مدلی ترکیبی برای تخمین قیمت مسکن: مطالعه موردی شهر تهران

هدف این مطالعه ایجاد مدل ترکیبی برای تخمین قیمت مسکن در شهر تهران است. تخمین قیمت مسکن از جنبه‌های متعدد مهم است. قیمت تخمینی مسکن بر نحوه‌ی برنامه‌ریزی، طراحی و ساخت مسکن تاثیر می‌گذارد. با آگاهی از قیمت تخمینی مسکن، سرمایه‌گذاران و سازندگان مسکن می‌توانند میزان سود یا ضرر خود را تخمین بزنند و با ریسک کمتری سرمایه گذاری کنند. کاهش ریسک سرمایه‌گذاری در مسکن باعث ایجاد فرصت‌های شغلی بیشتر، رشد اقتصادی و کاهش معضل‌های اقتصادی و اجتماعی ناشی از کمبود مسکن با کیفیت و قیمت مناسب می‌شود. عوامل متعددی مانند قیمت دوره‌ی قبل مسکن، تغییرات جمعیت، هزینه‌ی ساخت مسکن و تغییرات فصل تاثیر معناداری بر قیمت مسکن دارند. در این پژوهش، ابتدا عوامل کلان و اقتصاد خرد که بر قیمت مسکن تاثیر می‌گذارند بررسی و داده‌های مربوطه جمع‌آوری شد. در مرحله بعدی، داده‌ها غربال‌گری و آماده‌سازی شد. سپس، از داده‌ها برای توسعه مدل‌های رگرسیون و مدل‌های سری زمانی شامل میانگین متحرک خودهمبسته‌ی یکپارچه (آریما) و اتورگرسیون برداری استفاده شد. با استفاده از مدل رگرسیون می‌توان قیمت مسکن در سال‌های مختلف را بر اساس مجموعه‌ای از متغیرهای مستقل محاسبه کرد. مدل آریما خروجی مدل رگرسیون را دریافت می‎کند و قیمت مسکن را در سال‌های بعد تخمین می‌زند. از طرف دیگر، مدل اتورگرسیون برداری نیز می‎تواند به صورت مستقل برای تخمین قیمت مسکن استفاده شود. برای مقایسه عملکرد مدل‌ها، میزان خطای آن‌ها به دو روش درصد میانگین مطلق خطا و خطای استاندارد نسبی اندازه‌گیری شد. براساس این اندازه گیری، میزان خطای مدل اتورگرسیون برداری از ترکیب مدل رگرسیون و آریما کمتر است زیرا در مدل اتورگرسیون برداری، تاثیر متغیرهای مستقل به‌طور مستقیم در مدل اعمال شده است. مدل‌های ساخته‌شده در این پژوهش به سیاست‌گذاران، سرمایه‌گذاران، توسعه‌دهندگان، خریداران مسکن و موسسات مالی کمک می‌کند تا قیمت‌ مسکن را تخمین بزنند و آگاهانه در خصوص سرمایه‎گذاری در مسکن تصمیم بگیرند.

multiple model for estimating house prices: case study tehran city

this study explores multiple mathematical models for estimating house prices in tehran, iran. estimation of house prices is vital from various perspectives. estimated prices can be used in the planning, design, and construction of residential building projects. based on the estimated future prices of residential units, investors and constructors can conduct an investment analysis and mitigate the risk of the financial failure of residential projects. reducing the investment risk of residential projects can lead to jobs creation and economic growth. several factors such as previous house prices, population changes, house construction costs, and seasonal effects can significantly affect house prices. in this research, first, the macro and microeconomic factors that affect house prices were reviewed, and relevant data were collected. the next step was data preparation and pre processing. then, the data was used to train several models using regression and time series analysis models, namely autoregressive integrated moving average and vector autoregression. the current house prices can be estimated using the regression model based on a set of independent variables such as the age of the building. the arima model receives the output of the regression model and estimate house price in the subsequent year. alternatively, the vector autoregression model can be used independently to estimate future prices. to compare the performance of the models, their error was measured by two methods: mean absolute percentage error and relative standard error. the error of the autoregression model is less than the combination of regression and arima models because in the autoregression model, the effect of independent variables is directly applied in the model. the models developed in this research can help decision makers, investors, developers, homebuyers, and financial institutes obtain appropriately estimated prices and make informed decisions in construction projects.