پیش بینی فروش واحدهای مسکونی با استفاده از روش های داده کاوی در آژانس های املاکی
محل انتشار: سومین کنفرانس بین المللی حسابداری و مدیریت
سال انتشار: 1394
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 1,233
فایل این مقاله در 14 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
این مقاله در بخشهای موضوعی زیر دسته بندی شده است:
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
MOCONF03_223
تاریخ نمایه سازی: 16 اسفند 1394
چکیده مقاله:
بازار املاک و مستغلات در ایران از اهمیت بالایی برخوردار می باشد. با توجه به ماهیت این بازار که بزرگ ترین سرمایه بسیاری از خانوارها را تشکیل می دهد، روند حرکتی این بازار با سایر بخش های اقتصادی متفاوت است. شناخت عوامل تأثیرگذار بر فروش مستغلات می تواند منجر به تصمیم گیری آگاهانه شود. مسئله ای که برای اکثریت مردم بخصوص سرمایه گذاران اهمیت دارد آنست که از مدت زمان فروش واحدهای مسکونی آگاه شوند. در صنعت بازار املاکی، آگاهی از مدت زمان فروش یک ملک، منجر به کاهش ریسک و افزایش سود می شود. در پژوهش حاضر سعی شده است که با استفاده از اطلاعات ثبت شده در مورد فروش آپارتمان ها در مناطق یک تا 13 شهر تهران، با روش های رده بندی و در قالب تکنولوژی داد کامی به مدلی دست یافته شود که پیش بینی قابل قبولی در مورد زمان فروش ملک ارائه کند. نتایج نشان می دهد که روش درخت تصمیم CART که با استفاده از انتخاب ویژگی توسط الگوریتم ژنتیکی ساخته شده است به بیشترین دقت برابر 76/28% و بیشترین هم بستگی برابر 0/6 رسیده است. پس از شبکه عصبی مصنوعی روش بیز ساده از روش های رده بندی درخت تصمیم CART و K 20 همسایگی عملکرد ضعیف تری را ارائه داده است.
کلیدواژه ها:
نویسندگان
فرشید عبدی
استادیار و عضو هیئت علمی دانشکده مهندسی صنایع، واحد تهران جنوب، دانشگاه آزاد اسلامی تهران
دل آرام شریفی لیمائی
دانشجوی کارشناسی ارشد دانشکده مهندسی صنایع، واحد تهران جنوب، دانشگاه آزاد اسلامی
مراجع و منابع این مقاله:
لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :