Forecasting of Antalya-Isparta-Burdur Region Housing Price Index with Artificial Intelligence Using Macroeconomic Indicators and Stock Index

Yıl 2022, , 1363 - 1380, 30.11.2022

Dilşad Tülgen Çetin

https://doi.org/10.11616/asbi.1161592

Cited By: 2

Öz

In the first quarter of 2022, the country with the highest increase in housing prices in the world was Turkey, and the region with the highest increase in Turkey was Antalya-Isparta-Burdur. For this reason, it is aimed to forecast the housing prices of the Antalya-Isparta-Burdur region by using artificial intelligence in the study. In the proposed artificial neural network model, the consumer price index, housing loan interest rates, dollar rate, Turkey housing price index, and BIST 100 index were determined as input parameters for the period of January 2010-July 2022. As a result, the housing prices of the region were forecasted with high accuracy at ‰5.6 Mean Absolute Percentage Error (MAPE) and R2 of 99.97%. In addition, future projections were made for the months of June, July, and August of 2022. The conclusions of this study will contribute to the literature in terms of forecasting regional housing prices with artificial intelligence and using the stock index as a predictive parameter as well as macroeconomic variables.

Anahtar Kelimeler

Housing Price Index Forecast, Artificial Neural Network Model, Antalya-Isparta-Burdur Housing Price, Future Housing Price Forecast.

Antalya-Isparta-Burdur Bölgesi Konut Fiyat Endeksinin Makroekonomik Göstergeler ve Hisse Senedi Endeksi Kullanılarak Yapay Zekâ İle Tahmini

Öz

2022 yılı ilk çeyreğinde, dünyada konut fiyatlarının en fazla arttığı ülke Türkiye olurken, Türkiye’de en fazla artış gösteren bölge ise Antalya-Isparta-Burdur olmuştur. Bu nedenle, çalışmada Antalya-Isparta-Burdur bölgesi konut fiyatlarının yapay zekâ kullanılarak tahmin edilmesi amaçlanmıştır. Yapay sinir ağı modelinde, Ocak 2010-Temmuz 2022 dönemi için tüketici fiyat endeksi, konut kredisi faiz oranları, dolar kuru, Türkiye konut fiyat endeksi ve BIST 100 endeksi girdi parametreler olarak belirlenmiştir. Sonuç olarak bölgenin konut fiyatları, ‰ 5,6 Ortalama Mutlak Yüzde Hata (MAPE) ve %99,97 R2 oranında yüksek doğrulukta tahmin edilmiştir. Ayrıca çalışmada, 2022 yılı Haziran, Temmuz ve Ağustos ayları için geleceğe yönelik tahmin yapılmıştır. Çalışmanın, bölgesel olarak konut fiyatlarını yapay zekâ ile geleceğe yönelik olarak tahmin etmesi ve tahmin edici parametre olarak makroekonomik değişkenlerin yanı sıra hisse senedi endeksini kullanması bakımından literatüre katkı sağlayacağı umulmaktadır.

Anahtar Kelimeler

Konut Fiyat Endeksi Tahmini, Yapay Sinir Ağı Modeli, Antalya-Isparta-Burdur Konut Fiyatları, Geleceğe Yönelik Konut Fiyat Tahmini

