بررسی فضایی اثر قیمت زمین مسکونی بر نرخ اجاره‌بهای مسکن در استان‌های ایران

مقدمه

مسکن از نیازهای اساسی انسان به‌ویژه در دوران معاصر است که بخش عمده‌ای از سبد کالای خانوار را تشکیل می‌دهد. با رشد شهرنشینی قیمت مسکن با افزایش سرسام‌آوری روبه‌رو شده است.

در کشور ایران نیز به‌خصوص در کلان‌شهرهای آن قیمت مسکن به دفعات افزایش داشته است. این افزایش قیمت به‌گونه‌ای است که بخش وسیعی از اقشار جامعه، به‌خصوص طبقات درآمدی پایین (که بیشتر خانوارهای جوان، مهاجران و کارگران موقت با دستمزدهای پایین، مدت زمان محدود اشتغال و قراردادهای موقت هستند) و قشر متوسط جامعه، برای اجاره مسکن مناسب با مشکلات جدی روبه‌رو شده‌اند.

 تمرکز فعالیت اقتصادی در مناطقی خاص مانند پایتخت، از دیگر عواملی است که به افزایش چشمگیر تقاضا در بازار اجاره مسکونی منجر شده است (Mussaa, 2017: 19)؛ اما به دنبال افزایش قیمت مسکن در یک استان، جمعیت ساکن در دهک‌های درآمدی پایین که توانایی خرید مسکن را از دست می‌دهند، ناچار به اجاره مسکن خواهند بود. همچنین ممکن است به‌دلیل افزایش قیمت زمین مسکونی و پایین‌تربودن نرخ اجاره‌بهای مسکن در استان‌های همجوار یا برخوردارتر از لحاظ امکانات شغلی، تحصیلی و رفاهی بیشتر، افراد به دنبال اجاره مسکن در استان‌های مجاور باشند؛ درنتیجه، اثرات سرریز افزایش قیمت زمین و جمعیت در هر استان بر استان‌های مجاور نیز می‌تواند تأثیرگذار باشد. در موقعیت مشابه پس از مدتی افراد غیربومی اجاره‌نشین بعد از یک دوره اجاره‌نشینی، توانایی خرید مسکن در محل سکونت جدید خود را دارند و با اضافه‌شدن افراد غیربومی جدید به ساکنان کم‌درآمد آن منطقه، تقاضای مازاد برای واحدهای مسکونی اجاره‌ای باعث افزایش قیمت اجاره‌بهای مسکن در آن منطقه می‌شوند و اثرات مختلفی بر بازار اجاره مسکن می‌گذارند.

با توجه به آنچه در بالا اشاره شد، طبق مطالعات مرکز آمار ایران، یک سوم جمعیت خانوارهای ایرانی را مستأجران تشکیل می‌دهند. براساس این آمار سهم مسکن در سبد خانوار ایرانی به 50 درصد رسیده است که با به‌روزشدن اطلاعات آماری پیش‌بینی می‌شود این سهم به بالاتر از 60 درصد نیز رسیده باشد و چنانچه راه‌حلی برای این موضوع اندیشیده نشود می‌تواند این مشکل به یکی از معضلات بزرگ در کشور تبدیل شود.

بین عوامل تأثیرگذار بر نرخ اجاره‌بهای مسکن، اثرات منطقه‌ای عاملی است که از دید پژوهشگران دور مانده است و همین موضوع ایده اصلی این مطالعه را تشکیل می‌دهد. به عبارت دیگر، اگر یک منطقه افزایش قیمت زمین بیشتری داشته باشد، مناطق مجاور این منطقه نیز نرخ اجاره‌بهای بالاتری را تجربه می‌کنند.

فرضیه اصلی در این تحقیق آن است که اثرات فضایی در افزایش اجاره‌بهای مسکن تأثیرگذار است؛ به‌گونه‌ای‌که افزایش قیمت اجاره‌بهای مسکن در یک استان، علاوه بر افزایش قیمت زمین در آن استان، از افزایش قیمت زمین در سایر استان‌ها و جمعیت، امکانات (بهداشت، تحصیل و اشتغال) آن استان و سرریز آن در استان‌های مجاور تأثیر می‌پذیرد. این موضوع با روش اقتصادسنجی فضایی در تحقیق حاضر برای داده‌های 31 استان ایران در بازه زمانی 1400-1390 بررسی و آزمون می‌شود.

این مطالعه در پنج بخش به دنبال بررسی اثرات مستقیم و سرریز قیمت زمین بر اجاره‌بهای مسکن در استان‌های ایران است. در بخش دوم، پیشینه تحقیق و چارچوب نظری بررسی شده است. بخش سوم به روش تحقیق پنل فضایی اختصاص دارد. در بخش چهارم یافته‌های تحقیق ناشی از برآورد تخمین بیان شده و در بخش پایانی نتیجه‌گیری ارائه شده است.

پیشینه تحقیق

قیمت زمین و اجاره مسکن ارتباط تنگاتنگی با یکدیگر دارند (Ricardo, 1911: 97). براساس نظریه اجاره ریکاردو تقاضا برای زمین از تقاضا برای مسکن ناشی می‌شود؛ بنابراین، اگر بازار کارآمد باشد، قیمت زمین در درجه اول توسط قیمت ملک تعیین می‌شود. در مقابل، تئوری اجاره نئوکلاسیک بیان می‌کند قیمت یک محصول توسط هزینه‌های آن تعیین می‌شود (Needham, 1981: 93). با توجه به اینکه هزینه‌های زمین جزء اصلی قیمت مسکن است، افزایش قیمت زمین باعث افزایش هزینه‌های عرضه مسکن در بلندمدت می‌شود (Bostic and Longhofer, 2007: 190) و درنتیجه، قیمت مسکن و اجاره مسکن را بالا می‌برد.

از سال 1982، تعدادی از مطالعات به دنبال توضیح تغییرات در قیمت مسکن، اجاره مسکن و ارزش زمین بوده‌اند. بیشتر این مطالعات تجربی از چارچوب عرضه و تقاضای ضمنی برای تجزیه و تحلیل بازار مسکن شهری (Ozanne & Thibodeau, 1983: 55; Manning, 1988: 10; Fortura & Kushner, 1986: 530; Rose, 1989: 329) استفاده کرده‌اند.

این نویسندگان به‌طور کلی معادلات قیمت را با استفاده از متغیرهای مستقلی همچون درآمد، جمعیت، رشد جمعیت، قیمت کالاهای دیگر، هزینه‌های ساخت‌وساز و مالیات تخمین زده‌اند و رویکرد مشترک این مطالعات چگونگی اثرات این متغیرها بین مناطق بر شرایط عرضه و تقاضای محلی باعث تفاوت قیمت و اجاره مسکن بوده است. این مطالعات به ساختار نظری زیربنایی بازارهای مسکن بی‌توجه بوده‌اند؛ برای مثال، هریک از آنها بر یک معیار قیمت در بازار مسکن شهری (قیمت فروش خانه، اجاره ماهانه یا قیمت زمین‌های خالی ساختمان) تمرکز کردند.

محققانی که از اصطلاح «رویکرد دارایی»^[i] برای قیمت‌گذاری زمین شهری استفاده می‌کنند (Capozza & Helsley, 1989: 299; Capozza & Schwann, 1989: 165)، با این موضوع تا حدودی متفاوت برخورد می‌کنند. تمرکز این مطالعات بر تعیین قیمت دارایی (زمین) از یک مدل مرکزی ساده در یک شهرِ درحال رشد بوده است؛ به این معنا که شهرهای درحال رشد، مهاجرت بین شهری را در پاسخ به تغییرات قیمت تجربه می‌کنند. مهاجرت از شهرهای گران‌قیمت به شهرهای ارزان‌قیمت بسیاری از تغییرات قیمت اولیه را در بلندمدت حذف می‌کند و به این علت در مقایسه با مدل‌های عرضه و تقاضا متغیرهای کمتری برای تعیین قیمت زمین در بلندمدت استفاده می‌کنند. در این مدل، سطح جمعیت و رشد جمعیت از اهمیت ویژه‌ای برخودارند؛ اما مطالعه تجربی رویکرد دارایی کاپوزا و شوان (1989) با نتایج تجربی متفاوتی روبه‌رو شد.

برای تمرکز و شناسایی برخی از روابط نظری، بررسی جزئیات بیشتر برخی از این مطالعات مفید است. اوزان و تیبودئو (1983) یک مدل نظری دقیق از روابط عرضه و تقاضا در یک بازار مسکن شهری را توسعه دادند. آنها در کار خود بازار مسکن مالکان را از بازار مسکن استیجاری جدا کردند و تصمیم گرفتند هرگونه توجهی به نحوة تأثیر اجاره‌بها بر قیمت‌ها و تأثیر قیمت‌ها بر اجاره‌بها را نادیده بگیرند و این نکته دقیقاً موردی است که در مقاله حاضر بر آن تأکید شده است. آنها قیمت مسکن و توابع اجاره مسکن را از داده‌های بررسی سالانه مسکن برای پنجاه و چهار منطقه آماری شهری ^[ii]از سال 1974 تا 1976 با استفاده از شاخص‌های هدانیک قیمت مسکن و اجاره‌بها (که تغییرات بین شهری در اندازه و کیفیت مسکن را کنترل می‌کردند) تخمین زدند. از آنجایی که در مدل آنها تقابلی بین قیمت زمین و اجاره مسکن در نظر گرفته نشده بود، آنها این معادلات را با استفاده از روش رگرسیون به‌ظاهر نامرتبط به جای یک روش معادله همزمان مانند حداقل مربعات دو مرحله‌ای برآورد کردند. برآوردهای ضرایب در تابع اجاره ازنظر علامت مورد انتظار و معناداری آماری عملکرد خوبی داشت؛ اما برآوردهای مربوط به تابع قیمت مسکن ضعیف عمل کرد؛ به‌ویژه اینکه نه سطح درآمد متوسط و نه سطح جمعیت خانوارها ازنظر آماری پیش‌بینی‌کنندة قیمت مسکن نبود. محدودیت‌های کاربری توپوگرافی نیز به نظر می‌رسد تأثیری بر قیمت مسکن نداشته باشند. فورتورا و کوشنر^[iii] (1986) تجزیه و تحلیل مشابهی را انجام دادند و یک تابع قیمت مسکن را از داده‌های سی منطقه شهری کانادا در سال 1981 تخمین زدند؛ اما با توجه به اینکه داده‌ای برای اجاره وجود نداشت، آنها نیز تخمین همزمان قیمت اجاره مسکن و قیمت مسکن انجام ندادند.

دو مطالعه دیگر، تغییرات بین شهری را در قیمت زمین شهری در مقایسه با قیمت مسکن در نظر گرفتند. این رویکرد به‌طور ضمنی تصدیق می‌کند ارزش زمین منعکس‌کنندة ارزش سرمایه‌ای اجاره‌بهای خدمات مسکن است که با استفاده از زمین برای مسکن به دست می‌آید. از آنجایی که یک مترمربع از زمین شهری بسیار همگن‌تر از مسکن است، این رویکرد از پرداختن به تفاوت‌های اندازه و کیفیت موجود در مسکن اجتناب می‌کند. این مطالعات مشابه همتایان خود در بازار مسکن بودند و از پرداختن به جنبه‌های نظری رابطه متقابل بین تعیین قیمت زمین، قیمت مسکن و اجاره غفلت کردند. رز^[iv] (1989) در نظر گرفت چگونه تفاوت در برخی از این عوامل ممکن است باعث تغییرات بین شهری در قیمت زمین شهری (زمین‌های توسعه‌یافته) شود. او تابع قیمت قوارهِ^[v] زمین را از داده‌های چهل منطقه آماری شهری در سال 1980 تخمین زد. نتایج نشان‌دهندة یک رابطه آماری معنی‌دار و مثبت بین قیمت زمین و سطح درآمد متوسط، سطح جمعیت و رشد اخیر جمعیت بودند. علاوه بر این، محدودیت‌های توپوگرافی و قانونی استفاده از زمین به‌عنوان عوامل آماری معنادار مؤثر بر قیمت‌های زمین بین مناطق شهری شناخته شدند. منینگ^[vi] (1988) با استفاده از داده‌های قیمت زمین مشابه رز برای نود و چهار منطقه آماری شهری در سال 1980، نتوانست ارتباط آماری معنی‌داری بین تبیین تغییرات بین شهری در قیمت مسکن یا درآمد متوسط یا جمعیت نشان دهد؛ با این حال، نتایج نشان‌دهندة ارتباط مثبتی بین قیمت‌های زمین و رشد جمعیت بود.

پس از آن، مایکل پوتپن^[vii] در سال 1996 در یک نظریه کامل‌تر از بازار مسکن بیان کرد مشخص نیست این غفلت از جزئیات نظری تا چه اندازه ممکن است بر برآوردهای تجربی تأثیر بگذارد و به‌طور کلی نتایج با توجه به متغیرهای کلیدی مانند درآمد متوسط و سطح جمعیت یا رشد جمعیت غیرقطعی بودند. نتایج حاصل از تحقیق او نشان می‌دهند تفاوت بین کلان‌شهرها در سطوح درآمد متوسط، جمعیت، هزینه‌های ساخت‌وساز، آب‌وهوا و کیفیت خدمات عمومی مهم‌ترین عوامل تبیین‌کنندة تفاوت بین شهری در قیمت مسکن، اجاره‌بهای مسکن و قیمت زمین هستند. باوجود کار کاملی که پوتپن انجام داد، میزان سرریز مناطق جغرافیایی و اثرات آنها بر اجاره‌بهای مسکن را بررسی نکرد.

باسو و تیبودو^[viii] (1998) در مدل خودرگرسیون فضایی عنوان می‌کنند قیمت زمین مسکونی، اجاره‌بهای مسکن و قیمت‌های مسکن ازنظر فضایی همبستگی خودکار دارند؛ زیرا ارزش‌های دارایی در یک محله معین متأثر از امکانات مکان مشترک است. امکانات مکانی مانند کیفیت اداره پلیس، ارزیابی مدارس دولتی، درصد جمعیت دارای مدرک دانشگاهی، در دسترس بودن مراکز خرید یا حمل‌ونقل ممکن است به‌طور کلی بر قیمت خانه در منطقه تأثیر بگذارد. درنهایت، موسی و همکاران در سال 2017، اثرات سریز فضایی قیمت زمین و جمعیت بر اجاره‌بهای مسکن را بررسی و نتایج مطالعه میزان جمعیت و قیمت زمین بر مناطق دیگر را تأیید کردند. آنها بیان می‌کنند روش‌های رگرسیون فضایی برای تخمین رابطه اقتصادی با فرایند تولید داده و وابستگی فضایی بین مشاهدات مفید هستند؛ برای مثال، ممکن است انتظار برود قیمت خانه در نیویورک همگی نسبتاً بالا باشد و وابستگی فضایی مثبت را نشان دهد؛ به‌طور مشابه، قیمت یک خانه در کالامازو احتمالاً مشابه قیمت‌های دیگر خانه در کالامازو است (و به‌طور چشمگیری کمتر از قیمت خانه‌های نیویورک). در این تنظیمات، وابستگی فضایی (به جای استقلال فضایی) رابطه یک مشاهده با مشاهده دیگر را بهتر توصیف می‌کند. آنان از دو مدل محبوبِ خودرگرسیون فضایی^[ix] و دوربین فضایی^[x] برای توضیح فرایندهای مختلف تولید داده استفاده کردند.

به‌طور خلاصه، دو نکته از نظرسنجی برجسته است. نخست، محققانی که این سؤال را در نظر می‌گیرند، تأکید کافی بر توسعه یک نظریه اساسی برای چگونگی ساختار بازار مسکن نداشته‌اند. با غفلت از انجام این کار، آنها فرصتی را برای به دست آوردن بینش تجربی بیشتر دربارة نحوه عملکرد بازار مسکن و اجاره از دست داده‌اند. دوم، این مطالعات نتایج تجربی غیرقطعی ارائه کرده‌اند و این اطمینان حاصل نشد که تا چه اندازه می‌توان تغییرات بین منطقه‌ای در قیمت مسکن، اجاره‌بهای مسکن و قیمت زمین را با عواملی که معمولاً ذکر می‌شوند، مانند تفاوت در سطح درآمد متوسط، سطح جمعیت، رشد اخیر جمعیت، محدودیت‌ها و امکانات آن منطقه توضیح داد.

مطالعات داخلی مرتبطی که در این زمینه انجام شده‌اند نیز شامل موارد زیر هستند:

صارمی و همکاران (1397) در مقاله‌ای با عنوان «تحلیل فضایی قیمت مسکن با استفاده از تکنیک رگرسیون موزون جغرافیایی مورد مطالعه: منطقه دو شهرداری تهران» با استفاده از اطلاعات ثبت‌شدة خرید و فروش مسکن آپارتمانی منطقه دو شهرداری تهران در بازه زمانی دو ماهه شهریور و مهر ماه 1396 و استفاده از دو تکنیک رگرسیون حداقل مربعات معمولی و رگرسیون وزنی جغرافیایی سعی در مدل‌سازی و تحلیل قیمت مسکن کرده‌اند. نتیجه نهایی نشان می‌دهد سطح زیربنا، فاصله واحد مسکونی تا مرکز شهر و بزرگراه‌های شهری بر قیمت مسکن تأثیر مثبت مستقیم دارند و هریک موجب افزایش قیمت مسکن شده‌اند.

طالبلو و همکاران (1396) در مقاله‌ای با عنوان «تحلیل انتشار فضایی تغییرات قیمت مسکن در استان‌های ایران؛ رهیافت اقتصادسنجی فضایی» با مقایسه الگوهای پانل فضایی پویا، بیان می‌کنند متغیرهای تأخیری قیمت مسکن و اثرات فضایی این متغیر سهم بالایی در تعیین قیمت مسکن نشان می‌دهند و اثرات فضایی متغیر مخارج خانوار نیز اثر معنی‌داری بر قیمت مسکن داشته‌اند.

