بررسی تطبیقی برآورد ارزش روز منطقه‌ای و معاملاتی املاک مسکونی با استفاده از شبکه عصبی مصنوعی. مورد مطالعه: منطقه دو شهرداری تبریز

نوع مقاله : مقاله علمی پژوهشی

نویسندگان

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

2 دانشیار، گروه جغرافیا و برنامه‌ریزی شهری، دانشگاه تبریز ، تبریز، ایران

3 استادیار، گروه جغرافیا و برنامه‌ریزی شهری، دانشگاه تبریز ، تبریز، ایران

چکیده

شهرداری‌ها در ایران که به‌عنوان متولی محلی در زمینه اداره شهر عمل می‌نمایند؛ جهت تأمین هزینه‌های خود باید از منابع مالی محلی خود به صورت بهینه استفاده نمایند. یکی از این منابع مالی محلی، عوارض پروانه ساختمانی است. ازآنجایی‌که مبنای محاسبه عوارض پروانه ساختمانی، ارزش معاملاتی املاک می‌باشد؛ لزوم دقت در برآورد قریب به صحت آن از اهمیت زیادی برخوردار است. براین‌اساس، هدف این پژوهش استفاده از مدل شبکه عصبی مصنوعی برای برآورد قیمت املاک مسکونی در منطقۀ دو تبریز است تا از این طریق ارزش روز منطقه­ای که مبنای محاسبه ارزش معاملاتی است؛ به دست آید. این پژوهش از گونۀ پژوهش کاربردی است. جامعه آماری، کلیه قطعات مسکونی منطقه دو شهر تبریز به تعداد 24638 واحد می­باشد. با استفاده از فرمول کوکران 378 واحد نمونه با سطح اطمینان 95 درصد و ضریب خطای 5 درصد برآورد و جهت برآورد مطلوب شبکه عصبی تعداد 400 نمونه استفاده گردیده است. به‌منظور حذف اثر زمان، تنها از داده­های مقطعی مربوط به خرداد لغایت مردادماه سال 1397 استفاده شده است. نتایج، از دقت بالای شبکه عصبی مصنوعی در برآورد قیمت املاک حاکی است. همچنین، مقدار ارزش معاملاتی مصوب در تمام بلوک‌های منطقه دو تبریز نسبت به مقدار ارزش معاملاتی برآورده شده توسط شبکه عصبی مصنوعی کمتر می‌باشد. به­طوری­که، بیشترین اختلاف در برآورد در بلوک‌های شماره 13، 7 و 24 (به‌ترتیب 3.050.380-، 2.752.550- و 2.430.850- ریال) و کمترین میزان اختلاف نیز در بلوک شماره 9 (399.580- ریال) می‌باشد؛ همچنین، ارزش معاملاتی مصوب مجموعاً 11.056.920 ریال کمتر از مقدار برآورد شده می‌باشد.

کلیدواژه‌ها

عنوان مقاله [English]

Comparative Assessment on Regional and Trading Value of Residential Properties Estimating Using Artificial Neural Networks, Case Study: District 2 of Tabriz

نویسندگان [English]

  • Mohammad Nemati 1
  • Shahrivar Roostayi 2
  • Iraj Teimouri 3
1 University of Tabriz
2 University of Tabriz
3 University of Tabriz
چکیده [English]

Municipalities in Iran that serve as local governments in urban affairs must use local financial resources to cover their costs. One of these local financial resources is the cost of a building. Since the basis for calculating the charges have been the value of a real-estate transaction, the correct estimate has been very important. The aim of this paper is to use artificial neural network model for estimating residential property prices in district 2 of Tabriz; to achieve the regional value that is the basis for calculating the trading value. The approach of this research is applied and development researches. Statistical population is the residential property in district two of Tabriz which is 24638. Cochran formula was used to estimate the sample size and estimate 378 as samples. For desirable estimation 400 units were randomly selected. To remove the effect of time, only data from June to August 2018 were used. The data were collected through survey and inquiry from real-estate agents. In this research, were used MATLAB 2013 and ArcMap 10.4. The results show the high accuracy of the artificial neural network in estimating property prices. The trading value approved by all the blocks in district two of Tabriz is lower than the estimated value of the artificial neural network. The highest difference in estimation is in 13, 7 and 24 blocks (respectively -3050380, -2752550 and -2430850 Rial) and the lowest difference is in 9 block (-399850 Rial). Thus, the total trading value is “11,056,920” Rials less than the estimated value.

