بررسی عوامل مؤثر بر قیمت مسکن شهری با استفاده از شبکۀ عصبی مصنوعی موردشناسی: منطقۀ دو تبریز

روستایی, شهریور; تیموری, ایرج; نعمتی, محمد

doi:10.22111/gdij.2020.5464

بررسی عوامل مؤثر بر قیمت مسکن شهری با استفاده از شبکۀ عصبی مصنوعی موردشناسی: منطقۀ دو تبریز

نوع مقاله : مقاله پژوهشی

نویسندگان

¹ دانشیار جغرافیا و برنامه‌‌ریزی شهری، دانشگاه تبریز، تبریز، ایران

² استادیار جغرافیا و برنامه‌‌ریزی شهری، دانشگاه تبریز، تبریز، ایران

³ کارشناس ارشد جغرافیا و برنامه‌ریزی شهری، دانشگاه تبریز، تبریز، ایران

10.22111/gdij.2020.5464

چکیده

مسکن، سهم پایه‌ای در بسته مصرفی خانوارها را داراست. در حقیقت، برای اغلب خانوارها، خرید مسکن مهم‌ترین تراکنش مالی آن‌ها محسوب می‌شود. همچنین، مسکن سهم قابل توجهی از هزینه های خانوار و در برخی موارد حتی کل دارایی خانوارها را تشکیل می دهد. بازار مسکن، می‌تواند تحت‌تاثیر متغیرهای کلان اقتصادی، تفاوت‌های فضایی، ویژگی‌های ساختاری جامعه و امکانات رفاهی محیط قرار گیرد. بدین‌سان که ناهمگن بودن مسکن و چگونگی رتبه‌بندی ویژگی‌های مختلف یک واحد مسکونی توسط خریداران سبب شده است تا قیمت مسکن دستخوش تغییرات و نوسانات گردد. پژوهش حاضر، به دنبال پاسخ‌گویی به این سوال است که «چه عواملی سهم بیشتری در تعیین قیمت مسکن در منطقه دو تبریز دارد؟». پژوهش حاضر به لحاظ هدف کاربردی و به لحاظ روش و ماهیت همبستگی می‌باشد. از شبکه عصبی مصنوعی براس سنجش همبستگی بین متغیرهای استفاده گردیده است. اطلاعات مربوط به واحدهای مسکونی از طریق مراجعه مستقیم به مشاورین املاک جمع‌آوری شده است. جامعه آماری، واحدهای مسکونی منطقه دو تبریز به تعداد 56107 مسکن می‌باشد که با استفاده از فرمول کوکران 384 نمونه برآورد شد و برای برآورد مطلوب 400 واحد مسکونی به صورت تصادفی به عنوان نمونه پژوهش انتخاب گردیده ‌است. یافته‌های پژوهش نشان می‌دهد که سهم متغیر‌های کالبدی در تعیین قیمت واحدهای مسکونی 8/53 درصد، سهم متغیر‌های دسترسی برابر با 2/39 درصد و سهم متغی‌های محیطی 7 درصد می‌باشد. از بین کل متغیر‌ها، متغیر‌های مساحت زیربنا با 4/28 درصد، فاصله از مراکز درمانی با 4/6 درصد، فاصله از مراکز بهداشتی با 1/5 درصد و نمای ساختمان با 6/4 درصد بیشترین سهم متغیر قیمت مسکن را به خود اختصاص می‌دهند. در این پژوهش از نرم افزارهای MATLAB 2013 و ArcMap 10.4 بهره گرفته شده است.

کلیدواژه‌ها

عنوان مقاله [English]

Assessment of Effective Factors on Urban House Prices Using Artificial Neural Network؛ Case Study: District 2 of Tabriz

نویسندگان [English]

shahrivar rostaei ¹
irag teimory ²
Mohammad Nemati ³

³ Department of Geography and Urban Planning, University of Tabriz

چکیده [English]

Housing is a fundamental component of the household consumption bundle. In fact, for most households, the purchase of a home is their single most important financial transaction. The housing market can be influenced by macro-economic variables, spatial differences, characteristics of community structure, and environmental amenities. Heterogeneity of house and how consumers rank different characteristics of a house led to price changes and fluctuations. So that, one house with similar physical attributes in different urban regions will show different prices. This research, looking for recognition effective factors on house Prices and estimating prices of housing units in the District two of Tabriz. This research based on applied and Correlational researches. The data were collected through survey and inquiry from real-estate agents. Statistical population is the houses in district two of Tabriz which is 56107. Cochran formula estimated 384 sample size and for desirable estimation 400 house were randomly selected as a sample of research. Artificial neural network (ANN) is employed in this paper to analyze housing values. In determining the house prices "physical variables" have 53.8 percent, "distance variable" has 39.2 percent and "environmental variables" has 7 percent. The findings of research indicate which "floor area" variable with 28/4 percent, "distance from treatment centers" variable with 4/4 percent, "distance from health centers" variable with 5.1 percent and "building facades" variable with 4.6 percent has the highest share of house prices. In this research, were used MATLAB 2013 and ArcMap 10.4.

