مقایسۀ عملکرد رگرسیون‌‌‌‌های خطی چندگانه و جنگل تصادفی درجهت ارزیابی قیمت واحدهای مسکونی (موردشناسی: ولیعصر شمالی، شهر تبریز)

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانشجوی دکتری جغرافیا و برنامه‌‌ریزی شهری، دانشکده برنامه‌‌ریزی و علوم محیطی، دانشگاه تبریز

2 دانشیار گروه جغرافیا و برنامه‌‌ریزی شهری، دانشکده برنامه‌‌ریزی و علوم محیطی، دانشگاه تبریز

3 کارشناسی ارشد جغرافیا و برنامه‌‌ریزی شهری، دانشگاه تبریز

10.22111/gaij.2021.6486

چکیده

اقتصاد مسکن یکی از مهم‌ترین ابعاد اقتصادی هر کشوری می­باشد. چرا که تغییرات قیمتی آن تبعات مختلفی را در کوتاه­مدت و بلندمدت بر اقتصاد ملی در بر خواهد داشت؛ بنابراین، تعریف مدلی که بتواند قیمت مسکن را ارزیابی نماید بسیار ضروری است. در این راستا، اهداف پژوهش حاضر مقایسه رگرسیون­های خطی چندگانه و جنگل تصادفی برای تعریف مدل ارزیابی قیمت واحدهای مسکونی و استخراج عوامل مؤثر بر قیمت واحدهای مسکونی می­باشد. جامعه آماری پژوهش حاضر کلیه واحدهای مسکونی محله­های یک الی چهار کوی ولیعصر واقع در منطقه یک شهر تبریز به تعداد 30272 واحد می­باشد. با استفاده از فرمول کوکران 379 نمونه در سطح اطمینان 95 درصد و ضریب خطای 5 درصد برآورد گردید. جهت مدل‌سازی مطلوب، اطلاعات 400 واحد مسکونی به‌عنوان نمونه به‌صورت میدانی جمع‌آوری شد. به‌منظور حذف اثر زمان در این پژوهش، تنها از داده­های شهریور سال 1399 استفاده شد. همچنین، جهت تجزیه‌وتحلیل داده­ها از نرم­افزارهای ArcMap، SPSS و RStudio استفاده شد.
بر اساس نتایج، متغیرهای مساحت با 78/24 درصد، کل طبقات ساختمان با 86/9 درصد، سال ساخت با 9/7 درصد، فاصله از مراکز بهداشتی با 89/6 درصد، فاصله از تأسیسات شهری با 84/6 درصد، فاصله از فضای سبز با 03/5 درصد، فاصله از کاربری مذهبی با 48/4 درصد، فاصله از مراکز درمانی با 26/4 درصد، فاصله از مراکز نظامی و انتظامی با 99/3 درصد و استقرار واحد در طبقه با 92/3 درصد به ترتیب ده متغیر مؤثر دررابطه‌با قیمت مسکن محله­های ولیعصر شمالی می­باشند.
بر پایه یافته­های پژوهش مشخص گردید که رگرسیون جنگل تصادفی نسبت به رگرسیون خطی چندگانه قابلیت بالایی را در پیش­بینی قیمت مسکن ولیعصر شمالی شهر تبریز دارا می­باشد.

کلیدواژه‌ها


عنوان مقاله [English]

A Comparison of Multiple Linear Regression and Random Forest Regression to Evaluate the Price of Residential Units (Case Study: North Valiasr, Tabriz)

نویسندگان [English]

  • Mohammad Ali Kooshesh Vatan 1
  • Akbar Asghari Zamani 2
  • Mohammad Nemati 1
  • Firooz Poormohammad 3
چکیده [English]

One of the most fundamental aspects of any country is the housing economy. Because its price changes will cause numerous effects on the national economy in the short and long periods; therefore, it is essential to obtain a model which can assess housing prices. In this regard, the objectives of this research are to compare multiple linear regression and random forest regression to evaluate the price of residential units and extract the important factors in relation to the price of them.  The statistical population included four north valiasr neighborhoods (n=30,272 units) and the sample size was estimated to be 379 units using the cochran formula at 95% confidence level and with a 5% error. But 400 samples considered. To eliminate the effect of time, only the data of september, 2020 were used. Also, arcmap, spss and rstudio software were used to analyze the data. According to the results, area, apartment floors, construction year, proximity to health centers, urban facilities, green spaces, religious land-use, medical centers, military land-uses and floor level, are the ten most important variables in relation to housing prices in the north valiasr neighborhoods, respectively. Further, according to the findings, random forest regression has a superior capability in predicting housing prices in north valiasr of tabriz compared to multiple linear regression.