 رهنما و همکاران (1394) در مقاله ای با عنوان «تحلیل توزیع فضایی قیمت مسکن در شهر مشهد» با استفاده از داده‌های نمونه‌ای در یک دوره 8 ماهه اول سال 1389و داده‌های نرم‌افزاری سامانه اطلاعات جغرافیایی، رابطه‌ای مثبت بین قیمت مسکن آپارتمانی و ویلایی در مناطق مختلف شهر مشهد و میزان درآمد نشان می‌دهند.

لواسانی و ورهرامی (1394) در مقاله خود با عنوان «تخمین بیزین تابع هدانیک آپارتمان‌های مسکونی در شمال شهر تهران» بیان می‌کنند در تخمین بیزین تابع هدانیک علاوه بر داده‌های موجود با واردکردن حدس و باورهای نخبگان با استفاده از توزیع پیشین توانسته‌اند تخمین بهتر و کاراتری ارائه دهند و با استفاده از قیمت فروش 546 آپارتمان فروخته‌شده در منطقه یک و در نظر گرفتن متغیرهایی ازجمله مساحت آپارتمان، عمر ساختمان، وجود پارکینگ و امکانات رفاهی ازجمله سونا و ... نشان می‌دهند با افزایش هر یک مترمربع به مساحت آپارتمان حدود 14 میلیون و 500 هزار تومان به قیمت آپارتمان افزوده می‌شود. همین‌طور نتایج نشان می‌دهند وجود امکانات رفاهی ازجمله سونا و ... در مجتمع‌های آپارتمانی موجب افزایشی حدود 420 میلیون تومان در قیمت شده است.

حاتمی (1395) در مقاله‌ای با عنوان «بررسی روند تغییرات متوسط قیمت و اجاره مسکن در شهر تهران» با مطالعه معاملات ثبت‌شده در سامانه اطلاعات املاک و مستغلات کشور در بخش فروش و مقایسه آمارها نشان می‌دهد در بخش اجاره ماهیانه بعلاوه 3 درصد ودیعه پرداختی برای اجاره یک مترمربع واحد مسکونی، با 40 درصد رشد، بیشترین رشد در تابستان 1390 تا تابستان 1391 و کمترین رشد نیز مربوط به تابستان 1392 تا تابستان 1393 با 3/8 درصد است. در پایان او با توجه به نتایج نشان می‌دهد هرگونه افزایش یا کاهش در قیمت فروش واحد مسکونی تأثیر مستقیم خود را در بخش اجاره مسکن نشان می‌دهد.

خلیلی عراقی و همکاران (1391) در مقاله خود با عنوان «بررسی عوامل مؤثر بر قیمت مسکن در ایران با استفاده از داده‌های ترکیبی»، در سمت عرضه و تقاضای مسکن با استفاده از اصول خرد مدل‌سازی انجام می‌دهند و اثر متغیرهای مخارج مصرفی خانوارها، تعداد خانوار، تسهیلات بانکی، قیمت زمین و هزینه ساخت بر قیمت مسکن را بررسی می‌کنند.

با توجه به آنچه بیان شد وجه تمایز این مطالعه با مطالعات پیشین در بررسی اثرات فضایی متغیرهای مؤثر بر نرخ اجاره در استان‌های ایران است که در پژوهش‌های قبلی کمتر بررسی شده‌اند.

در این رابطه مدل‌های فضایی با گنجاندن عوامل سرریز تأخیرهای فضایی قیمت زمین مسکونی، درآمد و چگالی جمعیت بر متغیر اجاره‌بهای مسکن درک کامل‌تری از روابط خطی بین متغیرها ارائه می‌دهد. براساس این، مهم‌ترین ویژگی‌ها و نوآوری‌های مقاله حاضر را می‌توان استفاده اقتصادسنجی فضایی برای داده‌های پنل، به‌منظور تبیین عامل مکان مؤثر بر اجاره و همچنین واردکردن متغیر قیمت زمین و شاخص توسعه انسانی بر مبانی پیشین و نظری برشمرد.

قیمت اجاره مسکن و زمین مسکونی در ایران

در سال‌های اخیر روند محسوسی در افزایش اجاره‌بها  (مسکن) وجود داشته است. آمار مستأجران در سال ۱۳۹۵ نسبت به سال ۱۳۹۰ با افزایش همراه است. در سال ۱۳۹۰ حدود 6/26 درصد از ایرانیان اجاره‌نشین بودند که این آمار در سرشماری ۱۳۹۵ با حدود ۴ درصد افزایش به 8/30 درصد رسیده است. براساس نتایج نشریه تحلیل تبیینی مرکز آمار ایران، شاخص‌های عمده جمعیتی نشان می‌دهند در سال ۱۳۹۵ درصد اجاره‌نشینی خانوارها در کشور درحال افزایش است. در سال ۱۳۹۵ از تعداد ۲۳ میلیون و ۵۸۰ هزار، ۲۲۱ خانوار معمولی و گروهی ساکن در واحدهای مسکونی معمولی کشور، 5/60 درصد از خانوارها مالک عرصه و اعیان (زمین و بنا) بوده‌اند و 8/30 درصد خانوارها اجاره‌نشین بوده‌اند. در سال ۱۳۹۰ از تعداد ۲۱ میلیون و ۴۹ هزار، ۹۳۴ خانوار معمولی و گروهی ساکن در واحدهای مسکونی معمولی کشور، 7/62 درصد از خانوارها مالک عرصه و اعیان (زمین و بنا) بوده‌اند و 6/26 درصد خانوارها اجاره‌نشین بوده‌اند (مرکز آمار ایران: 1399: 23).

طبق آخرین گزارش ارائه‌شدة مرکز آمار ایران، متوسط قیمت اجاره‌بهای هر مترمربع واحد مسکونی از سال 1390 تا 1400 همواره روندی افزایشی داشته است؛ به‌طوری‌که در سال 1390 با یک افزایش تقریبا 38/1  برابری از 60682 ریال به قیمت ثابت سال 1395برای هر مترمربع به 83911 ریال در سال 1400 رسید. بیشترین افزایش قیمت در سال 1399 بوده است که نسبت به سال قبل از آن افزایش 3/1 برابری داشته است

شکل 1- اجاره‌بهای واقعی یک مترمربع واحد مسکونی برحسب استان‌های کشور به قیمت پایه 1395 (ریال)

شکل 2- متوسط قیمت فروش یک مترمربع زیربنای مسکونی استان‌های کشور به قیمت پایه 1395 (هزار ریال)

در سال1400 میانگین بیشترین متوسط اجاره‌بهای واقعی یک مترمربع واحد مسکونی 329735 ریال در استان تهران و کمترین آن 36966 ریال متعلق به استان یزد بوده است. در سال‌های 1399-1390 بیشترین متوسط اجاره‌بهای یک مترمربع واحد مسکونی واقعی در استان تهران به‌ترتیب 227353، 231514، 225666، 211765، 210722، 222263، 240780، 257782، 285447 و 313238 ریال و کمترین آن در استان ایلام به‌ترتیب 30127 ، 28936، 28749، 27407، 26522، 26970، 27195، 26335 و 31773 ریال بوده است.

متوسط قیمت واقعی زمین مسکونی همواره روندی رو به افزایش داشته است؛ به‌طوری‌که از سال 1390 از 12545 هزار ریال به 32106 هزار ریال در سال 1400 رسیده است که تقریباً افزایشی 55/2 برابری را تجربه کرده است. بیشترین افزایش در سال 1399بوده است که نسبت به قیمت سال قبل از آن 6/1 برابر افزایش را نشان می‌دهد.

طی سال‌های 1390 تا1400 در میان استان‌های کشور، بیش‌ترین متوسط قیمت برای هر مترمربع زمین مسکونی معامله‌شده استان تهران به‌ترتیب 42532، 48696، 51493، 46270، 43931، 43441، 47500، 66730، 88934، 129903 و 128269 بوده است؛ همچنین کمترین آن مربوط به استان کهگیلویه و بویراحمد به‌ترتیب 4498، 4726، 4676، 3850، 3439، 3280، 3163، 3115، 4096، 6516 و 7401 هزار ریال بوده است. در بازه زمانی 1393 تا 1396 کاهش قیمت واقعی زمین مسکونی نسبت به دوره قبل آن به‌دلیل رکود در این بخش بوده است؛ به صورتی که شاخص‌های عملکردی بخش ساختمان و مسکن طی سال 1393 با کاهش همراه بود. این روند مؤید حاکم‌شدن شرایط رکودی و کاهش تمایل بخش خصوصی برای سرمایه‌گذاری در بخش ساختمان و مسکن در سال مذکور است. براساس برآوردهای بانک مرکزی از حساب‌های ملی، ارزش افزوده نسبت به سال قبل آن 4/0 کاهش نشان داد؛ اما از سال 1396 به دنبال رشد آمار عملکرد صدور پروانه‌های ساختمانی به‌عنوان شاخص استقبال بخش خصوصی از فعالیت‌های ساختمانی، وضعیت شاخص‌های ساخت‌وساز و سرمایه‌گذاری در بخش ساختمان پس از گذشت چهار سال با افزایش عملکرد همراه شد (خلاصه تحولات بانک مرکزی، 1393، 1396).

چارچوب نظری

مطالعات حوزه مسکن آنگونه که دی پاسکال و ویتون^[xi] (1994) انجام دادند نشان می‌دهد در طول زمان بررسی بازار مسکن به تدریج از بررسی سرمایه‌گذاری در بخش مسکن به سمت بررسی صاحب خانه شدن، آثار قیمت مسکن و دریافت اعتبار مسکن پیش رفته است. از اوایل دهه 1980 مطالعات جدید دیگری به‌طور صریح‌تر هزینه‌های مسکن در دوران زندگی را بررسی کردند؛ مانند آنچه در مطالعات پاتریا^[xii] (1984) و منکیو^[xiii] (1989) انجام شد. از آندورتن به بعد رویکرد دیگری در زمینة قیمت در مسکن ایجاد شد که هدف اصلی آن تقاضا برای مسکن بود. از یک‌سو این تقاضا برای دریافت اعتبار به‌منظور ساخت مسکن و تهیه اقلام آن مانند زمین و خرید آن بود و از رویکردی دیگر به میزان اثرگذاری متغیرهای اقتصادی جمعیتی، اجتماعی، درآمدی، اجاره، ساختار جمعیت و ... بر انتخاب مصرف‌کنندگان شایان توجه قرار گرفت. در مطالعات مختلفی ازجمله پاتریا^[xiv] (1984)، ویتون^[xv] (1985)، منیکو و یل^[xvi] (1989)، سالو^[xvii] (1994)، گالین^[xviii] (2006)، باسو و تیبودئو (1983) و گودمن وتیبودئو^[xix] (2008) بر این رویکرد تأکید شده است. در این میان، مطالعاتی نیز انجام شد که هدف آنها بررسی تقاضای مصرفی مسکن بود. این مطالعات نیز به دو رویکرد تبدیل شدند؛ رویکردی که تقاضای مسکن اجاره‌ای را ازطریق تابع هدانیک انجام دادند و در آن فقط بیشتر ویژگی‌های مسکن ازجمله تعداد اتاق خواب، استخر، امکانات رفاهی مسکن اجاره‌ای و ... را بررسی کردند و از سویی دیگر برخی مطالعات مانند واتکینز^[xx] (2001) در بررسی تحقیق دربارة تقسیم‌بندی بازار مسکن دریافتند تقسیم ساختاری براساس ویژگی‌های فضایی و منطقه جغرافیایی رایج‌ترین روش‌های استفاده‌شده هستند. واتکینز استدلال کرد بهترین راه برای شناسایی بازارهای فرعی مسکن این است که این معیار در تخمین‌ها در نظر گرفته شود. لحاظ‌کردن عامل جغرافیایی و روش‌های رگرسیون فضایی برای تخمین روابط اقتصادی که با فرایند تولید داده با وابستگی فضایی بین مشاهدات مشخص می‌شوند، بسیار مفید هستند؛ برای مثال، چنانچه قیمت زمین مسکونی در یک کلان‌شهر همگی بالا باشد، این انتظار وجود دارد در کلان‌شهر دیگر نیز قیمت‌ها همگی بالا باشند. روش‌های مختلفی وجود دارند که وابستگی فضایی ممکن است خود را نشان دهد و مدل‌های اقتصادسنجی مختلفی برای توضیح فرایندهای مختلف تولید داده پیشنهاد شده‌اند. در این دسته از مطالعات بیشترین بررسی انجام‌شده تأثیر عامل جمعیت بر قیمت اجاره مسکن و قیمت مسکن بوده است. همانند مطالعه‌ای که موسی و همکارن (2017) انجام دادند که با استفاده از ویژگی‌های فضایی و جغرافیایی مدلی را پیشنهاد می‌دهند که در آن مقدار جمعیت بر میزان اجاره‌بها مؤثر است. آنها نشان می‌دهند منطقی است مهاجران توسط هزینه‌های مسکن هدایت شوند؛ برای مثال، نقل مکان به مناطقی که قیمت‌ها و اجاره کمتری دارند موجب افزایش جمعیت در مناطقی می‌شود که دو عامل داشته باشند؛ نخست، میزان اجاره‌بهای کمتری داشته باشند که با افزایش جمعیت موجب افزایش اجاره می‌شود. دوم، شرایط درآمدی، بهداشت و تحصیلات در این مناطق نسبت به مناطق دیگر بهتر باشد. موسی و همکاران (2017) علاوه بر در نظر گرفتن عامل فضا، مدلی را ارائه دادند که متغیر مستقل جریان جمعیت در هر منطقه است؛ درحالی‌که ماتریس X شامل همه متغیرهای کنترلی دیگر است.

ماتریس نرمال فضایی، W، وابستگی متقابل فضایی ذات یک متغیر در یک منطقه جغرافیایی خاص بر اجاره مسکن در مناطق اطراف را نشان می‌دهد. ماتریس W، یک ماتریس مورب بلوکی است که آرایش واحدهای فضایی (همسایه‌ها) را توصیف می‌کند. متغیر مستقل جمعیت است؛ درحالی‌که ماتریس X شامل همه متغیرهای کنترلی دیگر است.  و  با برآوردهای اثر مستقیم جمعیت بر قیمت اجاره مسکن مطابقت دارند؛ درحالی‌که  و  پارامترهای برآورد اثر غیرمستقیم بر اجاره مسکن‌اند. متغیر وابسته تغییر سالانه در گزارش اجاره مسکن در هرمنطقه m در زمان t است. با در نظر گرفتن لگاریتم متغیر اجاره مسکن و به‌کارگیری روش‌های تابلویی، به کنترل عوامل ثابت زمان^[xxi] وهر منطقه خاص^[xxii] کمک می‌شود تا به‌طور همزمان بر جمعیت و سطح قیمت‌ها و اجاره مسکن تأثیر بگذارند و به حذف منبع بالقوه درون‌زایی^[xxiii] کمک کنند. پیس^[xxiv] و همکارن (2012) نشان می‌دهند ترکیبی از رگرسیون‌های همبسته و مشخصات SDM یک محیط مناسب برای بررسی روابط بین متغیرها فراهم می‌کند.

طبق مطالعه موسی و همکاران (2017) دربارة متغیرهای مستقل همان‌طور که انتظار می‌رود ممکن است مهاجرت تأثیر مثبتی بر اجاره مسکن داشته باشد، سناریوهای جایگزینی نیز وجود دارند. اگر مهاجران با کاهش دستمزدها بر بازار کار تأثیر بگذارند، تقاضای اجاره مسکن به‌دلیل تأثیر منفی درآمد ممکن است کاهش یابد. پس باید متغیرهایی که بر اجاره مسکن تأثیرگذارند، مانند ثروت، زمین، امکانات بهداشتی ،آموزشی نیز در برآورد گنجانده شوند.

بنابراین در مطالعه حاضر، متغیر چگالی جمعیت و متغیر شاخص توسعه انسانی (میانگین هندسی تشکیل‌شده از سه شاخص سلامتی، آموزش و سطح درآمد است و با توجه به گزارش ارائه‌شده در سال 2020 سازمان بهداشت جهانی محاسبه می‌شود [روش محاسبه در بخش معرفی متغیرها آمده است]) در مدل بررسی شده‌اند و به‌دلیل آنکه یک مترمربع از زمین شهری بسیار همگن‌تر از مسکن است و همچنین با توجه به دسترسی داده‌های آماری، در این مطالعه قیمت زمین برای بررسی استفاده شده است.

روش تحقیق

اقتصادسنجی فضایی زیرمجموعه‌ای از اقتصادسنجی است که اثرات فضایی متقابل بین مشاهدات جغرافیایی را بررسی می‌کند. این مشاهدات می‌توانند کدپستی، شهرها، شهرداری‌ها، مناطق، شهرستان‌ها، ایالت‌ها، حوزه‌های قضایی، کشورها و موارد دیگر با توجه به ماهیت مطالعه باشند. از مدل‌های اقتصادسنجی فضایی می‌توان برای توضیح رفتار آنها استفاده کرد (Elhorst, 2014: 8).

استفاده از داده‌های ترکیبی در مطالعات اقتصادی و فضایی امکانات وسیع‌تری را نسبت به مدل‌های صرفاً مقطعی یا سری زمانی در اختیار محققان قرار می‌دهد. ترکیب داده‌های مقطعی و سری زمانی باعث می‌شود، دامنه تغییرات افزایش یابد و هم‌خطی کمتر شود و همچنین استفاده از داده‌های مقطعی درجه آزادی را افزایش می‌دهد و بدین ترتیب کارایی را در برآورد افزایش می‌دهد (Belotti & Hughes, 2017: 147).

مطالعات منطقه‌ای با دو پدیده وابستگی فضایی و ناهمگنی فضایی روبه‌رو است که دو فرض سری زمانی یکی ثابت‌بودن متغیرهای توضیحی در نمونه‌گیری و دیگری وجود رابطه خطی انفرادی بین مشاهدات را نقض می‌کند؛ ازاین‌رو استفادة روش‌های متعارف اقتصادسنجی بر پایة گوس مارکف از مطالعات منطقه‌ای مناسب نیست. انسلین^[xxv] (1988) روش‌های گوناگونی بر پایة حداکثر درست‌نمایی (که در تخمین فضایی مدل‌های پانل استفاده می‌شود) را برای رفع مشکل پیشنهاد می‌کند که در این مطالعه نیز از همین روش استفاده خواهد شد.