کلیدواژه‌ها [English]

Houses Prices
Artificial neural network
District Two of Tabriz

مراجع

- اکبری، نعمت‌الله؛ رحمان خوش‌اخلاق؛ سارا مردی‌ها (1392). سنجش و ارزش‌‌گذاری عوامل مؤثر بر انتخاب مسکن با استفاده از روش انتخاب تجربی از دیدگاه خانوارهای ساکن در بافت فرسودۀ شهر اصفهان، فصلنامۀ پژوهش‌‌های اقتصادی. دانشگاه تربیت مدرس. سال 13. شمارۀ 3. صفحات 47-19.

https://www.sid.ir/fa/journal/ViewPaper.aspx?id=201933

- امان‌‌پور، سعید؛ اسماعیل سلیمانی‌‌راد؛ لیلا کشتکار؛ صادق مختاری چلچله (1393). تخمین قیمت مسکن شهر اهواز با استفاده از شبکۀ عصبی، فصلنامۀ اقتصاد و مدیریت شهری، سال 3. شمارۀ 9. صفحات 57-45.

http://iueam.ir/article-1-105-fa.html

- پورمحمدی، محمدرضا (1393)، برنامه‌‌ریزی مسکن، انتشارات سمت.

http://samta.samt.ac.ir/content/10806

- تیموری، ایرج؛ نوید سلطان‌‌قیس؛ یاسر قلی‌‌زاده (1396). برآورد قیمت مسکن شهری با استفاده از تابع هدانیک و شبکه‌‌های عصبی مصنوعی، موردشناسی: کوی ولیعصر شهر تبریز، فصلنامۀ جغرافیا و آمایش شهری- منطقه‌‌ای، سال 7. شمارۀ 22.صفحات 56-41.

10.22111/gaij.2017.2995

- خلیلی‌عراقی، سیدمنصور؛ الهام نوبهار(1390).پیش‌‌بینی قیمت مسکن در شهر تبریز: کاربرد مدل‌‌های قیمت هدانیک و شبکۀ عصبی مصنوعی، پژوهش‌‌ها و سیاست‌‌های اقتصادی، معاونت امور اقتصادی وزارت امور اقتصادی و دارایی، سال 19. شمارۀ 60. صفحات 138-113.

http://qjerp.ir/article-1-189-fa.pdf

- شعبان‌پور، زهرا؛ اصغر شکرگزار؛ مریم جعفری مهرآبادی (1398). بررسی عوامل مؤثر بر قیمت مسکن (مطالعۀ موردی: شهر رشت)، فصلنامۀ آمایش محیط. دورۀ 12. شمارۀ 46. صفحات 82-63.

https://www.sid.ir/fa/journal/ViewPaper.aspx?id=490759

- صادقی، سیدکمال؛ رحمان خوش‌اخلاق؛ مصطفی عمادزاده؛ رحیم دلالی‌اصفهانی؛ مهدی نفر (1387). تأثیر آلودگی هوا بر ارزش مسکن (مطالعۀ موردی: کلان‌شهر تبریز)، فصلنامۀ پژوهش‌‌های اقتصادی ایران، سال 12. شمارۀ 37. صفحات 192-171.

https://www.sid.ir/Fa/Journal/ViewPaper.aspx?id=92896

- مرکز آمار ایران (1394). سالنامۀ آماری استان آذربایجان شرقی.

https://www.amar.org.ir/Portals/0/Files/fulltext/1394/n_salname_keshvar_94.pdf

- مهندسان مشاور نقش محیط (1390). طرح عمران توسعۀشهر تبریز؛ شناخت شهر، وزارت راه و شهرسازی، ادارۀ کل راه و شهرسازی استان آذربایجان ‌‌شرقی.

http://nmoheet.com/FA/index.php

- هاروی، دیوید (1382). عدالت اجتماعی و شهر، ترجمۀ محمدرضا حائری، فرخ حسامیان، بهروز منادی‌زاده، انتشارات شرکت پردازش و برنامه‌ریزی شهری.

https://www.adinehbook.com/gp/product/9647943113

- یزدانی، فردین؛ طهمورث الیاسی (1380). بررسی اقتصادی عرضه و تقاضای مسکن در مناطق شهری استان اصفهان، سازمان مدیریت و برنامه‌ریزی استان اصفهان، معاونت برنامه‌‌ریزی و هماهنگی.

