmüş ve YSA tekniklerinin konut fiyat tahmininde bir alternatif olarak kullanılabileceğini göstermiştir. Anahtar Kelimeler: Gayrimenkul Değerleme, Konut Rayiç Bedeli, Yapay Zekâ, Yapay Sınır Ağları, YSA Modeli

Since real estate prices do not have an absolute value and are completely relative, the determination of the current value of the real estate at the marketing stage is made by looking at the construction cost, rental/product yield and/or comparable market prices. In residences, this valuation is mostly made over the market sales rate. In this study, as one of the Artificial Intelligence methods, an Artificial Neural Network (ANN) model has been developed to determine the current values of the houses quickly and accurately. For this purpose, the estimation of the prices of the houses (flats) to be sold in two different counties of Ankara was carried out. As the first application zone, house sales advertisements in 3 different Atapark, Ufuktepe and Kanuni districts of Keçiören county were evaluated in 2019. Data on a total of 149 residences for sale were obtained from sahibinden.com, where real estate sales are made. Considering that it is the most effective in determining the current value of the houses, 11 parameters (building age, number of floors, flat location, south facade status, number of rooms, net area of the flat, city status, heating type, elevator status, sheltered garage status, features such as distance (m) to transportation and social facility points) given by this site for each house were digitized and 20 models were created by changing the hidden layer, number of neurons and activation function to determine the most suitable hidden layer, number of neurons and activation function. It was determined that the network model with two interlayers, 10 neurons in the interlayers, and Sigmoid activation functions of the interlayers was the most suitable. In determining the current house prices, the Mean Square Error (MSE) was 0,000432, the Regression (R) was 0,95098 in the training graph where all the data were processed, and the accuracy rate of the values calculated with the ANN model for the market fair value of the houses and the whole data set was 93,02 %. In the second application, in January 2022, the estimation of the houses (flats) prices for sale in the Karşıyaka, Kayalar, Güzelyaka, Yeşilevler, Anadolu and Barış districts which are adjacent to each other in Yenimahalle county, was carried out. Balcony status, set of furnitures status and number of bathrooms were added to the parameters of the houses in the first application as parameters in this second application. A total of 14 input variables and one output variable were digitized and the method in the previous application was followed. It was determined that the network model with two interlayers, 15 neurons in the interlayers, and Sigmoid activation functions of the interlayers was the most suitable. In determining the current house prices, the Mean Square Error (MSE) was 0,0000161, the Regression (R) was 0,9599 in the training graph where all the data were processed, and the accuracy rate of the values calculated with the ANN model for the market fair value of the houses and the whole data set was 91,73 %. The fact that the MSE, which is the performance function for the ANN models selected in both application areas, is approximately 0,000224 and the R is over 95% in the training graph where all the data are processed, this shows that this study is successful. It was observed that the values calculated with the help of ANNs overlapped with the average approximation of 91% with the market value of the houses and showed the usability of ANN techniques as a tool in the estimation of house prices. Keywords: Real Estate Valuation, Housing Fair Value, Artificial Intelligence, Artificial Neural Networks, ANN Model