Etkin bina emlak vergi değerinin belirlenebilmesi için makine öğrenme temelli bir değerleme modeli önerisi
A proposal for a machine learning based valuation model for determining efficient building property tax value
- Tez No: 945012
- Danışmanlar: PROF. DR. REHA METİN ALKAN
- Tez Türü: Yüksek Lisans
- Konular: Jeodezi ve Fotogrametri, Geodesy and Photogrammetry
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: İstanbul Teknik Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Geomatik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Geomatik Mühendisliği Bilim Dalı
- Sayfa Sayısı: 121
Özet
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.
Özet (Çeviri)
In today's context, increasing population and urbanization dynamics have intensified the demand for real estate, thereby rendering real estate valuation processes more critical than ever before. Especially in major urban areas, population density disrupts the supply-demand balance, leading to increased price differentiation in the real estate market. This situation necessitates that valuation activities be conducted in a more strategic and precise manner. Determining property value in a fair and objective way has become a critical requirement not only for the protection of individual property rights but also for the effective management of public revenues. Moreover, real estate valuation should not be regarded merely as an economic activity, but also as one of the fundamental components of social justice and urban planning. Accurately determining the true (market) value of real estate is of great importance for ensuring the proper and fair functioning of the property taxation system. The real estate valuation process is a professional endeavor that requires comprehensive analyses and the use of accurate data to produce reliable results. It is essential that the methods employed in this process are based on scientific principles, and that the data is collected, standardized, and interpreted systematically. The application of appropriate methodologies enables the identification of market-consistent property values. Real estate valuation constitutes the foundation of numerous economic and legal processes, including credit allocation, insurance, expropriation, and taxation. Ensuring that properties are valued accurately and objectively plays a crucial role not only in individual property transactions but also in the sustainable management of public revenues. In Turkey, property tax values are generally determined by municipalities on a street or neighborhood basis, often disregarding the individual characteristics of the properties. This situation leads to the application of similar tax rates to properties with differing characteristics, resulting in tax inequality. For instance, subjecting two properties located on the same street to the same tax base, despite differences in usable area, physical condition, view, or access to transportation, constitutes a systematic injustice and leads to the misallocation of economic resources. The existing deficiencies also lead to miscalculations in other tax components such as title deed fees, value-added tax, and income tax, resulting in annual public revenue losses amounting to billions of dollars. The fundamental provision in the Constitution directly related to taxation is Article 73, titled“Tax Obligation”. The first and second paragraphs of this article state:“Everyone is obliged to pay taxes according to their financial capacity in order to meet public expenditures. The fair and balanced distribution of the tax burden is the social objective of fiscal policy”. Considering that the state is required to be fair in matters of taxation, it would be unjust to impose taxes uniformly on properties with differing values by treating them as if they were equal. According to property tax legislation, the taxable value of buildings, land, and plots is determined through real estate valuation studies conducted within the framework of relevant legal regulations. For a fair property taxation system, each property must be assessed individually, as specified in the Regulation on the Appraisal of Tax Values to Be Used as the Basis for Property Tax. However, conducting individual valuations for millions of properties is not a practical approach. Today, advancements in digitalization, big data, and artificial intelligence technologies offer new opportunities to address this challenge. In particular, machine learning, with its ability to process large and complex datasets, enables scalable, fast, and systematic solutions for property valuation. Conducting property valuation processes objectively, using scientific and systematic methods integrated with modern technologies, is crucial for sustainable property management and planning. Therefore, it is essential to develop a more effective mass valuation model. Machine learning–based mass appraisal models have the potential to deliver highly accurate and objective results compared to traditional methods such as the sales comparison, income, or cost approaches. In this study, the performances of various machine learning algorithms were compared using a dataset obtained from Kaggle, which includes 11,831 real estate properties located in Warsaw, the capital city of Poland, for the years 2023 and 2024. The dataset comprises a wide range of variables reflecting the physical characteristics of the properties, their spatial locations, environmental factors, and prevailing market conditions. This dataset serves as a valuable sample, as it reflects the spatial heterogeneity and dynamic market structure of Warsaw, making it a suitable testing ground for evaluating model performance across properties with diverse features. During the model development phase, several machine learning algorithms were implemented, including Linear Regression, AdaBoost, Decision Trees, Random Forest, Bootstrap Aggregation (Bagging), XGBoost, and Geographically Weighted Regression (GWR). These algorithms were assessed based on their predictive accuracy using different training and testing ratios. The evaluation of model performance was conducted using well-established error metrics, including the coefficient