Kaynakça

• Akça, T. (2022), House Price Dynamics and Relations with the Macroeconomic Indicators in Turkey. International Journal of Housing Markets and Analysis, (Ahead-of-Print). doi:10.1108/IJHMA-04-2022-0059
• Akcay, B., Akyuz, M. ve Karul, Ç. (2021), The Causality Between Mortgage Credit and House Price: The Turkish Case. Eres2021-28. European Real Estate Society (ERES).
• Akgunduz, Y. E., Dursun-De Neef, H. O., Hacihasanoglu, Y. S. ve Yilmaz, F. (2021), Cost of Credit and House Prices (No: 21/6). Working Paper. Ankara: Central Bank of The Republic of Turkey Head Office Structural Economic Research Department. https://www.tcmb.gov.tr/wps/wcm/connect/en/tcmb+en/main+menu/publications/research/working+paperss/2021/21-06 adresinden erişildi.
• Akkaş, M. E. ve Sayılgan, G. (2015), Konut Fiyatları ve Konut Kredisi Faizi: Toda-Yamamoto Nedensellik Testi. Journal of Economics Finance and Accounting, 2(4), s.572–583.
• Amri, S. ve Tularam, G. A. (2012), Performance of Multiple Linear Regression and Nonlinear Neural Networks and Fuzzy Logic Techniques in Modelling House Prices. Journal of Mathematics and Statistics, 8(4), s.419–434.
• Arshizadeh, S., Gorgani, S. H., Taheri, P., Givgol, M., Shahrokhi, S. ve Abdalisousan, A. (2021), The Impact of COVID-19 on Oil Supply in The Short Term. Advanced Journal of Science and Engineering, 2(2), s.120–135.
• Aydemir, E., Aktürk, C. ve Yalçınkaya, M. A. (2020), Yapay Zekâ Ile Konut Fiyatlarının Tahmin Edilmesi. Turkish Studies, 15(2), s.183–194.
• Bahrammirzaee, A. (2010), A Comparative Survey of Artificial Intelligence Applications in Finance: Artificial Neural Networks, Expert System and Hybrid Intelligent Systems. Neural Computing and Applications, 19(8), s.1165–1195.
• Canbay, Ş. ve Mercan, D. (2020), Türkiye’de Konut Fiyatları, Büyüme ve Makroekonomik Değişkenler Arasındaki İlişkinin Ekonometrik Analizi. Journal of Management and Economics Research, 18(1), s.176–200.
• Çankaya, S. (2013), Konut Fiyatları ve Makroekonomik Faktörler Arası İlişkiye Global Bakış. Maliye ve Finans Yazıları, 1(100), s.143–154.
• Çetin, A. C. (2021), Türkiye’de Konut Fiyatlarına Etki Eden Faktörlerin Analizi. Mehmet Akif Ersoy Üniversitesi Uygulamalı Bilimler Dergisi, 5(1), s.1–30.
• Çetin, D. T. (2022), Green Bonds in Climate Finance and Forecasting of Corporate Green Bond Index Value With Artificial Intelligence. Journal of Research in Business, 7(1), s.138–157.
• Çetin, D. T. ve Metlek, S. (2021), Forecasting of Turkish Sovereign Sukuk Prices Using Artificial Neural Network Model. Acta Infologica, 5(2), s.241–254.
• Chen, X. ve Ji, X. (2017), The Effect of House Price on Stock Market Participation in China: Evidence From The CHFS Microdata. Emerging Markets Finance and Trade, 53(5), s.1030–1044.
• Christopoulos, A. G., Kalantonis, P., Katsampoxakis, I. ve Vergos, K. (2021), COVID-19 and The Energy Price Volatility. Energies, 14(20), 6496.
• Çipe, B. ve Aslan, A. (2022), Türkiye’de Konut Fiyat Endeksi İle BIST100 Borsa Endeksinin Markov Rejim Değişim Modeli İle İncelenmesi. Atatürk University Journal of Economics & Administrative Sciences, 36(1), s.109–114.