- شهرداری‌منطقۀ دو تبریز، www.m2.tabriz.ir، تاریخ مراجعه: 15/11/1398.

- Alberto Díaz-Álvarez, Miguel Clavijo, Felipe Jiménez, Edgar Talavera, Francisco Serradilla (2018). Modelling the human lane-change execution behaviour through Multilayer Perceptrons and Convolutional Neural Networks,Transportation ResearchPartF,Vol.56.PP.134-148.

https://doi.org/10.1016/j.trf.2018.04.004

- Brito Paulo M. B. & Pereira Alfredo M. (2002). Housing and Endogenous Long-Term Growth, Journal of Urban Economics,Vol.51.PP.246-271.

https://doi.org/10.1006/juec.2001.2244.

- Charles Leung (2004). Macroeconomics and housing: a review of the literature, Journal of Housing Economics, Vol.13. Pages 249–267.

https://doi.org/10.1016/j.jhe.2004.09.002.

- G. Naga Satish, Ch. V. Raghavendran, M.D. Sugnana Rao, Ch.Srinivasulu (2018). House Price Prediction Using Machine Learning, International Journal of Innovative Technology and Exploring Engineering, Vol.8. Issue 9. Pages 717-722. DOI:10.35940/ijitee.I7849.078919

https://www.ijitee.org/wp-content/uploads/ Souvenir_Volume-8_Issue-9_July_2019.pdf

- Gayle Cain (2017).Artificial Neural Networks: New Research, Nova Science Pub Inc.

- Hassan Selim (2009). Determinants of House Prices in Turkey: Hedonic Regression versus Artificial Neural Network, Journal of Expert Systems with Applications, Vol.36. Issue 2. Part 2. Pages 2843-2852.

https://doi.org/10.1016/j.eswa.2008.01.044.

- Kelvin J. Lancaster (1966). A New Approach to Consumer Theory, Journal of Political Economy, Vol. 74. No. 2. Pages 132-157.

https://doi.org/10.1086/259131.

- Kim Kabsung & Park Juyoung (2005). Segmentation of the housing market and its determinants: Seoul and its neighbouring new towns in Korea, Australian Geographer, Vol. 36. Issue 2. Pages 221-232.

https://doi.org/10.1080/00049180500150019.

- Mabrouk Hamadache, Othmane Benkortbi, SalahHanini, AbdeltifAmrane (2017). Application of multilayer perceptron for prediction of the rat acute toxicity of insecticides, Energy Procedia, Vol.139. Pages 37-42.

https://doi.org/10.1016/j.egypro.2017.11.169.

- Nghiep Nguyen and Al Cripps (2001). Predicting Housing Value: A Comparison of Multiple Regression Analysis and Artificial Neural Networks, Journal of Real Estate Research, American Real Estate Society, Vol.22. Issue 3. Pages 313-336.

https://ideas.repec.org/a/jre/issued/v22n32001p313-336.html

- Snehashish Chakraverty and Susmita Mall (2017). Artificial Neural Networks for Engineers and Scientists Solving Ordinary Differential Equations, CRC Press.

https://www.semanticscholar.org/paper/Artificial-Neural-Networks-for-Engineers-and-Chakraverty-Mall/8724ef686097d3d6fd883913d28701e8f9ea216d

- Subana Shanmuganathan & Sandhya Samarasinghe (2016). Artificial Neural Network Modelling, Springer International Publishing.

https://www.springer.com/gp/book/9783319284934

- Vincenza Chiarazzoa, L.Caggiani, M. Marinelli, M.Ottomanelli (2014). A Neural Network based model for real estate price estimation considering environmental quality of property location, Journal of Transportation Research Procedia, Vol.3. Pages 810 – 817.

https://doi.org/10.1016/j.trpro.2014.10.067.

- Cozmei, Cătălina; Onofrei Muler (2012). Impact of Property Taxes on Commercial Real Estate Competition in Romania, Journal of Procedia Economics and Finance, Vol3. Pages 604-610.