نویسندگان
1 استادیار، گروه شهرسازی، دانشکده هنر، دانشگاه تربیت مدرس، تهران، ایران.
2 دانشجوی کارشناسی ارشد، گروه شهرسازی، دانشکده هنر، دانشگاه تربیت مدرس، تهران، ایران.
3 دانشجوی کارشناسی ارشد، گروه شهرسازی، دانشکده هنر و معماری، دانشگاه شیراز، شیراز، ایران.
چکیده
مسکن، مهم‌ترین بستر برآوردن نیازهای زیستی، اقتصادی و اجتماعی خانوار باتوجه‌به نوسان‌های فراوان در عرضه و تقاضا به شمار می‌رود که نیازمند برنامه‌ریزی مطلوب به‌منظور ارتقای کیفی محیط مسکونی و پاسخ به نیازهای وابسته به آن است. قیمت مسکن جزء شاخص‌های بیرونی مسکن است که چندان در کنترل برنامه‌ریزان نیست؛ ولی کنترل این شاخص با تجزیه‌وتحلیل فضایی عملکرد بازار مسکن و برداشتن گام‌های مؤثر برای افزایش کارایی طرح‌ها و ارائۀ راهبردها و سیاست‌های برنامه‌ریزی مسکن تاحدودی امکان‌پذیر است. وجود نوسان‌های فراوان قیمت مسکن، یکی از مهم‌ترین چالش‌های مدیریت شهری کلان‌شهر تهران محسوب می‌شود. این مقاله از نوع مطالعات توصیفی‌تحلیلی به حساب می‌آید و هدف آن بررسی توزیع فضایی قیمت مسکن و شناسایی عوامل تأثیرگذار (متغیر مستقل) بر قیمت مسکن آپارتمانی (متغیر وابسته) است. ازجمله دلایل انتخاب این محدوده در پژوهش حاضر، گستردگی و کشیدگی این منطقه از مرکز تا شمالی‌ترین نقاط شهری تهران و بهتبع آن تنوع در گونۀ ساختمانی، الگوی سکونتی و نوسان‌های فراوان قیمت مسکن است. در این پژوهش با استفاده از اطلاعات ثبت‌شدۀ خریدوفروش مسکن آپارتمانی منطقه دو شهرداری تهران در سامانۀ بازار املاک در بازۀ زمانی دوماهۀ شهریور و مهر سال 1396 و استفاده از دو تکنیک رگرسیون حداقل مربعات معمولی و رگرسیون وزنی جغرافیایی سعی در مدلسازی و تحلیل قیمت مسکن شده است. نتایجِ به‌دست‌آمده علاوه‌بر شناسایی متغیرهای تأثیرگذار بر قیمت مسکن، مطلوب‌بودن تکنیک رگرسیون وزنی جغرافیایی را درمقایسه با تکنیک رگرسیون حداقل مربعات معمولی در توضیح‌دهندگی قیمت مسکن بیان می‌کند.
کلیدواژه‌ها
موضوعات
عنوان مقاله [English]
Spatial analysis of housing price using geographically weighted regression (A case study in District 2 of Tehran Metropolitan City, Iran)
نویسندگان [English]
- Hamidreza Saremi 1
- Mohammad Heydari 2
- Fatemeh Aghaei 3
1 Assistant Professor, Department of Urban Planning, Faculty of Art, Tarbiat Modares University, Tehran, Iran
2 M.A. student, Department of Urban Planning, Faculty of Art, Tarbiat Modares University, Tehran, Iran
3 M.A. student, Department of Urbanism, Faculty of Art and Architecture, Shiraz University, Shiraz, Iran
چکیده [English]
Housing is one of the most important bases for providing households' biological, economic, and social needs, and regarding the high volatility in supply and demand, a decent planning is required to pro-mote the quality of the residential environment. Housing prices are amongst those housing indices that could not be completely controlled by planners, but using spatial analysis of housing market performance and promoting the efficiency of plans and providing strategies and policies for housing plannings can improve the cotrolablity of the prices. The fluctuations in housing prices are one of the main urban management' challenges facing Tehran Metropolitan City. So, this paper is trying to investigate the spatial distribution of housing prices and to identify its determinants. One of the reasons for choosing district 2 of Tehran as the case in this research is the geographical spread of this district, which covers the center to the most northern urban areas of Tehran, and consequently includes a veraity of building types, residential patterns and housing prices. The recorded sales data in the Real Estate Market System, for apartment buildings in the district sold during Shahrivar and Mehr 1396, were used and applied in OLS and GWR regression techniques for modeling and analyzing the housing prices. In addition to identifying the variables affecting the housing price, the results indicate the utility of the GWR in comparison with the OLS technique in explaining the housing prices.
کلیدواژه‌ها [English]
- Housing Prices
- Geographically Weighted Regression
- Spatial Analysis
- Tehran
- GIS
مقدمه
امروزه مسکن مهم‌ترین بستر برآوردن نیازهای زیستی، اقتصادی و اجتماعی خانوار با ماهیتی چندبعدی و وجود نوسان‌های فراوان در عرضه و تقاضا به شمار می‌رود و به برنامه‌ریزی مطلوب به‌منظور ارتقای کیفی محیط مسکونی و پاسخ به نیازهای وابسته به آن نیازمند است. موفقیت در اجرای سیاست‌های برنامه‌ریزی مسکن مستلزم شناخت دقیق ترجیحات مصرف‌کنندگان و تمایلات آنها به ویژگی‌های خاص مسکن است؛ ازاین‌رو تعیین و برآورد قیمت مسکن برای برنامه‌ریزان و تصمیم‌گیران از اهمیت بسیاری برخوردار است (مالپزی[1]، 20003: 69). قیمت مسکن اهمیت عمدۀ اقتصادی و اجتماعی دارد؛ همچنین مسکن مناسب و مقرون‌به‌صرفه عنصری بسیار مهم در تعیین کیفیت زندگی است (ماهر[2]، 1994: 5).
گسترش سریع و تحول در ساختارهای اجتماعی، اقتصادی و محیطی در شهر سبب شکل‌گیری نیروهای جدیدی می‌شود که ساختار درونی شهر و قیمت مسکن را تغییر میدهند (ازسوی و همکاران،[3] 1996: 1). قیمت مسکن ازجمله شاخص‌هایی است که چندان در کنترل برنامه‌ریزان نیست؛ ولی کنترل این شاخص با تجزیه‌وتحلیل فضایی عملکرد بازار مسکن به‌منظور شناسایی عوامل مؤثر در تعیین قیمت آن و برداشتن گام‌های مؤثر برای افزایش کارایی طرح‌ها و برنامه‌های مسکن تاحدودی امکان‌پذیر است. به‌طورکلی پرکاربردترین روش مدلسازی قیمت مسکن براساس روش رگرسیون خطی و شاخص‌هایی همچون تراکم ساختمانی، جهت‌گیری ساختمان و... بوده است؛ با این وجود، بر اساس عدم یکنواخت بودن توزیع فضایی قیمت مسکن، روش سنتی تخمین کمترین مربعات [4]، نمی‌تواند تمام سطوح پراکنش قیمت مسکن را به‌خوبی و با دقت بالا منعکس کند(جنگ و همکاران[5]، 2011: 1). تکنیک رگرسیون موزون جغرافیایی[6] باتوجه‌به قابلیت انعکاس ناهمسانی فضایی، مدل مناسب‌تری برای مدلسازی قیمت مسکن محسوب می‌شود (توماس-آگنان،[7] 2011: 2).
