برآورد محلي قيمت واحدهاي مسكوني با استفاده از الگوريتم يادگيري ماشين

كارشناسي ارشد

بازار مسكن محيطي است كه در آن خدمات قابل‌ارائه مسكن توسط مكانيزم عرضه و تقاضا تعريف شده و مي‌تواند تحت‌تأثير متغيرهاي كلان اقتصادي، تفاوت‌هاي فضايي، ويژگي‌هاي ساختاري اجتماعي و امكانات محيطي قرار گيرد. پيش‌بيني قيمت مسكن عموماً با تصريح يك مدل رگرسيوني وابسته به مؤلفه‌هايي نظير ويژگي‌هاي ساختاري و محيط همسايگي انجام مي‌شود و بسياري از پژوهشگران از انواع مختلف مدل هدانيك تعيين قيمت مسكن استفاده نموده‌اند. فرايند تحليل داده‌هاي قيمت مسكن و رشد آن كه به‌نوعي داده‌هاي فضايي هستند، تحت‌تأثير وابستگي فضايي قرار دارد. اين بدان معنا است كه قيمت مسكن و تغييرات آن در يك ناحيه سبب تغييرات قيمت مسكن در نواحي هم جوار مي‌شود. همچنين انحراف در مشاهدات وابستگي فضايي در تغييرات قيمت مسكن بين نواحي مختلف در طول زمان وجود دارد. بررسي و تصريح مدل‌هاي اقتصادسنجي فضايي مرتبط با بازار مسكن، نياز به حجم زيادي از داده‌ دارد و گردآوري نمونه‌هاي به‌اندازه كافي و داراي مشخصات كامل، مستلزم صرف وقت و هزينه نسبتاً زياد است. امروزه استفاده از الگوريتم‌هاي يادگيري ماشين براي شناسايي و تخمين داده‌هاي انبوه و پيچيده در حوزه‌هاي مختلف علوم از جمله اقتصاد پركاربرد شده است. به دليل وجود تعداد محدودي داده‌هاي برچسب خورده قيمتي در بازار مسكن و نيز وجود ناهمساني فضايي و تغييرات محلي در اثرگذاري ويژگي‌هاي مسكن بر قيمت آن، اين پژوهش رويكردي ارائه نموده است كه به طور هم‌زمان از مزاياي رگرسيون وزني جغرافيايي و نيز يادگيري نيمه نظارتي آموزش مشترك براي افزايش تناسب داده‌هاي قيمتي بازار مسكن كلان‌شهر اصفهان و بهبود تخمين ضرايب رگرسيون، استفاده نمايد. نتايج اين پژوهش نشان داده است كه داده‌هاي مرتبط با تعيين قيمت مسكن، وابسته به مكان بوده و داراي خودهمبستگي و ناهمگوني فضايي هستند. ضريب تعيين روش رگرسيون سنتي براي داده‌هاي مدل پژوهش، 0.79 حاصل شده است، درحالي‌كه اين معيار براي روش رگرسيون وزني جغرافيايي با هسته تطبيفي، 0.898 و هسته ثابت، 0.819به دست آمده است. معيار مجموع مربعات باقيمانده در روش سنتي، 288.8 و در روش وزني جغرافيايي با هسته تطبيقي و ثابت به ترتيب 65.66 و 114.64 حاصل شده است. معيار اطلاعات آكائيك روش‌هاي رگرسيون سنتي، وزني جغرافيايي تطبيقي و ثابت به ترتيب 1787.47، 26.91 و 555.44 شده است كه به وضوح برتري روش رگرسيون وزني جغرافيايي بر ساير روش‌هاي رگرسيون خطي را نشان مي‌دهد. پس‌از اجراي الگوريتم يادگيري مشترك ماشين با دو رگرسور وزني جغرافيايي، علاوه بر افزايش تعداد داده‌هاي داراي برچسب قيمت، ضريب تعيين مدل بهبود يافت و مشخصا ميانگين مقادير مجموع مربعات باقيمانده مدل‌ها در هر دور آموزش، افزايش نيافت كه نشان‌دهنده عملكرد خوب الگوريتم پيشنهادي بوده است.

230407

دانشگاه اصفهان

مجيد صامتي

علوم اقتصادي- اقتصاد شهري

شكوفه فرهمند