• Coşkun, Y. (2016), Konut Fiyatları ve Yatırımı: Türkiye İçin Bir Analiz. Niğde Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 9(2), s.201–217.
• Darıcı, B. (2018), Para Politikası ve Konut Fiyatları İlişkisi: Türkiye Ekonomisi Için Ampirik Bir Analiz. Anemon Muş Alparslan Üniversitesi Sosyal Bilimler Dergisi, 6(ICEESS’18) Özel Sayı, s.221–228.
• Doğan, O., Bande, N., Yunus, G. ve Akyon, F. C. (2022), Keçiören/Ankara Özelinde Konut Rayiç Değerlerinin Yapay Sinir Ağları Metodu Kullanılarak Tahmini. Uluslararası İktisadi ve İdari İncelemeler Dergisi, (35), s.113–128.
• Ecer, F. (2014), Türkiye’deki Konut Fiyatlarının Tahmininde Hedonik Regresyon Yöntemi Ile Yapay Sinir Ağlarının Karşılaştırılması. International Conference on Eurasian Economies 1(10), s.1-10.
• Fereidouni, H. G. (2010), Performance and Diversification Benefits of Housing Investment in Iran. International Journal of Economics and Finance, 2(4), s.7–11.
• Ghorbani, S. ve Afgheh, S. M. (2017), Forecasting The House Price For Ahvaz City: The Comparison of The Hedonic and Artificial Neural Network Models. Urban Economics and Management, 5(3), s.29–45.
• Güner, Ş. N. (2021), Yapay Sinir Ağları Yöntemiyle Konut Satışlarının İncelenmesi: Ankara İli Örneği. Fiscaoeconomia, 5(1), s.359–371.
• Hermann, A. (2021), The Pandemic Reveals The Need For Space, But Building Smaller Units Remains Essential. Joint Center For Housing Studies of Harvard University. https://www.jchs.harvard.edu/blog/pandemic-reveals-need-space-building-smaller-units-remains-essential adresinden erişildi.
• Hong, Y. ve Li, Y. (2020), House Price and The Stock Market Prices Dynamics: Evidence From China Using A Wavelet Approach. Applied Economics Letters, 27(12), s.971–976.
• Ibrahim, M. H. (2010), House Price‐Stock Price Relations in Thailand: An Empirical Analysis. International Journal of Housing Markets and Analysis, 3(1), s.69–82.
• İslamoğlu, B. ve Nazlıoğlu, Ş. (2019), Enflasyon ve Konut Fiyatları: Istanbul, Ankara ve Izmir Için Panel Veri Analizi. Siyaset, Ekonomi ve Yönetim Araştırmaları Dergisi, 7(1), s.93–99.
• Ismail, M., Jubley, N. Z. ve Ali, Z. M. (2018), Forecasting Malaysian Foreign Exchange Rate Using Artificial Neural Network and ARIMA Time Series. AIP Conference Proceedings İçinde (C. 2013, S. 20022). AIP Publishing LLC.
• Jia, Z., Wen, S. ve Lin, B. (2021), The Effects and Reacts of COVID-19 Pandemic and International Oil Price on Energy, Economy, and Environment in China. Applied Energy, 302, 117612.
• Karaağaç Adana, G. ve Altınırmak, S. (2018), Türkiye Konut Fiyat Endeksi ve Düzey Bazlı Konut Fiyat Endeksleri İle Seçili Değişkenler Arasındaki Nedensellik İlişkisi. Karadeniz Uluslararası Bilimsel Dergi, 39(39), s.222–240.
• Karadaş, H. A. ve Salihoğlu, E. (2020), Seçili Makroekonomik Değişkenlerin Konut Fiyatlarina Etkisi: Türkiye Örneği. Ekonomik ve Sosyal Araştırmalar Dergisi, 16(1), s.63–80.
• Karakuş, R. ve Öksüz, S. (2021), BİST Gayrimenkul Yatırım Ortaklıkları Endeksi Ile Konut Fiyat Endeksi, Faiz Oranı ve Enflasyon İlişkisi: ARDL Sınır Testi Yaklaşımı. Business & Management Studies: An International Journal, 9(2), s.751–764.