در این پژوهش که از نوع پژوهش‌های مقطع عرضی محسوب می‌شود، از دو تکنیک رگرسیون موزون جغرافیایی و رگرسیون حداقل مربعات معمولی با استفاده قابلیت‌های نرم‌افزار ArcGIS به‌منظور مدلسازی قیمت مسکن استفاده شده است. نوسان‌های گستردۀ قیمت‌های مسکن، به‌ویژه در شهرهای بزرگ همچون کلان‌شهر تهران، بارزترین خصیصۀ این بخش به شمار می‌رود (موسوی و درودیان، 1394: 104). در پهنه‌های مختلف کلان‌شهر تهران، به‌خصوص منطقۀ دو شهرداری، براساس تنوع در مشخصات محلی، اجتماعی و اقتصادی نوسان‌های فراوانی در بازار مسکن مشاهده می‌شود. باتکیه‌بر این فرضیات، هدف پژوهش حاضر بررسی توزیع فضایی قیمت مسکن و شناسایی عوامل تأثیرگذار (متغیر مستقل) بر قیمت مسکن آپارتمانی (متغیر وابسته) است و سؤالات اصلی آن عبارت‌اند از:
1- پراکنش فضایی قیمت مسکن در منطقۀ دو شهرداری تهران به چه صورت است؟
2- کدام عوامل کالبدی بر قیمت مسکن تأثیرگذارند؟
3- آیا تکنیک GWR در مقایسه با روش OLS از قابلیت توضیح‌دهندگی بیشتری برخوردار است؟
پیشینۀ تحقیق
انجام تحقیقات قیمت مسکن و عوامل مؤثر بر آن از دهۀ 70 میلادی شروع شد. افرادی نظیر کین[8] و کوئیگلی[9] در سال 1970، استروژیم[10] در سانفرانسیسکو در سال 1973 و هوشک [11] و سدر [12] در اوهایو[13] در سال 1979 میلادی در این زمینه تحقیق کردند (عبده کلاهچی و همکاران، 70:1393). تا امروز روشهای متعددی در بررسی این موضوع استفاده شده است. تکنیک هدانیک [14]در سال 1974 برای اولین بار توسط روزن [15] برای تحلیل بسیاری از جنبه های بازار مسکن در غرب، از جمله مالیاتها، قیمت کالاها و تسهیلات عمومی، تبعیض نژادی کیفیت مسکن سازی استفاده شد که پس از آن استفاده‌های فراوانی از این تکنیک در بررسی بازار مسکن صورت گرفت (اکبری و همکاران،99:1383). گرین و هندرشات[16] در مقاله‌ای به نام «سن، تقاضای مسکن و قیمت‌های واقعی مسکن» با استفاده از مدل روزن تقاضای مسکن را علاوه‌بر در نظر گرفتن سایر عوامل، باتوجه‌به مشخصه‌های جمعیت‌شناسانه[17] برآورد کردهاند (گرین و هندرشات،[18] 1996: 465).
عابدین درکوش، تابع قیمت هدانیک مسکن شهری تویسرکان و دلیجان را بررسی کرده است. برای انجام این تحقیق، شهر تویسرکان به ده منطقه تقسیم و از هر منطقه برحسب تعداد واحدهای مسکونی نمونه‌گیری شده است؛ همچنین از شهر دلیجان تعداد 28 واحد مسکونیِ تازه‌ساز به‌طور تصادفی از یازده منطقه انتخاب شده است. متغیرهای بررسی‌شده در این تحقیق عبارت‌اند از: مساحت زمین، مساحت زیربنا، تعداد اتاق، تعداد تجهیزات موجود در ساختمان، فاصله تا مرکز شهر، کیفیت مصالح ساختمانی و فاصله تا خیابان اصلی. نتایج نشان داد متغیرهای مساحت زمین، مساحت زیربنا و کیفیت تجهیزات، تأثیر معنی‌داری بر قیمت مسکن دارند؛ همچنین کشش قیمتی متغیرهای مؤثر بر قیمت مسکن در هر دو شهر، کوچک‌تر از یک برآورد شده است (عابدین درکوش، 1370: 38). ابونوری و همکارانش با فرض تابعیت اجاره‌بهای واحد مسکونی از ویژگی‌های فیزیکی، مکانی و محیطی تابع قیمت اجاره‌بها در شهرهای تبریز و اردبیل را بررسی کردهاند. نتایج این مطالعه نشان می‌دهد عوامل فیزیکی، بیشتر از سایر عوامل بر اجاره‌های مسکن تأثیر دارند و آثار این عوامل بر واحدهای ویلایی و آپارتمانی متفاوت است؛ همچنین بیشترین قدرت توضیح‌دهندگی تغییرات اجاره‌بها در هر دو شهر تبریز و اردبیل به متغیر زیربنای واحد مسکونی مربوط می‌شود (ابونوری و همکاران، 1387: 52). عسگری و قادری در مطالعهای با هدف تعیین عوامل مؤثر بر اجارۀ مسکن در مناطق شهری ایران عوامل مختلف تأثیرگذار بر اجارۀ مسکن را بررسی کردهاند. در این مطالعه به‌دلیل نبودنِ اطلاعات مربوط به ویژگی‌های دسترسی، بخش عمومی، محیطی و محلی، تنها از ویژگی‌های فیزیکی واحدهای مسکونی به‌منزلۀ متغیرهای مستقل استفاده شده است. نتایج این مطالعه حکایت از آن دارد که فلزی‌بودن اسکلت بنا، سیستم حرارت مرکزی، بتون‌آرمه بودنِ اسکلت و وجود کولر و گاز در واحد مسکونی عوامل مهم تعیین‌کنندۀ قیمت مسکن به شمار می‌روند (عسگری و قادری، 1381: 91). درنهایت بسیاری از مطالعات، قیمت مسکن را تابعی از کالاهای مصرفی مختلف، ویژگی‌های رفاه محیطی، ویژگی‌های فیزیکی واحد مسکونی، مانند مساحت واحد مسکونی، تعداد اتاق، مصالحِ به‌کاررفته، نما، زیربنا، ویژگی دسترسی به خدمات و همسایگی می‌دانند (عبده کلاهچی و همکاران، 1393: 74). یکی از جدیدترین روشهای بررسی عوامل مؤثر بر قیمت مسکن، تکنیک رگرسیون موزون جغرافیایی (GWR) است که در پاسخ به ضعف‌های مدل هدانیک و تکنیک OLS به کار گرفته شده است. ازجمله مطالعاتی که در این زمینه صورت گرفته است، عبارت‌اند از:
نخستین بار فادرینگام[19] مدل رگرسیون وزنی جغرافیایی را ارائه کرد. او کوشید با این روش جنبه‌های ناهمگونی فضایی را مطالعه کند. پس از آن برونس‌دون[20] و فادرینگام رابطۀ بین قیمت مسکن و نواحی مختلف را بررسی کردند و با چند مسئلۀ مرتبط با مدل مواجه شدند که شامل انتخاب متغیرها، پهنای باند و خطای ناشی از خودهم‌بستگی فضایی بود (رهنما و همکاران، 1391: 76). براسینگتون[21] در سال 2005 رابطۀ بین قیمت مسکن و عوامل زیست‌محیطی در ایالت اوهایوی آمریکا را با استفاده از آمارهای فضایی بررسی کرد (براسینگتون، 2005: 57). کوئیگلی[22] در سال 2006 درزمینۀ تأثیر محدودیت ساماندهی کاربری‌ها در نواحی شهری بر توزیع فضایی قیمت مسکن در کالیفرنیا تحقیق کرد (کوئیگلی، 206: 55). لیو[23] در سال 2010 پژوهشی دربارۀ توزیع فضایی قیمت مسکن و تحلیل آن از سال 1996 تا سال 2006 و نیز بررسی تأثیر ارتباط قیمت مسکن در نواحی یورکشایر با برنامه‌های تجدید بازار مسکن در یورکشایر انجام داد (لیو، 2010: 221).
ویچینسان و میاماتو[24] نیز در سال 2010 تأثیر حمل‌ونقل ریلی شهری را بر قیمت مسکن در بانکوک با استفاده از رگرسیون وزنی جغرافیایی و مدل هدانیک بررسی کردند (ویچینسان و میاماتو، 2010: 986).