روش پنل فضایی

رهیافت استاندارد در بیشتر تحلیل‌های فضایی این است که مدل‌سازی با یک رگرسیون خطی غیرفضایی شروع شود و سپس آزمون می‌شود که آیا این مدل اولیه نیاز به اثرات مقابل فضایی دارد یا خیر. این رهیافت با عنوان رهیافت خاص به عام شناخته می‌شود. مدل رگرسیون خطی غیرفضایی به فرم زیر است:

که در آن Y بردارN×1 است که شامل یک متغیر وابسته به‌ازای هر مشاهده در نمونه (N،...،i=1) است.  یک بردارN×1 با مقادیر واحد است و  یک پارامتر ثابت است که برآورد می‌شود. X یک ماتریس N×K از متغیرهای برون‌زا است و  یک بردار K×1 از پارامترهایی است که باید برآورد شود.  بردار جملات اخلال است که در آن  دارای توزیع مستقل وثابت با میانگین صفر و واریانس  است. از آنجا که مدل رگرسیون خطی معمولاً با روش حداقل مربعات معمولی برآورد می‌شود به نام مدل ols نام‌گذاری می‌شود.

رهیافت دیگر این است که با یک مدل کلی‌تر شامل همه مدل‌های ساده شروع می‌شود؛ به‌گونه ای‌که نشان‌دهندة تمامی فرضیه‌های اقتصادی مورد بررسی باشد. به‌طور کلی سه اثر متقابل برای توضیح وابستگی یک مشاهده به مشاهداتی در مکان‌های دیگر می‌تواند استفاده شود. اولین اثر، اثر متقابل درون‌زا است که در آن متغیر وابسته یک مشاهده (برای مثال، A) به متغیر وابسته مشاهده دیگر (برای مثال، B) بستگی دارد و برعکس. اثرات متقابل درون‌زا به‌طور معمول به‌عنوان تصریحی برای پیامد تعادلی یک فرآیند فضایی یا اجتماعی در نظر گرفته می‌شوند. در این تصریح مقدار متغیر وابسته به یک مشاهده براساس متغیر وابسته مشاهدات کناری تعیین می‌شود.

دومین اثر مربوط به اثرات متقابل برون‌زا است که در آن متغیر وابسته در یک مشاهده به متغیرهای توضیحی و مستقل سایر مشاهدات بستگی دارد (Elhorst & et al, 2010: 40).

اثر سوم، اثرات متقابل بین جملات خطا است؛ اثرات متقابل بین جملات خطا نیازی به مدل نظری برای مدل‌سازی فضایی یا اجتماعی ندارد؛ در عوض زمانی استفاده می‌شوند که عوامل مؤثر حذف‌شده بر متغیر وابسته دارای خودهمبستگی باشند. اثرات متقابل بین جملات خطا می‌توانند نشان‌دهندة مکانیسم اصلاح سیاست‌گذران رانتی برای تغییرات پیش‌بینی‌شدة سیاست مالی باشند (Elhorst, 2014: 33). یک مدل کامل با تمامی اثرات متقابل به فرم زیر است:

 که در آن،  اثر متقابل درون‌زا بین متغیرهای وابسته،  اثر متقابل برون‌زا بین متغیرهای مستقل و Wu اثرات متقابل بین جملات اخلال در مشاهدات مختلف را نشان می‌دهد. به این مدل مطرح‌شده در معادلات بالا مدل فضایی کامل^[xxvi] گفته می‌شود؛ زیرا شامل همه اثرات متقابل است. در این مدل  ضریب خودتوضیح فضایی و  ضریب خودهمبستگی فضایی است. همچنین  و  نشان‌دهندة دو بردار K×1 از پارامترهای ثابت اما نامعلوم‌اند که برآورد می‌شوند. W یک ماتریس N×N غیرمنفی است که چینش فضایی یا ترتیب مشاهدات موجود در نمونه را توصیف می‌کند.

شکل 3، یک خانواده از 9 مدل اقتصادسنجی را به‌طور خلاصه ارائه می‌کند. مدل ols در سمت راست معادله و GNS در سمت چپ نمودار قرار دارد. هریک از مدل‌های سمت راست GNS را می‌توان با اعمال قیدهایی روی یک یا چند پارامتر مدل GNS به دست آورد که در کنار فلش‌ها در نمودار نشان داده شده‌اند. این نمودار نشان می‌دهد مدل اقتصادسنجی فضایی وجود دارد که کمتر در مطالعات تجربی و اقتصادسنجی استفاده می‌شود.

شکل 3- خانواده مدل‌های اقتصادسنجی

بسیاری از مطالعات اقتصادسنجی فضایی با مدل‌های دوربین فضایی پیش می‌رود که با بیش از یک تعامل فضایی سروکار دارند و توسط لیسج و پیس^[xxvii] (2009) معرفی شدند. هر دو مدل SAR و SDM شامل وقفه‌هایی در متغیر وابسته و توضیحی‌اند که در این گروه جای می‌گیرند؛ همچنین انعطاف‌پذیری در جنبه‌های متفاوت وابستگی فضایی، توانایی بیشتر در نشان‌دادن اثرات مستقیم و غیرمستقیم متغیرهای توضیحی این مدل‌ها را در ارتباط با نتایج مطلوب نهایی جذاب‌تر می‌کند.

اثرات نهایی در مدل‌های دوربین فضایی

مدل دوربین فضایی به‌صورت زیر تعریف می‌شود:

که در آن  نشان‌دهندة ماتریس و  همبستگی فضایی متغیرها در مدل است. فرم خلاصه‌شدة SDM که دلالت بر پردازش و تولید داده دارد، به شکل زیر بیان می‌شود:

اثرات مستقیم (بازخورد) تخمین با  و اثرات غیرمستقیم (سرریز) با WX نشان داده می‌شوند و اثرات نهایی متغیرهای توضیحی جمع اثرات مستقیم (بازخورد) و غیرمستقیم (سرریز) تخمین‌ها است. با توجه به لیسج و پیس  (2009) مدل SDM نسبت به SEM و SAR برتری‌هایی دارد. این مدل تخمین‌هایی نااریب ارائه می‌دهد؛ حتی زمانی که مرحله تولید داده دارای خطای وقفه فضایی است. همچنین SDM هیچ محدودیت اولیه‌ای بر مقدار اثرات سرریز ندارد (Elhorst, 2014: 41).

با توجه به اینکه خواستگاه SAR و SEM مدل‌های SDM  است، الهورث (2010) نشان می‌دهد چطور می‌توان با اعمال محدودیت، اثرات نهایی برای مدل SEM و SAR به‌دست آورد. دربارة SEM ماتریس بالا ماتریسی با  β_kدر قطر اصلی خلاصه می‌شود؛ به‌عنوان نتیجه، اثرات نهایی بر k_th متغیر توضیحی برای مدل‌های فضاییβ_k  است؛ درحالی‌که در اثرات نهایی صفر خواهد بود. برای مدل وقفه‌های فضایی θ=0 است.

برای بررسی اثرات سرریز فضایی به یک ماتریس مجاورت نیاز است که ماتریس به ترتیبی با استفاده از نرم‌افزار جئودا^[xxviii] شکل گرفته است؛ به صورتی که برای استان‌های مجاور (دارای مرز مشترک) مقدار یک و برای استان‌های غیرمجاور، صفر در نظر گرفته می‌شود. پس یک ماتریس متقارن 31×31 با عناصر غیرصفر خارج از قطر اصلی و صفر روی قطر اصلی است. مجاورت‌ها به این صورت است که در مجاورت هر استان، برای استان‌هایی که یک طرف با رأس مشترک با استان مدنظر دارند، در ماتریس مورد بحث، عدد یک و مناطق دیگر صفر در نظر گرفته می‌شود. در این ماتریس استانداردسازی بر مبنای مجموع هریک از سطرهای ماتریس مجاورت صورت گرفته است؛ به‌طوری‌که مجموع درایه‌های هریک از سطرهای ماتریس مجاورت یک است.

معرفی متغیرها و داده‌های تحقیق

مدل ارائه‌شده در این مقاله، برای توسعه مطالعه موسی و همکاران (2017) به روش تخمین دوربین فضایی در بازه زمانی 1390 تا 1400 در 31 استان ایران است. متغیرهایی که در این مطالعه بررسی می‌شوند عبارت‌اند از:

rent اجاره مسکن (به قیمت پایه سال 1395)، denp چگالی جمعیت (جمعیت به مساحت استان)، price قیمت هر مترمربع زمین (به قیمت پایه سال 1395) و Hdi شاخص توسعه انسانی (ترکیبی از شاخص‌های سلامتی، آموزش و سطح درآمد) است. متغیرهایی که با توجه به گزارش 2020 سازمان بهداشت جهانی و در دسترس بودن داده‌های آماری ایران انتخاب شده‌اند عبارت‌اند از معکوس مرگ‌ومیر کودکان زیر 5 سال برای شاخص امید به زندگی، تحصیلات ابتدایی برای شاخص آموزش و تولید ناخالص داخلی برای شاخص درآمد. متغیرها در فرمول زیر در قالب یک میانگین هندسی قرار می‌گیرند و به‌عنوان متغیر نهایی شاخص توسعه انسانی استانی به کار می‌روند:

گفتنی است در مدل بررسی‌شده قیمت‌ها ثابت بوده و تمامی متغیرها به‌صورت لگاریتمی وارد شده‌اند.

یافته‌های تحقیق

قبل از انجام برآورد در مرحله اول از آزمون موران^[xxix] برای تشخیص خودهمبستگی فضایی استفاده می‌شود. همچنین برای برگزیدن یکی از مدل‌های فضایی در مرحله دوم آزمون‌های مربوطه بر مبنای طبقه‌بندی الهورث (2004) بین مدل‌های دوربین فضایی، خودرگرسیون فضایی و خطای فضایی انجام می‌شود. براساس نتایج ارائه‌شده در جدول 1، آزمون تشخیصی موران، والد و نسبت درست‌نمایی وجود همبستگی فضایی بین اجزای اخلال بین مدل‌های دوربین فضایی، خودرگرسیون فضایی و خطای فضایی انجام می‌شود. براساس نتایج ارائه‌شده در جدول 1، آزمون تشخیصی موران، والد و نسبت درست‌نمایی وجود همبستگی فضایی بین اجزای اخلال در مدل را تأیید می‌کند. نتایج حاصل از دو آزمون LM کلاسیک و LM Robust نیز نشان می‌دهند برازش مدل به‌صورت پنل فضایی نسبت به پنل معمولی بهتر است.

جدول 1- آزمون‌های تشخیصی

منبع: نتایج تحقیق

در جدول 2، نتیجه آزمون انتخاب از بین سه مدل SAR، SDM و SEM را نشان می‌دهد. با توجه به مطالعات برهام و اندسون^[xxx] (2004) از آنجا که قدرمطلق معیار اطلاعات بیزی (BIC) در مدل SDM کمتر از مدل SAR است، مدل SDM به‌عنوان مدل بهینه انتخاب می‌شود. می‌توان بیان کرد قیمت اجاره مسکن در استان‌های کشور اثرات همسایگی دارد و همچنین قیمت اجاره مسکن در هر استان تأثیرگرفته از سایر استان‌ها است. با توجه به دو آزمون بعد (تفاوت بین SAR و  SDMو تفاوت بین SEM و SDM) هر دو مدل وقفه فضایی و خطای فضایی به نفع دوربین فضایی رد می‌شوند. با توجه به نتیجه آزمون هاسمن که آماره معنی‌داری کمتر از پنج درصد است نیز مدل دوربین فضایی باید به روش اثرات ثابت انجام شود.

جدول 2- انتخاب مدل بهینه

منبع: نتایج تحقیق

جدول 3- نتایج اثرات سرریز و مستقیم تخمین پنل فضایی به روش اثرات ثابت

منبع: نتایج تحقیق

یافته‌های تحقیق حاضر نشان می‌دهند لگاریتم متغیر قیمت زمین مسکونی با ضریب 6856/0 اثر مثبت و معناداری بر لگاریتم اجاره‌بهای مسکن در استان‌های ایران دارد. با بالارفتن قیمت زمین مسکونی و بالارفتن مخارج ساخت مسکن، میزان اجاره‌بهای ساختمان‌های مسکونی ساخته‌شده نیز افزایش خواهند داشت. اثرات سرریز قیمت زمین نیز با ضریب 1976/0 تأثیر معنی‌داری داشته است. همان‌طور که در مطالعه ندهام (1981) و بوستیک و لانگ هوفر (2007) گفته شد، طبق تئوری نئوکلاسیک‌ها قیمت مسکن از هزینه‌های آن ازجمله زمین تشکیل شده است و بالارفتن هزینه‌های عرضه مسکن موجب افزایش قیمت اجاره و خرید مسکن می‌شود.

افزایش لگاریتم چگالی جمعیت با ضریب 0282/0 در هر استان بر لگاریتم اجاره‌بهای همان استان تأثیر مثبت دارد و با افزایش جمعیت و تقاضای مسکن در هر استان کشور به تبع آن نرخ اجاره نیز افزایش می‌یابد. این نتیجه با نتایج تحقیق موسی و همکارن (2017) در نمونه آماری استانی در ایران همسویی دارد؛ اما دربارة اثرات سرریز افزایش چگالی جمعیت در هر استان بر نرخ اجاره استان‌های مجاور تأثیر معنی‌داری ندارد؛ همان‌طور که سیز^[xxxi] (2007) مطرح می‌کند افزایش جمعیت غیربومی موجب افزایش اجاره‌بها می‌شود. با افزایش تعداد افراد نسبت به مساحت (چگالی جمعیت) در یک منطقه نیاز به تأمین مسکن و سرپناه افزایش می‌یابد. با بالارفتن جمعیت به‌خصوص خانواده‌های جوان که قدرت خرید زمین و ساخت مسکن را ندارند، به اجاره مسکن رو می‌آورند که این افزایش تقاضا موجبات افزایش اجاره‌بها را فراهم می‌کند (Baker & et al, 2022).

لگاریتم شاخص توسعه انسانی با ضریب 1567/0 در هر استان تأثیر مثبت و معناداری بر لگاریتم اجاره‌بهای مسکن دارد. همچنین سرریز آن با ضریب 1637/0 بر لگاریتم قیمت اجاره استان‌های مجاور تأثیر معنی‌داری دارد. هرچه شاخص توسعه انسانی استانی بالاتر باشد، به این معنی است که میزان درآمد افراد بالاتر، موقعیت تحصیل بالاتر و سطح بهداشت بالاتر است و آن منطقه سطح قابل قبول‌تری برای زندگی دارد. پس اجاره‌بهای بالاتری دارد و این عامل علاوه بر اینکه موجب افزایش اجاره‌بهادر هر استان می‌شود، استان‌های مجاور آن نیز اجاره‌بهای بالایی خواهند داشت که همانند مطالعه باسو و تیبودئو (1983) به وضوح در مناطق مختلف ایران مشاهده می‌شود.

نتیجه‌گیری

استفاده از اقتصادسنجی فضایی برای بررسی تحولات بازار اجاره مسکن می‌تواند نقایص اقتصادسنجی متعارف را بهبود دهد؛ بنابراین در این مقاله، با استفاده از یک مدل دوربین فضایی، تأثیر عامل قیمت زمین مسکونی بر قیمت اجاره‌بهای مسکن در ایران در دوره 1390 تا 1400 و با داده‌های 31 استان بررسی شد. درواقع، مدل دوربین فضایی می‌تواند به بررسی این موضوع کمک کند که آیا قیمت اجاره مسکن در یک منطقه خاص علاوه بر متغیرهای پایه‌ای مدل مربوط به آن منطقه تحت‌تأثیر تغییرات قیمت زمین مسکونی، چگالی جمعیت و شاخص توسعه انسانی در سایر مناطق قرار دارد.

نتایج برآورد مدل دوربین فضایی را می‌توان به‌صورت زیر خلاصه کرد:

قیمت زمین: اثرات مثبت و معناداری بر نرخ اجاره دارد و همچنین اثرات سرریز آن معنادار بوده است. افزایش قیمت زمین مسکونی و به دنبال آن افزایش قیمت مسکن موجب افزایش اجاره‌بها در استان‌های ایران می‌شود. به این معنا که افزایش قیمت زمین در یک استان بر میزان اجاره تأثیرگذار است و این افزایش قیمت زمین موجب افزایش میزان اجاره استان‌های مجاور آن شده است. با افزایش قیمت زمین مسکونی نرخ اجاره‌بهای مسکن در هر استان و همچنین استان‌های مجاور آن نیز افزایش داشته است.

چگالی جمعیت: اثرات مثبت و معناداری بر نرخ اجاره‌بها دارد. هر چقدر میزان چگالی جمعیت در یک منطقه افزایش یابد، تقاضا برای مسکن افزایش می‌یابد و با توجه به کاهش قدرت خرید، این افزایش تقاضا از بازار خرید و فروش مسکن به بازار اجاره مسکن می‌رود و موجبات افزایش اجاره را فراهم می‌کند. مناطقی که از لحاظ درآمدی، بهداشت و تحصیلات سطح مناسبی داشته باشند، شرایط رفاهی مناسبی برای ساکنان خواهد داشت. استانی که تولید ناخالص داخلی بالاتری دارد، نرخ اشتغال در آن استان نیز بیشتر است. درنهایت، می‌توان چنین گفت قیمت زمین مسکونی عامل افزایش قیمت اجاره‌بها در هر استان است. دربارة شاخص توسعه انسانی باید برای بررسی نرخ اجاه‌بها در هراستانی به شرایط استان‌های همجوار نیز توجه شود و نمی‌توان به برنامه‌ریزی محلی و منطقه‌ای اکتفا کرد؛ درنتیجه، تعاملات آموزشی بهداشتی و درآمدی نیز بر اجاره‌بهای هر منطقه و مناطق مجاور مؤثرند؛ ازاین‌رو، در نظر گرفتن عوامل فضایی فرصت مناسبی فراروی تصمیم‌گیرندگان فراهم می‌آورد. شاخص توسعه انسانی و سرریز ناشی از آن بر اجاره‌بهای مسکن، اثرات مثبت و معناداری دارد. اثرات سرریز نشان‌دهندة مؤثربودن مجاورت و اثرات فضایی‌اند.

