بررسی روند بی ثباتی قیمت مسکن شهری در ایران

نویسندگان

1 استاد گروه توسعه اقتصادی و برنامه‌ریزی، دانشکده اقتصاد و مدیریت، دانشگاه تبریز، تبریز، ایران.

2 استادیار، گروه علوم اجتماعی، دانشکده حقوق و علوم اجتماعی، دانشگاه تبریز، تبریز، ایران.

3 دکتری اقتصاد، گروه توسعه اقتصادی و برنامه‌ریزی، دانشکده اقتصاد و مدیریت، دانشگاه تبریز، تبریز، ایران.

چکیده

هدف پژوهش حاضر بررسی روند بی‌ثباتی قیمت مسکن شهری در ایران، از فصل اول سال 1375 تا فصل چهارم سال 1394، است. در این راستا، برای کمی‌کردن بی‌ثباتی قیمت مسکن شهری از روش گارچ‌نمایی استفاده شده است. نتایج پژوهش نشان می‌دهد بی‌ثباتی قیمت مسکن شهری از فصل اول سال 1375 تا فصل دوم سال 1377 رو به کاهش بوده و در فاﺻﻠﮥ فصل سوم سال 1377 تا فصل چهارم سال 1378 نیز ثبات داشته است؛ ولی از فصل اول سال 1379 به بعد، بی‌ثباتی قیمت مسکن شهری رفته‌رفته سیر صعودی به خود گرفته است. همچنین بیشترین بی‌ثباتی قیمت مسکن شهری در فصل دوم سال 1387 و فصل دوم سال 1392 رخ داده است؛ ولی در مقاﻳﺴﮥ دو بی‌ثباتی اشاره‌شده، بی‌ثباتی فصل دوم سال 1392 بیشترین مقدار را داشته است.

کلیدواژه‌ها

موضوعات


عنوان مقاله [English]

Studying the Instability Trend of Urban Housing Prices in Iran

نویسندگان [English]

  • Hossein Panahi 1
  • Tavakkol Aghayari hir 2
  • Seyed ali Aleemran 3
1 Professor, Department of Economic Development and Planning, Faculty of Economics and Management, University of Tabriz, Tabriz, Iran
2 Asistant Professor, Department of Social Sciences, Faculty of Law & Social Sciences, University of Tabriz, Tabriz, Iran
3 Ph.D. in Economics, Department of Economic Development and Planning, Faculty of Economics and Management, University of Tabriz, Tabriz, Iran
چکیده [English]

The objective of this research is to study the instability trend of urban housing prices in Iran over the period of the first quarter of 1996 to the fourth quarter of 2015. We have used EGARCH model to quantify the instability of urban housing prices. The results indicate that the volatility of urban housing prices has declined during the first quarter of 1996 to the second quarter of 1998, has been stabled since the third quarter of 1998 to the fourth quarter of 1999, but from the first quarter of 2000 it has experienced an increasing trend. The instability of urban housing prices has been reached to its maximum level, in the second quarters of 2008 and 2013. But comparing the two, the instability in the second quarter of 2013 was higher.
JEL Classifications: R31, C22, C13.

کلیدواژه‌ها [English]

  • Instability
  • Urban Housing Price
  • EGARCH Model

مقدمه

 

اهمیت روزافزون بازار دارایی‌ها در اقتصاد هر کشور، بررسی مداوم این بازار را ضروری می‌کند. بازار مسکن از اجزای مهم بازارهای دارایی است (دیندار رستمی و شیرین‌بخش، 1395: 35). ازطرفی، نوسان قیمت مسکن و اثرهای آن بر بازار مسکن و سایر بخش‌های اقتصادی، برای سیاست‌گذاران اقتصادی به مسئله‌ای کلیدی تبدیل شده است (قلی‌زاده و عقیقی، 1394: 50).

تغییراتی که در قیمت مسکن ایجاد می‌شود از یک سو باعث تغییر ثروت فرد در طول زمان و به دنبال آن، مطلوبیت ناشی از مصرف می‌شود؛ از سوی دیگر، باتوجه به متفاوت‌بودن ترکیب دارایی برای افراد مختلف، تغییر در قیمت مسکن باعث می‌شود ثروت افراد مختلف در مقایسه با یکدیگر تغییر کند. اگر از ﺟﻨﺒﮥ سرپناه به مسکن نگاه کنیم، اهمیت نوسان‌های قیمت آن برای دولت حتی می‌تواند بیشتر باشد؛ زیرا نوسان‌های قیمت مسکن و به‌ویژه افزایش‌های سریع آن، ازجمله تهدیدهایی است که هدف تضمین دسترسی یک‌یک مردم به مسکن را با چالش مواجه می‎کند (خلیلی عراقی و همکاران، 1391: 34).

در کشور ما سهم هزﻳﻨﮥ مسکن در سبد هزﻳﻨﮥ خانوارهای شهری حدود 32درصد است که این رقم برای دهک‌های پایین درآمدی در کلا‌ن‌شهرها، به بیش از 70درصد نیز می‌رسد؛ در حالی که در کشورهایی که در حل مشکلات مسکن موفق بوده‌اند، سهم هزﻳﻨﮥ مسکن در سبد هزﻳﻨﮥ خانوار کمتر از 15درصد است (اکبری، 1396: 239).

بر این اساس، باتوجه به چشمگیربودن سهم هزﻳﻨﮥ مسکن در سبد هزﻳﻨﮥ خانوارهای شهری، وجود بی‌ثباتی در قیمت مسکن شهری می‌تواند باعث ایجاد نوعی نااطمینانی در تصمیم‌گیری خانوارهای شهری شود؛ ازاین‌رو باتوجه به اهمیت بی‌ثباتی قیمت مسکن شهری، پژوهش حاضر درصدد بررسی روند بی‌ثباتی قیمت مسکن شهری در ایران و در فاﺻﻠﮥ زمانی فصل اول سال 1375 تا فصل چهارم سال 1394 است.

پرسش مطرح‌شده در راستای هدف پژوهش نیز به این صورت است که قیمت مسکن شهری در کدام سال‌‌ها بیشترین میزان بی‌ثباتی را داشته و علت آن چه بوده است.

براساس سازماندهی مباحث مقاله، در ادامه پس از مرور مبانی نظری و ﭘﻴﺸﻴﻨﮥ پژوهش، در قسمت دوم روش پژوهش معرفی می‌شود. قسمت سوم به اراﺋﮥ یافته‌های پژوهش اختصاص دارد و بخش پایانی پژوهش نیز دربرگیرندﮤ نتیجه‌گیری است.

 

مبانی نظری.

بی‌ثباتی بازارهای مالی یکی از مسائلی است که دربردارندﮤ اطلاعات ارزشمندی است (بالرسلو[1] و همکاران، 1992) و در بازارهای مالی اهمیت بسیاری دارد. وجود بی‌ثباتی در قیمت دارایی، افزایش اطلاعات نامتقارن و همچنین بحران مالی را باعث می‌شود (میشکین،[2] 2001)؛ ازاین‌رو لازم است عاملان بازار از ریشه‌های بی‌ثباتی قیمت آگاهی یابند و خطرهای حاصل از آن را مدیریت کنند (گلاین[3] و همکاران، 2013: 21).[4]

بی‌ثباتی قیمت مسکن ازجمله بی‌ثباتی‌های رخ‌داده در بازارهای مالی است که به‌تازگی توجه سیاست‌گذاران و سرمایه‌گذاران را به خود جلب کرده است. از آنجا که بخش اعظمی از کل ثروت اقتصادی در قالب مسکن نگهداری می‎شود (حسین و لطیف،[5] 2009: 3521)، بی‌ثباتی قیمت مسکن از مسائل پیچیده‌ای است که افراد با آن مواجه‌اند؛ همچنین بازار مسکن به‌علت دارابودن برخی ویژگی‌های منحصربه‌فرد، بیشتر از سایر بازارها در برابر بی‌ثباتی حساس است (فراری و رائه،[6] 2011: 15). به طوری که در این زمینه داویس و هتکت[7] (2005) نشان داده‌اند در مقایسه با سرمایه‌گذاری‌های تجاری،[8] سرمایه‌گذاری‌های مسکونی بیش از دو برابر بی‌ثبات‌ترند (داویس و هتکت، 2005: 45 و 46)؛ یا براساس نتایجی که در مطاﻟﻌﮥ رین و رزالی[9] (2016) از تقاضای مردم به دارایی‌ها به دست آمده، قیمت مسکن در مقایسه با دیگر کالاها و خدمات تغییرات بیشتری داشته است. به طورکلی، قیمت مسکن بیشتر از قیمت دیگر کالاها دچار بی‌ثباتی می‌شود (رین و رزالی، 2016: 14 و 15).

