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

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 53.8 درصد، سهم متغیر‌های دسترسی برابر با 39.2 درصد و سهم متغی‌های محیطی 7 درصد می‌باشد. از بین کل متغیر‌ها، متغیر‌های مساحت زیربنا با 28.4 درصد، فاصله از مراکز درمانی با 6.4 درصد، فاصله از مراکز بهداشتی با 5.1 درصد و نمای ساختمان با 4.6 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.

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

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 macroeconomic 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 realestate 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.