پیشنهادات

افزایش قیمت اجاره‌بهای مسکن برای خانوارها، به‌خصوص خانوارهای جوان، از معضلات این روزهای جامعه ایران است که عده بسیاری از مردم با آن روبه‌رو هستند. با توجه به اینکه اجاره‌نشینی اولویت انتخاب هیچ خانواری نبوده است و به اجبار با آن روبه‌رو هستند و حق هر شهروند ایرانی داشتن مسکن مناسب است، باید دولت درصدد رفع این مشکل برآید و همچنین برای تشویق به ساخت‌وساز مسکن اجاره‌ای توجه ویژه‌ای به بانک‌های اعطاکنندة تسهیلات و متنوع‌سازی تأمین مالی در سمت عرضه و تقاضاکنندگان داشته باشد. کاهش واسطه‌ها در بازار اجاره و قانونمندسازی نرخ اجاره‌بهای مسکن می‌تواند تا حدودی به بهبود وضع موجود کمک کند.

[i] asset approach

[ii] Metropolitan Statistical Area  (MSA)

[iii] Fortura and Kushner

[iv] Rose

[v] Lot price

[vi] Manning

[vii] Michael J. Potepan

[viii] Basu and Thibodeau

[ix] Spatial Autoregressive Model  (SAR)

[x] spatial Durbin model  (SDM)

[xi] DiPasquale, D. & W. Wheaton

[xii] Poterba, J.

[xiii] Mankiw,

[xiv] Poterba, J.

[xv] Wheaton, W.

[xvi] Mankiw, G. & D. Wei

[xvii] Salo, S.

[xviii] Gallin, J

[xix] Goodman, A. & T. Thibodeau

[xx] WATKIN^S

[xxi] time-invariant

[xxii] area-specific

[xxiii] potential source of endogeneity

[xxiv] Pace et al

[xxv] Anselin, L

[xxvi] General Nesting Spatial Model (GNS)

[xxvii] LeSage, J.P. , Pace, R.K. ,

[xxviii] geoda

[xxix] moran

[xxx] Burnham, K. P., and D. R. Anderson

[xxxi] Saiz

مقدمه

مسکن از نیازهای اساسی انسان به‌ویژه در دوران معاصر است که بخش عمده‌ای از سبد کالای خانوار را تشکیل می‌دهد. با رشد شهرنشینی قیمت مسکن با افزایش سرسام‌آوری روبه‌رو شده است.

در کشور ایران نیز به‌خصوص در کلان‌شهرهای آن قیمت مسکن به دفعات افزایش داشته است. این افزایش قیمت به‌گونه‌ای است که بخش وسیعی از اقشار جامعه، به‌خصوص طبقات درآمدی پایین (که بیشتر خانوارهای جوان، مهاجران و کارگران موقت با دستمزدهای پایین، مدت زمان محدود اشتغال و قراردادهای موقت هستند) و قشر متوسط جامعه، برای اجاره مسکن مناسب با مشکلات جدی روبه‌رو شده‌اند.

 تمرکز فعالیت اقتصادی در مناطقی خاص مانند پایتخت، از دیگر عواملی است که به افزایش چشمگیر تقاضا در بازار اجاره مسکونی منجر شده است (Mussaa, 2017: 19)؛ اما به دنبال افزایش قیمت مسکن در یک استان، جمعیت ساکن در دهک‌های درآمدی پایین که توانایی خرید مسکن را از دست می‌دهند، ناچار به اجاره مسکن خواهند بود. همچنین ممکن است به‌دلیل افزایش قیمت زمین مسکونی و پایین‌تربودن نرخ اجاره‌بهای مسکن در استان‌های همجوار یا برخوردارتر از لحاظ امکانات شغلی، تحصیلی و رفاهی بیشتر، افراد به دنبال اجاره مسکن در استان‌های مجاور باشند؛ درنتیجه، اثرات سرریز افزایش قیمت زمین و جمعیت در هر استان بر استان‌های مجاور نیز می‌تواند تأثیرگذار باشد. در موقعیت مشابه پس از مدتی افراد غیربومی اجاره‌نشین بعد از یک دوره اجاره‌نشینی، توانایی خرید مسکن در محل سکونت جدید خود را دارند و با اضافه‌شدن افراد غیربومی جدید به ساکنان کم‌درآمد آن منطقه، تقاضای مازاد برای واحدهای مسکونی اجاره‌ای باعث افزایش قیمت اجاره‌بهای مسکن در آن منطقه می‌شوند و اثرات مختلفی بر بازار اجاره مسکن می‌گذارند.

با توجه به آنچه در بالا اشاره شد، طبق مطالعات مرکز آمار ایران، یک سوم جمعیت خانوارهای ایرانی را مستأجران تشکیل می‌دهند. براساس این آمار سهم مسکن در سبد خانوار ایرانی به 50 درصد رسیده است که با به‌روزشدن اطلاعات آماری پیش‌بینی می‌شود این سهم به بالاتر از 60 درصد نیز رسیده باشد و چنانچه راه‌حلی برای این موضوع اندیشیده نشود می‌تواند این مشکل به یکی از معضلات بزرگ در کشور تبدیل شود.

بین عوامل تأثیرگذار بر نرخ اجاره‌بهای مسکن، اثرات منطقه‌ای عاملی است که از دید پژوهشگران دور مانده است و همین موضوع ایده اصلی این مطالعه را تشکیل می‌دهد. به عبارت دیگر، اگر یک منطقه افزایش قیمت زمین بیشتری داشته باشد، مناطق مجاور این منطقه نیز نرخ اجاره‌بهای بالاتری را تجربه می‌کنند.

فرضیه اصلی در این تحقیق آن است که اثرات فضایی در افزایش اجاره‌بهای مسکن تأثیرگذار است؛ به‌گونه‌ای‌که افزایش قیمت اجاره‌بهای مسکن در یک استان، علاوه بر افزایش قیمت زمین در آن استان، از افزایش قیمت زمین در سایر استان‌ها و جمعیت، امکانات (بهداشت، تحصیل و اشتغال) آن استان و سرریز آن در استان‌های مجاور تأثیر می‌پذیرد. این موضوع با روش اقتصادسنجی فضایی در تحقیق حاضر برای داده‌های 31 استان ایران در بازه زمانی 1400-1390 بررسی و آزمون می‌شود.

این مطالعه در پنج بخش به دنبال بررسی اثرات مستقیم و سرریز قیمت زمین بر اجاره‌بهای مسکن در استان‌های ایران است. در بخش دوم، پیشینه تحقیق و چارچوب نظری بررسی شده است. بخش سوم به روش تحقیق پنل فضایی اختصاص دارد. در بخش چهارم یافته‌های تحقیق ناشی از برآورد تخمین بیان شده و در بخش پایانی نتیجه‌گیری ارائه شده است.

پیشینه تحقیق

قیمت زمین و اجاره مسکن ارتباط تنگاتنگی با یکدیگر دارند (Ricardo, 1911: 97). براساس نظریه اجاره ریکاردو تقاضا برای زمین از تقاضا برای مسکن ناشی می‌شود؛ بنابراین، اگر بازار کارآمد باشد، قیمت زمین در درجه اول توسط قیمت ملک تعیین می‌شود. در مقابل، تئوری اجاره نئوکلاسیک بیان می‌کند قیمت یک محصول توسط هزینه‌های آن تعیین می‌شود (Needham, 1981: 93). با توجه به اینکه هزینه‌های زمین جزء اصلی قیمت مسکن است، افزایش قیمت زمین باعث افزایش هزینه‌های عرضه مسکن در بلندمدت می‌شود (Bostic and Longhofer, 2007: 190) و درنتیجه، قیمت مسکن و اجاره مسکن را بالا می‌برد.

از سال 1982، تعدادی از مطالعات به دنبال توضیح تغییرات در قیمت مسکن، اجاره مسکن و ارزش زمین بوده‌اند. بیشتر این مطالعات تجربی از چارچوب عرضه و تقاضای ضمنی برای تجزیه و تحلیل بازار مسکن شهری (Ozanne & Thibodeau, 1983: 55; Manning, 1988: 10; Fortura & Kushner, 1986: 530; Rose, 1989: 329) استفاده کرده‌اند.

این نویسندگان به‌طور کلی معادلات قیمت را با استفاده از متغیرهای مستقلی همچون درآمد، جمعیت، رشد جمعیت، قیمت کالاهای دیگر، هزینه‌های ساخت‌وساز و مالیات تخمین زده‌اند و رویکرد مشترک این مطالعات چگونگی اثرات این متغیرها بین مناطق بر شرایط عرضه و تقاضای محلی باعث تفاوت قیمت و اجاره مسکن بوده است. این مطالعات به ساختار نظری زیربنایی بازارهای مسکن بی‌توجه بوده‌اند؛ برای مثال، هریک از آنها بر یک معیار قیمت در بازار مسکن شهری (قیمت فروش خانه، اجاره ماهانه یا قیمت زمین‌های خالی ساختمان) تمرکز کردند.

محققانی که از اصطلاح «رویکرد دارایی»^[i] برای قیمت‌گذاری زمین شهری استفاده می‌کنند (Capozza & Helsley, 1989: 299; Capozza & Schwann, 1989: 165)، با این موضوع تا حدودی متفاوت برخورد می‌کنند. تمرکز این مطالعات بر تعیین قیمت دارایی (زمین) از یک مدل مرکزی ساده در یک شهرِ درحال رشد بوده است؛ به این معنا که شهرهای درحال رشد، مهاجرت بین شهری را در پاسخ به تغییرات قیمت تجربه می‌کنند. مهاجرت از شهرهای گران‌قیمت به شهرهای ارزان‌قیمت بسیاری از تغییرات قیمت اولیه را در بلندمدت حذف می‌کند و به این علت در مقایسه با مدل‌های عرضه و تقاضا متغیرهای کمتری برای تعیین قیمت زمین در بلندمدت استفاده می‌کنند. در این مدل، سطح جمعیت و رشد جمعیت از اهمیت ویژه‌ای برخودارند؛ اما مطالعه تجربی رویکرد دارایی کاپوزا و شوان (1989) با نتایج تجربی متفاوتی روبه‌رو شد.

برای تمرکز و شناسایی برخی از روابط نظری، بررسی جزئیات بیشتر برخی از این مطالعات مفید است. اوزان و تیبودئو (1983) یک مدل نظری دقیق از روابط عرضه و تقاضا در یک بازار مسکن شهری را توسعه دادند. آنها در کار خود بازار مسکن مالکان را از بازار مسکن استیجاری جدا کردند و تصمیم گرفتند هرگونه توجهی به نحوة تأثیر اجاره‌بها بر قیمت‌ها و تأثیر قیمت‌ها بر اجاره‌بها را نادیده بگیرند و این نکته دقیقاً موردی است که در مقاله حاضر بر آن تأکید شده است. آنها قیمت مسکن و توابع اجاره مسکن را از داده‌های بررسی سالانه مسکن برای پنجاه و چهار منطقه آماری شهری ^[ii]از سال 1974 تا 1976 با استفاده از شاخص‌های هدانیک قیمت مسکن و اجاره‌بها (که تغییرات بین شهری در اندازه و کیفیت مسکن را کنترل می‌کردند) تخمین زدند. از آنجایی که در مدل آنها تقابلی بین قیمت زمین و اجاره مسکن در نظر گرفته نشده بود، آنها این معادلات را با استفاده از روش رگرسیون به‌ظاهر نامرتبط به جای یک روش معادله همزمان مانند حداقل مربعات دو مرحله‌ای برآورد کردند. برآوردهای ضرایب در تابع اجاره ازنظر علامت مورد انتظار و معناداری آماری عملکرد خوبی داشت؛ اما برآوردهای مربوط به تابع قیمت مسکن ضعیف عمل کرد؛ به‌ویژه اینکه نه سطح درآمد متوسط و نه سطح جمعیت خانوارها ازنظر آماری پیش‌بینی‌کنندة قیمت مسکن نبود. محدودیت‌های کاربری توپوگرافی نیز به نظر می‌رسد تأثیری بر قیمت مسکن نداشته باشند. فورتورا و کوشنر^[iii] (1986) تجزیه و تحلیل مشابهی را انجام دادند و یک تابع قیمت مسکن را از داده‌های سی منطقه شهری کانادا در سال 1981 تخمین زدند؛ اما با توجه به اینکه داده‌ای برای اجاره وجود نداشت، آنها نیز تخمین همزمان قیمت اجاره مسکن و قیمت مسکن انجام ندادند.

دو مطالعه دیگر، تغییرات بین شهری را در قیمت زمین شهری در مقایسه با قیمت مسکن در نظر گرفتند. این رویکرد به‌طور ضمنی تصدیق می‌کند ارزش زمین منعکس‌کنندة ارزش سرمایه‌ای اجاره‌بهای خدمات مسکن است که با استفاده از زمین برای مسکن به دست می‌آید. از آنجایی که یک مترمربع از زمین شهری بسیار همگن‌تر از مسکن است، این رویکرد از پرداختن به تفاوت‌های اندازه و کیفیت موجود در مسکن اجتناب می‌کند. این مطالعات مشابه همتایان خود در بازار مسکن بودند و از پرداختن به جنبه‌های نظری رابطه متقابل بین تعیین قیمت زمین، قیمت مسکن و اجاره غفلت کردند. رز^[iv] (1989) در نظر گرفت چگونه تفاوت در برخی از این عوامل ممکن است باعث تغییرات بین شهری در قیمت زمین شهری (زمین‌های توسعه‌یافته) شود. او تابع قیمت قوارهِ^[v] زمین را از داده‌های چهل منطقه آماری شهری در سال 1980 تخمین زد. نتایج نشان‌دهندة یک رابطه آماری معنی‌دار و مثبت بین قیمت زمین و سطح درآمد متوسط، سطح جمعیت و رشد اخیر جمعیت بودند. علاوه بر این، محدودیت‌های توپوگرافی و قانونی استفاده از زمین به‌عنوان عوامل آماری معنادار مؤثر بر قیمت‌های زمین بین مناطق شهری شناخته شدند. منینگ^[vi] (1988) با استفاده از داده‌های قیمت زمین مشابه رز برای نود و چهار منطقه آماری شهری در سال 1980، نتوانست ارتباط آماری معنی‌داری بین تبیین تغییرات بین شهری در قیمت مسکن یا درآمد متوسط یا جمعیت نشان دهد؛ با این حال، نتایج نشان‌دهندة ارتباط مثبتی بین قیمت‌های زمین و رشد جمعیت بود.

پس از آن، مایکل پوتپن^[vii] در سال 1996 در یک نظریه کامل‌تر از بازار مسکن بیان کرد مشخص نیست این غفلت از جزئیات نظری تا چه اندازه ممکن است بر برآوردهای تجربی تأثیر بگذارد و به‌طور کلی نتایج با توجه به متغیرهای کلیدی مانند درآمد متوسط و سطح جمعیت یا رشد جمعیت غیرقطعی بودند. نتایج حاصل از تحقیق او نشان می‌دهند تفاوت بین کلان‌شهرها در سطوح درآمد متوسط، جمعیت، هزینه‌های ساخت‌وساز، آب‌وهوا و کیفیت خدمات عمومی مهم‌ترین عوامل تبیین‌کنندة تفاوت بین شهری در قیمت مسکن، اجاره‌بهای مسکن و قیمت زمین هستند. باوجود کار کاملی که پوتپن انجام داد، میزان سرریز مناطق جغرافیایی و اثرات آنها بر اجاره‌بهای مسکن را بررسی نکرد.

باسو و تیبودو^[viii] (1998) در مدل خودرگرسیون فضایی عنوان می‌کنند قیمت زمین مسکونی، اجاره‌بهای مسکن و قیمت‌های مسکن ازنظر فضایی همبستگی خودکار دارند؛ زیرا ارزش‌های دارایی در یک محله معین متأثر از امکانات مکان مشترک است. امکانات مکانی مانند کیفیت اداره پلیس، ارزیابی مدارس دولتی، درصد جمعیت دارای مدرک دانشگاهی، در دسترس بودن مراکز خرید یا حمل‌ونقل ممکن است به‌طور کلی بر قیمت خانه در منطقه تأثیر بگذارد. درنهایت، موسی و همکاران در سال 2017، اثرات سریز فضایی قیمت زمین و جمعیت بر اجاره‌بهای مسکن را بررسی و نتایج مطالعه میزان جمعیت و قیمت زمین بر مناطق دیگر را تأیید کردند. آنها بیان می‌کنند روش‌های رگرسیون فضایی برای تخمین رابطه اقتصادی با فرایند تولید داده و وابستگی فضایی بین مشاهدات مفید هستند؛ برای مثال، ممکن است انتظار برود قیمت خانه در نیویورک همگی نسبتاً بالا باشد و وابستگی فضایی مثبت را نشان دهد؛ به‌طور مشابه، قیمت یک خانه در کالامازو احتمالاً مشابه قیمت‌های دیگر خانه در کالامازو است (و به‌طور چشمگیری کمتر از قیمت خانه‌های نیویورک). در این تنظیمات، وابستگی فضایی (به جای استقلال فضایی) رابطه یک مشاهده با مشاهده دیگر را بهتر توصیف می‌کند. آنان از دو مدل محبوبِ خودرگرسیون فضایی^[ix] و دوربین فضایی^[x] برای توضیح فرایندهای مختلف تولید داده استفاده کردند.

به‌طور خلاصه، دو نکته از نظرسنجی برجسته است. نخست، محققانی که این سؤال را در نظر می‌گیرند، تأکید کافی بر توسعه یک نظریه اساسی برای چگونگی ساختار بازار مسکن نداشته‌اند. با غفلت از انجام این کار، آنها فرصتی را برای به دست آوردن بینش تجربی بیشتر دربارة نحوه عملکرد بازار مسکن و اجاره از دست داده‌اند. دوم، این مطالعات نتایج تجربی غیرقطعی ارائه کرده‌اند و این اطمینان حاصل نشد که تا چه اندازه می‌توان تغییرات بین منطقه‌ای در قیمت مسکن، اجاره‌بهای مسکن و قیمت زمین را با عواملی که معمولاً ذکر می‌شوند، مانند تفاوت در سطح درآمد متوسط، سطح جمعیت، رشد اخیر جمعیت، محدودیت‌ها و امکانات آن منطقه توضیح داد.