کلیدواژه‌ها [English]

  • Housing Price
  • Multiple linear regression
  • Random Forest Regression
  • North Valiasr
  • Tabriz
اصغری زمانی، اکبر؛ روستایی، شهریور؛ کوشش وطن، محمدعلی. (1399). ارزیابی تفکیک اراضی مسکونی و تجاری از منظر شاخص‌های تفکیک زمین و ذی‌نفعان عرصۀ زمین؛ مطالعۀ موردی: منطقۀ یک و سه شهر تبریز، جغرافیا و برنامه‌‌ریزی، صاحب امتیاز: دانشگاه تبریز، دورۀ بیست‌وچهارم، شمارۀ 74، صص 28-13.https://geoplanning.tabrizu.ac.ir/article_10793.html.
اکبری، نعمت‌اله؛ خوش‌اخلاق، رحمان؛ سارا مردیها، سارا .(1392). سنجش و ارزش‌‌گذاری عوامل مؤثر بر انتخاب مسکن با استفاده از روش انتخاب تجربی از دیدگاه خانوارهای ساکن در بافت فرسودۀ شهر اصفهان، فصلنامۀ پژوهش‌‌های اقتصادی، صاحب امتیاز: دانشگاه علامه طباطبائی، دورۀ سیزدهم، شمارۀ 3، صص 47-19. https://ecor.modares.ac.ir/article-18-10602-fa.html.
امان‌پور، سعید؛ سلیمانی‌راد، اسماعیل؛ کشتکار، لیلا؛ مختاری چلچه، صادق. (1393). تخمین قیمت مسکن شهر اهواز با استفاده از شبکه عصبی، فصلنامه علمی - پژوهشی اقتصاد و مدیریت شهری،  صاحب امتیاز: انجمن علمی اقتصاد شهری ایران، دوره سوم، شماره 9، صص 57-45.https://iueam.ir/browse.php?a_id=105&sid=1&slc_lang=fa.
پورمحمدی، محمدرضا. (1379). برنامه‌‌ریزی مسکن، تهران: انتشارات سمت. https://samta.samt.ac.ir/content/10806.
تیموری، ایرج؛ سلطان قیس، نوید؛ قلی زاده؛ یاسر. (1396). برآورد قیمت مسکن شهری با استفاده از تابع هدانیک و شبکه‌های عصبی مصنوعی مورد شناسی: کوی ولیعصر شهر تبریز، فصلنامه جغرافیا و آمایش شهری- منطقه ای، صاحب امتیاز: دانشگاه سیستان و بلوچستان، دوره هفتم، شماره 22، صص 56-41. https://gaij.usb.ac.ir/article_2995.html.
خلیلی‌عراقی، منصور؛ نوبهار، الهام. (1390). پیش‌بینی قیمت مسکن در شهر تبریز: کاربرد مدل‌های قیمت هدانیک و شبکه عصبی مصنوعی، فصلنامه پژوهش­ها و سیاست­های اقتصادی، صاحب امتیاز: معاونت سیاست­گذاری اقتصادی- وزارت امور اقتصادی و دارایی، دوره نوزدهم، شماره 60، صص 138-113. http://qjerp.ir/article-1-189-fa.html.
روستایی، شهریور؛ تیموری، ایرج؛ نعمتی، محمد. (1399). بررسی عوامل مؤثر بر قیمت مسکن شهری با استفاده از شبکۀ عصبی مصنوعی موردشناسی: منطقۀ دو تبریز، فصلنامۀ جغرافیا و توسعه، صاحب امتیاز: دانشگاه سیستان و بلوچستان، دورۀ هجدهم، شمارۀ 59، صص 148-129. https://gdij.usb.ac.ir/article_5464.html.