جِنگ[25] و همکاران در سال 2011 قیمت مسکن را با استفاده از مدل رگرسیون وزنی جغرافیایی بررسی و تحلیل کردند. آنها در این مطالعه با کمک رگرسیون وزنی جغرافیایی (GWR)رابطۀ بین عوامل مختلف و توزیع فضایی قیمت مسکن را بررسی کردند. نتایج مطالعه نشان داد مدل GWR در مقایسه باOLS خطای کمتری را ارائه می‌دهد (جنگ و همکاران، 2011: 5). سوری و منیری در مطالعهای با نام «مدل تعیین قیمت مسکن، کاربردی از روش رگرسیون موزون جغرافیایی» نقش ویژگی‌های محیطی و خدمات شهری در تعیین قیمت مسکن را با استفاده از مدلGWR بررسی کردند. نتایج این مطالعه نشان داد برآورد مدل فضایی GWR نسبت به مدل‌های رگرسیون عمومی قابلیت توضیح‌دهندگی بیشتری دارد (سوری و منیری جاوید،1390: 28). تقی‌پور در سال 1393 در رسالۀ دکترای خود با نام «تحلیل فضایی تفاوت قیمت زمین و مسکن در نواحی شهری تبریز با استفاده از تکنیک رگرسیون وزنی جغرافیایی (GWR)» نشان داد در هر دو برآورد، آپارتمان‌ها و مساکن ویلایی روش GWR نسبت به روش OLS برتری دارد. نتایج کلی این پژوهش نشان می‌دهد برخلاف نظریات کلاسیک که فاصله‌داشتن از محل کار و مساحت زمین را عامل مهمی در قیمت مسکن و زمین می‌دانستند، تسهیلات واحد مسکونی بیشترین تأثیر را در قیمت مسکن در شهر تبریز داشته‌اند (تقی پور، 1393: 5).
جدول (1) نشاندهندۀ متغیرهایی است که در مطالعات پیشین به‌منزلۀ متغیرهای مستقل در مدلسازی قیمت مسکن به کار رفته‌اند و تاثیر آنها بر قیمت مسکن بررسی شده است.
جدول 1- متغیرهای مستقلِ به‌کاررفته در تحلیل قیمت مسکن در تحقیقات مختلف
|
مساحت زمین، وضعیت ناامنی در محله، وجود حیاط‌خلوت، تعداد اتاق‌ها و قدمت ساختمان |
(اکبری و همکاران، 1383: 109) |
|
فاصله تا شبکۀ دسترسی‌ها، دسترسی به خدمات شهری، وسعت قطعات مِلک، پایگاه اقتصادی ساکنین، پایگاه اجتماعی ساکنین |
(خاکپور و صمدی، 1393: 27) |
|
سن بنا، مساحت آپارتمان، تعداد اتاق‌ها، تعداد حمام‌ها، فاصله از مرکز شهر، تعداد طبقات، سطح دسترسی به خدمات (آموزشی، فروشگاه و... ) |
(چیکا- اولمو و همکاران،[26] 2011: 402) |
|
مساحت زیربنا، بر ساختمان، درآمد و تحصیلات، دسترسی به شوفاژ، عرض کوچه یا خیابان، وضعیت ترافیکی کوچه یا خیابان، نمای ساختمان، تعداد اتاق‌ها، فاصله از مرکز شهر، قدمت یا عمر بنا، نوع سند مالکیت و فاصله از مسجد |
(پورمحمدی و همکاران، 1393: 83) |
|
فاصله تا مرکز شهر، فاصله تا مراکز بهداشتی و درمانی، فاصله تا شبکه‌های ارتباطی، فاصله از جهات اصلی توسعۀ شهر، جمعیت نواحی، درآمد مردم در هریک از نواحی، درصد مساحت بافت فرسوده و درصد مساحت بافت حاشیه‌ای |
(رهنما و همکاران، |
|
سطح اشغال، نسبت سطح فضای سبز، تعداد طبقات، هزینۀ شارژ ماهانۀ ساختمان، عمر بنا، دسترسی به مدارس ابتدایی، دسترسی به فروشگاه‌های بزرگ |
(لیو و همکاران،[27] |
|
سطح اشغال، سطح اشغال فضای سبز، مساحت مِلک، نوع سازه ، فاصله از نزدیک‌ترین مدرسه، فاصله از نزدیک‌ترین بیمارستان، فاصله از نزدیک‌ترین پارک، فاصله از نزدیک‌ترین ایستگاه گاز، فاصله از نزدیک‌ترین خیابان اصلی، فاصله از نزدیک‌ترین ایستگاه مترو |
(جِنگ و همکاران، 2011: 4) |
|
مساحت زمین، فاصله از پارک، آلودگی هوا، بر ساختمان، تعداد اتاق‌ها، تعداد طبقات ساختمان، فاصله از محل کار، میزان تحصیلات سرپرست خانوار، فاصله از مراکز شهری، نوع سند، فاصله از ایستگاه اتوبوس، مجموع درآمد خانوار، رضایت از واحد مسکونی |
(تقی‌پور، 1393: 1) |
|
تراکم ساختمانی، دسترسی به معابر اصلی، فرسودگی، قیمت سرقفلی تجاری و مساحت زمین |
(عبده کلاهچی و همکاران، 1393: 74) |
مأخذ: نگارندگان، براساس پیشینۀ تحقیقِ مطالعه‌شده
مبانی نظری تحقیق
زمین، نقطة شروع هرگونه توسعة شهری است. زمین در دنیای امروز همواره کالایی با ویژگی‌های منحصربه‌فرد است که آن را از سایر کالاها متمایز می‌کند. برخی از این ویژگی‌ها عبارت‌اند از: محدودیت در سطح، متحرک و منقول نبودن، وابستگی زندگی بشر به وجود زمین و فناناپذیری (رضویان، 1381: 12). مسکن نیز کالایی بادوام، غیر منقول و مصرفی محسوب می‌شود که سهم عمده‌ای از بودجۀ خانوارها و سرمایه‌گذاری ناخالص ملی را به خود اختصاص داده است (عسگری و قادری، 1381: 91). در شهرهای ایران، زمین و مسکن همواره دارای ارزش فوق العاده‌ای بوده‌اند؛ به‌طوری‌که بسیاری از سرمایه‌گذاری‌های کوچک و بزرگ به سمت خرید و فروش زمین و مسکن جذب می‌شوند؛ سرمایه‌گذاری‌هایی که نه‌تنها باعث افزایش قیمت زمین و مسکن می‌شوند، زمینه‌ساز ایجاد تورم‌اند و عواقب مسئله‌سازی را به دنبال دارند. سرمایه‌گذاران عمده به‌تدریج به سوداگران و زمین‌خواران بزرگی تبدیل می‌شوند که با چند جابه‌جایی، قیمت مسکن و زمین را در یک شهر تغییر میدهند (فنی و دویران، 1387: 15). عرضة محدود و تقریباً ثابت زمین درمقابل تقاضای زیاد آن، باعث افزایش بی‌رویة قیمت زمین می‌شود. مردم برای سکونت، اشتغال و استفاده از خدمات در نقاط مختلف شهر به زمین نیازمندند. بازار مسکن نیز به بازار زمین وابسته است (هرینگتون،[28] 1384: 67). به‌طورکلی همان‌طور که دو خانۀ کاملاً یکسان یافت نمی‌شود، بازار مسکن نیز منحصربه‌فرد است (مایلز،[29] 1994: 12). قیمت مسکن براساس تعامل بین خریداران و فروشندگان در یک موقعیت جغرافیاییِ مشخص تعیین می‌شود (مک کورد و همکاران،[30] 2012: 49). مسکن کالایی ناهمگن با ویژگی‌های مشخص و موقعیت جغرافیایی ثابت به حساب می‌آید که قیمتی ثابت دارد و با تابعی از عوامل محیطی تعریف می‌شود (سالیوان و گیب،[31] 2003: 1). قیمت خانه تابعی از ویژگی‌های ذاتی است که بیشترین سود را برای خریداران به ارمغان می‌آورد. ویژگی‌های مکانی، قابلیت دسترسی، ساختار فیزیکی و همچنین ویژگی‌های محله به تفاوت قیمت خانه‌ها در نقاط مختلف شهری منجر شده است (بیتر و همکاران،[32] 2007: 8)؛ بنابراین بررسی فضایی قیمت مسکن به‌منظور بررسی دقیق‌تر و استخراج ضرایب اهمیت متغیرهای تأثیرگذار، ضروری است. عوامل بنیادی مؤثر بر بازار مسکن، مقیاسهای مختلفی از کلان تا خُرد را در بر می‌گیرند (قلی‌زاده، 1387: 35). عواملی همچون سیاست‌های پولی و نرخ بهرۀ بازدهی سپرده‌های بانکی ازجمله عوامل بنیادی در مقیاس کلان به شمار می‌روند. در مقیاس خُرد نیز عواملی چون تراکم ساختمانی بر الگوی مسکن تأثیرگذارند (عزیزی، 1383: 33). در سطح محلات شهری عواملی مانند هم‌جواری با خُرده‌فروشی‌ها و کاربری‌های خدماتی دیگر بر قیمت مسکن تأثیر می‌گذارند (مایلز، 1994: 52).
