Hesaplamalı araştırma makalesi incelemesi

Gaziantep Gayrimenkul Piyasası İçin Web Kazıma Yöntemi Kullanılarak Yapılan Tahmin Analizi

Gayrimenkul sektörü, yatırımcılar ve mülk sahibi olmak isteyen bireyler için ekonomik ve sosyal açıdan kritik bir rol oynamaktadır. Türkiye'de gayrimenkul fiyatları enflasyon, genel ekonomik yapı ve bölgesel talep gibi dışsal faktörlerin yanı sıra metrekare, oda sayısı, ilçe ve mahalle gibi içsel niteliklerden etkilenmektedir.

Makalenin anahtar kelimeleri

Yazar: Ali Can ÜZÜMCÜ & Nazmiye Eligüzel
Yayın: Bitlis Eren Üniversitesi Fen Bilimleri Dergisi
Tarih: 2023-03-22
DOI: 10.17798/bitlisfen.1155725

Makalenin Kapsamı ve Akademik İçeriği

Gayrimenkul piyasaları, bireysel yatırımcılar ve hanehalkları için hayati bir ekonomik karar alanını oluşturmaktadır. Türkiye'de konut sahipliği yaşam kalitesinin ve finansal güvencenin temel bir unsuru olarak değerlendirilmekte, ancak makroekonomik dalgalanmalar, enflasyon ve bölgesel dinamikler konut fiyatlarında belirgin artışlara yol açmaktadır. Gaziantep, Türkiye'deki konut satışlarında ilk on il arasında yer almasına ve metrekare bazında ciddi fiyat artışları yaşamasına rağmen, yerel piyasada bütçe ve konut niteliklerine uygun lokasyon seçimine yönelik veri odaklı analizler sınırlıdır. Literatürde konut fiyatlarının doğrudan tahmin edilmesine yönelik çok sayıda model bulunmasına karşın, alıcıların bütçeleri dâhilinde hangi mahallelerde ikamet edebileceklerini sınıflandıran araştırmaların azlığı bu çalışmanın temel akademik sorununu oluşturmaktadır.

Bu çalışma, potansiyel bir konut alıcısının bütçesi ve aradığı fiziksel nitelikler doğrultusunda Gaziantep ilinde hangi mahallede yaşayabileceğini makine öğrenmesi yöntemleriyle tahmin etmeyi amaçlamaktadır. Araştırmada veri toplama aşamasında web kazıma yöntemi kullanılmış ve 25 Haziran 2022 tarihinde EmlakBuluyoruz.Com web sitesinden Gaziantep iline ait satılık konut ilanlarını içeren 548 adet veri noktası çekilmiştir. Elde edilen veri setinde metrekare, oda sayısı, ilçe, mülk türü ve fiyat bağımsız değişkenler olarak tanımlanırken; 75 farklı sınıfı içeren mahalle değişkeni hedef sınıf olarak belirlenmiştir. Toplanan veriler Python ortamında Scikit-learn kütüphanesi kullanılarak Karar Ağacı, Rastgele Orman ve Ekstra Ağaçlar sınıflandırma algoritmalarıyla işlenmiştir.

Modellerin performans değerlendirmesinde sınıflandırma doğruluğu (ACC) ile macro-averaged F-ölçütü parametreleri dikkate alınmıştır. Elde edilen ampirik bulgular, uygulanan tüm algoritmaların yüzde 84'ün üzerinde tatmin edici bir tahmin başarısı gösterdiğini ortaya koymuştur. Karar Ağacı algoritması yüzde 87,8 doğruluk, yüzde 86,9 F-ölçütü, yüzde 90 hassasiyet ve yüzde 87,9 duyarlılık değerleri ile en yüksek performansı sergileyen model olmuştur. Ekstra Ağaçlar algoritması yüzde 86,3 doğruluk oranı ile ikinci sırada yer alırken, Rastgele Orman modeli yüzde 84,8 doğruluk oranı ile karşılaştırılan teknikler arasında en düşük ancak yine de başarılı bir performans sunmuştur.