السادات میرایی، نفیسه. (1391). آسیب‌‌شناسی و ظرفیت‌‌سنجی شبکۀ معابر شهری با رویکرد مدیریت بحران، مطالعۀ موردی: شهرک ولیعصر تبریز، پایان‌‌نامۀ ارشد، دانشگاه پیام‌نور تهران، دانشکدۀ علوم اجتماعی.https://ganj.irandoc.ac.ir/#/articles/f37a8cc7cb3aee98dc778e10abf45462/search/fea4309690cb55816c5bc82ba8f61773.
شقاقی، حسن. (1393). تحلیلی بر نقش و جایگاه روشنایی معابر شهری در برنامه‌‌ریزی شهری، مطالعۀ موردی: کوی ولیعصر و محلۀ عباسی شهر تبریز، پایان‌‌نامۀ ارشد، دانشگاه تبریز، پردیس ارس.https://ganj.irandoc.ac.ir/#/articles/6990d8bf49347c04a209b6947441fd6e/search/97eed76bdbb89481a2484fdcc25eb85d.
قربانی، سالار؛ افقه، سید مرتضی. (1396). پیش‌‌بینی قیمت مسکن برای شهر اهواز: مقایسۀ مدل هدانیک با مدل شبکۀ عصبی مصنوعی، فصلنامۀ اقتصاد و مدیریت شهری، صاحب امتیاز: انجمن علمی اقتصاد شهری ایران، دورۀ پنجم، شمارۀ 19، صص 44-29.https://www.sid.ir/fa/journal/ViewPaper.aspx?id=346973.
کوشش وطن، محمدعلی. (1397). بررسی تطبیقی نقش کیفیت تفکیک زمین در بهره‌‌وری بهینه از کاربری اراضی در مادرشهرهای ایران، نمونۀ موردی: منطقۀ یک و سه مادرشهر تبریز، کارشناسی ارشد، دانشگاه تبریز.https://ganj.irandoc.ac.ir/#/articles/0da0e12bdf45730035babcac7d8a2f9f/search/75bb541ae1e937a22ae06535f0b38925.
مخبر، عباس. (1363). ابعاد اجتماعی مسکن، ترجمۀ مرکز مدارک اقتصادی اجتماعی سازمان برنامه‌وبودجه، تهران.https://www.gisoom.com/book/144209.
مهندسین مشاور نقش محیط. (1391). طرح توسعه و عمران شهر تبریز، گزارش مطالعات اجتماعی مرحلۀ موجود.
میرهاشمی، حمید؛ یاراحمدی، داریوش؛ شرفی، سیامک؛ فرزین، سعید. (1398). بهبود عملکرد ماشین‌‌بردارپشتیبان و الگوریتم جنگل تصادفی در پیش‌‌بینی جریان رودخانۀ خرم‌آباد با استفاده از نویززدایی غیریکنواخت داده‌‌ها و الگوریتم سیمپلکس، علوم مهندسی آبخیزداری ایران، صاحب امتیاز: انجمن آبخیزداری ایران، دورۀ سیزدهم، شمارۀ 47، صص 51-40. http://jwmsei.ir/article-1-846-fa.html.
یزدانی، فردین؛ الیاسی، طهمورث. (1380). بررسی اقتصادی عرضه و تقاضای مسکن در مناطق شهری استان اصفهان، سازمان مدیریت و برنامه‌ریزی استان اصفهان، معاونت برنامه‌‌ریزی و هماهنگی.
 