در نظریه‌های سنتی قیمت مسکن، تغییر فاصله از مرکز شهر و دسترسی‌های اصلی را عامل مهم تفاوت قیمت مسکن تلقی کردهاند و براساس آن، فاصله از مرکز تجاری شهر باعث می‌شود قیمت مسکن دارای تغییرات فضایی باشد (قلی‌زاده، 1387: 38). عوامل مهم دیگری که در قیمت مسکن تأثیرگذارند و عوامل تولید مسکن نام گرفته‌اند، عبارت‌اند از: قیمت زمین، مصالح ساختمانی، هزینۀ نیروی انسانی و تکنولوژیِ به‌کارگرفته‌شده (عزیزی، 1383: 34). دربارۀ شاخص‌های کالبدی باید گفت این شاخص‌ها ابعاد اقتصادی، اجتماعی، فرهنگی و فنی دارند. تراکم ساختمانی و مساحت زمین ازجمله شاخص‌های کالبدی محسوب می‌شوند که بر قیمت مسکن تأثیرگذارند. عامل قیمت زمین و مسکن معمولاً با تراکم رابطۀ مستقیمی دارد؛ چه به‌صورت ساختمانی و چه به‌صورت جمعیتی؛ به‌عبارتی هرچه قیمت زمین و مسکن بیشتر باشد، تراکم شهری نیز بیشتر است. افزایش قیمت زمین ناشی از محدودیت آن و کشش‌ناپذیری عرضه دربرابر تقاضاست. ضرورت استفادۀ بهینه از آن نیز موجب افزایش تراکم ساختمانی و درپی آن تراکم جمعیتی
(با ثابت‌ماندن سطح اشغال) می‌شود. بر همین اساس به‌دلیل تأثیر بسزای قیمت زمین در بهای مسکن، نوسان‌های آن بر مساحت زمین و زیربنای مسکن و درنتیجه تراکم ساختمانی اثری تعیین‌کننده دارد (عزیزی، 1383: 37). درمجموع مهم‌ترین عواملی که بر بازار زمین و مسکن نقش مؤثری دارند، عبارت‌اند از:
عوامل محیطی و طبیعی: ازجمله عوامل مهم محیطی و طبیعیِ تأثیرگذار، هم‌جواری یا موقعیت جغرافیایی اراضی و عامل ارتفاع است که هریک از آنها تأثیر خاصی بر قیمت زمین و مسکن دارند؛ مانند تفاوت قیمت زمین و مسکن در شمال و جنوب شهر تهران.
عوامل کالبدی: دسترسی به تسهیلات و خدمات شهری، فاصله از هستۀ اصلی شهر، نوع کاربری (مسکونی، تجاری و... ) کیفیت ساختمان، وسعت، دسترسی زمین، کاربری‌های اطراف و موقعیت نسبت به محدوده‌های شهری ازجمله عوامل کالبدی تأثیرگذار بر قیمت زمین و مسکن به شمار می‌روند که هرکدام تأثیر منفی یا مثبتی بر بازار زمین و مسکن دارند.
عوامل اقتصادی: درآمد سرانه، نقش شهر در منطقه و منطقه در کشور، قیمت مصالح ساختمانی و... از عوامل اقتصادی تأثیرگذار بر قیمت زمین و مسکن محسوب می‌شوند.
عوامل اجتماعی: عوامل اجتماعی نیز جزء عوامل تأثیرگذار بر قیمت زمین و مسکن و ایجاد تفاوت قیمت‌ها در شهرهای مختلف و مناطق مختلف شهر به حساب می‌آیند؛ عواملی چون ترجیح‌ها و مطلوبیت‌های اجتماعی همچون تمرکز قشری خاص در بخش خاصی از شهر (مانند شهرک فرهنگیان با قشر فرهنگی)، آلودگی‌های اجتماعی (انجام‌گرفتن یا نگرفتن جرایم و کج‌روی‌ها در محله‌های مختلف شهر)، بالابودن منزلت و موقعیت اجتماعی و... از عوامل اقتصادی تأثیرگذار بر قیمت زمین و مسکن به شمار می‌روند (فنی و دویران،1387: 15).