of determination (R^2), Root Mean Squared Error (RMSE), Mean Absolute Error (MAE), adjusted R^2 and Mean Absolute Percentage Error (MAPE). This comprehensive comparison enabled a detailed examination of how effectively each algorithm estimated property values under varying data conditions. Particular attention was given to the performance of spatially aware methods, such as GWR, to investigate the extent to which spatial dependencies impact the accuracy of real estate valuation. The findings revealed that the Random Forest, Bagging and XGBoost algorithms yielded the highest predictive accuracy, achieving R^2 values of 0.8889, 0.8831 and 0.8813, respectively. These results highlight the strong performance of ensemble-based algorithms in handling complex, high-dimensional real estate datasets. Furthermore, in order to enhance the interpretability of the predictive models, the SHapley Additive exPlanations (SHAP) method was employed. This technique provided insights into the influence of individual input features on real estate values, offering a deeper understanding of the internal mechanisms of the models. The use of SHAP not only contributed to model transparency but also delivered valuable information that can support the development of data-driven decision support systems in the field of real estate valuation. The findings obtained in the scope of this research reveal that models developed through the application of machine learning algorithms provide a valuation process that is significantly faster, more cost-efficient, and more objective than conventional property appraisal methods. These advantages indicate the potential of machine learning approaches to enhance the overall efficiency and reliability of mass real estate valuation systems. The proposed model aims to enhance transparency in property valuation processes and to establish a valuation framework that contributes to a fairer and more accurate property taxation system. By supporting the more effective implementation of tax policies, the model also seeks to help prevent tax losses and to increase public revenue. The integration of such a model into existing systems offers the potential to not only improve tax equity but also to strengthen fiscal sustainability and public trust in property-related taxation mechanisms. Furthermore, the applicability of this model extends beyond the domain of property taxation; it holds significant potential for broader use in areas such as determining collateral values in real estate-backed lending practices and estimating expropriation compensations in urban transformation projects. Therefore, the widespread adoption of this approach can provide substantial value in various decision-making and policy implementation processes where accurate and objective real estate valuation is essential. Moreover, the positive findings obtained from this study indicate that the proposed model is not limited solely to property taxation processes. It also holds the potential to contribute both theoretically and practically to various valuation-related applications where determining the taxable value of real estate is essential. These include title deed and cadastral transaction fees, inheritance and transfer taxes, rental income taxation, compensation for unauthorized use of public property (ecrimisil), and cost-sharing contributions collected by municipalities. The model's adaptability across such diverse areas highlights its capacity to support a wide range of public finance and administrative processes, thereby promoting consistency, transparency, and efficiency in the valuation of real estate assets. Furthermore, it is anticipated that the accuracy and reliability of the developed model would significantly improve if open data sources in Türkiye were to become more widespread and if actual market transaction prices, rather than advertised listing data, were utilized as the basis for property valuation. Access to transparent, high-quality, and standardized real estate transaction data would enhance the model's predictive performance and enable the production of more precise and trustworthy valuation outputs. In this context, the establishment of institutional data-sharing mechanisms and policies supporting data openness would play a critical role in advancing the effectiveness of data-driven valuation approaches. Ultimately, it is recommended that such models be widely adopted and integrated into property taxation systems in Türkiye and other countries to foster greater fairness, transparency, and long-term sustainability in the administration of real estate taxation. In future studies, it is aimed to enhance the performance of the proposed model through the integration of more advanced machine learning algorithms and the utilization of comprehensive datasets covering larger geographic areas and more diverse property types. Expanding the spatial and temporal scope of the data is expected to improve the model's generalizability and applicability across different market contexts. It is also recommended that dynamic data updating strategies be developed to ensure the model remains effective under evolving market dynamics. Such advancements are anticipated to further strengthen the practical relevance and long-term viability of machine learning-based mass valuation systems in supporting data-driven policy-making and efficient public administration.
Benzer Tezler
- Türkiye'de etkin bina emlak vergisi belirlenmesi için bir değerleme model önerisi
An appraisal model proposal for effective building property tax determination in Türkiye
ECEM SİRKECİ
Yüksek Lisans
Türkçe
2023
Jeodezi ve Fotogrametriİstanbul Teknik ÜniversitesiGeomatik Mühendisliği Ana Bilim Dalı
PROF. DR. REHA METİN ALKAN
- Emlak vergilerinin Türkiye ve bazı Avrupa Birliği'ne üye ülkeler açısından incelenmesi ve değerlendirilmesi
Başlık çevirisi yok
SELÇUK ÇAĞRI ESENER
- Kentsel mekan içerisinde yer alan yeşil alanların değerlendirilmesi: İstanbul-Ümraniye örneği
Evaluation of green system existing in urban residence; İstanbul-Ümraniye sample
SÜLEYMAN KARALI
Yüksek Lisans
Türkçe
2001
Şehircilik ve Bölge Planlamaİstanbul Teknik ÜniversitesiPROF. DR. AYŞE SEMA KUBAT