Emlak vergisi için CBS ve makine öğrenmesi teknikleri kullanılarak toplu taşınmaz değerleme modeli tasarımı

Abstract

Küresel ekonomik kaynakların önemli bir bölümünü oluşturan taşınmazlar, mülkiyete dayalı bir çok uygulamanın ana unsurudur. Bu sebeple taşınmaz değerinin, öznel yargılardan bağımsız, güncel yaklaşımlarla belirlenmesi oldukça önemlidir. Taşınmaz piyasası, bağlı olduğu değişkenlerle bulunan ilişkisi sebebiyle bir çok dalgalanmaya maruz kalabilmektedir. Bu dalgalanmaların yaşandığı piyasada taşınmaz değerinin geleneksel yöntemler kullanılarak belirlenmesi hukuksal ve ekonomik anlamda çeşitli sorunlara yol açmaktadır. Özellikle konusu bakımından taşınmaz değerine doğrudan bağlı olan Emlak Vergisi, vergiye esas rayiç değerin piyasa değerinden önemli ölçüde düşük kalmasından dolayı tartışılmaktadır. Bu bağlamda, ülkemizde, yasal mevzuat bütünlüğü çerçevesinde, uluslararası değerleme standartlara uygun bilimsel yaklaşımlara dayanan dinamik bir taşınmaz değerleme sistemine ihtiyaç vardır. Taşınmaz sayısı ve işlem hacmindeki artış göz önüne alındığında, taşınmaz değerlerinin daha hızlı ve yüksek doğrulukta sonuçlar veren toplu değerleme yöntemleriyle belirlenmesi için yeni yaklaşımlar geliştirilmiştir. Taşınmaz değerine etki eden konumsal faktörlerin Coğrafi Bilgi Sistemleri(CBS) ile analizi mümkün olmakta, makine öğrenmesi tekniklerinin kullanılmasıyla çok sayıda verinin analizi yapılmaktadır. Tez kapsamında öncelikle ülkemizdeki mevcut emlak vergisi mevzuatının analizi yapılarak tarihsel gelişimi, güncel işleyişi ve değer tespitinde yaşanan sorunlar ele alınmış, toplu taşınmaz değerleme konusu emlak vergisi çerçevesinde değerlendirilmiştir. Daha sonra makine öğrenmesinin türleri ve işleyişi incelenmiş, taşınmaz değerlemede yaygın olarak kullanılan makine öğrenmesi teknikleri irdelenmiştir. Çalışmada, taşınmazların toplu değerlemesi için CBS ve makine öğrenmesi tekniklerinin birlikte kullanıldığı kavramsal model tasarımı yapılmıştır. Kullanılacak model için CBS ortamında yakınlık, yüzey ve görünürlük olmak üzere örnek konumsal analizler yapılmış, analiz sonucu oluşan veriler değerleme için kullanılan faktörlerin ağırlıklarına göre birleştirilerek değer haritası üretilmiştir. Son olarak model kapsamında, makine öğrenmesi teknikleriyle yapılan analiz aşamalarında kullanılan araçlar ve yöntemler belirlenmiştir.