بی‌ثباتی قیمت مسکن به‌شکل درخور توجهی با اخبار و اطلاعات دوره‌های پیشین در ارتباط است. درواقع، زمانی که سرمایه‌گذاران از وضعیت بازار مسکن بی‌اطلاع باشند، تصمیم‌گیری آنها از روی حدس و گمان انجام می‌گیرد و پیامد آن نیز ایجاد بی‌ثباتی در قیمت مسکن خواهد بود. هر زمان اخبار جدید در بازار مسکن وجود داشته باشد، قیمت مسکن شروع به نوسان خواهد کرد و رخ‌دادن اخبار بد در دورﮤ پیشین نیز، به بی‌ثباتی شدید در قیمت مسکن منجر خواهد شد (رین و رزالی، 2016: 14). هیچ نظرﻳﮥ واحدی هنوز نتوانسته است به علت بی‌ثباتی قیمت مسکن و اثرهای کمی عوامل موثر بر بی‌ثباتی قیمت مسکن پاسخ دهد (اسلاند،[10] 2008: 2 و 3).

باتوجه به اهمیت بی‌ثباتی قیمت مسکن، این موضوع جای تعجب دارد که چرا دربارﮤ این موضوع ﭘﻴﺸﻴﻨﮥ کمتری وجود دارد (مایلر و پنق،[11] 2006: 6). به طوری که اوکران و آنیکوا[12] (2013) ﺗﺄکید کرده‌اند مطالعه‌های اندکی واقعیت‌های بی‌ثباتی در بازار مسکن را مستند کرده‌اند (اوکران و آنیکوا، 2013: 58)؛ یا لی و رید[13] (2014) نیز بیان کرده‌اند مسائل متعددی دربارﮤ بی‌ثباتی قیمت مسکن وجود دارد که هنوز در کانون توجه و بررسی قرار نگرفته‌اند. بی‌ثباتی عامل طبیعی در هر بازار است و مرحله‌ای از بی‌ثباتی وجود دارد که اگر بی‌ثباتی به آن مرحله برسد باعث ایجاد مشکل در بازار مسکن خواهد شد (فراری و رائه، 2011: 7).

همیلتون و سوسمل[14] (1994) در زﻣﻴﻨﮥ اهمیت بی‌ثباتی قیمت مسکن توضیح می‌دهند که مدل‌سازی بی‌ثباتی قیمت مسکن به دو علت اهمیت دارد: الف. درﺟﮥ خطر هر دارایی مهم‌‌ترین عامل مؤثر بر قیمت آن است؛ ب. برداشت قوی اقتصادسنجی دربارﮤ میانگین شرطی هر متغیر، مستلزم آشکارشدن درست واریانس شرطی آن است (همیلتون و سوسمل، 1994: 307 و 308).

به‌طور کلی، در تجزیه‌وتحلیل مربوط به بازار مسکن، بی‌ثباتی قیمت مسکن ابعاد خُرد و کلان دارد. در سطح خُرد، بی‌ثباتی قیمت مسکن به تجزیه‌وتحلیل خطر سرمایه‌گذاری در سطح ناحیه، منطقه یا تجزیه‌وتحلیل مدیریت پرتفو در سطح کشور یا ایالت مربوط می‌شود.[15] تحلیل بی‌ثباتی خوشه‌ای[16] به‌طور معمول به تحلیل بی‌ثباتی در سطح خُرد مربوط می‌شود. اگر بی‌ثباتی خوشه‌ای که اثرهای آرچ نیز نامیده می‌شود، در بازار مسکن وجود داشته باشد، آنگاه خطر چشمگیر زیان‌های بزرگ در طول دورﮤ بی‌ثباتی وجود خواهد داشت؛ طوری‌که اثر خود را در تحلیل‌های میانگین و واریانس استاندارد نشان خواهد داد.

 لین و فورست[17] (2014) به این نتیجه رسیده‌اند به همان اندازه که مداخله‌های بخش عمومی در بازار مسکن حیاتی است، بررسی بی‌ثباتی خوشه‌ای نیز برای مدیریت دارایی و پرتفو حیاتی است (لین و فورست، 2014: 38). جاکارد[18] (2007) بیان می‎کند بی‎ثباتی قیمت مسکن نشاﻧﮥ عملکرد ضعیف بازار مسکن در برابر پدیده‎های طبیعی است و بر سرمایه‎گذاران مسکن تاثیر نامطلوب دارد (جاکارد، 2007: 2).

دربارﮤ قیمت مسکن در سطح کلان نیز به‌طور گسترده مطالعه شده است (دریا،[19] 2009: 26)؛ به طوری که براساس دیدگاه‌های نظری، بین قیمت مسکن و متغیرهای پولی و دیگر متغیرهای کلان اقتصادی ارتباطی چندجانبه وجود دارد (گودهارت و هافمن،[20] 2008: 6)؛ برای مثال مولبائور و مورفی[21] (1990) نشان داده‌اند افزایش قیمت مسکن و وضع اعتباری آسان برای مصرف‌کنندگان، در دﻫﮥ 1980 باعث رشد مصرف در انگلستان شد. کیس[22] و همکاران (2005) نیز به این نتیجه رسیده‌اند تغییرات قیمت مسکن در مقایسه با تغییرات قیمت سهام، بر مصرف خانوارها در آمریکا و دیگر کشورهای توسعه‌یافته ﺗﺄثیر بیشتر و مهم‌تری دارد (کیس و همکاران، 2005: 26). میشکین[23] (2007) نیز نشان داده است سیاست پولی انبساطی اعمال‌شده با کاهش نرخ بهره، تقاضای مسکن را تحریک می‌کند و به دنبال آن، باعث افزایش قیمت مسکن می‌شود. با افزایش قیمت مسکن نیز، به‌علت افزایش ثروت کل، مصرف و تقاضای کل خانوارها افزایش می‌یابد. درنهایت، به این نتیجه رسیده است اثر ثروت ناشی از قیمت مسکن مهم‌ترین عامل در مکانیسم انتقال پولی است (میشکین، 2007: 9).

در سطح کلان، بسته به ارتباط بین قیمت مسکن و ﺗﺄمین مالی، بی‌ثباتی قیمت مسکن با شبکه‌های انتقالی به متغیرهای کلان انتقال می‌‌یابد؛ به طوری که لی[24] (2009) نشان داده است تورم عامل اصلی بی‌ثباتی قیمت مسکن است.

براساس مطالعه‌های سازمان همکاری و توﺳﻌﮥ اقتصادی[25] (2011)، بی‌ثباتی شدید قیمت مسکن باعث بی‌ثباتی اقتصاد کلان و نااطمینانی خانوارها به درآمدشان می‌شود؛ همچنین باعث افزایش ریسک سیستماتیک در بخش‌های بانکی و رهنی می‌شود (سازمان همکاری و توسعه اقتصادی، 2011: 7). چاندلر و دیسنی[26] (2014) به این نتیجه رسیده‌اند بی‌ثباتی قیمت مسکن نوعی نگرانی برای ثبات مالی محسوب می‌شود و با تغییر در رفتار خانوارها، بر اقتصاد اثر می‌گذارد (چاندلر و دیسنی، 2014: 380 تا 385).