مطالعات داخلی مرتبطی که در این زمینه انجام شده‌اند نیز شامل موارد زیر هستند:

صارمی و همکاران (1397) در مقاله‌ای با عنوان «تحلیل فضایی قیمت مسکن با استفاده از تکنیک رگرسیون موزون جغرافیایی مورد مطالعه: منطقه دو شهرداری تهران» با استفاده از اطلاعات ثبت‌شدة خرید و فروش مسکن آپارتمانی منطقه دو شهرداری تهران در بازه زمانی دو ماهه شهریور و مهر ماه 1396 و استفاده از دو تکنیک رگرسیون حداقل مربعات معمولی و رگرسیون وزنی جغرافیایی سعی در مدل‌سازی و تحلیل قیمت مسکن کرده‌اند. نتیجه نهایی نشان می‌دهد سطح زیربنا، فاصله واحد مسکونی تا مرکز شهر و بزرگراه‌های شهری بر قیمت مسکن تأثیر مثبت مستقیم دارند و هریک موجب افزایش قیمت مسکن شده‌اند.

طالبلو و همکاران (1396) در مقاله‌ای با عنوان «تحلیل انتشار فضایی تغییرات قیمت مسکن در استان‌های ایران؛ رهیافت اقتصادسنجی فضایی» با مقایسه الگوهای پانل فضایی پویا، بیان می‌کنند متغیرهای تأخیری قیمت مسکن و اثرات فضایی این متغیر سهم بالایی در تعیین قیمت مسکن نشان می‌دهند و اثرات فضایی متغیر مخارج خانوار نیز اثر معنی‌داری بر قیمت مسکن داشته‌اند.

 رهنما و همکاران (1394) در مقاله ای با عنوان «تحلیل توزیع فضایی قیمت مسکن در شهر مشهد» با استفاده از داده‌های نمونه‌ای در یک دوره 8 ماهه اول سال 1389و داده‌های نرم‌افزاری سامانه اطلاعات جغرافیایی، رابطه‌ای مثبت بین قیمت مسکن آپارتمانی و ویلایی در مناطق مختلف شهر مشهد و میزان درآمد نشان می‌دهند.

لواسانی و ورهرامی (1394) در مقاله خود با عنوان «تخمین بیزین تابع هدانیک آپارتمان‌های مسکونی در شمال شهر تهران» بیان می‌کنند در تخمین بیزین تابع هدانیک علاوه بر داده‌های موجود با واردکردن حدس و باورهای نخبگان با استفاده از توزیع پیشین توانسته‌اند تخمین بهتر و کاراتری ارائه دهند و با استفاده از قیمت فروش 546 آپارتمان فروخته‌شده در منطقه یک و در نظر گرفتن متغیرهایی ازجمله مساحت آپارتمان، عمر ساختمان، وجود پارکینگ و امکانات رفاهی ازجمله سونا و ... نشان می‌دهند با افزایش هر یک مترمربع به مساحت آپارتمان حدود 14 میلیون و 500 هزار تومان به قیمت آپارتمان افزوده می‌شود. همین‌طور نتایج نشان می‌دهند وجود امکانات رفاهی ازجمله سونا و ... در مجتمع‌های آپارتمانی موجب افزایشی حدود 420 میلیون تومان در قیمت شده است.

حاتمی (1395) در مقاله‌ای با عنوان «بررسی روند تغییرات متوسط قیمت و اجاره مسکن در شهر تهران» با مطالعه معاملات ثبت‌شده در سامانه اطلاعات املاک و مستغلات کشور در بخش فروش و مقایسه آمارها نشان می‌دهد در بخش اجاره ماهیانه بعلاوه 3 درصد ودیعه پرداختی برای اجاره یک مترمربع واحد مسکونی، با 40 درصد رشد، بیشترین رشد در تابستان 1390 تا تابستان 1391 و کمترین رشد نیز مربوط به تابستان 1392 تا تابستان 1393 با 3/8 درصد است. در پایان او با توجه به نتایج نشان می‌دهد هرگونه افزایش یا کاهش در قیمت فروش واحد مسکونی تأثیر مستقیم خود را در بخش اجاره مسکن نشان می‌دهد.

خلیلی عراقی و همکاران (1391) در مقاله خود با عنوان «بررسی عوامل مؤثر بر قیمت مسکن در ایران با استفاده از داده‌های ترکیبی»، در سمت عرضه و تقاضای مسکن با استفاده از اصول خرد مدل‌سازی انجام می‌دهند و اثر متغیرهای مخارج مصرفی خانوارها، تعداد خانوار، تسهیلات بانکی، قیمت زمین و هزینه ساخت بر قیمت مسکن را بررسی می‌کنند.

با توجه به آنچه بیان شد وجه تمایز این مطالعه با مطالعات پیشین در بررسی اثرات فضایی متغیرهای مؤثر بر نرخ اجاره در استان‌های ایران است که در پژوهش‌های قبلی کمتر بررسی شده‌اند.

در این رابطه مدل‌های فضایی با گنجاندن عوامل سرریز تأخیرهای فضایی قیمت زمین مسکونی، درآمد و چگالی جمعیت بر متغیر اجاره‌بهای مسکن درک کامل‌تری از روابط خطی بین متغیرها ارائه می‌دهد. براساس این، مهم‌ترین ویژگی‌ها و نوآوری‌های مقاله حاضر را می‌توان استفاده اقتصادسنجی فضایی برای داده‌های پنل، به‌منظور تبیین عامل مکان مؤثر بر اجاره و همچنین واردکردن متغیر قیمت زمین و شاخص توسعه انسانی بر مبانی پیشین و نظری برشمرد.

قیمت اجاره مسکن و زمین مسکونی در ایران

در سال‌های اخیر روند محسوسی در افزایش اجاره‌بها  (مسکن) وجود داشته است. آمار مستأجران در سال ۱۳۹۵ نسبت به سال ۱۳۹۰ با افزایش همراه است. در سال ۱۳۹۰ حدود 6/26 درصد از ایرانیان اجاره‌نشین بودند که این آمار در سرشماری ۱۳۹۵ با حدود ۴ درصد افزایش به 8/30 درصد رسیده است. براساس نتایج نشریه تحلیل تبیینی مرکز آمار ایران، شاخص‌های عمده جمعیتی نشان می‌دهند در سال ۱۳۹۵ درصد اجاره‌نشینی خانوارها در کشور درحال افزایش است. در سال ۱۳۹۵ از تعداد ۲۳ میلیون و ۵۸۰ هزار، ۲۲۱ خانوار معمولی و گروهی ساکن در واحدهای مسکونی معمولی کشور، 5/60 درصد از خانوارها مالک عرصه و اعیان (زمین و بنا) بوده‌اند و 8/30 درصد خانوارها اجاره‌نشین بوده‌اند. در سال ۱۳۹۰ از تعداد ۲۱ میلیون و ۴۹ هزار، ۹۳۴ خانوار معمولی و گروهی ساکن در واحدهای مسکونی معمولی کشور، 7/62 درصد از خانوارها مالک عرصه و اعیان (زمین و بنا) بوده‌اند و 6/26 درصد خانوارها اجاره‌نشین بوده‌اند (مرکز آمار ایران: 1399: 23).

طبق آخرین گزارش ارائه‌شدة مرکز آمار ایران، متوسط قیمت اجاره‌بهای هر مترمربع واحد مسکونی از سال 1390 تا 1400 همواره روندی افزایشی داشته است؛ به‌طوری‌که در سال 1390 با یک افزایش تقریبا 38/1  برابری از 60682 ریال به قیمت ثابت سال 1395برای هر مترمربع به 83911 ریال در سال 1400 رسید. بیشترین افزایش قیمت در سال 1399 بوده است که نسبت به سال قبل از آن افزایش 3/1 برابری داشته است

شکل 1- اجاره‌بهای واقعی یک مترمربع واحد مسکونی برحسب استان‌های کشور به قیمت پایه 1395 (ریال)

شکل 2- متوسط قیمت فروش یک مترمربع زیربنای مسکونی استان‌های کشور به قیمت پایه 1395 (هزار ریال)

در سال1400 میانگین بیشترین متوسط اجاره‌بهای واقعی یک مترمربع واحد مسکونی 329735 ریال در استان تهران و کمترین آن 36966 ریال متعلق به استان یزد بوده است. در سال‌های 1399-1390 بیشترین متوسط اجاره‌بهای یک مترمربع واحد مسکونی واقعی در استان تهران به‌ترتیب 227353، 231514، 225666، 211765، 210722، 222263، 240780، 257782، 285447 و 313238 ریال و کمترین آن در استان ایلام به‌ترتیب 30127 ، 28936، 28749، 27407، 26522، 26970، 27195، 26335 و 31773 ریال بوده است.

متوسط قیمت واقعی زمین مسکونی همواره روندی رو به افزایش داشته است؛ به‌طوری‌که از سال 1390 از 12545 هزار ریال به 32106 هزار ریال در سال 1400 رسیده است که تقریباً افزایشی 55/2 برابری را تجربه کرده است. بیشترین افزایش در سال 1399بوده است که نسبت به قیمت سال قبل از آن 6/1 برابر افزایش را نشان می‌دهد.

طی سال‌های 1390 تا1400 در میان استان‌های کشور، بیش‌ترین متوسط قیمت برای هر مترمربع زمین مسکونی معامله‌شده استان تهران به‌ترتیب 42532، 48696، 51493، 46270، 43931، 43441، 47500، 66730، 88934، 129903 و 128269 بوده است؛ همچنین کمترین آن مربوط به استان کهگیلویه و بویراحمد به‌ترتیب 4498، 4726، 4676، 3850، 3439، 3280، 3163، 3115، 4096، 6516 و 7401 هزار ریال بوده است. در بازه زمانی 1393 تا 1396 کاهش قیمت واقعی زمین مسکونی نسبت به دوره قبل آن به‌دلیل رکود در این بخش بوده است؛ به صورتی که شاخص‌های عملکردی بخش ساختمان و مسکن طی سال 1393 با کاهش همراه بود. این روند مؤید حاکم‌شدن شرایط رکودی و کاهش تمایل بخش خصوصی برای سرمایه‌گذاری در بخش ساختمان و مسکن در سال مذکور است. براساس برآوردهای بانک مرکزی از حساب‌های ملی، ارزش افزوده نسبت به سال قبل آن 4/0 کاهش نشان داد؛ اما از سال 1396 به دنبال رشد آمار عملکرد صدور پروانه‌های ساختمانی به‌عنوان شاخص استقبال بخش خصوصی از فعالیت‌های ساختمانی، وضعیت شاخص‌های ساخت‌وساز و سرمایه‌گذاری در بخش ساختمان پس از گذشت چهار سال با افزایش عملکرد همراه شد (خلاصه تحولات بانک مرکزی، 1393، 1396).

چارچوب نظری

مطالعات حوزه مسکن آنگونه که دی پاسکال و ویتون^[xi] (1994) انجام دادند نشان می‌دهد در طول زمان بررسی بازار مسکن به تدریج از بررسی سرمایه‌گذاری در بخش مسکن به سمت بررسی صاحب خانه شدن، آثار قیمت مسکن و دریافت اعتبار مسکن پیش رفته است. از اوایل دهه 1980 مطالعات جدید دیگری به‌طور صریح‌تر هزینه‌های مسکن در دوران زندگی را بررسی کردند؛ مانند آنچه در مطالعات پاتریا^[xii] (1984) و منکیو^[xiii] (1989) انجام شد. از آندورتن به بعد رویکرد دیگری در زمینة قیمت در مسکن ایجاد شد که هدف اصلی آن تقاضا برای مسکن بود. از یک‌سو این تقاضا برای دریافت اعتبار به‌منظور ساخت مسکن و تهیه اقلام آن مانند زمین و خرید آن بود و از رویکردی دیگر به میزان اثرگذاری متغیرهای اقتصادی جمعیتی، اجتماعی، درآمدی، اجاره، ساختار جمعیت و ... بر انتخاب مصرف‌کنندگان شایان توجه قرار گرفت. در مطالعات مختلفی ازجمله پاتریا^[xiv] (1984)، ویتون^[xv] (1985)، منیکو و یل^[xvi] (1989)، سالو^[xvii] (1994)، گالین^[xviii] (2006)، باسو و تیبودئو (1983) و گودمن وتیبودئو^[xix] (2008) بر این رویکرد تأکید شده است. در این میان، مطالعاتی نیز انجام شد که هدف آنها بررسی تقاضای مصرفی مسکن بود. این مطالعات نیز به دو رویکرد تبدیل شدند؛ رویکردی که تقاضای مسکن اجاره‌ای را ازطریق تابع هدانیک انجام دادند و در آن فقط بیشتر ویژگی‌های مسکن ازجمله تعداد اتاق خواب، استخر، امکانات رفاهی مسکن اجاره‌ای و ... را بررسی کردند و از سویی دیگر برخی مطالعات مانند واتکینز^[xx] (2001) در بررسی تحقیق دربارة تقسیم‌بندی بازار مسکن دریافتند تقسیم ساختاری براساس ویژگی‌های فضایی و منطقه جغرافیایی رایج‌ترین روش‌های استفاده‌شده هستند. واتکینز استدلال کرد بهترین راه برای شناسایی بازارهای فرعی مسکن این است که این معیار در تخمین‌ها در نظر گرفته شود. لحاظ‌کردن عامل جغرافیایی و روش‌های رگرسیون فضایی برای تخمین روابط اقتصادی که با فرایند تولید داده با وابستگی فضایی بین مشاهدات مشخص می‌شوند، بسیار مفید هستند؛ برای مثال، چنانچه قیمت زمین مسکونی در یک کلان‌شهر همگی بالا باشد، این انتظار وجود دارد در کلان‌شهر دیگر نیز قیمت‌ها همگی بالا باشند. روش‌های مختلفی وجود دارند که وابستگی فضایی ممکن است خود را نشان دهد و مدل‌های اقتصادسنجی مختلفی برای توضیح فرایندهای مختلف تولید داده پیشنهاد شده‌اند. در این دسته از مطالعات بیشترین بررسی انجام‌شده تأثیر عامل جمعیت بر قیمت اجاره مسکن و قیمت مسکن بوده است. همانند مطالعه‌ای که موسی و همکارن (2017) انجام دادند که با استفاده از ویژگی‌های فضایی و جغرافیایی مدلی را پیشنهاد می‌دهند که در آن مقدار جمعیت بر میزان اجاره‌بها مؤثر است. آنها نشان می‌دهند منطقی است مهاجران توسط هزینه‌های مسکن هدایت شوند؛ برای مثال، نقل مکان به مناطقی که قیمت‌ها و اجاره کمتری دارند موجب افزایش جمعیت در مناطقی می‌شود که دو عامل داشته باشند؛ نخست، میزان اجاره‌بهای کمتری داشته باشند که با افزایش جمعیت موجب افزایش اجاره می‌شود. دوم، شرایط درآمدی، بهداشت و تحصیلات در این مناطق نسبت به مناطق دیگر بهتر باشد. موسی و همکاران (2017) علاوه بر در نظر گرفتن عامل فضا، مدلی را ارائه دادند که متغیر مستقل جریان جمعیت در هر منطقه است؛ درحالی‌که ماتریس X شامل همه متغیرهای کنترلی دیگر است.

ماتریس نرمال فضایی، W، وابستگی متقابل فضایی ذات یک متغیر در یک منطقه جغرافیایی خاص بر اجاره مسکن در مناطق اطراف را نشان می‌دهد. ماتریس W، یک ماتریس مورب بلوکی است که آرایش واحدهای فضایی (همسایه‌ها) را توصیف می‌کند. متغیر مستقل جمعیت است؛ درحالی‌که ماتریس X شامل همه متغیرهای کنترلی دیگر است.  و  با برآوردهای اثر مستقیم جمعیت بر قیمت اجاره مسکن مطابقت دارند؛ درحالی‌که  و  پارامترهای برآورد اثر غیرمستقیم بر اجاره مسکن‌اند. متغیر وابسته تغییر سالانه در گزارش اجاره مسکن در هرمنطقه m در زمان t است. با در نظر گرفتن لگاریتم متغیر اجاره مسکن و به‌کارگیری روش‌های تابلویی، به کنترل عوامل ثابت زمان^[xxi] وهر منطقه خاص^[xxii] کمک می‌شود تا به‌طور همزمان بر جمعیت و سطح قیمت‌ها و اجاره مسکن تأثیر بگذارند و به حذف منبع بالقوه درون‌زایی^[xxiii] کمک کنند. پیس^[xxiv] و همکارن (2012) نشان می‌دهند ترکیبی از رگرسیون‌های همبسته و مشخصات SDM یک محیط مناسب برای بررسی روابط بین متغیرها فراهم می‌کند.

طبق مطالعه موسی و همکاران (2017) دربارة متغیرهای مستقل همان‌طور که انتظار می‌رود ممکن است مهاجرت تأثیر مثبتی بر اجاره مسکن داشته باشد، سناریوهای جایگزینی نیز وجود دارند. اگر مهاجران با کاهش دستمزدها بر بازار کار تأثیر بگذارند، تقاضای اجاره مسکن به‌دلیل تأثیر منفی درآمد ممکن است کاهش یابد. پس باید متغیرهایی که بر اجاره مسکن تأثیرگذارند، مانند ثروت، زمین، امکانات بهداشتی ،آموزشی نیز در برآورد گنجانده شوند.

بنابراین در مطالعه حاضر، متغیر چگالی جمعیت و متغیر شاخص توسعه انسانی (میانگین هندسی تشکیل‌شده از سه شاخص سلامتی، آموزش و سطح درآمد است و با توجه به گزارش ارائه‌شده در سال 2020 سازمان بهداشت جهانی محاسبه می‌شود [روش محاسبه در بخش معرفی متغیرها آمده است]) در مدل بررسی شده‌اند و به‌دلیل آنکه یک مترمربع از زمین شهری بسیار همگن‌تر از مسکن است و همچنین با توجه به دسترسی داده‌های آماری، در این مطالعه قیمت زمین برای بررسی استفاده شده است.