Çalışmanın tartışma ve sonuç bölümünde elde edilen bulgular literatürdeki fiyat tahmini odaklı araştırmalarla karşılaştırılmıştır. Araştırmacılar, konut fiyatı kestirimi yerine doğrudan mahalle sınıflandırmasını hedeflemelerinin ve mülk niteliklerini bütüncül bir biçimde analize dâhil etmelerinin çalışmayı önceki literatürden ayıran temel nitelik olduğunu vurgulamaktadır. Makalede ulaşılan sonuçlar, alıcılar, yatırımcılar ve gayrimenkul geliştiricileri için bütçe-lokasyon uyumunu optimize eden pratik bir karar destek aracı sunmaktadır. Veri toplama sürecinin tek bir web sitesi ve belirli bir zaman aralığı ile sınırlı olması çalışmanın temel kısıtı olarak belirtilmiş; gelecek araştırmalar için farklı emlak platformlarının entegrasyonu ve Türkiye geneline dönük ölçeklenebilir analizler önerilmiştir.

Araştırmanın amacı

Bu çalışmanın amacı, potansiyel bir gayrimenkul alıcısının finansal durumuna ve aradığı mülk özelliklerine bağlı olarak hangi mahallede yaşayabileceğini makine öğrenmesi algoritmalarıyla tahmin etmektir(ÜZÜMCÜ & Eligüzel, 2023).

İnceleme ve modelleme yöntemi

Bu çalışmada gayrimenkul verilerinin web kazıma yöntemiyle otomatik toplanması ve Scikit-learn kütüphanesindeki makine öğrenmesi algoritmaları ile mahalle düzeyinde sınıflandırılmasına dayanan sayısal ve deneysel bir hesaplamalı yaklaşım benimsenmiştir(ÜZÜMCÜ & Eligüzel, 2023).

Kuramsal ve kavramsal çerçeve

Çalışma, veri madenciliği ve veri temelli karar destek sistemleri çerçevesine dayanmaktadır. Hedonik fiyatlandırma teorisinde konutların içsel nitelikleri (metrekare, oda sayısı, mülk türü) ile lokasyonel unsurlar (ilçe, mahalle) arasındaki ilişki esastır. Bu çalışmada söz konusu nitelikler denetimli makine öğrenmesi sınıflandırma algoritmaları (Karar Ağaçları, Rastgele Orman ve Ekstra Ağaçlar) vasıtasıyla modellenerek karmaşık doğrusal olmayan ilişkiler çözümlenmektedir.

Makalenin ele aldığı literatür

Çalışma, gayrimenkul değerlendirmesinde geleneksel maliyet ve gelir yaklaşımlarının ötesine geçerek makine öğrenmesi ve web kazıma teknolojilerini kullanan literatürü temel almaktadır. Hu ve diğerleri (2022), Xue ve Yao (2022), Sevinç (2022), Chou ve diğerleri (2022), Louati ve diğerleri (2022) ile Kim ve diğerlerinin (2021) çalışmaları incelenmiş; fiyat tahmini yapan mevcut araştırmalardan farklı olarak doğrudan mahalle sınıflandırmasına odaklanıldığı vurgulanmıştır.

Araştırma Tasarımı

Evren veya inceleme alanı: Gaziantep ili konut emlak piyasasında EmlakBuluyoruz.Com web sitesinde yer alan satılık konut ilanları veritabanı.
Örneklem veya araştırma materyali: 25 Haziran 2022 tarihinde web kazıma yöntemiyle çekilen, 75 farklı mahalleyi kapsayan 548 adet satılık konut ilanı verisi.
Veri toplama süreci: Python dilindeki Requests modülü ile HTML içeriğine erişilmiş ve BeautifulSoup modülü kullanılarak konut metrekaresi, oda sayısı, ilçe, mahalle, emlak türü ve fiyat bilgileri otomatik toplanarak Excel dosyasına kaydedilmiştir.
Veri analiz yöntemi: Scikit-learn kütüphanesi kullanılarak Karar Ağacı (DT), Rastgele Orman (RF) ve Ekstra Ağaçlar (ET) algoritmalarıyla mahalle sınıflandırması yapılmış; modeller Karmaşıklık Matrisi üzerinden Doğruluk (ACC), Kesinlik, Duyarlılık ve Makro-Ortalamalı F-ölçütü metrikleriyle değerlendirilmiştir.

Web Kazıma (Web Scraping)Mahalle SınıflandırmasıKarar Ağacı (Decision Tree)Rastgele Orman (Random Forest)Ekstra Ağaçlar (Extra Trees)Konut Fiyatı ve MetrekareOda Sayısı

Araştırmanın Bulguları

Uygulanan tüm makine öğrenmesi algoritmaları mahalle tahmininde %84'ün üzerinde doğruluk ve F-ölçütü performansı sergilemiştir(ÜZÜMCÜ & Eligüzel, 2023).