براساس مطالعه‌های بانک مرکزی اروپا[27] (2003) نیز، دارایی مسکن بخش درخور توجهی از پرتفوی خانوارها را تشکیل می‌دهد و بی‌ثباتی ملایم قیمت مسکن باعث افزایش معنی‌دار در سود و زیان سرمایه می‌شود. ﺗﺄثیر واقعی این سود و زیان‌ها بر تصمیم‌های مصرفی و پس‌انداز و گرفتن وام خانوارها، به وضع بازار مسکن و ساختار بازارهای اعتباری بستگی دارد (مطالعات بانک مرکزی اروپا، 2003: 14).

 

ﭘﻴﺸﻴﻨﮥ پژوهش.

الف. ﭘﻴﺸﻴﻨﮥ پژوهش داخلی.

دیندار رستمی و شیرین‌بخش (1395) در پژوهش «اثر نامتقارن تکانه قیمت مسکن بر مصرف خانوارهای شهری در استان‌های ایران: رهیافت Panel VAR» اثرهای نامتقارن قیمت مسکن را بر مصرف خانوارهای شهری در استان‌های ایران طی دورﮤ زمانی 1385تا1393 بررسی کرده‌اند. نتایج حاصل از پژوهش نشان داده است اثر تغییرات قیمت مسکن بر مصرف خانوارهای شهری در استان‌های ایران، طی دورﮤ بررسی‌شده، منفی و معنی‌دار بوده است؛ همچنین بررسی اثرهای نامتقارن تکاﻧﮥ قیمت مسکن، در تکاﻧﮥ مثبت اثر منفی و معنی‌دار و در تکاﻧﮥ منفی قیمت مسکن اثر مثبت و معنی‌دار نشان داده است.

ممبینی و همکاران (1394) در « پیشنهاد مدلی برای پیش‌بینی قیمت مسکن براساس روش آریما؛ مطالعه موردی شهر تهران» با استفاده از روش آریما، برای قیمت مسکن الگو‌سازی کرده و آن را پیش‌بینی کرده‌اند. نتایج مطالعه نشان از آن دارد که الگوی پیشنهادشده در پژوهش آنها، برای الگوسازی و پیش‌بینی قیمت مسکن در شهر تهران توانایی چشمگیری (با ضریب تعیین 7/99درصد) دارد.

سهیلی و همکاران (1393) در پژوهش «بررسی عوامل مؤثر بر نوسانات قیمت مسکن در شهر کرمانشاه» با استفاده از روش خودتوضیح با وقفه‌های توزیعی، اثرهای متغیرهای قیمت زمین، هزﻳﻨﮥ ساخت بنا، حجم تسهیلات اعطایی بخش مسکن، نرخ ارز، شاخص قیمت سهام، تعداد ساختمان‌های مسکونی و درآمد خانوار بر قیمت مسکن را در شهر کرمانشاه در فاﺻﻠﮥ زمانی فصلی 1370تا1387 بررسی کرده‌اند. نتایج حاصل از پژوهش حکایت از آن دارد که متغیرهای کلان اقتصادی در توضیح رفتار قیمت مسکن و نوسان‌های آن قدرت بسیاری دارند.

اکبری و یارمحمدیان (1391) در «تحلیل دوره‌های رونق و رکود سرمایه‌گذاری خصوصی مسکن (روش الگوی خودتوضیح برداری تناوبی مارکوف)» با به‌کارگیری الگوی خودتوضیح برداری تناوبی مارکوف به این نتیجه رسیده‌اند احتمال باقی‌ماندن در دورﮤ رونق بیش از احتمال انتقال به وضعیت رکودی است (95درصد در مقابل 5درصد) و احتمال خروج از دوران رکود بیش از باقی‌ماندن در آن است (73درصد در مقابل 27درصد). بر این اساس مدت زمان انتظاری دورﮤ رونق بیش از 5 برابر مدت زمان رکود است.

متوسلی و همکاران (1389) در پژوهش «تحلیل تسری نوسانات قیمت مسکن بین مناطق مختلف شهر تهران با استفاده از الگوی خودرگرسیون فضایی تلفیقی (SAR Panel) و الگوی تصحیح خطای برداری (VECM)» با استفاده از الگوی خودرگرسیون فضایی تلفیقی و الگوی تصحیح خطای برداری به تحلیل تسری نوسان‌های قیمت مسکن بین مناطق مختلف شهر تهران و در فاصله زمانی فصلی 1371 تا 1385 پرداخته‌اند. نتایج تخمین الگوی خودرگرسیون فضایی مؤید وجود ارتباطات فضایی (منطقه‌ای) بین قیمت‌های مسکن و ﺗﺄثیرپذیری مناطق از یکدیگر به هنگام بروز نوسان‌های قیمت است.

ناجی میدانی و همکاران (1389) در «بررسی ﺗﺄثیر پویای عوامل کلان اقتصادی بر نوسانات قیمت مسکن در ایران (1369 تا 1386)» با استفاده از روش یوهانسن‌جوسیلیوس و الگوی تصحیح خطا، ﺗﺄثیر پویای برخی متغیرهای کلان اقتصادی یعنی حجم پول، تولید ناخالص داخلی، شاخص قیمت مصرف‌کننده و نرخ ارز را بر رفتار شاخص قیمت مسکن در ایران و در فاﺻﻠﮥ زمانی فصلی 1369 تا 1386 بررسی کرده‌اند. نتایج مطالعه نشان داده است تمامی متغیرهای مذکور با شاخص قیمت مسکن راﺑﻄﮥ مثبت و معنی‌دار دارند.

ب. ﭘﻴﺸﻴﻨﮥ پژوهش خارجی.

ساووا و میکائیل[28] (2017) درپژوهش «مدل‌سازی بی‌ثباتی قیمت مسکن در قبرس با استفاده از مدل سوئیچینگ آرچ» با استفاده از الگوی سوئیچینگ آرچ، بی‌ثباتی قیمت مسکن را در قبرس و در فاﺻﻠﮥ زمانی فصل نخست 2001 تا فصل دوم 2016 برآورد کرده‌اند. نتایج پژوهش از وجود دو حالت بی‌ثباتی بسیار و بی‌ثباتی کم در قیمت مسکن حکایت می‌کند؛ به طوری که دو حالت بی‌ثباتی نیز درﺟﮥ ماندگاری چشمگیری داشتند؛ همچنین یافته‌های دیگر پژوهش نشان داده است احتمال وجود بی‌ثباتی بسیار در ابتدای دورﮤ مورد بررسی نزدیک به یک بوده و در زمان رونق بازار مسکن، یعنی 2008 تا 2010، بی‌ثباتی کاهش یافته است.

کسکون و ارتوگرول[29] (2016) در «الگوهای بی‌ثباتی قیمت مسکن در ترکیه: استانبول، آنکارا و ازمیر» با استفاده از الگوهای آرچ و گارچ و گارچ‌نمایی، بی‌ثباتی قیمت مسکن را در استانبول و آنکارا و ازمیر و در فاﺻﻠﮥ زمانی جولای 2007 تا ژوئن 2014 بررسی کرده‌اند. نتایج مطالعه نشان می‌دهد: الف. در طول دورﮤ مورد بررسی، هم بی‌ثباتیِ بیش از حد قیمت مسکن و هم بی‌ثباتی ملایم قیمت مسکن وجود داشته است؛ ب. هر رویداد اقتصادی درخور توجه ممکن است بی‌ثباتی قیمت مسکن را در شهر یا کشور تغییر دهد؛ ج. بی‌ثباتی قیمت مسکن در نواحی جغرافیایی، متفاوت است؛ د. از نظر شدت بی‌‌ثباتی قیمت مسکن، شدیدترین بی‌ثباتی قیمت مسکن در ازمیر و پس از آن در آنکارا بوده و استانبول نیز کمترین و ناچیزترین بی‌‌ثباتی قیمت مسکن را نشان داده است.