کلیدواژه‌ها [English]

  • Regional Value
  • Trading Value
  • Artificial Neural Networks
  • District 2
  • Tabriz

مراجع

  1. اداره کل امور مالیاتی استان آذربایجان شرقی. 1396. ارزش معاملاتی املاک تبریز و حومه. سازمان امور مالیاتی کشور.
  2. اکبری، نعمت‌الله. ناهید توسلی. 1387. تحلیل تأثیر عوارض شهرداری‌ها بر قیمت مسکن: مطالعۀ مورد شهر اصفهان (یک رهیافت اقتصادسنجی فضایی). فصلنامه بررسی‌های اقتصادی، دوره پنجم، شماره اول صص 64-47.
  3. امان­پور، سعید. اسماعیل سلیمانی­راد و لیلا کشتکار و صادق چلچله مختاری. 1393. تخمین قیمت مسکن شهر اهواز با استفاده از شبکه عصبی. فصلنامه اقتصاد و مدیریت شهری، سال سوم، شماره نهم، صص 57-45.
  4. پورمحمدی، محمدرضا. رسول قربانی و علی‌اکبر تقی‌پور. 1392. بررسی عوامل مؤثر بر قیمت مسکن در شهر تبریز با استفاده از مدل هدانیک. فصلنامه آمایش جغرافیایی فضا، سال سوم، شماره نهم، صص 104-83.
  5. تیموری، ایرج. نوید سلطان­قیس و یاسر قلی­زاده. 1396. برآورد قیمت مسکن شهری با استفاده از تابع هدانیک و شبکه­های عصبی مصنوعی، موردشناسی: کوی ولیعصر شهر تبریز. فصلنامه جغرافیا و آمایش شهری- منطقه­ای، سال هفتم، شماره بیست‌ودوم، صص 56-41.
  6. حافظ‌نیا. محمدرضا 1389. مقدمه‌ای بر روش تحقیق در علوم‌انسانی. انتشارات سمت.
  7. خمر، غلامعلی و معصومه جوادیان. 1394. پیش‌بینی میزان درآمد حاصل از دریافت عوارض شهری‌ها با استفاده از مدل شبکه عصبی (مطالعه موردی: شهر زابل). نشریه پژوهش و برنامه‌ریزی شهری، دوره ششم، شماره بیست و سوم، صص 21-34.
  8. روستایی، شهریور. ایرج تیموری و محمد نعمتی. 1399. بررسی عوامل مؤثر بر قیمت مسکن شهری با استفاده از شبکۀ عصبی مصنوعی موردشناسی: منطقۀ دو تبریز. فصلنامه جغرافیا و توسعه, دوره هجدهم، شماره پنجاه‌ونهم، صص 129-148.
  9. صامتی، مجید و الهام بخشایش. 1391. تحلیلی از شکل‌گیری رانت در ترکیب درآمدها در بودجه شهرداری اصفهان با تأکید بر فروش تراکم. فصلنامه پژوهش‌های اقتصادی، دوره دوازدهم، شماره سوم، صص 66-47.

10. قلی‌زاده، علی‌اکبر و نعمت‌اله امیری. 1392. نگاهی به ‌نظام مالیاتی بخش مسکن در جهان و چارچوبی برای اصلاح ساختار مالیات‌ها در بخش مسکن. مجله اقتصادی، سال سیزدهم، شماره‌های یازدهم و دوازدهم، صص 110-91.

  1. مرکز آمار ایران. 1393. تعاریف و مفاهیم استاندارد آماری (برای استفاده در طرح­ها و مفاهیم آماری). تهران: مرکز آمار ایران.

12. مهرجردی، روح‌الله تقی‌زاده. احمدفتاحی اردکانی و محمدحسین طهاری و حمید بابایی. 1394. پیش‌بینی مصرف انرژی‌بخش کشاورزی ایران با استفاده از مدل ترکیبی الگوریتم ژنتیک و شبکه‌های عصبی مصنوعی. تحقیقات اقتصاد کشاورزی، دوره هفتم، شماره سوم، صص 149-166.

  1. مهندسان مشاور نقش محیط. 1391. طرح عمران توسعه شهر تبریز؛ شناخت شهر. وزارت راه و شهرسازی، اداره کل راه و شهرسازی استان آذربایجان شرقی.

