Etkin bina emlak vergi değerinin belirlenebilmesi için makine öğrenme temelli bir değerleme modeli önerisi

Abstract

Günümüz koşullarında, artan nüfus ve kentleşme dinamikleri taşınmazlara olan talebi arttırmış ve bu durum taşınmaz değerleme süreçlerini her zamankinden daha önemli hale getirmiştir. Özellikle büyük kentlerde yaşanan nüfus yoğunluğu arz-talep dengesini bozarak taşınmaz piyasasında fiyat farklılaştırmalarını arttırmakta ve bu durum da değerleme faaliyetlerinin daha stratejik ve hassas şekilde yürütülmesini zorunlu kılmaktadır. Taşınmaz değerinin adil ve nesnel bir şekilde belirlenmesi, bireysel mülkiyet hakkının korunması ve kamu gelirlerinin yönetimi açısından kritik bir gereklilik haline gelmiştir. Bununla birlikte, taşınmaz değerlemesi yalnızca bir ekonomik faaliyet değil, aynı zamanda sosyal adalet ve kentsel planlamanın temel yapı taşlarından biri olarak da değerlendirilmelidir. Emlak vergilendirme sisteminin doğru ve adil bir şekilde işleyebilmesi için taşınmazların gerçek (rayiç) değerinin belirlenmesi büyük önem taşımaktadır. Taşınmaz değerleme süreci, kapsamlı analizler gerektiren ve doğru veri kullanımıyla güvenilir sonuçlar elde edilmesini sağlayan profesyonel bir süreçtir. Bu süreçte kullanılan yöntemlerin bilimsel temellere dayanması, verilerin düzenli ve standart hale getirilmiş biçimde toplanması ve yorumlanması gerekmektedir. Doğru yöntemlerin uygulanmasıyla taşınmazların piyasa koşullarına uygun rayiç değerlerinin tespit edilmesini sağlamaktadır. Taşınmaz değerlemesi, kredi, sigorta, kamulaştırma ve vergi gibi birçok ekonomik ve hukuki sürecin temelini oluşturmaktadır. Taşınmazların doğru ve nesnel bir biçimde değerlenmesi, yalnızca bireysel alım-satım işlemleri için değil, aynı zamanda kamu gelirlerinin sürdürülebilir yönetimi açısından da kritik bir rol oynamaktadır. Türkiye'de taşınmazların emlak vergi değerleri belediyeler tarafından genellikle cadde veya sokak bazında belirlenmekte ve taşınmazların bireysel özellikleri göz ardı edilmektedir. Bu durum, farklı taşınmazlara benzer vergi oranlarının uygulanmasına neden olmakta ve vergi adaletsizliğine yol açmaktadır. Örneğin, aynı sokakta yer alan fakat kullanım alanı, fiziksel durumu, manzarası veya ulaşım olanakları açısından farklılık gösteren iki taşınmazın aynı vergi matrahına tabi tutulması, sistematik bir adaletsizliğe ve ekonomik kaynakların hatalı yönlendirilmesine sebep olmaktadır. Mevcut eksiklikler, tapu harcı, katma değer vergisi ve gelir vergisi gibi diğer vergi kalemlerinde de yanlış hesaplamalara yol açarak yıllık milyarlarca dolarlık kamu gelir kaybına neden olmaktadır. Anayasa'da vergilendirmeyle doğrudan ilişkili olan temel hüküm "Vergi Ödevi" başlıklı 73'üncü maddedir. Bu maddenin 1 ve 2. fıkraları "Herkes, kamu giderlerini karşılamak üzere, mali gücüne göre, vergi ödemekle yükümlüdür. Vergi yükünün adaletli ve dengeli dağılımı, maliye politikasının sosyal amacıdır." şeklindedir. Devletin vergilendirme konusunda adil olması gerektiği hususu göz önüne alındığında değerleri arasında fark olan taşınmazların standart bir şekilde eşit kabul edilerek vergilendirilmeleri adil olmayacaktır. Emlak vergisi mevzuatına göre, bina, arsa ve arazinin emlak vergi değeri, ilgili yasal düzenlemeler çerçevesinde yapılacak taşınmaz değerleme çalışmalarıyla belirlenmektedir. Adil bir emlak vergilendirmesi için her taşınmazın Emlak Vergisi'ne Matrah Olacak Vergi Değerlerinin Takdirine İlişkin Tüzük'te belirtildiği şekilde ayrı ayrı değerlendirilmesi gerekmektedir. Ancak, milyonlarca taşınmazın bu şekilde tek tek değerlemesinin yapılması pek de pratik olamamaktadır. Günümüzde dijitalleşme, büyük veri ve yapay zekâ teknolojilerindeki gelişmeler, bu sorunun üstesinden gelinmesine yönelik yeni fırsatlar sunmaktadır. Özellikle makine öğrenmesi, büyük ve karmaşık veri kümelerini işleyebilme yeteneği sayesinde taşınmaz değerlemesinde ölçeklenebilir, hızlı ve sistematik çözümler üretmeyi mümkün kılmaktadır. Taşınmaz değerleme süreçlerinin bilimsel ve sistematik yöntemlerle günümüz teknolojisiyle entegre olarak objektif bir şekilde yapılması sürdürülebilir taşınmaz yönetimi ve planlanması için oldukça önemlidir. Bu nedenle, daha etkili bir toplu değerleme modeli geliştirmek