تخمين قيمت مسكن شهر اهواز با استفاده از شبكه مصنوعي

Using Neural Network to Estimation the Cost of Housing in Ahwaz

در بعد اقتصادي هر جامعه، مسكن همواره يك نياز اساسي است. از اين رو، تحولات بخش مسكن، تاثير فراواني بر ساير بخش‌هاي اقتصاد دارند؛ بنابراين يكي از نيازهاي قابل توجه دولت‌ها در امر مسكن، پيش‌بيني دقيق قيمت مسكن و تعيين عوامل تاثيرگذار بر قيمت اين كالا است. پژوهش حاضر، با هدف تخمين قيمت مسكن و تعيين عوامل تاثيرگذار بر آن در شهر اهواز، بررسي نسبتاً كاملي از عملكرد شبكه عصبي (مدل پرسپترون چند لايه) در پيش‌بيني قيمت مسكن انجام داده است. ماهيت تحقيق، توسعه‌اي-كاربردي و روش انجام آن، توصيفي- تحليلي مي‌باشد. در اين پژوهش، 233 نمونه واحد آماري در سال 1392 براساس 16 متغير مربوطه به منظور تخمين قيمت مسكن، مورد ارزيابي قرار گرفته است. از اين رو براي ايجاد شبكه عصبي مصنوعي، از نرم‌افزار MATLAB بهره گرفته شد و در نهايت، شبكه‌اي با يك لايه پنهان و 12 نرون، استفاده شد. همچنين به منظور تعيين ميزان تاثيرگذاري عوامل گوناگون بر قيمت اين كالا، از روش رگرسيون خطي گام به گام، بهره گرفته شده است. نتايج به دست آمده، نشان‌دهنده دقت 91 درصدي شبكه عصبي در تخمين قيمت واحد مسكوني شهر اهواز است. همچنين از بين عوامل تاثيرگذار بر قيمت مسكن در اين شهر، زيربناي ساختمان (متراژ) و دسترسي، بيشترين سهم را به خود اختصاص داده‌اند. با توجه به تاثير بسزاي شاخص متراژ زمين و دسترسي لازم است در برنامه‌ريزي‌هاي ساخت و ساز مسكن، به اين عوامل بيش از ساير عوامل، اهميت داده شود.

In the economy of every society, housing is a basic need that should be considered. Hence, development in the housing sector affects on the other economy sectors. So one of the significant needs of governments in the housing field is the housing price forecasts and determines the factors affecting the price of this product. The present research aimed to estimate the cost of housing and the factors affecting it in Ahwaz has done a fairly complete study of the neural network (multilayer perception model) to predict housing prices. The nature of the research is development-functional and the Way of doing it is analytical. In this research, 233 cases in 1392, according to statistics of the 16 variables were used to estimate the cost of housing. MATLAB software was used to create an artificial neural network and finally the network with one hidden layer and 12 Nero was used. Also to determine the influence of various factors on the price of this good, it is used from the stepwise linear regression. As well as the factors that influence on the housing price in this city are infrastructure construction (size) and access to the main thoroughfares. Given the tremendous impact of the available land area, these factors are needed to be given more importance than any other factor.