تسای[30] و همکاران (2010) در پژوهش «مدل‌سازی بی‌ثباتی قیمت مسکن در انگلستان با استفاده از مدل سوئیچینگ آرچ» با استفاده از الگوهای آرچ و گارچ، واریانس ناهمسان شرطی قیمت مسکن را برآورد کرده‌اند. یافته‌های پژوهش از وابسته‌بودن دارایی (مسکن) به زمان در سری‌های بی‌ثباتی قیمت مسکن نشان داشته است؛ همچنین نتایج براساس الگوی سوئیچینگ آرچ نیز از وجود سه حالت بی‌ثباتی در روند قیمت مسکن حکایت داشته است.

بنکس[31] و همکاران (2010) در «بی‌ثباتی قیمت مسکن و نردبان مسکن» با استفاده از داده‌های تابلویی و روش شبیه‌سازی عددی، به این نتیجه رسیده‌اند در بعضی مناطق جغرافیایی، مسکن در حکم دارایی پرخطر است و قیمت مسکن نیز سطوح چشمگیر بی‌ثباتی پیش‌بینی‌ناپذیر دارد؛ در حالی که در برخی مناطق دیگر، سود و زیان سرمایه در مسکن موضوع مهمی نیست.

لی (2009) در پژوهش «بی‌ثباتی قیمت مسکن و عوامل مؤثر بر آن»، با استفاده از الگوی گارچ‌نمایی، بی‌ثباتی قیمت مسکن را در هشت شهر بزرگ استرالیا در فاﺻﻠﮥ زمانی 1987 تا 2007 واکاوی کرده است. نتایج پژوهش از وجود اثرهای بی‌ثباتی خوشه‎ای (اثرهای آرچ) در بیشترِ شهرهای بررسی‌شده نشان دارد؛ همچنین برآورد الگوی گارچ‌نمایی برای هریک از شهرهای بررسی‌شده نیز، از آن حکایت دارد که عوامل مؤثر بر بی‌ثباتی قیمت مسکن از شهری به شهر دیگر متفاوت‌اند.

حسین و لطیف (2009) در «عوامل مؤثر بر بی‌ثباتی قیمت مسکن در کانادا: تحلیل پویا» با استفاده از الگوهای گارچ و خودتوضیح برداری، عوامل مؤثر بر بی‌ثباتی قیمت مسکن را در کانادا بررسی کرده‌اند. نتایج مطالعه نشان داده است بی‌ثباتی قیمت مسکن به‌شدت از رشد تولید ناخالص داخلی، نرخ افزایش قیمت مسکن[32] و تورم ﺗﺄثیر می‌پذیرد.

مایلز[33] (2008) در پژوهش «بی‌ثباتی خوشه‌ای در قیمت مسکن آمریکا»، با استفاده از الگوی آرچ و در فاﺻﻠﮥ زمانی 1979 تا 2006 برای آمریکا، به این نتیجه رسیده است که اثرهای بی‌ثباتی خوشه‌ای در قیمت مسکن وجود دارد؛ به طوری که میزان این اثرها در ایالت‌‌های مختلف متفاوت بوده است. یافته‌های دیگر پژوهش نیز نشان داده است باتوجه به مشاهدﮤ اثرهای نامتقارن اخبار و در جهت منفی در بازار مسکن ایالت‌ها، به‌کارگیری الگوی گارچ آستانه‌ای برای کشور آمریکا مناسب است.

کاپوزا[34] و همکاران (2004) در «بررسی پویایی قیمت در بازارهای غیرنقدینه: شواهدی از بازار مسکن» با استفاده از داده‌های تابلویی برای 62 ﻣﻨﻄﻘﮥ شهری ایالات متحده آمریکا و در فاﺻﻠﮥ زمانی 1979 تا 1995، پویایی قیمت را در بازار مسکن مناطق مذکور بررسی کرده‌اند. نتایج مطالعه حکایت می‌کند تغییر در رفتار قیمت مسکن شهری به‌علت واکنش قیمت مسکن به شوک‌های مختلف اقتصادی است؛ همچنین یافته‌های دیگر مطالعه نشان می‌دهد واکنش متفاوت قیمت مسکن به شوک‌های اقتصادی، به عواملی همچون هزﻳﻨﮥ اطلاعات[35] و هزﻳﻨﮥ عرضه[36] و انتظارها[37] بستگی دارد.

دلده و تیرتیراوقلو[38] (2002) در پژوهش «تغییرات بی‌ثباتی قیمت مسکن و اثرات آن»، با استفاده از روش هاگن، تالمور و توروس[39] (1991)، وجود بی‌ثباتی را در تغییرات قیمت مسکن در چهار ﻣﻨﻄﻘﮥ ایالات متحدﮤ آمریکا بررسی کرده‌اند. براساس نتایج پژوهش، 36 رویداد بی‌ثبات‌کننده[40] شناسایی شده که بیشتر آنها تنها منطقه‌ای بوده است؛ ولی سه رویداد ملی بوده‌اند. همچنین یافته‌ها از وجود ارتباط بین رویدادهای بی‌ثباتی و وضع اقتصاد نشان د‌ارند.

 

روش پژوهش.

هدف پژوهش حاضر بررسی روند بی‌ثباتی قیمت مسکن شهری در ایران است. ازاین‌رو برای برآورد شاخص بی‌ثباتی قیمت مسکن شهری، نخست با استفاده از آزمون دیکیفولر تعمیمیافته[41] و آزمون رﻳﺸﮥ واحد فصلی هگی،[42] پایایی متغیر شاخص قیمت مسکن شهری آزموده شد که مبنای آن سال پاﻳﮥ 1390 بود[43] و در پژوهش با علامت (UHP) نشان داده شده است؛ سپس با استفاده از روش باکس جنکینز،[44] الگوی ARIMA پیش‌بینی‌کنندﮤ رفتار متغیر شاخص قیمت مسکن شهری از فصل اول 1375 تا فصل چهارم 1394 تخمین زده شده است. در مرﺣﻠﮥ بعدی، وجودداشتن یا وجودنداشتن خودهمبستگی و ناهمسانی واریانس با استفاده از آزمون‌های مربوط بررسی شده است و با شرط اینکه الگوی ARIMA به‌دست‌آمده خودهمبستگی نداشته و ناهمسانی واریانس داشته باشد، درنهایت بی‌ثباتی متغیر مدنظر با استفاده از روش گارچنمایی[45] استخراج شده است.

به‌طور مشخص، بی‌‌ثباتی قیمت هر دارایی به‌‌صورت انحراف از معیار یا واریانس بیان می‌شود. در چنین وضعیتی، فرض واریانس ثابت برقرار نیست. واریانس ثابت یکی از فرض‌های کلاسیک‌ها و الگوهای غیرشرطی است. الگوی واریانس ناهمسان شرطی (آرچ)[46] که انگل[47] در سال 1982 معرفی کرد نوعی از خانوادﮤ الگوهای معروف غیرخطی است که به این مسئله توجه کرده است. در این الگوهای شرطی، برخلاف الگوهای غیرشرطی، واریانس شرطی در طول زمان تغییر می‌کند. در این دسته الگوها، جزء خطای واریانس شرطی ( ) به ارزش گذﺷﺘﮥ مجذور ﺟﻤﻠﮥ اختلال ( ) وابسته است:

(1)

 

از آنجا که  واریانس شرطی است ارزش آن همواره مثبت است؛ اما مشکل این روش آن است که ﻣﺴﺌﻠﮥ خوشه‌بندی نوسان را در نظر نمی‌‌گیرد. خوشه‌بندی نوسان، حالتی را بیان می‌کند که تغییرات بزرگ در قیمت به‌دنبال تغییرات بزرگ و تغییرات کوچک در قیمت به‌دنبال تغییرات کوچک پیگیری می‌شود. این مسئله به شکل‌گیری الگویگارچ[48] توسط بالرسلو در سال 1986، در حکم تعمیمی بر روش آرچ، منتهی شده است. در الگوی آرچ تعمیم‌یافته یا الگوی گارچ، واریانس شرطی علاوه‌بر ارزش گذﺷﺘﮥ مجذور ﺟﻤﻠﮥ اختلال، به وقفه‌های خود نیز وابسته است. معادﻟﮥ واریانس برای هر الگویGARCH (p,q) خطی به‎صورت راﺑﻄﮥ 2 تصریح می‌شود:

(2)

 

که در آن  و  پارامترهای ثابت‌اند که به‌ترتیب ضرایب GARCH و ARCHهستند؛ اما این الگوها نیز ﺗﺄثیر اخبار خوب و بد را در نظر نمی‌گیرند. به عبارت دیگر، ﺗﺄثیر اخبار بد بر نوسان بیشتر از ﺗﺄثیر اخبار مثبت به همان حجم است. برای حل این مشکل، الگوهای انعطاف‌پذیری از نوسان معرفی شده‌اند. ازﺟﻤﻠﮥ این الگوها می‌توان به الگوی گارچ‌نمایی اشاره کرد (صمدی و همکاران، 1392: 86 و 87). این روش را که برای نخستین‌بار نلسون[49] (1991) مطرح کرد به‌صورت راﺑﻄﮥ 3 بود و در مقایسه با الگوی GARCH معمولی چند مزیت داشت: نخست اینکه در الگو،  به‌صورت لگاریتمی وارد شده است؛ بنابراین حتی اگر پارامترها منفی هم باشند،  مثبت خواهد بود. ازاین‌‌رو، دیگر هیچ ضرورتی برای اعمال محدودیت غیرمنفی‌بودن ضرایب وجود ندارد. دوم اینکه در این الگو امکان لحاظ تقارن‌نداشتن شوک‌های مثبت و منفی بر بی‌ثباتی وجود دارد (آل‌عمران و آل‌عمران، 1393: 151).

 

(3)

 

 

یافته‌های پژوهش.

بررسی پایایی متغیر.

برای بررسی پایایی متغیر شاخص قیمت مسکن شهری، از آزمون رﻳﺸﮥ واحد دیکی‌فولر تعمیم‌یافته و همچنین آزمون رﻳﺸﮥ واحد فصلی هگی استفاده شده است. جدول 1 براساس آزمون دیکی‌فولر تعمیم‌یافته، نتایج آزمون پایایی را برای متغیر شاخص قیمت مسکن شهری مشخص می‌کند و جدول 2 نیز نتایج آزمون هگی را نشان می‌دهد. همان طور که در جدول‌های ذکرشده مشاهده می‌شود، براساس آزمون دیکی‌فولر تعمیم‌یافته، متغیر شاخص قیمت مسکن شهری پایا در تفاضل مرﺗﺒﮥ اول یا به عبارتی دیگر I(1) بوده است. نتایج حاصل از آزمون هگی نیز از وجود رﻳﺸﮥ واحد در فرکانس صفر یا وجود یک ریشه‌ واحد غیرفصلی در متغیر شاخص قیمت مسکن شهری حکایت می‌کند.


جدول 1- نتایج آزمون ریشه واحد دیکی‌فولر تعمیم‌یافته

تفاضل مرتبه اول

سطح

نام متغیر

57/4-

آماره دیکی‌فولر تعمیم‌یافته

45/1-

آماره دیکی‌فولر تعمیم‌یافته

UHP

47/3-

مقدار بحرانی مک کینون در سطح خطای 5%

46/3-

مقدار بحرانی مک کینون در سطح خطای 5%

منبع: یافته‌های پژوهش

جدول 2- نتایج آزمون ریشه واحد فصلی هگی

سطح احتمال

آماره‌ی محاسباتی

فرضیه صفر

نام متغیر

934/0

162/1-

وجود ریشه واحد غیرفصلی

UHP

005/0

765/4-

وجود ریشه واحد با تناوب نیم سالانه

000/0

322/42

وجود ریشه واحد با تناوب فصلی

منبع: یافته‌های پژوهش

 

 

تخمین الگوی ARIMA پیش‌‌بینی‌کنندﮤ رفتار قیمت مسکن شهری.

برای تخمین شاخص بی‌ثباتی با استفاده از رویکرد EGARCH، نخست لازم است با استفاده از روش باکس‌جنکینز، الگوی ARIMA رفتار متغیر شاخص قیمت مسکن شهری پیش‌بینی شود.[50] باتوجه به نمودار همبستگی‌نگار برای متغیر تفاضل مرﺗﺒﮥ اول شاخص قیمت مسکن شهری، ARIMA(1,1,0) بهترین الگوی ARIMA برای متغیر مذکور است که فاقد خود‌همبستگی‌های سریالی است و ناهمسانی واریانس دارد.

در الگوی ARIMA برآوردشده، برای آزمون خودهمبستگی‌های سریالی از آزمون بریوش گادفری[51] و برای آزمون ناهمسانی واریانس از آزمون آرچ[52] استفاده شده است. جدول 3 نتایج آزمون بریوش گادفری را برای تشخیص وجود خود‌همبستگی‌های سریالی و جدول 4 نتایج آزمون آرچ را برای تشخیص وجود ناهمسانی واریانس نشان می‌دهد. همان طور که در جدول‌های 3 و 4 مشاهده می‌شود، نتایج مربوط به آزمون بریوش گادفری بر وجودنداشتن خودهمبستگی‌های مرﺗﺒﮥ اول و دوم سریالی دلالت دارد و نتایج آزمون آرچ نیز از وجود ناهمسانی واریانس در الگوی ARIMA(1,1,0) حکایت می‌کند.


جدول 3- بررسی وجود خودهمبستگی‌های سریالی با استفاده از آزمون بریوش گادفری

وضعیت

prob

مقدار آماره

نام آماره

نام آزمون

وجودنداشتن خودهمبستگی مرتبه اول

1425/0

196806/2

F- statistic

آزمون خودهمبستگی مرتبه اول

وجودنداشتن خودهمبستگی مرتبه اول

1363/0

219662/2

nr2

وجودنداشتن خودهمبستگی مرتبه دوم

2906/0

256514/1

F- statistic

آزمون خودهمبستگی مرتبه دوم

وجودنداشتن خودهمبستگی مرتبه دوم

2778/0

561866/2

nr2

منبع: یافته‌های پژوهش

جدول 4- بررسی وجود ناهمسانی واریانس با استفاده از آزمون آرچ

وضعیت

prob

مقدار آماره

نام آماره

نام آزمون

وجود ناهمسانی واریانس

0001/0

05782/18

F- statistic

آزمون ناهمسانی واریانس

وجود ناهمسانی واریانس

0001/0

97494/14

nr2

آزمون ناهمسانی واریانس

منبع: یافته‌های پژوهش

 

 

همچنین نتایج مربوط به آزمون پایایی مربوط به سطح ﺟﻤﻠﮥ پسماند الگوی ARIMA(1,1,0)، با استفاده از آزمون دیکی‌فولر تعمیم‌یافته در جدول 5 نشان داده می‌شود. قدر مطلق آمارﮤ دیکی‌‌فولر تعمیم‌یافته از قدر‌‌‌‌مطلق مقدار بحرانی مک‌کینون، در سطح خطای 5درصد بزرگ‌تر است؛ بنابراین فرضیه H0مبنی‌‌بر وجود رﻳﺸﮥ واحد رد می‌شود و ﺟﻤﻠﮥ پسماند الگوی ARIMA(1,1,0)، در سطح اطمینان 95درصد، پایا در سطح است و درستی الگوی ARIMA مذکور را نشان می‌دهد.


جدول 5- نتایج آزمون پایایی جمله پسماند الگوی ARIMA(1,1,0)

سطح

نام متغیر

39/10-

آماره دیکی‌فولر تعمیم‌یافته

جمله پسماند

94/1-

مقدار بحرانی مک‌کینون در سطح خطای 5%

منبع: یافته‌های پژوهش

 

 

 


استخراج شاخص بی‌ثباتی قیمت مسکن شهری.