• Kayral, I. E. (2017), İstanbul, Ankara ve İzmir Konut Fiyat Değişimlerini Etkileyen Faktörlerin Araştırılması. Çukurova Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 21(1), s.65–84.
• Kitapci, O., Tosun, Ö., Tuna, M. F. ve Turk, T. (2017), The Use of Artificial Neural Networks (ANN) in Forecasting Housing Prices in Ankara, Turkey. Journal of Marketing and Consumer Behaviour in Emerging Markets, 1 (5), s.4–14.
• Knight ve Frank. (2022), Global House Price Index, Q1 2022. Knight Frank Research Reports. London, UK: Knight Frank LLP. https://content.knightfrank.com/research/84/documents/en/global-house-price-index-q1-2022-9098.pdf adresinden erişildi.
• Kolcu, F. ve Yamak, N. (2018), Gelir ve Faiz Oranlarının Konut Fiyatları Üzerindeki Kısa ve Uzun Dönem Etkileri. Uluslararası İktisadi ve İdari İncelemeler Dergisi, Özel Sayı, s.141–152.
• Kuşan, H., Aytekin, O. ve Özdemir, İ. (2010), The Use of Fuzzy Logic in Predicting House Selling Price. Expert Systems with Applications, 37(3), s.1808–1813.
• Lam, K. C., Yu, C. Y. ve Lam, K. Y. (2008), An Artificial Neural Network and Entropy Model For Residential Property Price Forecasting in Hong Kong. Journal of Property Research, 25(4), s.321–342.
• Lee, C. ve Kang, E. (2022), Generation Uphill: Housing Cost, Migration, and Commuting Time of The Young in South Korea. Seoul Journal of Economics, 35(1), s.1–32.
• Lee, C. L. (2008), Housing in Australia As A Portfolio Investment. International Journal of Housing Markets and Analysis, 1(4), s.352–361.
• Liu, Y., Gao, H., Cai, J., Lu, Y. ve Fan, Z. (2022), Urbanization Path, Housing Price and Land Finance: International Experience and China’s Facts. Land Use Policy, 113, 105866.
• Maheswari, B. U., Sujatha, R., Fantina, S. ve Mansurali, A. (2021), ARIMA Versus ANN—A Comparative Study of Predictive Modelling Techniques to Determine Stock Price. Proceedings of The Second International Conference on Information Management and Machine Intelligence İçinde (s.315–323). Springer.
• Mcmillan, D. G. (2011), Long-Run Stock Price-House Price Relation: Evidence From an ESTR Model. SSRN: https://ssrn.com/abstract=1914424 adresinden erişildi.
• Mukhlishin, M. F., Saputra, R. ve Wibowo, A. (2017), Predicting House Sale Price Using Fuzzy Logic, Artificial Neural Network and K-Nearest Neighbor. 2017 1st International Conference on Informatics and Computational Sciences (ICICOS) İçinde (s.171–176). IEEE.
• Nazemi, B. ve Rafiean, M. (2020), Forecasting House Prices in Iran Using GMDH. International Journal of Housing Markets and Analysis, 14(3), s.555–568.
• OECD. (2022), Housing Prices. The Organisation for Economic Co-Operation and Development (OECD). https://data.oecd.org/price/housing-prices.htm adresinden erişildi.
• Özcan, G. ve Başaran Tormuş, N. (2018), Konut Fiyat Endeksi ve Döviz Kuru İlişkisi: Türkiye Üzerine Ampirik Bir Çalışma. ICPESS 2018 Proceedings Vol. 2: Economic Studies, s.505–514.
• Özçim, H. (2022), Türkiye’deki Konut Satışı İle TCMB Politika Faiz Oranı ve Konut Fiyat Endeksi Arasındaki İlişkinin Analizi. Nevşehir Hacı Bektaş Veli Üniversitesi SBE Dergisi, 12(1), s.523–533.
• Öztürk, N. ve Fitöz, E. (2009), Türkiye’de Konut Piyasasının Belirleyicileri: Ampirik Bir Uygulama. Uluslararası Yönetim İktisat ve İşletme Dergisi, 5(10), s.21–46.