در تحقیقات مختلفِ صورت‌گرفته در حوزۀ تحلیل قیمت مسکن عمدتاً از مدل‌های رگرسیونی چندمتغیره استفاده شده است. رگرسیونِ چندمتغیره یکی از روشهای آماری است که به‌منظور انجام آزمون تجربی و پیش‌بینی روابط میان متغیرها، بررسی و آزمون فرضیه و رتبه‌بندی سهم نسبی هریک از متغیرها در توصیف متغیر وابسته به کار گرفته می‌شود (مونرو و همکاران،[33] 2004: 545). به‌طورکلی مدل های رگرسیونی چندمتغیره را به دو دستۀ مدل رگرسیون محلی[34] و مدل رگرسیون عمومی[35] تقسیم کردهاند. یکی از مهم‌ترین مدل‌های رگرسیونی عمومی، مدل حداقل مربعات معمولی (OLS)است که از آن در مدلسازی قیمت مسکن استفادۀ فراوانی شده است. عمده‌ترین مشکل مدل OLS به هنگام کاربست در فضاهای جغرافیایی و ملموس، همچون قیمت مسکن که از ابعاد محیطی متأثر است، ثابت فرض‌کردن شرایط محیطی مدلسازی است که بدون در نظر گرفتن پراکنش‌‌‌های جغرافیایی یک خط رگرسیون عمومی را برازش می‌کند. اگرچه پایه‌های نظری تکنیک OLS دقیق و جذاب است، کاربردهای آن درزمینۀ مسکن به‌دلیل وجود دو پدیدۀ خودهم‌بستگی فضایی[36] و ناهمگنی فضایی[37] در اطلاعات آماری مسکن اغلب با مشکل تصریح مدل مواجه است (سوری و منیری جاوید،1390: 11). انسلین[38] معتقد است مکان دارای دو نوع تأثیر فضایی خودهم‌بستگی فضایی و ناهمگونی فضایی است: نوع اول، همان هم‌بستگی فضایی یا پیوستگی فضایی است که مستقیماً از قانون توبلر پیروی می‌کند؛ درنتیجه ارزش‌های مشابه[39] یک متغیر گرایش دارند در مکان‌های نزدیک به هم اتفاق بیفتند و به تجمع فضایی منجر می‌شوند؛ نوع دوم، تأثیر فضایی متعلق به تفاوت‌های منطقه‌ای یا فضایی است که از بی‌نظیربودن ذاتی هر مکان پیروی می‌کند (برتاو و همکاران، 1392: 10). ناهمگنی فضایی بیانگر این حقیقت است که در هر منطقه بین متغیر وابسته و متغیرهای مستقل رابطه‌ای متفاوت وجود دارد؛ بنابراین اگر این ناهمگنی در نظر گرفته نشود و رابطه‌ای یکسان برای تمامی مناطق برآورد شود، تخمین دقیقی از روابط نخواهد بود (سوری و منیری جاوید، 1390: 12). روش رگرسیون موزون جغرافیایی از جدیدترین روش‌هایی است که در مدلسازی فضاهای ناهمگون استفاده می‌شود و باتوجه‌به اثرات متغیرهای محیطی بر قیمت مسکن و ناهمگونی‌‌های فضایی ناشی از آن، در این پژوهش نیز به کار گرفته شده است. در این روش، پارامترهای مدل برای هر نقطه از فضای مورد مطالعه براساس مشاهدات اطراف نقطه نسبت به فاصله‌ای که با آن دارد، برآورد می‌شود. نقاط نزدیک‌تر به نقطۀ مرجع نسبت به نقاط دورتر تأثیر بیشتری بر پارامتر برآوردشدۀ مدل دارند. روش رگرسیون موزون به دو صورتِ هستۀ فضایی ثابت[40] و هستۀ فضایی تطبیقی استفاده می‌شود. برآوردگر رگرسیون موزون جغرافیایی به‌صورت زیر تعریف می‌شود (رابطۀ یک):
|
(1) |
که در آن مختصات فضای نمونۀ i، مقدار i در تابع پیوسته است. اگر برای همۀ محل‌ها یکسان باشد، یک مدل رگرسیون عمومی خواهد بود. در مدل ذکرشده در بالا یک مشاهده با نزدیکی به i تعریف می‌شود؛ ازاین‌رو وزن یک مشاهده همراه با تغییر i تغییر می‌کند و معادله به‌صورت زیر دنبال می‌شود (رابطۀ دو):
درحالی‌که:
|
(2) |
|
مقدار برآوردشده از ، n تعداد نمونه‌ها، k تعداد متغیرها، وزنی از n مطابق i است. معادله رگرسیون وزنی جغرافیایی به‌صورت زیر ساده می‌شود (رابطۀ سه):
|
(3) |
در معادلۀ بالا Y متغیر وابسته، β ضریب هم‌بستگی، X متغیر مستقل و ε خطای تصادفی به شمار می‌رود. (جنگ و همکاران، 2011: 2)؛ (رهنما و همکاران،1391: 76).
روش تحقیق
روشِ به‌کاررفته در این پژوهش از نوع توصیفی‌تحلیلی است و کلیۀ معاملات ثبت‌شدۀ خریدوفروش مسکن آپارتمانی منطقه دو شهرداری تهران در سامانۀ بازار املاک متعلق‌به وزارت راه و شهرسازی در بازه زمانی دوماهۀ شهریورماه و مهرماه سال 1396 جامعۀ آماریِ استفاده‌شده در آن است. پس از ثبت اطلاعات و موقعیت جغرافیایی معاملاتِ صورت‌گرفته در سیستم اطلاعات جغرافیایی[41]، متغیرهای تأثیرگذار بر قیمت مسکن با استفاده از متون نظری و تجربیِ مرتبط، استخراج و بعد از دسترسی به اطلاعات، یازده متغیر مستقل شناسایی شد؛ سپس نقشه‌های مرتبط، با استفاده از ابزارهای ArcGIS گردآوری و تهیه شد و ارتباط آنها با متغیر وابستۀ قیمت مسکن با استفاده از ضریب هم‌بستگی پیرسون[42] در نرم‌افزار SPSS بررسی و متغیرهای تأثیرگذار شناسایی شد. متغیرهای استفاده‌شده در جدول (2) نشان داده شده است. پس از بررسی معناداربودنِ ارتباط متغیرهای مستقل با متغیر وابستۀ بررسی‌شده، به‌منظور انتخاب بهترین خط رگرسیون برای مدلسازی قیمت مسکن از ابزار رگرسیون اکتشافی[43] استفاده و تمامی ترکیب‌های ممکن و صحیح متغیرهای مستقل، هم‌زمان با انجام آزمون‌های مختلف و مقادیر مجازِ تعیین‌شده برای هر آزمون، استخراج شد. مقادیر مجازِ آزمون‌های آماری در اکتشاف خط رگرسیون به شرح جدول (3) است. پس از اکتشاف مدل‌های رگرسیونِ پذیرفته‌شده، بهترین مدل با بیشترین مقدار ضریبِ تعیینِ تعدیل‌شده انتخاب و از متغیرهای آن در ساخت مدل رگرسیونی عمومی با تکنیک OLS و مدل رگرسیون محلی با تکنیک GWR استفاده شد؛ سپس دو مدل با استفاده از مقادیر R2 و [44]AIC و تحلیل واریانس با یکدیگر مقایسه شدند. این مقایسه بین نمودارهای نشاندهندۀ پراکنش مقادیر باقیمانده در هر دو مدل و نیز نقشه‌های درون‌یابی قیمت مسکنِ پیشبینیشدۀ دو مدل با نقشۀ درون‌یابی قیمت واقعی مسکن صورت گرفت.
جدول 2- متغیرهای استفاده‌شده در مدلسازی قیمت مسکن
|
HsePrice |
قیمت مسکن (متغیر وابسته) |
قیمت هر مترمربع مسکن آپارتمانی ثبت‌شده |
|
AGE |
عمر بنا |
تعداد سالهای سپری‌شده از تاریخ اتمام ساخت مسکن |
|
AREA |
سطح زیربنای واحد مسکونی |
مساحت زیربنای واحد مسکونی برحسب متر مربع |
|
DisFrCenter |
فاصلۀ واحد مسکونی از مرکز شهر |
فاصله از مراکز تاریخی و هستۀ اصلی شهر تهران |
|
PopDen |
تراکم جمعیتی |
مقدار ارزش استخراج‌شدۀ هر نقطۀ نمونه‌گیری‌شده از نقشۀ پهنه‌بندی تولیدشدۀ تراکم جمعیت براساس سرشماری سال 1390 با استفاده از روش IDW |
|
DpvArea |