روش تحقیق

اقتصادسنجی فضایی زیرمجموعه‌ای از اقتصادسنجی است که اثرات فضایی متقابل بین مشاهدات جغرافیایی را بررسی می‌کند. این مشاهدات می‌توانند کدپستی، شهرها، شهرداری‌ها، مناطق، شهرستان‌ها، ایالت‌ها، حوزه‌های قضایی، کشورها و موارد دیگر با توجه به ماهیت مطالعه باشند. از مدل‌های اقتصادسنجی فضایی می‌توان برای توضیح رفتار آنها استفاده کرد (Elhorst, 2014: 8).

استفاده از داده‌های ترکیبی در مطالعات اقتصادی و فضایی امکانات وسیع‌تری را نسبت به مدل‌های صرفاً مقطعی یا سری زمانی در اختیار محققان قرار می‌دهد. ترکیب داده‌های مقطعی و سری زمانی باعث می‌شود، دامنه تغییرات افزایش یابد و هم‌خطی کمتر شود و همچنین استفاده از داده‌های مقطعی درجه آزادی را افزایش می‌دهد و بدین ترتیب کارایی را در برآورد افزایش می‌دهد (Belotti & Hughes, 2017: 147).

مطالعات منطقه‌ای با دو پدیده وابستگی فضایی و ناهمگنی فضایی روبه‌رو است که دو فرض سری زمانی یکی ثابت‌بودن متغیرهای توضیحی در نمونه‌گیری و دیگری وجود رابطه خطی انفرادی بین مشاهدات را نقض می‌کند؛ ازاین‌رو استفادة روش‌های متعارف اقتصادسنجی بر پایة گوس مارکف از مطالعات منطقه‌ای مناسب نیست. انسلین^[xxv] (1988) روش‌های گوناگونی بر پایة حداکثر درست‌نمایی (که در تخمین فضایی مدل‌های پانل استفاده می‌شود) را برای رفع مشکل پیشنهاد می‌کند که در این مطالعه نیز از همین روش استفاده خواهد شد.

روش پنل فضایی

رهیافت استاندارد در بیشتر تحلیل‌های فضایی این است که مدل‌سازی با یک رگرسیون خطی غیرفضایی شروع شود و سپس آزمون می‌شود که آیا این مدل اولیه نیاز به اثرات مقابل فضایی دارد یا خیر. این رهیافت با عنوان رهیافت خاص به عام شناخته می‌شود. مدل رگرسیون خطی غیرفضایی به فرم زیر است:

که در آن Y بردارN×1 است که شامل یک متغیر وابسته به‌ازای هر مشاهده در نمونه (N،...،i=1) است.  یک بردارN×1 با مقادیر واحد است و  یک پارامتر ثابت است که برآورد می‌شود. X یک ماتریس N×K از متغیرهای برون‌زا است و  یک بردار K×1 از پارامترهایی است که باید برآورد شود.  بردار جملات اخلال است که در آن  دارای توزیع مستقل وثابت با میانگین صفر و واریانس  است. از آنجا که مدل رگرسیون خطی معمولاً با روش حداقل مربعات معمولی برآورد می‌شود به نام مدل ols نام‌گذاری می‌شود.

رهیافت دیگر این است که با یک مدل کلی‌تر شامل همه مدل‌های ساده شروع می‌شود؛ به‌گونه ای‌که نشان‌دهندة تمامی فرضیه‌های اقتصادی مورد بررسی باشد. به‌طور کلی سه اثر متقابل برای توضیح وابستگی یک مشاهده به مشاهداتی در مکان‌های دیگر می‌تواند استفاده شود. اولین اثر، اثر متقابل درون‌زا است که در آن متغیر وابسته یک مشاهده (برای مثال، A) به متغیر وابسته مشاهده دیگر (برای مثال، B) بستگی دارد و برعکس. اثرات متقابل درون‌زا به‌طور معمول به‌عنوان تصریحی برای پیامد تعادلی یک فرآیند فضایی یا اجتماعی در نظر گرفته می‌شوند. در این تصریح مقدار متغیر وابسته به یک مشاهده براساس متغیر وابسته مشاهدات کناری تعیین می‌شود.

دومین اثر مربوط به اثرات متقابل برون‌زا است که در آن متغیر وابسته در یک مشاهده به متغیرهای توضیحی و مستقل سایر مشاهدات بستگی دارد (Elhorst & et al, 2010: 40).

اثر سوم، اثرات متقابل بین جملات خطا است؛ اثرات متقابل بین جملات خطا نیازی به مدل نظری برای مدل‌سازی فضایی یا اجتماعی ندارد؛ در عوض زمانی استفاده می‌شوند که عوامل مؤثر حذف‌شده بر متغیر وابسته دارای خودهمبستگی باشند. اثرات متقابل بین جملات خطا می‌توانند نشان‌دهندة مکانیسم اصلاح سیاست‌گذران رانتی برای تغییرات پیش‌بینی‌شدة سیاست مالی باشند (Elhorst, 2014: 33). یک مدل کامل با تمامی اثرات متقابل به فرم زیر است:

 که در آن،  اثر متقابل درون‌زا بین متغیرهای وابسته،  اثر متقابل برون‌زا بین متغیرهای مستقل و Wu اثرات متقابل بین جملات اخلال در مشاهدات مختلف را نشان می‌دهد. به این مدل مطرح‌شده در معادلات بالا مدل فضایی کامل^[xxvi] گفته می‌شود؛ زیرا شامل همه اثرات متقابل است. در این مدل  ضریب خودتوضیح فضایی و  ضریب خودهمبستگی فضایی است. همچنین  و  نشان‌دهندة دو بردار K×1 از پارامترهای ثابت اما نامعلوم‌اند که برآورد می‌شوند. W یک ماتریس N×N غیرمنفی است که چینش فضایی یا ترتیب مشاهدات موجود در نمونه را توصیف می‌کند.

شکل 3، یک خانواده از 9 مدل اقتصادسنجی را به‌طور خلاصه ارائه می‌کند. مدل ols در سمت راست معادله و GNS در سمت چپ نمودار قرار دارد. هریک از مدل‌های سمت راست GNS را می‌توان با اعمال قیدهایی روی یک یا چند پارامتر مدل GNS به دست آورد که در کنار فلش‌ها در نمودار نشان داده شده‌اند. این نمودار نشان می‌دهد مدل اقتصادسنجی فضایی وجود دارد که کمتر در مطالعات تجربی و اقتصادسنجی استفاده می‌شود.

شکل 3- خانواده مدل‌های اقتصادسنجی

بسیاری از مطالعات اقتصادسنجی فضایی با مدل‌های دوربین فضایی پیش می‌رود که با بیش از یک تعامل فضایی سروکار دارند و توسط لیسج و پیس^[xxvii] (2009) معرفی شدند. هر دو مدل SAR و SDM شامل وقفه‌هایی در متغیر وابسته و توضیحی‌اند که در این گروه جای می‌گیرند؛ همچنین انعطاف‌پذیری در جنبه‌های متفاوت وابستگی فضایی، توانایی بیشتر در نشان‌دادن اثرات مستقیم و غیرمستقیم متغیرهای توضیحی این مدل‌ها را در ارتباط با نتایج مطلوب نهایی جذاب‌تر می‌کند.

اثرات نهایی در مدل‌های دوربین فضایی

مدل دوربین فضایی به‌صورت زیر تعریف می‌شود:

که در آن  نشان‌دهندة ماتریس و  همبستگی فضایی متغیرها در مدل است. فرم خلاصه‌شدة SDM که دلالت بر پردازش و تولید داده دارد، به شکل زیر بیان می‌شود:

اثرات مستقیم (بازخورد) تخمین با  و اثرات غیرمستقیم (سرریز) با WX نشان داده می‌شوند و اثرات نهایی متغیرهای توضیحی جمع اثرات مستقیم (بازخورد) و غیرمستقیم (سرریز) تخمین‌ها است. با توجه به لیسج و پیس  (2009) مدل SDM نسبت به SEM و SAR برتری‌هایی دارد. این مدل تخمین‌هایی نااریب ارائه می‌دهد؛ حتی زمانی که مرحله تولید داده دارای خطای وقفه فضایی است. همچنین SDM هیچ محدودیت اولیه‌ای بر مقدار اثرات سرریز ندارد (Elhorst, 2014: 41).

با توجه به اینکه خواستگاه SAR و SEM مدل‌های SDM  است، الهورث (2010) نشان می‌دهد چطور می‌توان با اعمال محدودیت، اثرات نهایی برای مدل SEM و SAR به‌دست آورد. دربارة SEM ماتریس بالا ماتریسی با  β_kدر قطر اصلی خلاصه می‌شود؛ به‌عنوان نتیجه، اثرات نهایی بر k_th متغیر توضیحی برای مدل‌های فضاییβ_k  است؛ درحالی‌که در اثرات نهایی صفر خواهد بود. برای مدل وقفه‌های فضایی θ=0 است.

برای بررسی اثرات سرریز فضایی به یک ماتریس مجاورت نیاز است که ماتریس به ترتیبی با استفاده از نرم‌افزار جئودا^[xxviii] شکل گرفته است؛ به صورتی که برای استان‌های مجاور (دارای مرز مشترک) مقدار یک و برای استان‌های غیرمجاور، صفر در نظر گرفته می‌شود. پس یک ماتریس متقارن 31×31 با عناصر غیرصفر خارج از قطر اصلی و صفر روی قطر اصلی است. مجاورت‌ها به این صورت است که در مجاورت هر استان، برای استان‌هایی که یک طرف با رأس مشترک با استان مدنظر دارند، در ماتریس مورد بحث، عدد یک و مناطق دیگر صفر در نظر گرفته می‌شود. در این ماتریس استانداردسازی بر مبنای مجموع هریک از سطرهای ماتریس مجاورت صورت گرفته است؛ به‌طوری‌که مجموع درایه‌های هریک از سطرهای ماتریس مجاورت یک است.

معرفی متغیرها و داده‌های تحقیق

مدل ارائه‌شده در این مقاله، برای توسعه مطالعه موسی و همکاران (2017) به روش تخمین دوربین فضایی در بازه زمانی 1390 تا 1400 در 31 استان ایران است. متغیرهایی که در این مطالعه بررسی می‌شوند عبارت‌اند از:

rent اجاره مسکن (به قیمت پایه سال 1395)، denp چگالی جمعیت (جمعیت به مساحت استان)، price قیمت هر مترمربع زمین (به قیمت پایه سال 1395) و Hdi شاخص توسعه انسانی (ترکیبی از شاخص‌های سلامتی، آموزش و سطح درآمد) است. متغیرهایی که با توجه به گزارش 2020 سازمان بهداشت جهانی و در دسترس بودن داده‌های آماری ایران انتخاب شده‌اند عبارت‌اند از معکوس مرگ‌ومیر کودکان زیر 5 سال برای شاخص امید به زندگی، تحصیلات ابتدایی برای شاخص آموزش و تولید ناخالص داخلی برای شاخص درآمد. متغیرها در فرمول زیر در قالب یک میانگین هندسی قرار می‌گیرند و به‌عنوان متغیر نهایی شاخص توسعه انسانی استانی به کار می‌روند:

گفتنی است در مدل بررسی‌شده قیمت‌ها ثابت بوده و تمامی متغیرها به‌صورت لگاریتمی وارد شده‌اند.

یافته‌های تحقیق

قبل از انجام برآورد در مرحله اول از آزمون موران^[xxix] برای تشخیص خودهمبستگی فضایی استفاده می‌شود. همچنین برای برگزیدن یکی از مدل‌های فضایی در مرحله دوم آزمون‌های مربوطه بر مبنای طبقه‌بندی الهورث (2004) بین مدل‌های دوربین فضایی، خودرگرسیون فضایی و خطای فضایی انجام می‌شود. براساس نتایج ارائه‌شده در جدول 1، آزمون تشخیصی موران، والد و نسبت درست‌نمایی وجود همبستگی فضایی بین اجزای اخلال بین مدل‌های دوربین فضایی، خودرگرسیون فضایی و خطای فضایی انجام می‌شود. براساس نتایج ارائه‌شده در جدول 1، آزمون تشخیصی موران، والد و نسبت درست‌نمایی وجود همبستگی فضایی بین اجزای اخلال در مدل را تأیید می‌کند. نتایج حاصل از دو آزمون LM کلاسیک و LM Robust نیز نشان می‌دهند برازش مدل به‌صورت پنل فضایی نسبت به پنل معمولی بهتر است.

جدول 1- آزمون‌های تشخیصی

منبع: نتایج تحقیق

در جدول 2، نتیجه آزمون انتخاب از بین سه مدل SAR، SDM و SEM را نشان می‌دهد. با توجه به مطالعات برهام و اندسون^[xxx] (2004) از آنجا که قدرمطلق معیار اطلاعات بیزی (BIC) در مدل SDM کمتر از مدل SAR است، مدل SDM به‌عنوان مدل بهینه انتخاب می‌شود. می‌توان بیان کرد قیمت اجاره مسکن در استان‌های کشور اثرات همسایگی دارد و همچنین قیمت اجاره مسکن در هر استان تأثیرگرفته از سایر استان‌ها است. با توجه به دو آزمون بعد (تفاوت بین SAR و  SDMو تفاوت بین SEM و SDM) هر دو مدل وقفه فضایی و خطای فضایی به نفع دوربین فضایی رد می‌شوند. با توجه به نتیجه آزمون هاسمن که آماره معنی‌داری کمتر از پنج درصد است نیز مدل دوربین فضایی باید به روش اثرات ثابت انجام شود.

جدول 2- انتخاب مدل بهینه

منبع: نتایج تحقیق

جدول 3- نتایج اثرات سرریز و مستقیم تخمین پنل فضایی به روش اثرات ثابت

منبع: نتایج تحقیق

یافته‌های تحقیق حاضر نشان می‌دهند لگاریتم متغیر قیمت زمین مسکونی با ضریب 6856/0 اثر مثبت و معناداری بر لگاریتم اجاره‌بهای مسکن در استان‌های ایران دارد. با بالارفتن قیمت زمین مسکونی و بالارفتن مخارج ساخت مسکن، میزان اجاره‌بهای ساختمان‌های مسکونی ساخته‌شده نیز افزایش خواهند داشت. اثرات سرریز قیمت زمین نیز با ضریب 1976/0 تأثیر معنی‌داری داشته است. همان‌طور که در مطالعه ندهام (1981) و بوستیک و لانگ هوفر (2007) گفته شد، طبق تئوری نئوکلاسیک‌ها قیمت مسکن از هزینه‌های آن ازجمله زمین تشکیل شده است و بالارفتن هزینه‌های عرضه مسکن موجب افزایش قیمت اجاره و خرید مسکن می‌شود.

افزایش لگاریتم چگالی جمعیت با ضریب 0282/0 در هر استان بر لگاریتم اجاره‌بهای همان استان تأثیر مثبت دارد و با افزایش جمعیت و تقاضای مسکن در هر استان کشور به تبع آن نرخ اجاره نیز افزایش می‌یابد. این نتیجه با نتایج تحقیق موسی و همکارن (2017) در نمونه آماری استانی در ایران همسویی دارد؛ اما دربارة اثرات سرریز افزایش چگالی جمعیت در هر استان بر نرخ اجاره استان‌های مجاور تأثیر معنی‌داری ندارد؛ همان‌طور که سیز^[xxxi] (2007) مطرح می‌کند افزایش جمعیت غیربومی موجب افزایش اجاره‌بها می‌شود. با افزایش تعداد افراد نسبت به مساحت (چگالی جمعیت) در یک منطقه نیاز به تأمین مسکن و سرپناه افزایش می‌یابد. با بالارفتن جمعیت به‌خصوص خانواده‌های جوان که قدرت خرید زمین و ساخت مسکن را ندارند، به اجاره مسکن رو می‌آورند که این افزایش تقاضا موجبات افزایش اجاره‌بها را فراهم می‌کند (Baker & et al, 2022).

لگاریتم شاخص توسعه انسانی با ضریب 1567/0 در هر استان تأثیر مثبت و معناداری بر لگاریتم اجاره‌بهای مسکن دارد. همچنین سرریز آن با ضریب 1637/0 بر لگاریتم قیمت اجاره استان‌های مجاور تأثیر معنی‌داری دارد. هرچه شاخص توسعه انسانی استانی بالاتر باشد، به این معنی است که میزان درآمد افراد بالاتر، موقعیت تحصیل بالاتر و سطح بهداشت بالاتر است و آن منطقه سطح قابل قبول‌تری برای زندگی دارد. پس اجاره‌بهای بالاتری دارد و این عامل علاوه بر اینکه موجب افزایش اجاره‌بهادر هر استان می‌شود، استان‌های مجاور آن نیز اجاره‌بهای بالایی خواهند داشت که همانند مطالعه باسو و تیبودئو (1983) به وضوح در مناطق مختلف ایران مشاهده می‌شود.

نتیجه‌گیری

استفاده از اقتصادسنجی فضایی برای بررسی تحولات بازار اجاره مسکن می‌تواند نقایص اقتصادسنجی متعارف را بهبود دهد؛ بنابراین در این مقاله، با استفاده از یک مدل دوربین فضایی، تأثیر عامل قیمت زمین مسکونی بر قیمت اجاره‌بهای مسکن در ایران در دوره 1390 تا 1400 و با داده‌های 31 استان بررسی شد. درواقع، مدل دوربین فضایی می‌تواند به بررسی این موضوع کمک کند که آیا قیمت اجاره مسکن در یک منطقه خاص علاوه بر متغیرهای پایه‌ای مدل مربوط به آن منطقه تحت‌تأثیر تغییرات قیمت زمین مسکونی، چگالی جمعیت و شاخص توسعه انسانی در سایر مناطق قرار دارد.

نتایج برآورد مدل دوربین فضایی را می‌توان به‌صورت زیر خلاصه کرد:

قیمت زمین: اثرات مثبت و معناداری بر نرخ اجاره دارد و همچنین اثرات سرریز آن معنادار بوده است. افزایش قیمت زمین مسکونی و به دنبال آن افزایش قیمت مسکن موجب افزایش اجاره‌بها در استان‌های ایران می‌شود. به این معنا که افزایش قیمت زمین در یک استان بر میزان اجاره تأثیرگذار است و این افزایش قیمت زمین موجب افزایش میزان اجاره استان‌های مجاور آن شده است. با افزایش قیمت زمین مسکونی نرخ اجاره‌بهای مسکن در هر استان و همچنین استان‌های مجاور آن نیز افزایش داشته است.

