fa پیش‌بینی قیمت مسکن برای شهر اهواز: مقایسه مدل هدانیک با مدل شبکه عصبی مصنوعی تخصصي Special پژوهشي Research <div style="text-align: justify;"><span style="font-size:14px;"><span style="font-family:yekanyw;"><span dir="RTL">تعیین و برآورد قیمت مسکن در مناطق شهری، از اهمیت زیادی برای دولت، سرمایه‌گذاران خصوصی و دولتی و افراد عادی برخوردار است. این تخمین می‌تواند در برنامه‌ریزی و تصمیم‌گیری‌های آینده در بسیاری از سیاست&lrm;های شهری و منطقه‌ای مورد استفاده قرار گیرد. در این راستا به دلیل اهمیت بالای قیمت مسکن در دهه‌های اخیر، استفاده از توابع قدرتمند و کارا برای پیش‌بینی و تخمین قیمت مسکن مرسوم شده است. پژوهش حاضر، با هدف </span><span dir="RTL">ارائه مدلی بهینه برای پیش‌بینی قیمت مسکن و تعیین عوامل تأثیرگذار بر قیمت مسکن در کلان‌شهر اهواز و نیز مقایسه‌ای بین دو مدل هدانیک و شبکه عصبی مصنوعی انجام</span><span dir="RTL"> شده</span><span dir="RTL"> است.</span><span dir="RTL"> ماهیت پژوهش، توسعه‌ای-کاربردی و روش انجام آن، توصیفی- تحلیلی می‌باشد. در این پژوهش، 286 نمونه واحد مسکونی در سال 1394 براساس 27 متغیر مربوطه به منظور پیش‌بینی قیمت مسکن، مورد ارزیابی قرار گرفته است. </span><span dir="RTL">در این تحقیق از تابع هدانیکی نیمه‌لگاریتمی و </span><span dir="RTL">شبکه عصبی پرسپترون چند لایه </span><span dir="RTL">(</span>MLP<span dir="RTL">)</span> <span dir="RTL">استفاده شده است</span><span dir="RTL">.</span><span dir="RTL"> برای مقایسه دو مدل از لحاظ توانایی پیش‌بینی، از معیارهای</span> R²<span dir="RTL">، </span>MSE<span dir="RTL">، </span>RMSE<span dir="RTL">، </span>MAPE<span dir="RTL">، </span>MAE <span dir="RTL">و ضریب</span> TIC <span dir="RTL">استفاده شده است. نتایج مدل هدانیک نشان دادند از میان 27 متغیر مدل، 18 متغیر معنی‌دار بودند و با مقایسه نتایج و مقدار برآوردها، </span><span dir="RTL">مشخص شد که </span><span dir="RTL">قیمت مسکن در اهواز بیشتر از عوامل فیزیکی و ساختاری تأثیر می‌پذیرد. برای بررسـی تفاوت در دقت پیش‌بینـی مدل‌های مختلف بـرای پیش‌بینی قیمت مسـکن در شهـر اهواز، از آزمـون مورگان-گرنجر- نیوبلد</span> <span dir="RTL">استفاده شده است. نتایج به&lrm;دست آمده از آزمون نشان دادند که تفاوت قدرت پیش‌بینی دو مدل از لحاظ آماری نیز معنی‌دار است که نشان‌دهنده کارایی بهتر و عملکرد</span> <span dir="RTL">مناسب‌تر</span> <span dir="RTL">شبکه عصبی مصنوعی (98 درصد) نسبت به مدل رگرسیون هدانیک</span> <span dir="RTL">(88 درصد) است.</span></span></span></div> <div style="text-align: justify;"><span style="font-size:16px;"><span style="font-family:times new roman;">Determination and the estimation of the house price in urban areas has a great importance for governments, individual and state investors and common people. The mentioned estimation can be used in future planning and decision making of many urban and regional policies. In this regard, due to the vital importance of the house price in recent decades powerful and effective functions have been used in order to forecast and estimate the house price. The main purpose of the current study was to present an optimal model to forecast and identify the determinants of the house price in Ahvaz metropolitan by the comparison of the Hedonic and Artificial Neural Network Models and the choice of the optimal model. The present study has a developmental-applied nature which follows a descriptive-analytical approach. The sample included 286 statistical unit in 2015 based on 27 related variables were evaluated to forecast the house price in Ahvaz city. This study used semi-log hedonic function and Neural Network Multilayer Perceptron (MLP) approaches. To compare the results of the two models in terms of predictability the criteria of R2, MSE, RMSE, MAPE, MAE and TIC coefficient were utilized. The results of the Hedonic model indicated that that among 27 variables, 18 variables were significant model and by the comparison of the results and the estimated value, it turned out that housing prices in Ahvaz is mainly influenced by the physical and structural factors. Moreover, the comparison between all criteria demonstrated that the Artificial Neural Network had a better performance than the Hedonic regression model in forecasting the house price. In order to test the difference of precision in forecasts of the house price in Ahvaz the Morgan-Granger-Newbold test was conducted as an appropriate instrument. The results of test indicated that the there was a significant difference between the predicative power of the two models which confirmed the greater performance of the ANN (%98) model in comparison with Hedonic regression model (88%).</span></span></div> پیش‌بینی, قیمت مسکن, مسکن, شهر اهواز, مدل هدانیک, مدل شبکه عصبی مصنوعی forecasting, house price, house, ahvaz, hedonic model, Artificial Neural Network (ANN) model 29 44 http://iueam.ir/browse.php?a_code=A-10-158-62&slc_lang=fa&sid=1 Salar Ghorbani سالار قربانی salar.ghorbany66@yahoo.com 10031947532846003505 10031947532846003505 Yes Faculty of Economics and Social Sciences, Shahid Chamran University of Ahvaz, Ahvaz, Iran دانشگاه شهید چمران اهواز، اهواز، ایران Seyyed Morteza Afgheh سیدمرتضی افقه 10031947532846003506 10031947532846003506 No Faculty of Economics and Social Sciences, Shahid Chamran University of Ahvaz, Ahvaz, Iran دانشگاه شهید چمران اهواز، اهواز، ایران