میزان فرسودگی |
مقدار ارزش استخراج‌شدۀ هر نقطۀ نمونه‌گیری‌شده از نقشۀ پهنه‌بندی تولیدشدۀ میزان فرسودگی بافت شهری با استفاده از روش IDW |
|
DisMetro |
میزان دسترسی‌پذیری به سیستم مترو |
فاصله واحد مسکونی از نزدیک ترین ایستگاه مترو بر اساس فاصله اقلیدوسی |
|
DisPrk |
میزان دسترسی به فضای سبز شهری |
فاصلۀ واحد مسکونی از نزدیک‌ترین پارک براساس فاصلۀ اقلیدوسی |
|
DisHo |
میزان دسترسی به بیمارستان‌ها و مراکز درمانی عمده |
فاصلۀ واحد مسکونی از نزدیک‌ترین بیمارستان براساس فاصلۀ اقلیدوسی |
|
DisHW |
فاصلۀ واحد مسکونی از بزرگ‌راه‌های شهری |
فاصلۀ واحد مسکونی از بزرگ‌راه‌های شهری براساس فاصلۀ اقلیدوسی |
|
CrimeDen |
میزان امنیت در محله |
مقدار ارزش استخراج‌شدۀ هر نقطۀ نمونه‌گیری‌شده از نقشۀ پهنه‌بندی تولیدشدۀ تراکمی جُرم و جنایت با استفاده از تابع چگالی کرنل |
|
BldArea |
درصد سطح اِشغال |
نسبت مساحت زیربنای واحد مسکونی به مساحت زمین واحد مسکونی |
جدول 3- مقادیر مجاز استفاده‌شده در رگرسیون اکتشافی
|
حداقل ضریب تعیین تعدیل‌شده[45] |
5/0 |
|
حداکثر مقدار پذیرفته‌شدۀ احتمال معنی‌داریِ ِضرایب هر متغیر[46] |
05/0 |
|
حداکثر آزمون هم‌خطیVIF [47] |
5/7 |
|
حداقل مقدار احتمال پذیرفته‌شدۀ آزمون جارک- برا[48] |
1/0 |
|
حداقل مقدار احتمال پذیرفته‌شدۀ آزمون خودهم‌بستگی فضایی[49] |
1/0 |
منبع: نگارندگان، 1396
یافته‌های تحقیق
بررسی وضعیت قیمت مسکن منطقۀ دو شهر تهران
منطقۀ دو شهرداری تهران از شمال به دامنۀ رشته‌کوه‌های البرز (حدفاصل رودخانۀ درکه تا محلۀ فرحزاد)، از جنوب به خیابان آزادی (حدفاصل میدان آزادی تا میدان توحید)، از شرق به بزرگ‌راه چمران و از غرب به خیابان اشرفی اصفهانی و بزرگ‌راه محمد‌علی‌جناح محدود می‌شود. این منطقه با جمعیتی بالغ‌بر 701303 نفر، 239742 خانوار و تراکم جمعیتی 133 نفر در هر هکتار، حدود هشت درصد از جمعیت شهر تهران را در خود جای داده است (سامانۀ گزارش‌ساز آمار و اطلاعات شهرداری تهران، 1396). علت انتخاب این محدوده در پژوهش حاضر گستردگی و کشیدگی این منطقه از مرکز تا شمالی‌ترین نقاط شهری تهران و بهتبع آن تنوع در گونۀ ساختمانی، الگوی سکونتی و نوسان‌های فراوان قیمت مسکن است. براساس 604 معاملۀ ثبتی در سامانۀ اطلاعات بازار املاک ایران در این منطقه در بازه زمانی دوماهۀ شهریورماه و مهرماه 1396، قیمت مسکن آپارتمانی در بازه مذکور حدود 3/2 تا 7/17 میلیون تومان و با میانگین و انحراف از معیار به‌ترتیب بین 4/6 و 4/2 میلیون تومان نوسان می‌کند. بالابودن مقدار انحراف از معیار نشاندهندۀ پراکندگی بیش‌ازحد قیمت مسکن در سطح این محدوده است. نقشۀ (1) نشاندهندۀ موقعیت جغرافیایی محدودۀ بررسی‌شده و نقشۀ (2) نشاندهندۀ پراکنش معاملاتِ صورت‌گرفته در این محدوده است.
نقشۀ 1- موقعیت جغرافیایی منطقۀ دو شهرداری تهران
منبع: نگارندگان
نقشۀ 2- پراکنش معاملات مسکن نمونه‌گیری‌شده در منطقۀ دو
منبع: نگارندگان
تحلیل یافته‌ها
پس از استخراج مقادیر متغیرهای مستقل به‌منظور بررسی معنا‌داریِ رابطۀ آنها با متغیر وابسته، شدت رابطه و همچنین نوع رابطه از آزمون هم‌بستگی پیرسون استفاده شد. همان‌طور که در جدول (4) مشاهده می‌شود، تمامی متغیرهای مستقل با متغیر وابسته رابطۀ خطی معناداری در سطح احتمال 95 درصد دارند. جهت و شدت رابطه نیز در جدول (4) مشخص شده است. نتایج استفاده از ابزار تحلیل رگرسیون اکتشافی در نرم‌افزار ArcGIS نشان می‌دهد بهترین مدل رگرسیون خطی باتوجه‌به انجام آزمون‌های مختلف و مقادیر مجازِ بیان‌شده در جدول (3)، ترکیبی از نُه متغیر از بین یازده متغیر ورودی است و دو متغیر دیگر با سایر متغیرهای مستقل رابطۀ هم‌خطی[50] دارند. درنهایت بهترین مدل رگرسیون OLS با استفاده از نُه متغیر، عمر بنا، سطح زیربنای واحد مسکونی، فاصلۀ واحد مسکونی از مرکز شهر، میزان فرسودگی، میزان دسترسی به فضای سبز شهری، میزان دسترسی به سیستم مترو، فاصلۀ واحد مسکونی از بزرگ‌راه‌های شهری، میزان دسترسی به بیمارستان‌ها و مراکز درمانی عمده و میزان امنیت در محله، به‌ترتیب میزان اهمیت در توضیح‌دهندگی قیمت مسکن را نشان داد. نتایج مدل در جدول (5) نشان داده شده است. همان‌طور که در جدول مشاهده می‌شود، تمام ضرایب متغیرها در سطح احتمال 95 درصد معنادار بوده و درکل نیز مدل، معنادار است(P-Value<0/05). مقادیر آزمون VIF هم باتوجه‌به برقراری رابطۀ VIF<7.5، بیانگر نبودنِ رابطۀ هم‌بستگی خطی بین متغیرهای مستقل است. نتایج حاصل از آزمون کوانکر[51] و معناداربودن این آزمون (P<.05) نشاندهندۀ وجود ناهمگنى در پراکنش و بی‌ثباتی[52] روابط در مدل است که برای رفع این مشکل باید از رگرسیون‌های محلی، همچون GWR، استفاده شود. معناداربودنِ آزمون جارکو - برا نیز بیانگر نرمال‌نبودنِ توزیع مقادیر باقیمانده و مطلوب‌نبودنِ مدل OLS در مدلسازی قیمت مسکن در محدودۀ بررسی‌شده است. مقادیر ضریب تعیین تعدیل‌شده و شاخص AIC هم به‌ترتیب برابر با 68، صفر و 10431 است. نقشۀ (3) که حاصل تحلیل لکه‌های گرم[53] است، مناطقی را نشان می‌دهد که مدل OLS در توضیح‌دهندگی قیمت مسکن در آنها به‌خوبی عمل نمی‌کند. دربارۀ ضرایب و جهت تأثیر متغیرها بر مدل تعیین قیمت مسکن باید گفت متغیر وابسته، یعنی قیمت مسکن، با متغیرهای فاصله از مرکز شهر، فاصله از بزرگ‌راه و مقدار سطح زیربنای واحد مسکونی رابطۀ مستقیم و مثبت و با متغیرهای میزان فرسودگی، عمر بنا، میزان دسترسی به سیستم مترو، میزان دسترسی به فضای سبز شهری، میزان دسترسی به بیمارستان‌ها و مراکز درمانی عمده و میزان امنیت در محله، رابطۀ معکوس و منفی دارد.
جدول 4- نتایجآزمونهم‌بستگیپیرسون
منبع: نگارندگان، 1396
معادلۀ کلی خط رگرسیون مرتبط با مدل قیمت مسکن به شرح زیر است (رابطۀ چهار):
|
(4) |
هدف از برازش مدل رگرسیون عمومی در این پژوهش، بررسی میزان کارایی مدل رگرسیون موزون جغرافیایی در توضیح ناهمسانی فضایی متغیرهای تأثیرگذار بر قیمت مسکن است. در ادامه نتایج مدل رگرسیون موزون جغرافیایی ارائه شده است.