مرﺣﻠﮥ پایانی برای برآورد شاخص بی‌ثباتی قیمت مسکن شهری، تخمین معادﻟﮥ واریانس شرطی ﺟﻤﻠﮥ اخلال با وضع ناهمسانی واریانس است. راﺑﻄﮥ 4 معادﻟﮥ واریانس شرطی ﺟﻤﻠﮥ اخلال را در وضع ناهمسانی واریانس نشان می‌دهد.

 

(4)

 

راﺑﻄﮥ 4 الگوی EGARCH(0,1) است و همان طور که آمارﮤ z مربوط به ضرایب نشان می‌دهد، ضرایب برآوردشده از نظر آماری معنی‌دارند. برای اطمینان از درستی الگوی برآوردی، باید اجزای پسماند الگو توزیع نرمال داشته باشند و ازطرفی، باید آثار آرچ در میان اجزای پسماند از بین رفته باشد. در ادامه، با استفاده از آزمون آرچ، وجود اثرهای آرچ بین پسماندهای الگوی EGARCH برآوردشده آزموده می‌شود. نتایج حاصل از آزمون آرچ برای پسماندهای الگوی EGARCH برآوردشده که در جدول 6 آورده شده است، نشان‌دهندﮤ همسانی واریانس و نبودن اثر آرچ در پسماندهای الگو بوده است؛ اما براساس آزمون جارک‌برا،[53] برای آزمون نرمال‌بودن توزیع پسماندهای این الگو، فرﺿﻴﮥ صفر مبنی‌بر نرمال‌بودن توزیع جمله‌های پسماند رد می‌شود؛ ازاین‌رو برای الگو‌‌سازی بهتر، الگوی EGARCH(0,1) با استفاده از توزیع خطای تعمیم‌یافته (GED)[54] مطابق با راﺑﻄﮥ 5 برآورد می‌شود. جدول 7 نتایج حاصل از آزمون آرچ را برای پسماندهای الگوی EGARCH برآوردشده در
راﺑﻄﮥ 5 نشان می‌دهد. همان طور که در جدول مشاهده می‌شود، نتایج آزمون آرچ در سطح اطمینان 95درصد نشان‌دهندﮤ همسانی واریانس و نبودن اثر آرچ در پسماندهای الگوست؛ ازاین‌رو الگوی EGARCH برآوردشده در راﺑﻄﮥ 5 کفایت لازم را دارد. همچنین الگوی EGARCH مذکور از نظر معیارهای ارزیابی رﻳﺸﮥ دوم میانگین مجذور خطا (RMSE)،[55] میانگین قدر مطلق خطا (MAE)،[56] میانگین قدر مطلق درصد خطا (MAPE)[57] و ضریب نابرابری تایل (TIC)[58] کارایی و قدرت بیشتری در پیش‌بینی دارد.

 

 

(5)

 

درنهایت، شاخص بی‌ثباتی قیمت مسکن شهری از راﺑﻄﮥ 5 استخراج شده و روند آن در نمودار 1 نمایش داده شده است.

 

نمودار 1- شاخص بی‌ثباتی قیمت مسکن شهری

منبع: یافته‌های پژوهش

 


جدول 6- نتایج آزمون آرچ برای پسماندهای الگوی EGARCH(0, 1)

وضعیت

prob

مقدار آماره

نام آماره

نام آزمون

وجودنداشتن ناهمسانی واریانس

2970/0

102644/1

F- statistic

آزمون ناهمسانی واریانس

وجودنداشتن ناهمسانی واریانس

2909/0

115477/1

nr2

آزمون ناهمسانی واریانس

منبع: یافته‌های پژوهش

جدول 7- نتایج آزمون آرچ برای پسماندهای الگوی EGARCH(0, 1)-GED

وضعیت

prob

مقدار آماره

نام آماره

نام آزمون

وجودنداشتن ناهمسانی واریانس

0771/0

653651/2

F- statistic

آزمون ناهمسانی واریانس

وجودنداشتن ناهمسانی واریانس

0760/0

152896/5

nr2

آزمون ناهمسانی واریانس

منبع: یافته‌های پژوهش

 

 

نتیجه‌گیری.

افزایش قیمت مسکن شهری از دغدغه‌های دولتمردان و مردم بوده است؛ بنابراین کنترل بی‌ثباتی قیمت مسکن در حکم هدفی اساسی، برای سیاست‌گذاران در اقتصاد مطرح است. ازطرفی، چون بیشترین نوسان‌های قیمت مسکن از نوسان‌های قیمت در مناطق شهری ناشی می‌شود، در پژوهش حاضر روند بی‌ثباتی قیمت مسکن شهری در ایران و در فاصله زمانی فصل اول 1375 تا فصل چهارم 1394 با استفاده از روش گارچ‌نمایی بررسی شده است. این پژوهش می‌تواند راهنمایی برای برنامه‌ریزان اقتصادی، با هدف سازمان‌دهی به بخش مسکن در وضعیت بی‌ثباتی باشد. براساس نتایج پژوهش، بی‌ثباتی قیمت مسکن شهری از فصل اول 1375 تا فصل دوم 1377 رو به کاهش بود و در فاﺻﻠﮥ فصل سوم 1377 تا فصل چهارم 1378 نیز ثبات داشت؛ ولی از فصل اول 1379 به بعد، بی‌ثباتی قیمت مسکن شهری رفته‌رفته سیر صعودی به خود گرفت و در فصل دوم 1387، به بیشترین میزان خود رسید. سپس از فصل سوم 1387 تا فصل دوم 1388، با کاهش شدید روبه‌رو شد و پس از آن دوباره افزایش یافت و در فصل دوم 1392 به بیشترین مقدار خود رسید و پس از آن مسیر کاهشی به خود گرفت. بر این اساس، باتوجه به نتایج به‌دست‌آمده مطابق نمودار 1 ملاحظه می‌شود بیشترین میزان بی‌ثباتی‌ها در سال‌های 87 و 92 بوده است و این بی‌ثباتی‌ها به‌طور قطع با برنامه و نگاه دولت‎ها در بُعد سیاست‎های کلان اقتصادی و سیاست‌های بخش مسکن بی‌ارتباط نیست.

در توجیه بی‎ثباتی سال 87 علت‌های مختلفی می‌توان برشمرد؛ ازجمله افزایش شدید حجم نقدینگی در سال‌های 85 و 86 و اداﻣﮥ آن در سال 87 که به افزایش تورم، شکل‌گیری انتظارهای تورمی و افزایش تورم انتظاری منجر شده است. باتوجه به ویژگی‌های خاص بخش مسکن و ارتباط تنگاتنگ آن با سایر بخش‌ها، به‌لحاظ اثرهای پسین و پیشین و پیشی‌گرفتن سطح عمومی قیمت از شاخص قیمت مسکن، شاخص قیمت مسکن شروع به افزایش کرد و برخلاف افزایش تورم که به‌صورت خطی و فزاینده بود، قیمت مسکن به شکل غیرخطی (پلکانی) افزایش پیدا کرد.

در کنار افزایش تورم، با کاهش اشتیاق مردم به پس‌انداز و پدیدارشدن انتظارهای تورمی، پول‌های سرگردان هنگفتی در جامعه وجود داشت که باتوجه به ویژگی و حفظ ارزش دارایی مسکن همراه با تورم، تقاضای سرمایه‎ای مسکن در این سال افزایش یافت. ازطرفی به‌علت وضع ویژﮤ آن سال نظیر نبود جذب نقدینگی توسط بازار سرمایه و سکه، سیاست مبارزه با قاچاق کالا و فعالیت‌های زیرزمینی، افزایش قیمت نهاده‌های تولیدی همچون فولاد و سیمان، دستمزدها و مجوزهای قانونی و پاسخ‌گونبودن سَمت عرﺿﮥ مسکن در کوتاه‌مدت، قیمت مسکن در این سال به‌شدت افزایش پیدا کرد.