Karar ağacı algoritması, %87.8 doğruluk ve %86.9 F-ölçütü değerleriyle incelenen modeller arasında en yüksek sınıflandırma performansını vermiştir(ÜZÜMCÜ & Eligüzel, 2023).

EmlakBuluyoruz.com platformundan web kazıma yöntemiyle 25 Haziran 2022 tarihinde Gaziantep konut piyasasına ait 548 adet geçerli veri toplanmıştır(ÜZÜMCÜ & Eligüzel, 2023).

Araştırmada mahalle tahmini hedef değişken olarak belirlenmiş olup sınıflandırma modelinde toplam 75 farklı mahalle sınıfı yer almıştır(ÜZÜMCÜ & Eligüzel, 2023).

Bulguların Tartışılması ve Araştırmanın Sonucu

Bulguların Yazarlar Tarafından Yorumlanışı

Çalışmada web kazıma yöntemiyle elde edilen veriler üzerinden yürütülen makine öğrenmesi analizleri, mülk nitelikleri ve fiyat verilerinin mahalle sınıflandırmasında yüksek doğrulukla kullanılabileceğini ortaya koymaktadır. Karar ağacı algoritması %87.8 doğruluk oranıyla öne çıkarken, rastgele orman ve ekstra ağaçlar modelleri de %84'ün üzerinde performans sergilemiştir.

Yazarlar, karar ağacı modelinin diğer enstrümanlara göre daha başarılı sonuç vermesini algoritmanın nitel ve nicel emlak değişkenleri arasındaki doğrusal olmayan karmaşık ilişkileri ve kural tabanlı yapıyı daha etkin modelleyebilmesine bağlamaktadır. Fiyat, metrekare, oda sayısı ve ilçe gibi değişkenlerin birleşimi mahalle düzeyindeki sosyo-ekonomik ve mekânsal ayrışmayı belirgin şekilde yansıtmaktadır.

Literatürdeki geleneksel konut değerleme ve fiyat tahmin çalışmalarından farklı olarak bu araştırmada doğrudan mahalle sınıflandırmasına odaklanılmıştır. Louati ve diğerlerinin çalışmasında rastgele orman algoritması öne çıkarken, Gaziantep özelinde karar ağacının üstünlük sağlaması bölgesel veri yapısının ve nitelik dağılımının model performansı üzerindeki etkisini göstermektedir.

Sonuç olarak, kamuya açık emlak ilanlarından otomatik veri toplama ve makine öğrenmesiyle işleme yaklaşımının gayrimenkul piyasalarında pratik bir karar destek aracı olabileceği değerlendirilmektedir. Tek bir web sitesi ve belirli bir zaman dilimiyle sınırlı olan veri setinin, gelecekte tüm Türkiye genelini ve farklı platformları kapsayacak şekilde genişletilmesi önerilmektedir.

Bulguların Önceki Araştırmalarla Karşılaştırılması

Yazarlar gayrimenkul fiyat tahmini yapan önceki çalışmaların aksine konut fiyatının kendisini tahmin etmek yerine, mülk özelliklerine ve bütçeye dayalı olarak yaşanabilecek mahalleyi sınıflandıran bir yaklaşım sunarak literatürdeki fiyat odaklı modellemelerden ayrıştıklarını belirtmiştir(ÜZÜMCÜ & Eligüzel, 2023).

Riyad şehrindeki arazi fiyatlarını tahmin etmek için karar ağacı ve rastgele orman algoritmalarını karşılaştıran Louati ve arkadaşları rastgele ormanın en iyi performansı gösterdiğini bulurken, bu çalışmada Gaziantep konut verileri üzerinde karar ağacı algoritması en yüksek doğruluk oranına ulaşmıştır(ÜZÜMCÜ & Eligüzel, 2023).