نقشۀ 3- شناسایی لکه‌های گرم مقادیر باقیمانده با استفاده از تحلیل Hot Spot
منبع: نگارندگان، 1396
جدول 5- نتایج حاصل از مدلسازی قیمت مسکن با استفاده از روش رگرسیون حداقل مربعات معمولی (OLS)
|
متغیر |
ضریب |
مقدار آمارۀ t |
مقدار احتمال |
مقدار VIF |
|
مقدار ثابت |
5822.5 |
19.34 |
0.000 |
_ |
|
DISFRCENTER |
0.34 |
11.67 |
0.000 |
2.82 |
|
DPVAREA |
-398.07 |
-6.87 |
0.000 |
1.4 |
|
DISMETRIO |
-0.437 |
-4.17 |
0.002 |
1.62 |
|
DISHO |
-0.301 |
-2.96 |
0.009 |
1.41 |
|
DISPRK |
-0.51 |
-6.06 |
0.002 |
1.44 |
|
DISHW |
0.435 |
2.51 |
0.0079 |
1.06 |
|
CRIMEDEN |
-50.14 |
-1.99 |
0.0402 |
2.87 |
|
AGE |
-73.56 |
-18.22 |
0.000 |
1.04 |
|
AREA |
16.06 |
13.376 |
0.000 |
1.14 |
|
مجموع مربعات باقیمانده |
610509867 |
|||
|
ضریب تعیین تعدیل‌شده |
0.742 |
|||
|
مقدار AIC |
9726 |
|||
|
مقدار احتمال آمارۀ آزمون کوانکر |
53.106 |
مقدار احتمال |
0.000 |
|
|
مقدار احتمال آمارۀ آزمون جارکو - برا |
719.04 |
مقدار احتمال |
0.000 |
|
منبع: نگارندگان، 1397
نتایج مدل رگرسیون موزون جغرافیایی در تحلیل قیمت مسکن.
همان‌طور که اشاره شد، در روش رگرسیون موزون جغرافیایی به‌ازای هریک از مقادیرِ مشاهده‌شدۀ واقعی، ضرایب مدل محاسبه می‌شود. بر این اساس برای هریک از متغیرهای مستقل دامنۀ تأثیرات مطرح می‌شود (جدول 6)؛ به‌عبارت‌دیگر میزان و جهت تأثیر متغیرها در نواحی مختلف محدودۀ بررسی‌شده متفاوت است. چه‌بسا متغیری مانند فاصلۀ واحدهای مسکونی از بزرگ‌راه‌های شهری (DISHW) در بخش‌هایی از محدوده، تأثیر مثبت و فزاینده و در بخش‌های دیگر تأثیر منفی و کاهنده بر قیمت مسکن داشته است (نقشه 4). جهت تأثیر هریک از متغیرها بر قیمت مسکن در محدودۀ بررسی‌شده باتوجه‌به مقادیر میانه در هر متغیر مشخص می‌شود. براساس نتایجِ به‌دست‌آمده دو متغیر عمر بنا و سطح زیربنای واحد مسکونی باتوجه‌به یکسان‌بودن جهت تأثیرگذاری در تمام بخش‌های محدوده، نسبت به سایر متغیرهای استفاده‌شده در مدل از ناهمسانی فضایی کمتری برخوردارند.
جدول 6- نتایج حاصل از مدل GWR
|
متغیر |
ضرائب |
||||
|
حداقل |
چارک پایین |
میانه |
چارک بالا |
حداکثر |
|
|
مقدار ثابت |
-1594 |
3183 |
5330 |
7122 |
10684 |
|
DisFrCenter |
-1.06 |
0.10 |
0.23 |
0.72 |
2.00 |
|
DpvArea |
-1974 |
-660.3 |
-318.9 |
-20.23 |
415.98 |
|
DisMetro |
-1.88 |
-0.39 |
0.01 |
0.28 |
1.25 |
|
DisHo |
-2.31 |
-0.53 |
0.06 |
0.51 |
1.54 |
|
DisPrk |
-1.77 |
-0.85 |
-0.41 |
0.20 |
1.55 |
|
DisHW |
-2.06 |
0.03 |
0.60 |
1.53 |
2.63 |
|
CrimeDen |
-1033 |
-156.2 |
-23.84 |
150.66 |
712.54 |
|
AGE |
-147.1 |
-119.5 |
-73.80 |
-61.35 |
-48.28 |
|
AREA |
7.36 |
9.30 |
11.31 |
16.68 |
21.91 |
|
مجموع مربعات باقیمانده |
389777298 |
||||
|
ضریب تعیین تعدیل‌شده |
0.83 |
||||
|
مقدار AIC |
9588.07 |
||||
نقشه 4- توزیع فضایی ضرایب متغیر فاصله از بزرگ‌راه‌های شهری بر قیمت مسکن
بررسی نتایج مدل GWR درمقایسه با مدل OLS .
باتوجه‌به نتایج حاصل از مدل GWR مقدار ضریب تعیین تعدیل‌شده و مقدار AIC حاصل از این مدل با استفاده از نُه متغیری که در مدل قبلی به کار گرفته شده است، به‌ترتیب حدود 0.83 (9 درصد بهبود مدل) و 9588 (138 واحد کاهش) برآورد شد که درمقایسه با مدل OLS از کارایی بالاتری برخوردار بود. به‌منظور مقایسۀ بهتر دو مدل از آزمون تحلیل واریانس،[54] ابزار رسم نموداری و پهنه‌بندی استفاده شده است. نمودار (1) بیانگر چگونگی پراکنش مقادیر قیمت مسکنِ پیش‌بینی‌شده با استفاده از هر دو مدل، حول خط نشاندهندۀ مقادیر واقعی مشاهده‌شده است و نتایج نیز بیانگر اختلاف و خطای کمتر مدل GWR درمقایسه با مدل OLS حول محور اصلی است. در نقشۀ (5) نیز که با استفاده از روش میان‌یابی معکوس وزنی فاصله[55] قیمت مسکن برای هر سه مقدار مشاهده‌شدۀ واقعی، پیش‌بینی‌شده باOLS و پیش‌بینی‌شده با GWR را پهنه‌بندی کرده است، نتایج نشان می‌دهد بین مقادیر پیش‌بینی‌شده با استفاده از مدل GWR درمقایسه با OLS شباهت عینی بیشتری وجود دارد؛ به‌طور مثال، قیمت مسکن در نواحی شمال غربی منطقۀ دو (محلۀ پونک) در روش OLS به‌خوبی توضیح داده نشده است؛ درمقابل، مدل GWR قابلیت توضیح‌دهندگی بیشتری از خود نشان داده است.
نتایج آزمون تحلیل واریانس
روش دیگری که برای بررسی عملکرد دو مدل رگرسیونی مورد استفاده قرار گرفته، روش تحلیل واریانس است. در این آزمون، فرضیۀ H0 برتری‌نداشتن مدل GWRرا بر مدل OLS نشان می‌دهد. مقدار بحرانی در این آزمون برابر با دو است و هرچه این مقدار از دو بزرگ‌تر باشد، نشاندهندۀ رد فرضیۀ H0 و پذیرفته‌شدن فرض H1 است؛ به‌عبارت‌دیگر مقدارِ به‌دست‌آمده از آزمون در این پژوهش برابر با 3.55 است که برتری مدل GWR را بر مدلOLS نشان می‌دهد.
جدول 6-آزمون تحلیل واریانس
|
مأخذ |
SS |
DF |
MS |
F |
|
باقی‌ماندۀ مدل OLS |
610509867 |
571.00 |
|
|
|
بهبود الگو با استفاده از GWR |
220732568 |
78.58 |
2809025.50 |
|
|
باقی‌ماندۀ مدل GWR |
389777298 |
492.42 |
791554.19 |
3.55 |
مأخذ: نتایج تحلیل واریانس با استفاده از نرم‌افزار GWR
نمودار 1- پراکنش مقادیر پیش‌بینی‌شده با دو روش OLSو GWRحول خط قیمت واقعی مشاهده‌شده
مأخذ: نگارندگان
نقشۀ 5- پهنه‌بندی مقادیر پیش‌بینی‌شده و واقعی قیمت مسکن در منطقۀ دو شهرداری تهران
نتیجه‌گیری.
