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

شهرداری‌ها در ایران که به‌عنوان متولی محلی در زمینه اداره شهر عمل می‌نمایند؛ جهت تامین 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 منطقه ای 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 می باشد. 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 داده های 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. به طوری که، 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.

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

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 realestate 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 realestate 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.