Sonuç Bölümünün Sunduğu Çıkarımlar

Çalışmada, kamuya açık emlak verilerinden web kazıma yoluyla elde edilen mülk nitelikleri ve fiyat değişkenleri kullanılarak Gaziantep'te yaşanabilecek mahallelerin tahmin edilebileceği gösterilmiştir. Karar ağacı, rastgele orman ve ekstra ağaçlar algoritmalarının tamamı yüksek başarı göstermekle birlikte karar ağacı modeli en iyi sonuçu vermiştir. Elde edilen bulgular, konut alıcıları, yatırımcılar ve karar vericiler için bütçelerine uygun yerleşim alanlarını belirlemede pratik bir yönlendirme sağlamaktadır(ÜZÜMCÜ & Eligüzel, 2023).

Literatür Taraması İçin Sunduğu Çerçeve

Bu çalışma, gayrimenkul piyasalarında karar desteği sağlamak amacıyla web kazıma yöntemi ile makine öğrenmesi sınıflandırma algoritmalarını birleştiren ampirik bir model sunmaktadır. Literatürde ağırlıklı olarak konut veya arazi satış fiyatlarının doğrudan sayısal olarak tahmin edilmesine odaklanılırken, bu araştırma alıcıların bütçeleri ve konut özellikleri çerçevesinde yaşayabilecekleri mahalleleri sınıflandırmaya yönelerek yazında hedefe yönelik özgün bir yaklaşım geliştirmektedir.

Önceki araştırmalar genellikle hedonik fiyatlandırma modelleri, regresyon analizleri ve yapay zeka teknikleriyle konutların parasal değerini kestirmeye çalışmıştır. Bu makale, literatürdeki fiyat tahmini geleneğinden farklılaşarak doğrudan mekânsal birim olan mahalle değişkenini hedef sınıf olarak ele almıştır. Ayrıca geleneksel anket veya resmi veri toplama süreçlerinin aksine web kazıma tekniğini kullanarak dinamik ilan verilerini veri madenciliği süreçlerine aktarması bakımından önceki çalışmalardan ayrılmaktadır.

Gayrimenkul ve veri bilimi literatürünü kapsayan bir incelemede bu araştırma, açık erişimli web verilerinin makine öğrenmesiyle işlenmesinin kentsel konut tercihlerinde nasıl pratik çözümler sunabileceğini kanıtlamaktadır. Karar ağacı, rastgele orman ve ekstra ağaçlar algoritmalarının karşılaştırmalı performansını sunarak yerel piyasa verilerinde karar ağaçlarının kural tabanlı yapısının sağladığı yüksek doğruluk oranını literatürdeki yöntem tartışmalarına kazandırmaktadır.

Kaynakça

Chou, J. S., Fleshman, D. B., & Truong, D. N. (2022). Comparison of machine learning models to provide preliminary forecasts of real estate prices. Neural Computing and Applications, 34(12), 10123-10140.
Louati, A., Lahyani, R., Aldaej, A., Aldumaykhi, A., & Otai, S. (2022). Price forecasting for real estate using machine learning: A case study on Riyadh city. Concurrency and Computation: Practice and Experience, 34(6), e6748.

Tez ve Makale Araştırmalarında Kullanım

Makalenin doğrulanmış yöntemi, bulguları ve kuramsal çerçevesi; tez ve makale çalışmalarında kullanılacağı bölümle birlikte aşağıdaki üç araştırma taslağına dönüştürülmüştür.

Tez veya makalede kullanım · literatüre-review

Gayrimenkul piyasalarında web kazıma teknikleri, dinamik ve güncel ilan verilerine erişim sağlayarak geleneksel veri toplama kısıtlarını aşmada etkili bir araçtır.

Yazarların EmlakBuluyoruz.com üzerinden 548 adet geçerli konut verisini çekerek veri seti oluşturması, emlak analizlerinde veri madenciliği yöntemlerinin pratikliğini destekleyen ampirik bir kanıt olarak alıntılayabilir(ÜZÜMCÜ & Eligüzel, 2023).

Çoklu Emlak Portallarından Web Kazıma ile Türkiye Metropollerinde Mahalle Düzeyinde Konut Erişilebilirliği Sınıflandırması

Araştırma sorusu: Farklı emlak platformlarından çekilen eşzamanlı verilerle oluşturulan makine öğrenmesi modelleri, metropol kentlerdeki bütçe-mahalle eşleşme doğruluğunu nasıl etkilemektedir?
Yöntem taslağı: İstanbul, Ankara ve İzmir kentlerinden en az üç farklı emlak web sitesinden 6 aylık periyotta otomatik veri çekilecektir. Örneklem büyüklüğü hedef sınıf sayılarına göre güç analiziyle belirlenecektir. Veriler temizlendikten sonra DT, RF, XGBoost ve Derin Öğrenme modelleriyle mahalle sınıflandırma analizi yürütülecektir.