elzemdir. Makine öğrenmesiyle oluşturulan toplu değerleme modelleri, emsal karşılaştırma, gelir, maliyet vb. gibi geleneksel yöntemlere göre yüksek doğruluklu ve objektif sonuçlar elde etme potansiyeline sahiptir. Bu çalışmada, Kaggle'den elde edilen Polonya'nın başkenti olan Varşova şehrinde 2023 ve 2024 yıllarına ait 11,831 taşınmazı içeren bir veri seti kullanılarak farklı makine öğrenmesi algoritmalarının performansları karşılaştırılmıştır. Veri seti; taşınmazların fiziksel özellikleri, konumları, çevresel faktörleri ve piyasa koşullarını içeren çeşitli değişkenleri kapsamaktadır. Söz konusu veri seti, Varşova'daki taşınmazların konumsal çeşitliliğini ve piyasa dinamiklerini yansıtması açısından örneklem değeri taşımakta olup, modelin farklı özelliklere sahip veriler üzerinde performansını değerlendirmek için uygun bir test alanı sunmuştur. Model geliştirme sürecinde Doğrusal Regresyon, AdaBoost, Karar Ağaçları, Rastgele Orman, Bootstrap Aggregation (Bagging), Extreme Gradient Boosting (XGBoost), Coğrafi Ağırlıklı Regresyon (GWR) algoritmaları uygulanarak bu algoritmaların tahmin doğrulukları farklı eğitim ve test oranlarıyla analiz edilmiştir. Bu analiz sürecinde, modellerin R^2 (tahmin skoru), RMSE (kök ortalama kare hata), MAE (ortalama mutlak hata), düzeltilmiş R^2 ve MAPE (ortalama mutlak yüzde hata) gibi metriklerle performansları detaylı biçimde karşılaştırılmıştır. Özellikle, GWR gibi konumsal bağımlılıkları dikkate alan yöntemlerin taşınmaz değer tahmininde ne ölçüde etkili olduğu da sorgulanmıştır. Elde edilen bulgular, Rastgele Orman, Bagging ve XGBoost algoritmalarının, sırasıyla 0.8889, 0.8831 ve 0.8813 R^2 değerleriyle en yüksek tahmin doğruluğuna sahip olduğunu göstermektedir. Ayrıca, modelin yorumlanabilirliğini artırmak amacıyla SHapley Additive ExPlanations (SHAP) yöntemi kullanılmış ve bağımsız değişkenlerin taşınmaz değerleri üzerindeki etkileri analiz edilmiştir. Bu yöntem, modelin içsel mekanizmasının anlaşılmasına katkı sağlamış ve karar destek sistemlerinin geliştirilmesi için önemli bilgiler sunmuştur. Çalışma kapsamında elde edilen bulgular, makine öğrenmesi algoritmaları kullanılarak geliştirilen modellerin, geleneksel taşınmaz değerleme yöntemlerine kıyasla daha hızlı, düşük maliyetli ve nesnel bir değerleme süreci sunduğunu ortaya koymaktadır. Söz konusu model, taşınmaz değerleme süreçlerinin şeffaflığını artırarak, daha adil ve doğru bir emlak vergilendirme sistemi için bir değerleme modeli oluşturmayı; bu doğrultuda vergi politikalarının daha etkili bir şekilde uygulanmasıyle birlikte vergi kayıplarının önlenmesi ve kamu gelirlerinin arttırılmasına katkı sağlamayı amaçlamaktadır. Modelin uygulanabilirliği, sadece emlak vergilendirme açısından değil; aynı zamanda taşınmaz teminatlı kredilerde teminat değerinin tespiti, kentsel dönüşüm projelerinde kamulaştırma bedellerinin belirlenmesi gibi alanlarda da yaygınlaştırılabilir potansiyele sahiptir. Ayrıca çalışmadan elde edilen olumlu bulgular, önerilen modelin yalnızca emlak vergilendirme süreçleriyle sınırlı kalmayıp Tapu ve Kadastro Harçları, Veraset ve İntikal Vergisi, Kira Geliri Vergisi, Ecrimisil hesabı, belediyelerce tahsil edilen Harcamalara Katılma Payı gibi çeşitli uygulamalarda da emlak vergi değerinin tespitine yönelik yürütülen modelleme çalışmalarına hem teorik hem de uygulamalı katkı sunabileceğini göstermektedir. Bununla birlikte, Türkiye'de açık veri kaynaklarının artması ve emlak ilan verileri yerine gerçek piyasa değerlerinin kullanılmaya başlanması halinde, geliştirilen modelin doğruluk düzeyinin artacağı, böylelikle daha güvenilir sonuçlar üreteceği değerlendirilmektedir. Sonuç olarak, Türkiye'de ve diğer ülkelerde emlak vergilendirme sistemlerinin daha adil, şeffaf ve sürdürülebilir bir yapıya kavuşturulabilmesi için veri tabanlı değerleme modellerinin yaygınlaştırılması önerilmektedir. Gelecek çalışmalarda, daha büyük alanlara ait kapsamlı veri setleri ile farklı makine öğrenmesi algoritmalarının entegrasyonu ile modelin performansının artırılması hedeflenmektedir. Ayrıca, modelin zaman içinde değişen piyasa koşullarına adaptasyonunu sağlamak için dinamik veri güncelleme stratejilerinin ve gerçek zamanlı tahmin altyapılarının geliştirilmesi de önerilmektedir.