مقایسه عملکرد شبکه عصبی و رگرسیون چند متغیره در تخمین قیمت مسکن (مطالعه موردی: شهر اهواز)

محورهای موضوعی : برنامه ریزی شهری

سعید امانپور ¹ , اسماعیل سلیمانی راد ² , لیلا کشتکار ³ , صادق مختاری ⁴

1 - دانشیار گروه جغرافیا دانشگاه شهید چمران اهواز
2 - دانشجوی دکتری جغرافیا و برنامه‌ریزی شهری دانشگاه تبریز
3 - دانشجوی دکتری جغرافیا و برنامه‌ریزی شهری دانشگاه یزد
4 - دانشجوی دکتری جغرافیا و برنامه‌ریزی روستایی دانشگاه زنجان

تاریخ دریافت : 1396/02/23 تاریخ پذیرش : 1396/11/15 تاریخ انتشار : 1397/02/01

کلید واژه: شبکه عصبی, رگرسیون چند متغیره, اهواز, ضریب تبیین,

چکیده مقاله :

مسکن همواره نیازی اساسی در جامعه تلقی می‌گردد. بازار مسکن طی سال‌های گذشته یکی از پرنوسان-ترین بخش‌های اقتصاد کشور ایران بوده است. از آنجایی که نغییرات بخش مسکن تاثیر فراوانی بر سایر بخش‌های اقتصاد دارد بنابراین یکی از نیازهای قابل توجه در امر مسکن، پیش‌بینی دقیق قیمت این کالا می-باشد. در این راستا در پژوهش حاضر با استفاده از شبکه عصبی مصنوعی پرسپترون چند لایه، مدلی برای پیش‌بینی قیمت مسکن در شهر اهواز ارائه و نتایج آن با مدل رگرسیون چند متغیره مقایسه گردیده است. نوع تحقیق توسعه‌ای–کاربردی و روش انجام آن توصیفی- تحلیلی می‌باشد. به این منظور 233 نمونه واحد آماری در سال 1392 بر اساس 16 متغیر مربوطه مورد ارزیابی قرار گرفت. نتایج نشان داد که شبکه عصبی پرسپترون چند لایه با دقت 91 درصدی نسبت به رگرسیون چند متغیره دارای دقت بیشتری در پیش‌بینی قیمت مسکن بوده است. همچنین جهت ارزیابی عملکرد مدل‌ها از ضرایب ، RMSE استفاده شد. ضریب تبیین ( ) با استفاده از رگرسیون چند متغیره 789. و مقدار آن برای شبکه عصبی 918. می‌باشد. نتایج ارزیابی مدل رگرسیون مبین عملکرد ضعیف‌تر این مدل در مقایسه با روش شبکه عصبی مصنوعی است.

چکیده انگلیسی:

Housing is a basic need in the community always. Housing market has been one of the most fluctuation sectors of the economy of Iran country over the past years. Since the housing sector changes have a great impact on other sectors of the economy, so one of the significant needs of housing is predicting the price of this good. In this context, in this study by using of multi-layer perceptron neural network, presented a model to predict housing price in the city of Ahvaz and the results compared with the multivariate regression model. This study is a practical–developmental and its method is analytical- descriptive. To do this, 233 samples of statistical unit in 1392 were analyzed on the basis of 16 relevant variables. The results show that multi-layer neural network with 91 percent accuracy have been more accurate compared with the multivariate regression in the predicting housing prices. In addition to evaluating the performance of models coefficients R^2 and RMSE were used. Coefficient of determination (R^2) by using multivariate regression is .789 and its value for neural network is .918. The result of the regression model indicates weaker performance of this model compared to artificial neural network approach.

منابع و مأخذ:

1-                 بیاتی، هادی، نجفی، اکبر، عبدالمالکی، پرویز (1391): مقایسه بین شبکه عصبی و تحلیل رگرسیون در برآورد مدت زمان قطع درخت، فصلنامه تحقیقات جنگل و صنوبر ایران، جلد 20، شماره 4.

2-                 جلالی لیچایی، مجتبی، بید هندی، محمد نبی (1385): مقایسه روش‌های رگرسیون خطی چندگانه و شبکه‌های عصبی مصنوعی برای برآورد تخلخل و نقوذپذیری، نشریه علوم و زمین، سال شانزدهم، شماره 61.

3-                 خلیلی عراقی، سید منصور، مهرآرا، محسن، عظیمی، سیدرضا (1391): بررسی عوامل مؤثر بر قیمت مسکن در ایران با استفاده از داده‌های ترکیبی، فصلنامه پژوهش­ها و سیاست­های اقتصادی، سال بیستم، شماره 63.

4-                 خلیلی عراقی، منصور، نوبهار، الهام (1390): پیش‌بینی قیمت مسکن در شهر تبریز: کاربرد مدل‌های قیمت هدانیک و شبکه عصبی مصنوعی، فصلنامه پژوهش‌ها و سیاست­های اقتصادی، سال نوزدهم، شماره 60.