سرانجام رفته‌رفته با اقدام دولت برای کاهش نرخ تورم و استفادﮤ مناسب از سیاست‌های اقتصادی و توافق برجام، از درﺟﮥ نااطمینانی عاملان اقتصادی بازار تاحدی کاسته شد و این نوسان‌ها کاهش یافت؛ ولی با تمرکز دولت و بانک مرکزی بر کاهش نرخ تورم از یک طرف و وجود رکود در سایر بخش‌های اقتصادی، منابع مالی آزادشده با انگیزﮤ سوداگرانه به سَمت بخش مسکن هدایت شد.

باتوجه به چشمگیربودن سهم مسکن در سبد خانوار و همچنین فرهنگ استقبال از گرانی که در بین اقشار مردم رایج است، مردم از ترس اینکه نتوانند در آینده مسکن ضروری خود را بخرند به خرید مسکن رو آوردند و دوباره تقاضا برای مسکن افزایش یافت. ضمن اینکه در این فاصله به‌علت رکود حاکم بر بخش‌های مختلف اقتصادی، مردم بیشترِ مناطق روستایی و بخش‌های کوچک نیز به‌علت وجود فرصت‌های شغلی فراوان و تمرکز بیشتر فعالیت‌های اقتصادی در مناطق شهری، به سمت مناطق شهری مهاجرت کردند؛ بنابراین تقاضای مسکن هم از کانال تقاضای مصرفی و هم سرمایه‌ای افزایش پیدا کرد و چون عرضه توان پاسخ‌گویی به این مازاد تقاضا را نداشت، دوباره سطح قیمت‌های مسکن در مناطق شهری افزایش پیدا کرد؛ ولی به‌علت کنترل تورم و سطح عمومی قیمت، این افزایش به‌شدت سال 87 نبود.

برای ﺗﺄمین ثبات در بازار مسکن و دسترسی اقشار جامعه به‌ویژه اقشار کم‌درآمد به مسکن ضروری، پیشنهادهای زیر توصیه می‌شود:

الف. کنترل قیمت مسکن: 1. با تعدیل متغیرهای سمت تقاضا و تقویت متغیرهای سمت عرضه؛ 2. ایجاد فرصت‌ها و فعالیت‌های اقتصادی کم‌هزینه و اشتغال‌زا در مناطق روستایی و بخش‌های کوچک برای جلوگیری از مهاجرت به سمت شهرها؛ 3. اعطای اعتبارها در بخش‌های کوچک نظیر تسهیل شرایط در اعطای مجوز برای ساخت‌وساز در بخش‌های کوچک و اعطای اعتبارها به انبوه‌سازان و الزام آنها به ساخت واحد مسکونی برای اقشار کم‌درآمد؛ 4. اعمال مالیات بر تقاضای سوداگراﻧﮥ مسکن و خانه‌های خالی از سکنه.

ب. راهکارهای ﺗﺄمین مالی برای پوشش هزﻳﻨﮥ ساخت مسکن: 1. پرداخت تسهیلات مالی ازسوی دولت‌ها طوری‌که 80درصد هزﻳﻨﮥ خرید یا ساخت مسکن را شامل شود؛ 2. کاهش نرخ سود وام‌های ساخت یا خرید مسکن؛ 3. افزایش زمان بازپرداخت اقساط وام؛ 4. افزایش نقش دولت در سَمت عرضه با واگذاری زمین یا مقررات‌گذاری.

ج. باتوجه به نقش بازارهای مالی شامل بازار پول و سرمایه در جذب نقدینگی سوداگران و ایفای نقش ضربه‌گیر برای بازار کالا، به‌ویژه دارایی‌های واقعی، پیشنهاد می‌شود نهادهای مالی تقویت شوند و اصلاح فرهنگ عمومی برای توجه بیشتر به سرمایه‌گذاری در دارایی‌های مالی انجام گیرد؛

د. اصلاح نظام مدیریت ساخت‌وساز؛

ه. ایجاد بازار سرمایه برای بخش مسکن با انتشار اوراق مشارکت و انتشار گواهی سپرده.



[1]. Bollerslev

[2]. Mishkin

[3]. Gelain

[4]. پیش‌بینی بی‌ثباتی بیشتر برای مدیریت خطرپذیری سیستماتیک در انواع سرمایه‌گذاری‌های موجود در جهان انجام می‌گیرد (حسین و لطیف، 2009: 3521 و 3522).

[5]. Hossain & Latif

[6]. Ferrari & Rae

[7]. Davis & Heathcote

[8]. Business Investment

[9]. Reen & Razali

[10]. Osland

[11]. Miller & Peng

[12]. Ocran & Anyikwa

[13]. Lee & Reed

[14]. Hamilton & Susmel

[15]. خطرپذیری سیستماتیک و بی‌ثباتی دو مفهوم نزدیک به همدیگرند؛ زیرا ریسک شقوق دارایی‌های جایگزین، با مقاﻳﺴﮥ بی‌ثباتی‌های آنها ارزیابی می‌شود (حاجی‌حسن‌اقلو، 2003).

[16]. Volatility Clustering

[17]. Lin & Fuerst

[18]. Jaccard

[19]. Dheeriya

[20]. Goodhart & Hofmann

[21]. Muellbauer & Murphy

[22]. Case

[23]. Mishkin

[24]. Lee

[25]. OECD

[26]. Chandler & Disney

[27]. European Central Bank (ECB)

[28]. Savva & Michail

[29]. Coskun & Ertugrul

[30]. Tsai

[31]. Banks

[32]. Housing Price Appreciation

[33]. Miles

[34]. Capozza

[35]. Information Cost

[36]. Supply Cost

[37]. Expectations

[38]. Dolde & Tirtiroglu

[39]. Haugen, Talmor & Torous

[40]. Volatility Events

[41]. Augmented Dickey-Fuller Test

[42]. HEGY Seasonal Unit Root Test

[43]. آمار و اطلاعات متغیر شاخص قیمت مسکن شهری از بخش داده‌ها و اطلاعات آماری مرکز آمار ایران استخراج شده است.

[44]. Box-Jenkins Methodology

[45]. Exponential GARCH (EGARCH)

[46]. Autoregressive Conditional Heteroskedasticity (ARCH)

[47]. Engle

[48]. Generalized Autoregressive Conditional Heteroskedasticity (GARCH)

[49]. Nelson

[50]. باتوجه به اینکه نتایج آزمون پایایی از انباشته‌بودن متغیر شاخص قیمت مسکن شهری از مرتبه یک حکایت دارد، از تفاضل مرتبه اول آن برای الگوسازی ARIMA استفاده شده است.

[51]. Breusch-Godfrey Serial Correlation LM Test

[52]. ARCH

[53]. Jarque-Bera

[54]. Generalized Error Distribution

[55]. Root Mean Squared Error

[56]. Mean Absolute Error

[57]. Mean Absolute Percentage Error

[58]. Theil Inequality Coefficient

آل‌عمران، رویا و آل‌عمران، سیدعلی (1393). «بررسی تاثیر مدیریت بی‌ثباتی سیاست پولی توسط بانک مرکزی بر بازدهی کل بورس اوراق بهادار تهران»، فصلنامه راهبرد مدیریت مالی، دوره2، ش6، ص 141 تا 165.

اکبری، نعمت‌الله (1396). «اقتصاد شهری»، چ1، تهران: سمت.

اکبری، نعمت‌الله و یارمحمدیان، ناصر (1391). «تحلیل دوره‌های رونق و رکود سرمایه‌گذاری خصوصی مسکن (روش الگوی خودتوضیح برداری تناوبی مارکوف»، فصلنامه مدیریت شهری و روستایی، دوره10، ش30، ص 239 تا 252.

خلیلی عراقی، سیدمنصور، مهرآرا، محسن و عظیمی، سیدرضا (1391). «بررسی عوامل مؤثر بر قیمت مسکن در ایران با استفاده از داده‌های ترکیبی»، فصلنامه پژوهش‌ها و سیاست‌های اقتصادی، دوره20، ش63، ص 33 تا 50.