14. مؤیدفر، رزیتا. نسرین کریمی. 1395. بهینه‌سازی روش های تأمین مالی شهرداری ایلام: رهیافت MCDM و برنامه ریزی خطی. فصلنامه اقتصاد شهری، سال اول، شماره اول، صص 116-95.

15. وارثی، حمیدرضا. لیلا کریمی. 1396. تحلیل جغرافیایی ساختمان‌های بلندمرتبه؛ مطالعۀ موردی: مناطق جنوب رودخانه زاینده‌رود در شهر اصفهان. فصلنامه آمایش جغرافیایی فضا، سال هفتم، شماره بیست‌وچهارم، صص 14-1.

16. یوسفی، محمدقلی. تیمور محمدی و نوید معرف‌زاده. 1392. پیش‌بینی مقدار تقاضای نفت خام در ایران با استفاده از شبکه‌های عصبی مصنوعی (ANN) و مدل ARMAX. فصلنامه اقتصاد انرژی ایران، دوره هفتم، شماره دوم، صص 170-147.

  1. Bradley, Sebastien. 2018. Assessment limits and timing of real estate transactions. Journal of Regional Science and Urban Economics, Vol 70, pp 360-372.
  2. Chakraverty, Snehashish. Susmita Mall. 2017. Artificial Neural Networks for Engineers and Scientists Solving Ordinary Differential Equations, CRC Press.
  3. Chiarazzoa, Vincenza. Leonardo Caggiani & Mario Marinelli & Michele 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, pp 810 - 817.
  4. Cozmei, Cătălina. Muler Onofrei. 2012. Impact of property taxes on commercial real estate competition in Romania. Journal of Procedia Economics and Finance, 3: 604-610.
  5. Damon J. Gross. 1999. Comments on the problem of public revenue, Kenneth C. Wenzer (Ed.), Land-value Taxation: The Equitable and Efficient Source of Public Finance. M.E. Sharpe, New York, pp 166-183.
  6. Díaz-Álvarez, Alberto. Miguel Clavijo & Felipe Jiménez & Edgar Talavera &  Francisco Serradilla. 2018. Modelling the human lane-change execution behaviour through Multilayer Perceptrons and Convolutional Neural Networks, Journal of Transportation Research Part F: Traffic Psychology and Behaviour, 56: 134-148.
  7. England W. Richard. Min Qiang  Zhao & Ju-Chin Huanga. 2013. Impacts of property taxation on residential real estate development. Journal of Housing Economics, 22(1): 45-53.
  8. Foldvary Fred Emanuel. Luca Andrea Minola. 2017. The taxation of land value as the means towards optimal urban development and the extirpation of excessive economic inequality. Journal of Land Use Policy, 69: 331-337.
  9. Hamadache, Mabrouk. Othmane Benkortbi & SalahHanini AbdeltifAmrane. 2017. Application of multilayer perceptron for prediction of the rat acute toxicity of insecticides, Journal of Energy Procedia, 139: 37-42.
  10. Janoušková, Jana. Šárka Sobotovičová. 2019. Fiscal autonomy of municipalities in the context of land taxation in the Czech Republic. Journal of Land Use Policy, 82: 30-36.
  11. Lyytikäinen, Teemu. 2009. Three-rate property taxation and housing construction. Journal of Urban Economics, 65(3): 305-313.
  12. Naga Satish, G.Ch. Raghavendran, V.
    Sugnana Rao, M.D. and Srinivasulu, Ch. 2018. House Price Prediction Using Machine Learning, International Journal of Innovative Technology and Exploring Engineering, 8(9): 717-722.
  13. Nguyen, Nghiep and Al Cripps. 2001. Predicting Housing Value: A Comparison of Multiple Regression Analysis and Artificial Neural Networks, Journal of Real Estate Research. 22(3): 313-336.
  14. Peterson, Steven. Albert B. Flanagan. 2009. Neural Network Hedonic Pricing Models in Mass Real Estate Appraisal.Journal of Real Estate Research, 31(2): 147-164.
  15. Shanmuganathan, Subana. Sandhya Samarasinghe. 2016. Artificial Neural Network Modelling, Springer International Publishing.
  16. Yang, Zhou. 2018. Differential effects of land value taxation, Journal of Housing Economics, 39: 33-39.
  17. www.m2.tabriz.ir

فایل ها

هم رسانی

ارجاع به این مقاله

آمار