Abbot, M. L. (2017). Using Statistics in the Social and Health Sciences with SPSS and Excel.  John Wiley & Sons.DOI: 10.1002/9781119121077.
Abrougui, K. & Gabsi, K. & Mercatoris, B. & Khemis, C. & Amami, R. & Chehaibi, Sa. (2019). Prediction of organic potato yield using tillage systems and soil properties by artificial neural network and multiple linear regressions. Soil and Tillage Research. Vol. 190. pp 202-208.DOI: 10.1016/j.still.2019.01.011.  
Ahmad, Muhammad & Mourshed, Monjur & Rezgui, Yacine. (2017). Trees vs Neurons: Comparison between random forest and ANN for high-resolution prediction of building energy consumption. Energy and Buildings. 147.DOI: 10.1016/j.enbuild.2017.04.038.
Breiman, L. (2002). Manual on setting up, using, and understanding random forests v3.1.https://www.stat.berkeley.edu/~breiman/Using_random_forests_V3.1.pdf
Caffo, B. (2019). Regression Models for Data Science in R: A companion book for the Coursera Regression Models class. Leanpub.https://leanpub.com/regmods.
Case, B., Clapp, J., Dubin, R. Rodriguez, M. (2004). Modeling Spatial and Temporal House Price Patterns: A Comparison of Four Models. The Journal of Real Estate Finance and Economics 29, 167-191.https://doi.org/10.1023/B:REAL.0000035309.60607.53 .    
Case, K. & Quigley, J. & Shiller, R. (2005). «Comparing Wealth Effects: The Stock Market versus the Housing Market," Advances in Macroeconomics, Berkeley Electronic Press, vol. 5(1), pages 1-32. DOI: 10.3386/w8606.
Cozmei, C., & Onofrei, M. (2012). Impact of Property Taxes on Commercial Real Estate Competition in Romania, Journal of Procedia Economics and Finance, Vol3. Pages 604-610. https://doi.org/10.1016/S2212-5671(12)00202-X.
George, D. & Mallery, P. (2020). IBM SPSS Statistics 26 Step by Step: A Simple Guide and Reference. 16th Edition. Routledge: Taylor & Francis Group.https://www.routledge.com/IBM-SPSS-Statistics-26-Step-by-Step-A-Simple-Guide-and-Reference/George-Mallery/p/book/9780367174354.
Giussani, Andrea (2020), Applied Machine Learning with Python, Milano, EGEA S.p.A.https://books.google.com/books/about/Applied_Machine_Learning_with_Python.html?id=lN5AygEACAAJ.
Heyman, A., & Sommervoll, D.E. (2019). House prices and relative location. Cities, 95, 1-14.https://doi.org/10.1016/j.cities.2019.06.004.
Hong, Jengei & Choi, Heeyoul «Henry & Kim, Woo-sung. (2020). A house price valuation based on the random forest approach: the mass appraisal of residential property in South Korea. International Journal of Strategic Property Management. 24. 1-13.DOI: 10.3846/ijspm.2020.11544.
Jui J.J., Imran Molla M.M., Bari B.S., Rashid M., Hasan M.J. (2020) Flat Price Prediction Using Linear and Random Forest Regression Based on Machine Learning Techniques. In: Mohd Razman M., Mat Jizat J., Mat Yahya N., Myung H., Zainal Abidin A., Abdul Karim M. (eds) Embracing Industry 4.0. Lecture Notes in Electrical Engineering, vol 678. Springer, Singapore.https://doi.org/10.1007/978-981-15-6025-5_19.
Korosteleva, O. (2019). Advanced Regression Models with SAS and R. CRC Press.DOI: 10.1201/9781315169828.
Kotta H., Pardasani K., Pandya M., Ghosh R. (2021) Optimization of Loss Functions for Predictive Soil Mapping. In: Hassanien A., Bhatnagar R., Darwish A. (eds) Advanced Machine Learning Technologies and Applications. AMLTA 2020. Advances in Intelligent Systems and Computing, vol 1141. Springer, Singapore.https://doi.org/10.1007/978-981-15-3383-9_9 .
Lancaster K.J. (1966). A New Approach to Consumer Theory, Journal of Political Economy, Vol. 74. No. 2. Pages 132-157.doi.org/10.1086/259131.
Leung, C. (2004). Macroeconomics and housing: a review of the literature, Journal of Housing Economics, Vol.13. Pages 249-267.https://doi.org/10.1016/j.jhe.2004.09.002.
Liaw, Andy & Wiener, Matthew. (2001). Classification and Regression by RandomForest. RNews. 23.https://www.researchgate.net/publication/228451484_Classification_and_Regression_by_RandomForest.
Mahajan U., Krishnan A., Malhotra V., Sharma D., Gore S. (2021). Predicting Competitive Weightlifting Performance Using Regression and Tree-Based Algorithms. In: Hassanien A., Bhatnagar R., Darwish A. (eds) Advanced Machine Learning Technologies and Applications. AMLTA 2020. Advances in Intelligent Systems and Computing, vol 1141. Springer, Singapore.https://doi.org/10.1007/978-981-15-3383-9_36.