5-                 سرمدیان، فریدون، تقی‌زاده مهرجردی، روح اله، عسگری، حسین محمد، اکبرزاده، علی (1389): مقایسه روش‌های نروفازی، شبکه عصبی و رگرسیون چند متغیره در پیش‌بینی برخی خصوصیات خاک (مطالعه موردی: استان گلستان)، مجله تحقیقات آب و خاک ایران، دوره 41، شماره 1.

6-                 سهرابی وفا، حسین، نوری، فاطمه، عبادی، مرتضی (1392): پیش‌بینی تقاضای انرژی با استفاده از شبکه عصبی مبتنی بر الگوریتم انبوه ذرات.، نشریه انرژی ایران، دوره 16، شماره 3.

7-                 صدرموسوی، میرستار، رحیمی، اکبر (1388): مقایسه نتایج شبکه‌های عصبی پرسپترون چند لایه با رگرسیون چندگانه در پیش بینی غلظت ازن در شهر تبریز، پژوهش‌های جغرافیای طبیعی، شماره 71.

8-                 طبیبی، کمیل، آذربایجانی، کریم، یباری، لیلی (1388): مقایسه مدل‌های شبکه‌های عصبی مصنوعی و سری‌های زمانی برای پیش بینی قیمت گوشت مرغ در ایران، پژوهشنامه علوم اقتصادی، سال نهم، شماره 1.

9-                 عباسعلی، ولی، رامشت،محمد حسین، سیف، عبداله، قضاوی، رضا (1389): مقایسه کارآیی مدل‌های شبکه‌های عصبی مصنوعی و رگرسیون برای پیش بینی بار رسوب جریان مطالعه موردی حوضه آبخیز سمندگان سمندگان، جغرافیا و برنامه ریزی محیطی، سال 22، شماره پیاپی 44، شماره 4.

10-              عسکری، علی، قادری، جعفر (1381): مدل هدانیک تعیین قیمت مسکن در مناطق شهری ایران، پژوهش­های رشد و توسعه پایدار، شماره 4.

11-              عسگری، حشمت اله، الماسی، اسحاق (1390): بررسی عوامل موثر بر قیمت مسکن در مناطق شهری کشور به روش داده­های تابلویی (طی سال های 1370 تا 1385)، فصلنامه پژوهش­های اقتصادی، سال یازدهم، شماره 2.

12-              فرج زاده، منوچهر، دارند، محمد (1388): مقایسه روش‌های رگرسیون خطی و شبکه عصبی مصنوعی در پیش بینی میزان مرگ و میر به عنوان تابعی از دمای هوا (مطالعه موردی: تهران)، دوره دوازدهم، شماره سوم.

13-              فنی، زهره، دویران، اسماعیل (1387): پژوهشی در بازار زمین و مسکن (مورد: شهر زنجان، سالهای 1378 الی 1386)، مسکن و محیط روستا، شماره 124.

14-              محمدزاده، پرویز، منصوری، مسعود، کوهی لیلان، بابک (1391): تخمین قیمت هدانیک ساختمان­های مسکونی در شهر تبریز: با رویکرد اقتصادسنجی فضایی، فصلنامه مدلسازی اقتصادی، سال ششم، شماره 2.

15-              نوری، روح اله، اشرفی، خسرو، اژدرپور، ابوالفضل (1387): مقایسه کاربرد روش­های شبکه عصبی مصنوعی و رگرسیون خطی چند متغیره بر اساس تحلیل مولفه‌های اصلی برای پیش‌بینی غلظت میانگین روزانه کربن مونوکسی: بررسی موردی شهر تهران، مجله فیزیک زمین و فضا، دوره 34، شماره 1.

16-              Balan, B., Mohaghegh, S., & Ameri, S. (1995). State-of-the-art in permeability determination from well log data: part 1-A comparative study, model development. Paper SPE, 30978, 17-21.

17-              Corani, G. (2005). Air quality prediction in Milan: feed-forward neural networks, pruned neural networks and lazy learning. Ecological Modelling, 185(2), 513-529.

18-              Pasini, A., Lore, M., and Ameli, F (2005) Neural network modelling for the analysis of forcings/temperatures relationships at different scales in the climate system, Ecological Modeling, in press.

19-              Peterson, S., & Flanagan, A. B. (2009). Neural network hedonic pricing models in mass real estate appraisal. Journal of Real Estate Research, 31(2), 147-164.

20-              Şahin, M., Kaya, Y., & Uyar, M. (2013). Comparison of ANN and MLR models for estimating solar radiation in Turkey using NOAA/AVHRR data. Advances in Space Research, 51(5), 891-904.

21-              Sarkar, K., Tiwary, A., & Singh, T. N. (2010). Estimation of strength parameters of rock using artificial neural networks. Bulletin of engineering geology and the environment, 69(4), 599-606.

22-              Vakil-Baghmisheh, M.T. 2002. Fari character recognition using artificial neural netwoks, Ph.D. Thesis, Faculty of Electrical Engineering, University of Ljubljana, Slovenia.

Werner D, Francisco J A,  Artifitial intelligence in the life sciences, Artif Intell Rev 2003; 20: 7-11