چگالی جمعیت: اثرات مثبت و معناداری بر نرخ اجاره‌بها دارد. هر چقدر میزان چگالی جمعیت در یک منطقه افزایش یابد، تقاضا برای مسکن افزایش می‌یابد و با توجه به کاهش قدرت خرید، این افزایش تقاضا از بازار خرید و فروش مسکن به بازار اجاره مسکن می‌رود و موجبات افزایش اجاره را فراهم می‌کند. مناطقی که از لحاظ درآمدی، بهداشت و تحصیلات سطح مناسبی داشته باشند، شرایط رفاهی مناسبی برای ساکنان خواهد داشت. استانی که تولید ناخالص داخلی بالاتری دارد، نرخ اشتغال در آن استان نیز بیشتر است. درنهایت، می‌توان چنین گفت قیمت زمین مسکونی عامل افزایش قیمت اجاره‌بها در هر استان است. دربارة شاخص توسعه انسانی باید برای بررسی نرخ اجاه‌بها در هراستانی به شرایط استان‌های همجوار نیز توجه شود و نمی‌توان به برنامه‌ریزی محلی و منطقه‌ای اکتفا کرد؛ درنتیجه، تعاملات آموزشی بهداشتی و درآمدی نیز بر اجاره‌بهای هر منطقه و مناطق مجاور مؤثرند؛ ازاین‌رو، در نظر گرفتن عوامل فضایی فرصت مناسبی فراروی تصمیم‌گیرندگان فراهم می‌آورد. شاخص توسعه انسانی و سرریز ناشی از آن بر اجاره‌بهای مسکن، اثرات مثبت و معناداری دارد. اثرات سرریز نشان‌دهندة مؤثربودن مجاورت و اثرات فضایی‌اند.

پیشنهادات

افزایش قیمت اجاره‌بهای مسکن برای خانوارها، به‌خصوص خانوارهای جوان، از معضلات این روزهای جامعه ایران است که عده بسیاری از مردم با آن روبه‌رو هستند. با توجه به اینکه اجاره‌نشینی اولویت انتخاب هیچ خانواری نبوده است و به اجبار با آن روبه‌رو هستند و حق هر شهروند ایرانی داشتن مسکن مناسب است، باید دولت درصدد رفع این مشکل برآید و همچنین برای تشویق به ساخت‌وساز مسکن اجاره‌ای توجه ویژه‌ای به بانک‌های اعطاکنندة تسهیلات و متنوع‌سازی تأمین مالی در سمت عرضه و تقاضاکنندگان داشته باشد. کاهش واسطه‌ها در بازار اجاره و قانونمندسازی نرخ اجاره‌بهای مسکن می‌تواند تا حدودی به بهبود وضع موجود کمک کند.

[i] asset approach

[ii] Metropolitan Statistical Area  (MSA)

[iii] Fortura and Kushner

[iv] Rose

[v] Lot price

[vi] Manning

[vii] Michael J. Potepan

[viii] Basu and Thibodeau

[ix] Spatial Autoregressive Model  (SAR)

[x] spatial Durbin model  (SDM)

[xi] DiPasquale, D. & W. Wheaton

[xii] Poterba, J.

[xiii] Mankiw,

[xiv] Poterba, J.

[xv] Wheaton, W.

[xvi] Mankiw, G. & D. Wei

[xvii] Salo, S.

[xviii] Gallin, J

[xix] Goodman, A. & T. Thibodeau

[xx] WATKIN^S

[xxi] time-invariant

[xxii] area-specific

[xxiii] potential source of endogeneity

[xxiv] Pace et al

[xxv] Anselin, L

[xxvi] General Nesting Spatial Model (GNS)

[xxvii] LeSage, J.P. , Pace, R.K. ,

[xxviii] geoda

[xxix] moran

[xxx] Burnham, K. P., and D. R. Anderson

[xxxi] Saiz

مقدمه

مسکن از نیازهای اساسی انسان به‌ویژه در دوران معاصر است که بخش عمده‌ای از سبد کالای خانوار را تشکیل می‌دهد. با رشد شهرنشینی قیمت مسکن با افزایش سرسام‌آوری روبه‌رو شده است.

در کشور ایران نیز به‌خصوص در کلان‌شهرهای آن قیمت مسکن به دفعات افزایش داشته است. این افزایش قیمت به‌گونه‌ای است که بخش وسیعی از اقشار جامعه، به‌خصوص طبقات درآمدی پایین (که بیشتر خانوارهای جوان، مهاجران و کارگران موقت با دستمزدهای پایین، مدت زمان محدود اشتغال و قراردادهای موقت هستند) و قشر متوسط جامعه، برای اجاره مسکن مناسب با مشکلات جدی روبه‌رو شده‌اند.

 تمرکز فعالیت اقتصادی در مناطقی خاص مانند پایتخت، از دیگر عواملی است که به افزایش چشمگیر تقاضا در بازار اجاره مسکونی منجر شده است (Mussaa, 2017: 19)؛ اما به دنبال افزایش قیمت مسکن در یک استان، جمعیت ساکن در دهک‌های درآمدی پایین که توانایی خرید مسکن را از دست می‌دهند، ناچار به اجاره مسکن خواهند بود. همچنین ممکن است به‌دلیل افزایش قیمت زمین مسکونی و پایین‌تربودن نرخ اجاره‌بهای مسکن در استان‌های همجوار یا برخوردارتر از لحاظ امکانات شغلی، تحصیلی و رفاهی بیشتر، افراد به دنبال اجاره مسکن در استان‌های مجاور باشند؛ درنتیجه، اثرات سرریز افزایش قیمت زمین و جمعیت در هر استان بر استان‌های مجاور نیز می‌تواند تأثیرگذار باشد. در موقعیت مشابه پس از مدتی افراد غیربومی اجاره‌نشین بعد از یک دوره اجاره‌نشینی، توانایی خرید مسکن در محل سکونت جدید خود را دارند و با اضافه‌شدن افراد غیربومی جدید به ساکنان کم‌درآمد آن منطقه، تقاضای مازاد برای واحدهای مسکونی اجاره‌ای باعث افزایش قیمت اجاره‌بهای مسکن در آن منطقه می‌شوند و اثرات مختلفی بر بازار اجاره مسکن می‌گذارند.

با توجه به آنچه در بالا اشاره شد، طبق مطالعات مرکز آمار ایران، یک سوم جمعیت خانوارهای ایرانی را مستأجران تشکیل می‌دهند. براساس این آمار سهم مسکن در سبد خانوار ایرانی به 50 درصد رسیده است که با به‌روزشدن اطلاعات آماری پیش‌بینی می‌شود این سهم به بالاتر از 60 درصد نیز رسیده باشد و چنانچه راه‌حلی برای این موضوع اندیشیده نشود می‌تواند این مشکل به یکی از معضلات بزرگ در کشور تبدیل شود.

بین عوامل تأثیرگذار بر نرخ اجاره‌بهای مسکن، اثرات منطقه‌ای عاملی است که از دید پژوهشگران دور مانده است و همین موضوع ایده اصلی این مطالعه را تشکیل می‌دهد. به عبارت دیگر، اگر یک منطقه افزایش قیمت زمین بیشتری داشته باشد، مناطق مجاور این منطقه نیز نرخ اجاره‌بهای بالاتری را تجربه می‌کنند.

فرضیه اصلی در این تحقیق آن است که اثرات فضایی در افزایش اجاره‌بهای مسکن تأثیرگذار است؛ به‌گونه‌ای‌که افزایش قیمت اجاره‌بهای مسکن در یک استان، علاوه بر افزایش قیمت زمین در آن استان، از افزایش قیمت زمین در سایر استان‌ها و جمعیت، امکانات (بهداشت، تحصیل و اشتغال) آن استان و سرریز آن در استان‌های مجاور تأثیر می‌پذیرد. این موضوع با روش اقتصادسنجی فضایی در تحقیق حاضر برای داده‌های 31 استان ایران در بازه زمانی 1400-1390 بررسی و آزمون می‌شود.

این مطالعه در پنج بخش به دنبال بررسی اثرات مستقیم و سرریز قیمت زمین بر اجاره‌بهای مسکن در استان‌های ایران است. در بخش دوم، پیشینه تحقیق و چارچوب نظری بررسی شده است. بخش سوم به روش تحقیق پنل فضایی اختصاص دارد. در بخش چهارم یافته‌های تحقیق ناشی از برآورد تخمین بیان شده و در بخش پایانی نتیجه‌گیری ارائه شده است.

پیشینه تحقیق

قیمت زمین و اجاره مسکن ارتباط تنگاتنگی با یکدیگر دارند (Ricardo, 1911: 97). براساس نظریه اجاره ریکاردو تقاضا برای زمین از تقاضا برای مسکن ناشی می‌شود؛ بنابراین، اگر بازار کارآمد باشد، قیمت زمین در درجه اول توسط قیمت ملک تعیین می‌شود. در مقابل، تئوری اجاره نئوکلاسیک بیان می‌کند قیمت یک محصول توسط هزینه‌های آن تعیین می‌شود (Needham, 1981: 93). با توجه به اینکه هزینه‌های زمین جزء اصلی قیمت مسکن است، افزایش قیمت زمین باعث افزایش هزینه‌های عرضه مسکن در بلندمدت می‌شود (Bostic and Longhofer, 2007: 190) و درنتیجه، قیمت مسکن و اجاره مسکن را بالا می‌برد.

از سال 1982، تعدادی از مطالعات به دنبال توضیح تغییرات در قیمت مسکن، اجاره مسکن و ارزش زمین بوده‌اند. بیشتر این مطالعات تجربی از چارچوب عرضه و تقاضای ضمنی برای تجزیه و تحلیل بازار مسکن شهری (Ozanne & Thibodeau, 1983: 55; Manning, 1988: 10; Fortura & Kushner, 1986: 530; Rose, 1989: 329) استفاده کرده‌اند.

این نویسندگان به‌طور کلی معادلات قیمت را با استفاده از متغیرهای مستقلی همچون درآمد، جمعیت، رشد جمعیت، قیمت کالاهای دیگر، هزینه‌های ساخت‌وساز و مالیات تخمین زده‌اند و رویکرد مشترک این مطالعات چگونگی اثرات این متغیرها بین مناطق بر شرایط عرضه و تقاضای محلی باعث تفاوت قیمت و اجاره مسکن بوده است. این مطالعات به ساختار نظری زیربنایی بازارهای مسکن بی‌توجه بوده‌اند؛ برای مثال، هریک از آنها بر یک معیار قیمت در بازار مسکن شهری (قیمت فروش خانه، اجاره ماهانه یا قیمت زمین‌های خالی ساختمان) تمرکز کردند.

محققانی که از اصطلاح «رویکرد دارایی»^[i] برای قیمت‌گذاری زمین شهری استفاده می‌کنند (Capozza & Helsley, 1989: 299; Capozza & Schwann, 1989: 165)، با این موضوع تا حدودی متفاوت برخورد می‌کنند. تمرکز این مطالعات بر تعیین قیمت دارایی (زمین) از یک مدل مرکزی ساده در یک شهرِ درحال رشد بوده است؛ به این معنا که شهرهای درحال رشد، مهاجرت بین شهری را در پاسخ به تغییرات قیمت تجربه می‌کنند. مهاجرت از شهرهای گران‌قیمت به شهرهای ارزان‌قیمت بسیاری از تغییرات قیمت اولیه را در بلندمدت حذف می‌کند و به این علت در مقایسه با مدل‌های عرضه و تقاضا متغیرهای کمتری برای تعیین قیمت زمین در بلندمدت استفاده می‌کنند. در این مدل، سطح جمعیت و رشد جمعیت از اهمیت ویژه‌ای برخودارند؛ اما مطالعه تجربی رویکرد دارایی کاپوزا و شوان (1989) با نتایج تجربی متفاوتی روبه‌رو شد.

برای تمرکز و شناسایی برخی از روابط نظری، بررسی جزئیات بیشتر برخی از این مطالعات مفید است. اوزان و تیبودئو (1983) یک مدل نظری دقیق از روابط عرضه و تقاضا در یک بازار مسکن شهری را توسعه دادند. آنها در کار خود بازار مسکن مالکان را از بازار مسکن استیجاری جدا کردند و تصمیم گرفتند هرگونه توجهی به نحوة تأثیر اجاره‌بها بر قیمت‌ها و تأثیر قیمت‌ها بر اجاره‌بها را نادیده بگیرند و این نکته دقیقاً موردی است که در مقاله حاضر بر آن تأکید شده است. آنها قیمت مسکن و توابع اجاره مسکن را از داده‌های بررسی سالانه مسکن برای پنجاه و چهار منطقه آماری شهری ^[ii]از سال 1974 تا 1976 با استفاده از شاخص‌های هدانیک قیمت مسکن و اجاره‌بها (که تغییرات بین شهری در اندازه و کیفیت مسکن را کنترل می‌کردند) تخمین زدند. از آنجایی که در مدل آنها تقابلی بین قیمت زمین و اجاره مسکن در نظر گرفته نشده بود، آنها این معادلات را با استفاده از روش رگرسیون به‌ظاهر نامرتبط به جای یک روش معادله همزمان مانند حداقل مربعات دو مرحله‌ای برآورد کردند. برآوردهای ضرایب در تابع اجاره ازنظر علامت مورد انتظار و معناداری آماری عملکرد خوبی داشت؛ اما برآوردهای مربوط به تابع قیمت مسکن ضعیف عمل کرد؛ به‌ویژه اینکه نه سطح درآمد متوسط و نه سطح جمعیت خانوارها ازنظر آماری پیش‌بینی‌کنندة قیمت مسکن نبود. محدودیت‌های کاربری توپوگرافی نیز به نظر می‌رسد تأثیری بر قیمت مسکن نداشته باشند. فورتورا و کوشنر^[iii] (1986) تجزیه و تحلیل مشابهی را انجام دادند و یک تابع قیمت مسکن را از داده‌های سی منطقه شهری کانادا در سال 1981 تخمین زدند؛ اما با توجه به اینکه داده‌ای برای اجاره وجود نداشت، آنها نیز تخمین همزمان قیمت اجاره مسکن و قیمت مسکن انجام ندادند.

دو مطالعه دیگر، تغییرات بین شهری را در قیمت زمین شهری در مقایسه با قیمت مسکن در نظر گرفتند. این رویکرد به‌طور ضمنی تصدیق می‌کند ارزش زمین منعکس‌کنندة ارزش سرمایه‌ای اجاره‌بهای خدمات مسکن است که با استفاده از زمین برای مسکن به دست می‌آید. از آنجایی که یک مترمربع از زمین شهری بسیار همگن‌تر از مسکن است، این رویکرد از پرداختن به تفاوت‌های اندازه و کیفیت موجود در مسکن اجتناب می‌کند. این مطالعات مشابه همتایان خود در بازار مسکن بودند و از پرداختن به جنبه‌های نظری رابطه متقابل بین تعیین قیمت زمین، قیمت مسکن و اجاره غفلت کردند. رز^[iv] (1989) در نظر گرفت چگونه تفاوت در برخی از این عوامل ممکن است باعث تغییرات بین شهری در قیمت زمین شهری (زمین‌های توسعه‌یافته) شود. او تابع قیمت قوارهِ^[v] زمین را از داده‌های چهل منطقه آماری شهری در سال 1980 تخمین زد. نتایج نشان‌دهندة یک رابطه آماری معنی‌دار و مثبت بین قیمت زمین و سطح درآمد متوسط، سطح جمعیت و رشد اخیر جمعیت بودند. علاوه بر این، محدودیت‌های توپوگرافی و قانونی استفاده از زمین به‌عنوان عوامل آماری معنادار مؤثر بر قیمت‌های زمین بین مناطق شهری شناخته شدند. منینگ^[vi] (1988) با استفاده از داده‌های قیمت زمین مشابه رز برای نود و چهار منطقه آماری شهری در سال 1980، نتوانست ارتباط آماری معنی‌داری بین تبیین تغییرات بین شهری در قیمت مسکن یا درآمد متوسط یا جمعیت نشان دهد؛ با این حال، نتایج نشان‌دهندة ارتباط مثبتی بین قیمت‌های زمین و رشد جمعیت بود.

پس از آن، مایکل پوتپن^[vii] در سال 1996 در یک نظریه کامل‌تر از بازار مسکن بیان کرد مشخص نیست این غفلت از جزئیات نظری تا چه اندازه ممکن است بر برآوردهای تجربی تأثیر بگذارد و به‌طور کلی نتایج با توجه به متغیرهای کلیدی مانند درآمد متوسط و سطح جمعیت یا رشد جمعیت غیرقطعی بودند. نتایج حاصل از تحقیق او نشان می‌دهند تفاوت بین کلان‌شهرها در سطوح درآمد متوسط، جمعیت، هزینه‌های ساخت‌وساز، آب‌وهوا و کیفیت خدمات عمومی مهم‌ترین عوامل تبیین‌کنندة تفاوت بین شهری در قیمت مسکن، اجاره‌بهای مسکن و قیمت زمین هستند. باوجود کار کاملی که پوتپن انجام داد، میزان سرریز مناطق جغرافیایی و اثرات آنها بر اجاره‌بهای مسکن را بررسی نکرد.