• Paksoy, S., Yöntem, T. ve Büyükçelebi, B. (2014), Konut Fiyat Endeksi ve Enflasyon Arasındaki İlişki (Trc1, Trc2 ve Trc3 Düzey Bölgeleri Üzerine Ampirik Bir Çalışma). Assam Uluslararası Hakemli Dergi, 1(2), s.54–69.
• Rahman, S. N. A., Maimun, N. H. A., Razali, M. N. M. ve Ismail, S. (2019), The Artificial Neural Network Model (ANN) For Malaysian Housing Market Analysis. Planning Malaysia: Journal of The Malaysian Institute of Planners, 17(1), s.1–9.
• Sarip, A. G. ve Hafez, M. B. (2015), Fuzzy Logic Application For House Price Prediction. International Journal of Property Sciences (E-ISSN: 2229-8568), 5(1), s.24–30.
• Selçi, B. Y. (2021), Türkiye’nin Konut Satışı Değerlerinin Yapay Sinir Ağları İle Öngörülmesi. Ekoist: Journal of Econometrics and Statistics, (35), s.19–32.
• Selim, S. ve Demirbilek, A. (2009), Türkiye’deki Konutların Kira Değerinin Analizi: Hedonik Model ve Yapay Sinir Ağları Yaklaşımı. Aksaray Üniversitesi İİBF Dergisi, 1(1), s.73–90.
• Stawarz, N., Sander, N. ve Sulak, H. (2021), Internal Migration and Housing Costs—A Panel Analysis For Germany. Population, Space and Place, 27(4), e2412 s.1-12.
• Tabar, M. E., Başara, A. C. ve Şişman, Y. (2021), Çoklu Regresyon ve Yapay Sinir Ağları İle Tokat İlinde Konut Değerleme Çalışması. Türkiye Arazi Yönetimi Dergisi, 3(1), s.1–7.
• TCMB. (2022), Konut Fiyat Endeksi Nisan 2022. Türkiye Cumhuriyet Merkez Bankası, Veri Yönetişimi ve İstatistik Genel Müdürlüğü, Anketler ve Endeksler Müdürlüğü, Ankara. https://www.tcmb.gov.tr/wps/wcm/connect/8bbac42a-c854-4c58-8b0c-e7e55c35ec2d/kfe.pdf?mod=ajperes&cacheid=rootworkspace-8bbac42a-c854-4c58-8b0c-e7e55c35ec2d-o5ihm.o adresinden erişildi.
• Tsai, H.-J. ve Chen, M.-C. (2010), The Impacts of Extreme Events of Dynamic Interactions on Interest Rate, Real House Price and Stock Markets. International Research Journal of Finance and Economics, 25, s.187–200.
• TÜİK. (2022), Yabancılara Konut Satış İstatistikleri. Türkiye İstatistik Kurumu. https://data.tuik.gov.tr/bulten/index?p=house-sales-statistics-may-2022-45677 adresinden erişildi.
• Ucal, M. S. ve Gőkkent, G. (2009), Macroeconomic Factors Affecting Real Estate Markets in Turkey: A VAR Analysis Approach. Briefing Notes in Economics, 80, s.1–10.
• Yılmaz, H. ve Tosun, Ö. (2020), Aylık Konut Satışlarının Modellenmesi ve Antalya Örneği. Kafkas Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 11(21), s.141–158.
• Yılmaz, Y. (2022), Hisse Senedi Fiyatları İle Döviz Kuru ve Konut Fiyat Endeksi Arasındaki Nedensellik İlişkisi. Akademik Yaklaşımlar Dergisi, 13(1), s.167–185.
• Yılmazel, Ö., Afşar, A. ve Yılmazel, S. (2018), Konut Fiyat Tahmininde Yapay Sinir Ağları Yönteminin Kullanılması. Uluslararası İktisadi ve İdari İncelemeler Dergisi, 20, s.285–300.
• Yu, Y., Song, S., Zhou, T., Yachi, H. ve Gao, S. (2016), Forecasting House Price Index of China Using Dendritic Neuron Model. 2016 International Conference on Progress in Informatics and Computing (PIC) İçinde (s.37–41). IEEE.
• Zhou, J. ve Chi-Man Hui, E. (2022), Housing Prices, Migration, and Self-Selection of Migrants in China. Habitat International, 119, 102479.