هدف از پژوهش حاضر تحلیل فضایی قیمت مسکن در منطقۀ دو شهرداری تهران بوده است. بدین‌منظور از دو مدل رگرسیون حداقل مربعات معمولی (OLS) و رگرسیون موزون جغرافیایی(GWR) استفاده شده و درنهایت بین آنها مقایسه صورت گرفته است.
در راستای هدف فوق ابتدا عوامل کالبدی‌محیطی مؤثر بر قیمت مسکن از متون نظری و تجربی مرتبط استخراج و سپس با استفاده از آزمون هم‌بستگی پیرسون معناداربودن رابطۀ آنها با متغیر وابستۀ قیمت مسکن بررسی شده است. نتایج این آزمون بیانگر وجود رابطۀ معنادار هر یازده شاخص در سطح احتمال
95 درصد است. در ادامه به‌منظور انتخاب بهترین متغیرها برای ساخت مدل باتوجه‌به وجود برخی خطاها، مانند هم‌بستگی خطی متغیرهای مستقل با یکدیگر، از روش رگرسیون اکتشافی استفاده شده است و بهترین مدل رگرسیون خطی با استفاده از نُه متغیر از بین یازده متغیر انتخاب و در ادامه مدل رگرسیون خطی با استفاده از هر دو روش OLS و GWR ایجاد شده است. نتایج بیانگر نکات زیر است:
- · پراکنش قیمت مسکن در منطقۀ دو شهرداری تهران به‌طورکلی با فاصله‌گرفتن از خیابان انقلاب و نزدیک‌شدن به ارتفاعات شمالی روندی افزایشی داشته است؛ اگرچه شدت این روند در برخی محلات، همچون محلۀ پونک و نواحی مجاور بزرگ‌راه‌های شهری بنا بر تأثیرگذاری عوامل دیگر کاسته شده است.
- · باتوجه‌به آزمون‌های انجام‌گرفته، تأثیر عوامل کالبدی‌محیطی مؤثر بر تعیین قیمت مسکن برحسب میزان اهمیت متغیرِ توضیح‌دهنده است؛ بنابراین ترتیب متغیرها بدین‌صورت خواهد بود: عمر بنا، سطح زیربنای واحد مسکونی، فاصلۀ واحد مسکونی از مرکز شهر، میزان فرسودگی، میزان دسترسی به فضای سبز شهری، میزان دسترسی به سیستم مترو، فاصلۀ واحد مسکونی از بزرگ‌راه‌های شهری، میزان دسترسی به بیمارستان‌ها و مراکز درمانی عمده و میزان امنیت در محله؛ دو متغیر درصد سطح اشغال و تراکم جمعیتی نیز اگرچه رابطه‌ای معنادار با متغیر وابسته دارند، باتوجه‌به هم‌بستگی خطی با سایر متغیرها از مدل حذف می‌شوند.
- · متغیرهای سطح زیربنا، فاصله از مرکز شهر و فاصله از بزرگ‌راه‌های شهری بر قیمت مسکن تأثیر مستقیم و مثبت دارند و افزایش در مقادیر هریک موجب افزایش قیمت مسکن خواهد شد.
- · متغیرهای عمربنا، میزان فرسودگی بافت، فاصله از ایستگاه‌های مترو، فاصله از پارک شهری، فاصله از بیمارستان و میزان ناامنی محله بر قیمت مسکن تأثیر منفی و معکوس دارند و با افزایش در مقادیر هریک قیمت مسکن کاهش می‌یابد.
به‌منظور مقایسۀ دو مدلِ به‌کارگرفته‌شده از آزمون‌ها و روشهای مختلفی، ازجمله ضریب تعیین تعدیل‌شده و مقدار شاخص AIC، آزمون تحلیل واریانس، مقایسۀ نموداری پراکنش مقادیر پیش‌بینی‌شده حول مقادیر واقعی مشاهده‌شده و همچنین مقایسۀ میزان شباهت نقشه‌های پهنه‌بندی‌شدۀ قیمت مسکن با استفاده از هر دو مدل با نقشۀ پهنه‌بندی قیمت مسکن براساس مشاهدات واقعی، استفاده شده است.
براساس مدل مرسوم رگرسیون خطی حداقل مربعات معمولی (OLS)، ضریب تعیین تعدیل‌شده و مقدار شاخص AIC به‌ترتیب 0.74 و 9726 محاسبه شده است؛ درحالی‌که با به‌کارگیری تکنیک رگرسیون موزون جغرافیایی (GWR) در مدلسازی قیمت مسکن افزایش نُه‌درصدی در ضریب تعیین تعدیل‌شده (0.83) و کاهش 138 واحدی در شاخص AIC به دست آمد که بیانگر مطلوب‌تربودنِ مدل GWR است. براساس آزمون تحلیل واریانس مقدار شاخص F برابر با 3.55 (بزرگ‌تر از دو) است که توضیح‌دهندگی بهتر مدل GWRرا درمقایسه با مدل OLS نشان می‌دهد. پهنه‌بندیِ صورت‌گرفته با استفاده از تکنیک IDW نیز بیانگر شباهت بیشتر نقشۀ پهنه‌بندی قیمت مسکن با استفاده از مقادیر پیشبینیشدۀ مدلGWR به نقشۀ پهنه‌بندی قیمت مسکن براساس مقادیر مشاهده‌شده در مقایسه با مدل OLS است.
باتوجه‌به نتایج پژوهش حاضر، قیمت مسکن متأثر از عوامل محیطی و همچنین سطح دسترسی به خدمات شهری است؛ بنابراین لازم است در مطالعات اقتصادی مسکن و تهیۀ طرح‌ها و برنامه‌های مرتبط با آن در کنار متغیرهای کلان اقتصادی به متغیرهای ذکرشده نیز توجه ویژه شود. توجه به عوامل فضایی و روابط همسایگی در سطوح برنامه‌ریزی محلی در تعدیل قیمت مسکن و افزایش کیفیت محیطی آن و بهتبع آن هدایت جریانات نوسازی به درون بافت‌های شهری مؤثر است؛ بنابراین به‌منظور دستیابی به اهداف طرح‌های مسکن در مقیاسهای ملی و منطقه‌ای، توجه به ابعاد فضایی -کالبدی، همچون دسترسی به خدمات شهری، در مقیاس محلی ضروری به نظر می‌رسد.
[1]. Malpezzi
[2]. Maher
[3]. Ozsoy et al
[5]. Geng et al
[6]. Geographically Weighted Regression (GWR)
[7]. Thomas-Agnan
[8]. Kain
[9]. Quigley
[10]. Estrazheim
[11]. Hushak
[12]. Sadr
[13]. Ohio
[14]. Hedonic
[15]. Rosen
[16]. Green and Hendershott
[17]. Demographic
[18]. Green & Hendershott
[19]. Fotheringham
[20]. Brunsdon
[21]. Brasington
[22]. Quigley
[23]. Liu
[24]. Vichiensan & Miyamoto
[25]. Geng
[26]. Chica-Olmo et al
[27]. Liu, et al
[28]. Herington
[29]. Miles
[30]. McCord et al
[31]. O’Sullivan & Gibb
[32]. Bitter et al
[33]. Munroe et al
[34]. Local Regression
[35]. Global Regression
[36]. Spatial autocorrelation
[37]. Spatial heterogeneity
[38]. Anselin
[39]. Similar Value
[40]. Fixed spatial kernels
[41]. GIS
[42]. Pearson correlation coefficient
[43]. Exploratory Regression
[44]. Akaike's Information Criterion
[45]. Adjusted R Square
[46]. maximum coefficient p-value cutoff
[47]. Maximum VIF Value Cutoff
[48]. Minimum Acceptable Jarque-Bera p-value
[49]. Minimum acceptable spatial autocorrelation p-value
[50]. multicollinearity
[51]. Koenker Statistic
[52]. non-stationarity
[53]. Hot Spot Analysis
[54]. Analysis of variance
[55]. Inverse Distance Weighted(IDW)
)