دیندار رستمی، مرضیه و شیرین‌بخش، شمس‌الله (1395). «اثر نامتقارن تکانه قیمت مسکن بر مصرف خانوارهای شهری در استان‌های ایران: رهیافت Panel VAR»، مجله اقتصاد و توسعه منطقه‌ای، دوره23، شماره12، ص 34 تا 64.

سهیلی، کیومرث، فتاحی، شهرام و اویسی، بهمن (1393). «بررسی عوامل مؤثر بر نوسانات قیمت مسکن در شهر کرمانشاه»، فصلنامه پژوهش‌های اقتصادی (رشد و توسعه پایدار)، دوره14، ش2، ص 41 تا 67.

صمدی، علی‌حسین، هادیان، ابراهیم و جعفری، محبوبه (1392). «بررسی تاثیر نوسان‌های دائمی و موقتی قیمت نفت اوپک بر سرمایه‌گذاری، تولید و نرخ بیکاری در اقتصاد ایران»، فصلنامه اقتصاد انرژی ایران، دوره2، ش7، ص 75 تا 101.

قلی‌زاده، علی‌اکبر و عقیقی، بهاره (1394). «اهرم زمین و نوسان قیمت مسکن در ایران»، فصلنامه مطالعات اقتصادی کاربردی ایران، دوره4، ش14، ص 49 تا 67.

متوسلی، محمود، محمدی، شاپور و درودیان، حسین (1389). «تحلیل تسری نوسانات قیمت مسکن بین مناطق مختلف شهر تهران با استفاده از الگوی خودرگرسیونی فضایی تلفیقی (SAR Panel) و الگوی تصحیح خطای برداری (VECM)»، فصلنامه پژوهش‌های اقتصادی، دوره10، ش1، ص 113 تا 131.

ممبینی، حسین، هاشم‌پور، مرتضی و روشندل، شهلا (1394). «پیشنهاد مدلی برای پیش‌بینی قیمت مسکن براساس روش آریما؛ مطالعه موردی شهر تهران»، فصلنامه دانش سرمایه‌گذاری، دوره4، ش14، ص 15 تا 28.

ناجی میدانی، علی‌اکبر، فلاحی، محمدعلی و ذبیحی، مریم (1389). «بررسی تاثیر پویای عوامل کلان اقتصادی بر نوسانات قیمت مسکن در ایران (1369تا1386)»، مجله دانش و توسعه، دوره17، ش31، ص 160 تا 188.

Banks, J., Blundell, R., Oldfield, Z., & Smith, J.P. (2010). “House Price Volatility and the Housing Ladder”. Discossion Paper, No 5173. IZA.

Bollerslev, T., Chou, R.Y., & Kroner, K.F. (1992). “ARCH Modeling in Finance: A Review of the Theory and Empirical Evidence”. Journal of Econometrics, 52(1-2), 5-59.

Capozza, D.R., Hendershott, P.H., & Mack, C. (2004). “An Anatomy of Price Dynamics in Illiquid Markets: Analysis and Evidence from Local Housing Markets”. Real Estate Economics, 32(1), 1-32.

Case, K.E., Quigley, J.M., & Shiller, R.J. (2005). “Comparing Wealth Effects: The Stock Market Versus Housing Market”. Journal of Macroeconomics: Advances in Macroeconomics, 5(1), 1-32.

Chandler, D., & Disney, R. (2014). “The Housing Market in the United Kingdom: Effects of House Price Volatility on Households”. Fiscal Studies, 35(3), 371-394.

Coskun, Y. & Ertugrul, H.M. (2016). “House Price Return Volatility Patterns in Turkey, Istanbul, Ankara and Izmir”. Journal of European Real Estate Research, 9(1), 26-51.

Davis, M., & Heathcote, J. (2005). “Housing and The Business Cycle”. International Economic Review, 46(3), 751-784.

Dheeriya, P.L. (2009). “Modeling Volatility in California Real Estate Prices”. IUP Journal of Applied Economics, 8(1), 26-38.

Dolde, W. &Tirtiroglu, D. (2002). “Housing Price Volatility Changes and Their Effects”. Real Estate Economics, 30(1), 41-66.

European Central Bank (ECB) (2003). “Structural Factors in the Eu Housing Markets”. Available at: www.ecb.europa.eu/pub/pdf/other/euhousingmarketsen.pdf

Ferrari E., & Rae, A. (2011). “Local Housing Market Volatility”. Joseph Rowntree Foundation, New York, NY.

Gelain, P., Lansing, K.J., & Mendicino, C. (2013). “House Prices, Credit Growth and Excess Volatility: Implications for Monetary and Macroprudential Policy”. International Journal of Central Banking, 9(2), 219-276.

Goodhart C., & Hofmann, B. (2008). “House Prices, Money, Credit and the Macroeconomy”. Oxford Review of Economic Policy, 24(1), 180-205.

Hacihasanoglu, E. (2003). “MenkulKiymet Piyasalarinda (Volatilitenin) Modellenmesi: Istanbul Menkul Kiymetler Borsasi Icin Bir Deneme”. Sermaye Piyasasi Kurulu, No. 139, Ankara.

Hamilton J.D., & Susmel, R. (1994). “Autoregressive Conditional Heteroskedasticity and Change in Regime”. Journal of Econometrics, 64(1-2), 307-333.

Hossain, B. & Latif, E. (2009). “Determinants of Housing Price Volatility in Canada: A Dynamic Analysis”. Applied Economics, 41(27), 3521-3531.

Jaccard, I. (2007). “House Prices, Real Estate Returns and the Business Cycle”. Swiss Finance Institute Research Paper Series, No. 06-37.

Lee, C.L. (2009). “Housing Price Volatility and Its Determinants”. International Journal of Housing Markets and Analysis, 2(3), 293-308.

Lee, C.L., & R. Reed (2014). “Volatility Decomposition of Australian Housing Prices”. Journal of Housing Research, 23(1), 21-44.

Lin, P.T., & Fuerst, F. (2014). “Volatility Clustering, Risk-Return Relationship and Asymmetric Adjastment in Canadian Housing Markets”. The Journal of Real Estate Portfolio Management, 20(1), 37-46.

Miles, W. (2008). “Volatility Clustering in U.S. Home Prices”. Journal of Real Estate Research, 30(1), 73-90.

Miller, N., & Peng, L. (2006). “Exploring Metropolitan Housing Price Volatility”. The Journal of Real Estate Finance and Economics, 33(1), 5-18.

Mishkin, F.S. (2001). “Financial Policies and the Prevention of Financial Crises in Emerging Market Countries”. NBER Working Papers, No. 8087.

Mishkin, F.S. (2007). “Housing and the Monetary Transmission Mechanism”. NBER Working Papers 13518, The National Bureau of Economic Research, Inc.

Muellbauer, J., & Murphy, A. (1990). “Is the UK Balance of Peyments Sustainable?”. Economic Policy, 5(11), 347-395.

Ocran, M.K., & Anyikwa, I. (2013). “Trends and Volatility in Residential Property Prices in South Africa”. Studies in Economics and Econometrics, 37(1), 55-74.

OECD (2011). “Housing and The Economy: Policies for Renovation”. Economic Policy Reforms 2011 Going for Growth, Chapter 4, Available at: www.oecd.org/newsroom/ 46917384.pdf (Accessed 7 September 2015).

Osland, L. (2008). “Spatial Variation in Housing Prices: Econometrics Analyses of Regional Housing Markets”. PhD Dissertation, University of Bergen, Bergen.

Reen, T.A., & Razali, M.N. (2016). “The Dynamics of House Price Volatility in Malaysia”. Journal of Technology Management and Business, 3(2), 14-35.

Savva, C.S. & Michail, N.A. (2017). “Modelling House Price Volatility States in Cyprus with Switching ARCH Models”. Cyprus Economic Policy Review, 11(1), 69-82.

Tsai, I.C., Chen, M.C. & Ma T. (2010). “Modelling House Price Volatility States in the UK by Switching ARCH Models”. Applied Economics, 42(9), 1145-1153.