Орон сууцны үнийг таамаглахад сургуулийн байршлын нөлөөллийг машин сургалтын арга ашиглан судлах нь
DOI:
https://doi.org/10.22353/mjeas.v6i1.7347Keywords:
орон сууцны үнэ, машин сургалт, XGBoost, random forest, сургуулийн байршилAbstract
Өнөөгийн өрсөлдөөнт зах зээлд орон сууцны үнэ цэнийг тодорхойлохдоо дан ганц зардалд тулгуурлан
үнэлэхээс гадна барилгын бүтээц, өрөөний зохион байгуулалт, байрлал, хэрэглэгчийн амьдралын хэв ма-
яг, санхүүгийн үнэ цэн гэх мэт бусад хүчин зүйлсийг харгалзан үздэг болсон. Эдгээр хүчин зүйлсийн нэг
нь сургууль юм. Олон улсад сургуулийн чанар болон байршил нь орон сууцны үнэд нөлөөлж буй олон
судалгаанууд байдаг. Харин манай улсын хувьд орон сууцны үнийг таамаглах судалгааны ажил тэр дун-
даа сургуулийн байршлын нөлөөг судалсан ажил байдаггүй тул бид энэхүү ажлаар сургуулийн байрлал
Улаанбаатар хотын орон сууцны үнэд хэрхэн нөлөөлж буйг машин сургалтын арга ашиглан судлахыг зо-
рилоо. Тодруулбал бид үл хөдлөхийн мэргэжлийн байгууллагаас хүлээн авсан 61106 өрхийн, 418 төслийн
орон сууцны өгөгдөл дээр ойролцоох 242 улсын сургууль, 65 хувийн сургуулийн байршлын координа-
тыг цуглуулж, хамгийн ойр сургууль хүртэлх зайг тооцоолсон. Ингээд үл хөдлөх хөрөнгийн мэргэжлийн
байгууллагаас авсан 25 онцлог шинж чанар бүхий өгөгдөл дээр нэмэлтээр сургуулийн зай, замын хөдөл-
гөөний бүсчлэл, инфляц, барилгын зардлын индекс зэрэг өгөгдөл цуглуулж түгээмэл хэрэглэгддэг машин
сургалтын аргуудыг ашиглан орон сууцны үнийг таамагласан. Туршилтын үр дүнгээс харахад онцлог
шинж чанарууд нэмэгдэхэд алдааны үзүүлэлт багассан бөгөөд ялангуяа сургуулийн зайн мэдээлэл орон
сууцны үнийг тооцоолоход чухал ач холбогдолтой болох нь батлагдсан. Машин сургалтын аргуудын хувьд
XGBoost болон Random Forest аргууд нь хамгийн сайн гүйцэтгэлийг үзүүлсэн.
Downloads
References
Fack G, Grenet J. When do better schools raise housing prices? Evidence from Paris public and private schools. Journal of public Economics. 2010;94(1-2):59-77. Available from: https://doi. org/10.1016/j.jpubeco.2009.10.009.
Zheng S, Hu W, Wang R. How much is a good school worth in Beijing? Identifying price premium with paired resale and rental data. The Journal of Real Estate Finance and Economics. 2016;53:184-99. Available from: https://doi.
org/10.1007/s11146-015-9513-4.
Sah V, Conroy SJ, Narwold A. Estimating school proximity effects on housing prices: The importance of robust spatial controls in hedonic estimations. The Journal of Real Estate Finance and Economics. 2016;53:50-76. Available from: https://doi.org/10.1007/ s11146-015-9520-5.
Yi Lu VS. The Impacts of Public Schools on Housing Prices of Residential Properties:. A Case Study of Greater Sydney, Australia. 2023. Available from: https://doi.org/10. 3390/ijgi12070298.
Feng Y, Jones K. Comparing multilevel modelling and artificial neural networks in house price prediction,. 2015 2nd IEEE Int Conf Spat Data Min Geogr Knowl Serv. 2015. Available from: https://doi.org/10.1109/icsdm.2015.
Отгончимэг Наранчимэг Монгол улсын үл хөдлөх хөрөнгийн үнийг машин сургалтын арга ашиглан таамаглах нь. Монголын мэдээллийн технологи. 2024.
Varma DSNR Sarma. “House Price Prediction Using Machine Learning and Neural Networks”. In 2018 Second International Conference on Inventive Communication and Computational Technologies. 2018;59:1936-9. Available from: https://doi.org/10.1109/icicct.2018.8473231.
Geerts M, DeWeerdt J, et al. A survey of methods and input data types for house price prediction. ISPRS International Journal of Geo-Information. 2023;12(5):200. Available from: https://doi.org/10.3390/ijgi12050200.
Choy LHT. The Use of Machine Learning in Real Estate Research. IEEE Access. 2023;9. Available from: https://doi.org/10.3390/land12040740.
Cihan Cilgın HG. Machine learning methods for prediction real estate sales prices in Turkey. 2023. Available from: https://doi.org/10.7764/rdlc.22.1.163.
Ziming Liu JY. The Effect of School Quality on House Prices:. Evidence from Shanghai, China. 2022. Available from: https://doi.org/10.3390/land11111894.
Ruth Ema Febrita HT. Modeling House Price Prediction using Regression Analysis and Particle Swarm Optimization. Malang, East Java, Indonesia. 2017. Available from: https://doi.org/10.14569/ijacsa.2017.081042.
Huang P. Impact of Distance to School on Housing Price. In: Evidence from a Quantile Regression; 2017.
¸Sahinler S. The basic principles of constructing a linear regression model using the least squares method. Mustafa Kemal ¨Universitesi Ziraat Fak¨ultesi Dergisi. 2000;5(1):57-73.
Walker JB E Birch. Influence measures in ridge regression. Technometrics. 1998;30(2):221-7. Available from: https://doi.org/10.2307/1270168.
Chen C T Guestrin. XGBoost: “A Scalable Tree Boosting System”,. In: Proceedings of the 22nd acm sigkdd international conference on knowledge discovery and data mining; 2016. p.
-94. Available from: https://doi.org/10.1145/2939672.2939785.
Pedregosa F, Varoquaux G, Gramfort A, Michel V, Thirion B, Grisel O, et al. Scikit-learn: Machine Learning in Python. Journal of Machine Learning Research. 2011;12:2825-30.
Downloads
Published
How to Cite
Issue
Section
License
Copyright (c) 2024 Mongolian Journal of Engineering and Applied Sciences
This work is licensed under a Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