Makaleyle bağlantısı: İncelenen çalışmada tek bir emlak sitesinden (EmlakBuluyoruz.com) alınan 548 veri ve Gaziantep odağı kullanılmıştır. Yazarlar sonuç bölümünde araştırmanın tüm Türkiye geneline ve farklı platformlara yayılmasını gelecek çalışma olarak önermiştir(ÜZÜMCÜ & Eligüzel, 2023).

Tez veya makalede kullanım · method

Konut nitelikleri ve bütçe değişkenleri kullanılarak makine öğrenmesi algoritmalarıyla mekânsal ve mahalle düzeyinde sınıflandırma modelleri kurulabilir.

Tezin yöntem bölümünde, konut fiyatı yerine mahalle değişkeninin hedef sınıf olarak tanımlanabileceği ve 75 farklı sınıf içeren yapılarda supervised öğrenme modellerinin kurulabileceği gösterilerek metodolojik altyapı oluşturulabilir(ÜZÜMCÜ & Eligüzel, 2023).

Mekânsal Konum Özellikleri Eklenmiş Karar Ağacı Modelleriyle Kentsel Dönüşüm Bölgelerinde Mahalle Tahmini

Araştırma sorusu: Konutun fiziksel niteliklerine ek olarak ulaşım ve sosyal donatı alanlarına mesafe gibi mekânsal değişkenlerin eklenmesi karar ağacı modelinin mahalle tahmin başarımını artırır mı?
Yöntem taslağı: Kentsel dönüşümün yoğun olduğu bir ilçe örnekleminde web kazıma verileri CBS (GIS) tabanlı ulaşım ve donatı mesafeleriyle birleştirilecektir. Gerekli ilan sayısı veri doygunluğuna ve mahalle içi varyasyona göre saptanacaktır. Karar ağacı ve ekstra ağaçlar modelleri mekânsal değişkenli ve değişkensiz senaryolarda karşılaştırılacaktır.

Makaleyle bağlantısı: İncelenen makalede yalnız içsel faktörler (metrekare, oda sayısı, fiyat, mülk tipi) dikkate alınmış, ulaşım ve konum gibi dışsal mekânsal faktörlerin modele katılmaması sınırlılık olarak kalmıştır(ÜZÜMCÜ & Eligüzel, 2023).

Tez veya makalede kullanım · Tartışma

Karmaşık ve çok sınıflı yerel emlak veri setlerinde karar ağacı algoritmaları topluluk öğrenme modellerine göre daha yüksek sınıflandırma doğruluğu sunabilir.

Tartışma bölümünde elde edilen doğruluk ve F-ölçütü sonuçları karşılaştırılırken, karar ağacının (%87.8 ACC) rastgele orman ve ekstra ağaçlar modellerini geride bıraktığı bulgusuyla algoritma seçimi gerekçelendirilebilir(ÜZÜMCÜ & Eligüzel, 2023).

Makroekonomik Şok Dönemlerinde Gayrimenkul Mahalle Tahmin Modellerinin Zamansal Kararlılığı ve Algoritma Hassasiyeti

Araştırma sorusu: Yüksek enflasyon dönemlerinde değişen konut fiyatları karşısında makine öğrenmesi modellerinin mahalle sınıflandırma doğrulukları zaman içinde nasıl bir değişim göstermektedir?
Yöntem taslağı: 12 aylık zaman serisi boyunca her ay web kazıma ile düzenli konut verisi toplanacaktır. İstatistiksel güç analizi doğrultusunda belirlenecek veri hacmiyle karar ağacı, rastgele orman ve ekstra ağaçlar algoritmalarının zamansal kararlılığı (longitudinal stability) ve F-ölçütü değişimleri izlenecektir.

Makaleyle bağlantısı: Makalede 25 Haziran 2022 tarihinde tek kesitli veri toplanmış olup Gaziantep'teki konut fiyat artış eğilimleri vurgulanmıştır. Kesit verinin zaman içindeki fiyat dalgalanmalarına karşı model performansının sınanması ihtiyacı buradan türetilmiştir(ÜZÜMCÜ & Eligüzel, 2023).