Makhija R., Ali S., Jaya Krishna R. (2021) Detecting Influencers in Social Networks Through Machine Learning Techniques. In: Hassanien A., Bhatnagar R., Darwish A. (eds) Advanced Machine Learning Technologies and Applications. AMLTA 2020. Advances in Intelligent Systems and Computing, vol 1141. Springer, Singapore.https://doi.org/10.1007/978-981-15-3383-9_23.
Čeh Marjan & Kilibarda, Milan & Lisec, Anka & Bajat, Branislav. (2018). Estimating the Performance of Random Forest versus Multiple Regression for Predicting Prices of the Apartments. ISPRS International Journal of Geo-Information. 7. 168.DOI: 10.3390/ijgi7050168.
Masri, Hilmi & Nawawi, Abdul & Sipan, Ibrahim. (2016). Review of Building, Locational, Neighbourhood Qualities Affecting House Prices in Malaysia. Procedia - Social and Behavioral Sciences. 234. 452-460.
DOI: 10.1016/j.sbspro.2016.10.263.
Mayer, A. (2013). Introduction to Statistics and SPSS in Psychology, Edinburgh: Pearson Higher Ed.https://books.google.com/books/about/Introduction_to_Statistics_and_SPSS_in_P.html?id=SDHtMgEACAAJ.
Nair S.N., Gopi E.S. (2020) Deep Learning Techniques for Crime Hotspot Detection. In: Kulkarni A., Satapathy S. (eds) Optimization in Machine Learning and Applications. Algorithms for Intelligent Systems. Springer, Singapore.https://doi.org/10.1007/978-981-15-0994-0_2.
Pal, M. & Bharati, P. (2019). Applications of Regression Techniques. Springer Singapore.https://www.springer.com/gp/book/9789811393136.
Richardson, R. (2015). Business Applications of Multiple Regression, Second Edition - Quantitative approaches to decision making collection. Business Expert Press.https://www.businessexpertpress.com/books/business-applications-multiple-regression-second-edition.
Schulz, R., Werwatz, A. (2004). A State Space Model for Berlin House Prices: Estimation and Economic Interpretation. The Journal of Real Estate Finance and Economics 28, 37-57.https://doi.org/10.1023/A:1026373523075.
Selim, H. (2009). Determinants of House Prices in Turkey: Hedonic Regression versus Artificial Neural Network, Journal of Expert Systems with Applications, Vol.36. Issue 2. Part 2. Pages 2843-2852.doi.org/10.1016/j.eswa.2008.01.044.
Sharma R., Rani S. (2021) A Novel Approach for Smart-Healthcare Recommender System. In: Hassanien A., Bhatnagar R., Darwish A. (eds) Advanced Machine Learning Technologies and Applications. AMLTA 2020. Advances in Intelligent Systems and Computing, vol 1141. Springer, Singapore.https://doi.org/10.1007/978-981-15-3383-9_46.
Sirmans, G., MacPherson, D., & Zietz, E. (2009). The Composition of Hedonic Pricing Models. Journal of Real Estate Literature, 13, 3-43.https://www.semanticscholar.org/paper/The-Composition-of-Hedonic-Pricing-Models-Sirmans MacPherson/2fde22eba11fad9e671eacb588353f123df0d3ac 
Sullivan, W. (2017). Machine learning Beginners Guide Algorithms: Supervised & Unsupervised learning, Decision Tree & Random Forest Introduction. Healthy Pragmatic Solutions Inc.https://books.google.com/books/about/Machine_Learning_For_Beginners_Guide_Alg.html?id=v6saxAEACAAJ&source=kp_book_description
Truong, Quang & Nguyen, Minh & Dang, Hy & Mei, B. (2020). Housing Price Prediction via Improved Machine Learning Techniques. Procedia Computer Science. 174. 433-442.DOI: org/10.1016/j.procs.2020.06.111.
Varma, A., & Sarma, A., & Doshi, S., & Nair, R. (2018). House Price Prediction Using Machine Learning and Neural Networks, 2018 Second International Conference on Inventive Communication and Computational Technologies, Coimbatore, pp. 1936-1939.DOI: org/10.1109/ICICCT.2018.8473231.
Wang, C. & Wu, H. (2018). A new machine learning approach to house price estimation. New Trends in Mathematical Science. 4. 165-171.DOI: 10.20852/ntmsci.2018.327.
Wlodarczak, Peter (2020). Machine Learning and its applications, First edition. Boca Raton, FL: CRC Press/Taylor & Francis Group.DOI: 10.1201/9780429448782.
Yeşilkanat, C. (2020). Spatio-temporal estimation of the daily cases of COVID-19 in worldwide using random forest machine learning algorithm. Chaos, Solitons & Fractals. 140. 110210.DOI: 10.1016/j.chaos.2020.110210.