باسو و تیبودو^[viii] (1998) در مدل خودرگرسیون فضایی عنوان می‌کنند قیمت زمین مسکونی، اجاره‌بهای مسکن و قیمت‌های مسکن ازنظر فضایی همبستگی خودکار دارند؛ زیرا ارزش‌های دارایی در یک محله معین متأثر از امکانات مکان مشترک است. امکانات مکانی مانند کیفیت اداره پلیس، ارزیابی مدارس دولتی، درصد جمعیت دارای مدرک دانشگاهی، در دسترس بودن مراکز خرید یا حمل‌ونقل ممکن است به‌طور کلی بر قیمت خانه در منطقه تأثیر بگذارد. درنهایت، موسی و همکاران در سال 2017، اثرات سریز فضایی قیمت زمین و جمعیت بر اجاره‌بهای مسکن را بررسی و نتایج مطالعه میزان جمعیت و قیمت زمین بر مناطق دیگر را تأیید کردند. آنها بیان می‌کنند روش‌های رگرسیون فضایی برای تخمین رابطه اقتصادی با فرایند تولید داده و وابستگی فضایی بین مشاهدات مفید هستند؛ برای مثال، ممکن است انتظار برود قیمت خانه در نیویورک همگی نسبتاً بالا باشد و وابستگی فضایی مثبت را نشان دهد؛ به‌طور مشابه، قیمت یک خانه در کالامازو احتمالاً مشابه قیمت‌های دیگر خانه در کالامازو است (و به‌طور چشمگیری کمتر از قیمت خانه‌های نیویورک). در این تنظیمات، وابستگی فضایی (به جای استقلال فضایی) رابطه یک مشاهده با مشاهده دیگر را بهتر توصیف می‌کند. آنان از دو مدل محبوبِ خودرگرسیون فضایی^[ix] و دوربین فضایی^[x] برای توضیح فرایندهای مختلف تولید داده استفاده کردند.

به‌طور خلاصه، دو نکته از نظرسنجی برجسته است. نخست، محققانی که این سؤال را در نظر می‌گیرند، تأکید کافی بر توسعه یک نظریه اساسی برای چگونگی ساختار بازار مسکن نداشته‌اند. با غفلت از انجام این کار، آنها فرصتی را برای به دست آوردن بینش تجربی بیشتر دربارة نحوه عملکرد بازار مسکن و اجاره از دست داده‌اند. دوم، این مطالعات نتایج تجربی غیرقطعی ارائه کرده‌اند و این اطمینان حاصل نشد که تا چه اندازه می‌توان تغییرات بین منطقه‌ای در قیمت مسکن، اجاره‌بهای مسکن و قیمت زمین را با عواملی که معمولاً ذکر می‌شوند، مانند تفاوت در سطح درآمد متوسط، سطح جمعیت، رشد اخیر جمعیت، محدودیت‌ها و امکانات آن منطقه توضیح داد.

مطالعات داخلی مرتبطی که در این زمینه انجام شده‌اند نیز شامل موارد زیر هستند:

صارمی و همکاران (1397) در مقاله‌ای با عنوان «تحلیل فضایی قیمت مسکن با استفاده از تکنیک رگرسیون موزون جغرافیایی مورد مطالعه: منطقه دو شهرداری تهران» با استفاده از اطلاعات ثبت‌شدة خرید و فروش مسکن آپارتمانی منطقه دو شهرداری تهران در بازه زمانی دو ماهه شهریور و مهر ماه 1396 و استفاده از دو تکنیک رگرسیون حداقل مربعات معمولی و رگرسیون وزنی جغرافیایی سعی در مدل‌سازی و تحلیل قیمت مسکن کرده‌اند. نتیجه نهایی نشان می‌دهد سطح زیربنا، فاصله واحد مسکونی تا مرکز شهر و بزرگراه‌های شهری بر قیمت مسکن تأثیر مثبت مستقیم دارند و هریک موجب افزایش قیمت مسکن شده‌اند.

طالبلو و همکاران (1396) در مقاله‌ای با عنوان «تحلیل انتشار فضایی تغییرات قیمت مسکن در استان‌های ایران؛ رهیافت اقتصادسنجی فضایی» با مقایسه الگوهای پانل فضایی پویا، بیان می‌کنند متغیرهای تأخیری قیمت مسکن و اثرات فضایی این متغیر سهم بالایی در تعیین قیمت مسکن نشان می‌دهند و اثرات فضایی متغیر مخارج خانوار نیز اثر معنی‌داری بر قیمت مسکن داشته‌اند.

 رهنما و همکاران (1394) در مقاله ای با عنوان «تحلیل توزیع فضایی قیمت مسکن در شهر مشهد» با استفاده از داده‌های نمونه‌ای در یک دوره 8 ماهه اول سال 1389و داده‌های نرم‌افزاری سامانه اطلاعات جغرافیایی، رابطه‌ای مثبت بین قیمت مسکن آپارتمانی و ویلایی در مناطق مختلف شهر مشهد و میزان درآمد نشان می‌دهند.

لواسانی و ورهرامی (1394) در مقاله خود با عنوان «تخمین بیزین تابع هدانیک آپارتمان‌های مسکونی در شمال شهر تهران» بیان می‌کنند در تخمین بیزین تابع هدانیک علاوه بر داده‌های موجود با واردکردن حدس و باورهای نخبگان با استفاده از توزیع پیشین توانسته‌اند تخمین بهتر و کاراتری ارائه دهند و با استفاده از قیمت فروش 546 آپارتمان فروخته‌شده در منطقه یک و در نظر گرفتن متغیرهایی ازجمله مساحت آپارتمان، عمر ساختمان، وجود پارکینگ و امکانات رفاهی ازجمله سونا و ... نشان می‌دهند با افزایش هر یک مترمربع به مساحت آپارتمان حدود 14 میلیون و 500 هزار تومان به قیمت آپارتمان افزوده می‌شود. همین‌طور نتایج نشان می‌دهند وجود امکانات رفاهی ازجمله سونا و ... در مجتمع‌های آپارتمانی موجب افزایشی حدود 420 میلیون تومان در قیمت شده است.

حاتمی (1395) در مقاله‌ای با عنوان «بررسی روند تغییرات متوسط قیمت و اجاره مسکن در شهر تهران» با مطالعه معاملات ثبت‌شده در سامانه اطلاعات املاک و مستغلات کشور در بخش فروش و مقایسه آمارها نشان می‌دهد در بخش اجاره ماهیانه بعلاوه 3 درصد ودیعه پرداختی برای اجاره یک مترمربع واحد مسکونی، با 40 درصد رشد، بیشترین رشد در تابستان 1390 تا تابستان 1391 و کمترین رشد نیز مربوط به تابستان 1392 تا تابستان 1393 با 3/8 درصد است. در پایان او با توجه به نتایج نشان می‌دهد هرگونه افزایش یا کاهش در قیمت فروش واحد مسکونی تأثیر مستقیم خود را در بخش اجاره مسکن نشان می‌دهد.

خلیلی عراقی و همکاران (1391) در مقاله خود با عنوان «بررسی عوامل مؤثر بر قیمت مسکن در ایران با استفاده از داده‌های ترکیبی»، در سمت عرضه و تقاضای مسکن با استفاده از اصول خرد مدل‌سازی انجام می‌دهند و اثر متغیرهای مخارج مصرفی خانوارها، تعداد خانوار، تسهیلات بانکی، قیمت زمین و هزینه ساخت بر قیمت مسکن را بررسی می‌کنند.

با توجه به آنچه بیان شد وجه تمایز این مطالعه با مطالعات پیشین در بررسی اثرات فضایی متغیرهای مؤثر بر نرخ اجاره در استان‌های ایران است که در پژوهش‌های قبلی کمتر بررسی شده‌اند.

در این رابطه مدل‌های فضایی با گنجاندن عوامل سرریز تأخیرهای فضایی قیمت زمین مسکونی، درآمد و چگالی جمعیت بر متغیر اجاره‌بهای مسکن درک کامل‌تری از روابط خطی بین متغیرها ارائه می‌دهد. براساس این، مهم‌ترین ویژگی‌ها و نوآوری‌های مقاله حاضر را می‌توان استفاده اقتصادسنجی فضایی برای داده‌های پنل، به‌منظور تبیین عامل مکان مؤثر بر اجاره و همچنین واردکردن متغیر قیمت زمین و شاخص توسعه انسانی بر مبانی پیشین و نظری برشمرد.

قیمت اجاره مسکن و زمین مسکونی در ایران

در سال‌های اخیر روند محسوسی در افزایش اجاره‌بها  (مسکن) وجود داشته است. آمار مستأجران در سال ۱۳۹۵ نسبت به سال ۱۳۹۰ با افزایش همراه است. در سال ۱۳۹۰ حدود 6/26 درصد از ایرانیان اجاره‌نشین بودند که این آمار در سرشماری ۱۳۹۵ با حدود ۴ درصد افزایش به 8/30 درصد رسیده است. براساس نتایج نشریه تحلیل تبیینی مرکز آمار ایران، شاخص‌های عمده جمعیتی نشان می‌دهند در سال ۱۳۹۵ درصد اجاره‌نشینی خانوارها در کشور درحال افزایش است. در سال ۱۳۹۵ از تعداد ۲۳ میلیون و ۵۸۰ هزار، ۲۲۱ خانوار معمولی و گروهی ساکن در واحدهای مسکونی معمولی کشور، 5/60 درصد از خانوارها مالک عرصه و اعیان (زمین و بنا) بوده‌اند و 8/30 درصد خانوارها اجاره‌نشین بوده‌اند. در سال ۱۳۹۰ از تعداد ۲۱ میلیون و ۴۹ هزار، ۹۳۴ خانوار معمولی و گروهی ساکن در واحدهای مسکونی معمولی کشور، 7/62 درصد از خانوارها مالک عرصه و اعیان (زمین و بنا) بوده‌اند و 6/26 درصد خانوارها اجاره‌نشین بوده‌اند (مرکز آمار ایران: 1399: 23).

طبق آخرین گزارش ارائه‌شدة مرکز آمار ایران، متوسط قیمت اجاره‌بهای هر مترمربع واحد مسکونی از سال 1390 تا 1400 همواره روندی افزایشی داشته است؛ به‌طوری‌که در سال 1390 با یک افزایش تقریبا 38/1  برابری از 60682 ریال به قیمت ثابت سال 1395برای هر مترمربع به 83911 ریال در سال 1400 رسید. بیشترین افزایش قیمت در سال 1399 بوده است که نسبت به سال قبل از آن افزایش 3/1 برابری داشته است

شکل 1- اجاره‌بهای واقعی یک مترمربع واحد مسکونی برحسب استان‌های کشور به قیمت پایه 1395 (ریال)

شکل 2- متوسط قیمت فروش یک مترمربع زیربنای مسکونی استان‌های کشور به قیمت پایه 1395 (هزار ریال)

در سال1400 میانگین بیشترین متوسط اجاره‌بهای واقعی یک مترمربع واحد مسکونی 329735 ریال در استان تهران و کمترین آن 36966 ریال متعلق به استان یزد بوده است. در سال‌های 1399-1390 بیشترین متوسط اجاره‌بهای یک مترمربع واحد مسکونی واقعی در استان تهران به‌ترتیب 227353، 231514، 225666، 211765، 210722، 222263، 240780، 257782، 285447 و 313238 ریال و کمترین آن در استان ایلام به‌ترتیب 30127 ، 28936، 28749، 27407، 26522، 26970، 27195، 26335 و 31773 ریال بوده است.

متوسط قیمت واقعی زمین مسکونی همواره روندی رو به افزایش داشته است؛ به‌طوری‌که از سال 1390 از 12545 هزار ریال به 32106 هزار ریال در سال 1400 رسیده است که تقریباً افزایشی 55/2 برابری را تجربه کرده است. بیشترین افزایش در سال 1399بوده است که نسبت به قیمت سال قبل از آن 6/1 برابر افزایش را نشان می‌دهد.

طی سال‌های 1390 تا1400 در میان استان‌های کشور، بیش‌ترین متوسط قیمت برای هر مترمربع زمین مسکونی معامله‌شده استان تهران به‌ترتیب 42532، 48696، 51493، 46270، 43931، 43441، 47500، 66730، 88934، 129903 و 128269 بوده است؛ همچنین کمترین آن مربوط به استان کهگیلویه و بویراحمد به‌ترتیب 4498، 4726، 4676، 3850، 3439، 3280، 3163، 3115، 4096، 6516 و 7401 هزار ریال بوده است. در بازه زمانی 1393 تا 1396 کاهش قیمت واقعی زمین مسکونی نسبت به دوره قبل آن به‌دلیل رکود در این بخش بوده است؛ به صورتی که شاخص‌های عملکردی بخش ساختمان و مسکن طی سال 1393 با کاهش همراه بود. این روند مؤید حاکم‌شدن شرایط رکودی و کاهش تمایل بخش خصوصی برای سرمایه‌گذاری در بخش ساختمان و مسکن در سال مذکور است. براساس برآوردهای بانک مرکزی از حساب‌های ملی، ارزش افزوده نسبت به سال قبل آن 4/0 کاهش نشان داد؛ اما از سال 1396 به دنبال رشد آمار عملکرد صدور پروانه‌های ساختمانی به‌عنوان شاخص استقبال بخش خصوصی از فعالیت‌های ساختمانی، وضعیت شاخص‌های ساخت‌وساز و سرمایه‌گذاری در بخش ساختمان پس از گذشت چهار سال با افزایش عملکرد همراه شد (خلاصه تحولات بانک مرکزی، 1393، 1396).

چارچوب نظری

مطالعات حوزه مسکن آنگونه که دی پاسکال و ویتون^[xi] (1994) انجام دادند نشان می‌دهد در طول زمان بررسی بازار مسکن به تدریج از بررسی سرمایه‌گذاری در بخش مسکن به سمت بررسی صاحب خانه شدن، آثار قیمت مسکن و دریافت اعتبار مسکن پیش رفته است. از اوایل دهه 1980 مطالعات جدید دیگری به‌طور صریح‌تر هزینه‌های مسکن در دوران زندگی را بررسی کردند؛ مانند آنچه در مطالعات پاتریا^[xii] (1984) و منکیو^[xiii] (1989) انجام شد. از آندورتن به بعد رویکرد دیگری در زمینة قیمت در مسکن ایجاد شد که هدف اصلی آن تقاضا برای مسکن بود. از یک‌سو این تقاضا برای دریافت اعتبار به‌منظور ساخت مسکن و تهیه اقلام آن مانند زمین و خرید آن بود و از رویکردی دیگر به میزان اثرگذاری متغیرهای اقتصادی جمعیتی، اجتماعی، درآمدی، اجاره، ساختار جمعیت و ... بر انتخاب مصرف‌کنندگان شایان توجه قرار گرفت. در مطالعات مختلفی ازجمله پاتریا^[xiv] (1984)، ویتون^[xv] (1985)، منیکو و یل^[xvi] (1989)، سالو^[xvii] (1994)، گالین^[xviii] (2006)، باسو و تیبودئو (1983) و گودمن وتیبودئو^[xix] (2008) بر این رویکرد تأکید شده است. در این میان، مطالعاتی نیز انجام شد که هدف آنها بررسی تقاضای مصرفی مسکن بود. این مطالعات نیز به دو رویکرد تبدیل شدند؛ رویکردی که تقاضای مسکن اجاره‌ای را ازطریق تابع هدانیک انجام دادند و در آن فقط بیشتر ویژگی‌های مسکن ازجمله تعداد اتاق خواب، استخر، امکانات رفاهی مسکن اجاره‌ای و ... را بررسی کردند و از سویی دیگر برخی مطالعات مانند واتکینز^[xx] (2001) در بررسی تحقیق دربارة تقسیم‌بندی بازار مسکن دریافتند تقسیم ساختاری براساس ویژگی‌های فضایی و منطقه جغرافیایی رایج‌ترین روش‌های استفاده‌شده هستند. واتکینز استدلال کرد بهترین راه برای شناسایی بازارهای فرعی مسکن این است که این معیار در تخمین‌ها در نظر گرفته شود. لحاظ‌کردن عامل جغرافیایی و روش‌های رگرسیون فضایی برای تخمین روابط اقتصادی که با فرایند تولید داده با وابستگی فضایی بین مشاهدات مشخص می‌شوند، بسیار مفید هستند؛ برای مثال، چنانچه قیمت زمین مسکونی در یک کلان‌شهر همگی بالا باشد، این انتظار وجود دارد در کلان‌شهر دیگر نیز قیمت‌ها همگی بالا باشند. روش‌های مختلفی وجود دارند که وابستگی فضایی ممکن است خود را نشان دهد و مدل‌های اقتصادسنجی مختلفی برای توضیح فرایندهای مختلف تولید داده پیشنهاد شده‌اند. در این دسته از مطالعات بیشترین بررسی انجام‌شده تأثیر عامل جمعیت بر قیمت اجاره مسکن و قیمت مسکن بوده است. همانند مطالعه‌ای که موسی و همکارن (2017) انجام دادند که با استفاده از ویژگی‌های فضایی و جغرافیایی مدلی را پیشنهاد می‌دهند که در آن مقدار جمعیت بر میزان اجاره‌بها مؤثر است. آنها نشان می‌دهند منطقی است مهاجران توسط هزینه‌های مسکن هدایت شوند؛ برای مثال، نقل مکان به مناطقی که قیمت‌ها و اجاره کمتری دارند موجب افزایش جمعیت در مناطقی می‌شود که دو عامل داشته باشند؛ نخست، میزان اجاره‌بهای کمتری داشته باشند که با افزایش جمعیت موجب افزایش اجاره می‌شود. دوم، شرایط درآمدی، بهداشت و تحصیلات در این مناطق نسبت به مناطق دیگر بهتر باشد. موسی و همکاران (2017) علاوه بر در نظر گرفتن عامل فضا، مدلی را ارائه دادند که متغیر مستقل جریان جمعیت در هر منطقه است؛ درحالی‌که ماتریس X شامل همه متغیرهای کنترلی دیگر است.

ماتریس نرمال فضایی، W، وابستگی متقابل فضایی ذات یک متغیر در یک منطقه جغرافیایی خاص بر اجاره مسکن در مناطق اطراف را نشان می‌دهد. ماتریس W، یک ماتریس مورب بلوکی است که آرایش واحدهای فضایی (همسایه‌ها) را توصیف می‌کند. متغیر مستقل جمعیت است؛ درحالی‌که ماتریس X شامل همه متغیرهای کنترلی دیگر است.  و  با برآوردهای اثر مستقیم جمعیت بر قیمت اجاره مسکن مطابقت دارند؛ درحالی‌که  و  پارامترهای برآورد اثر غیرمستقیم بر اجاره مسکن‌اند. متغیر وابسته تغییر سالانه در گزارش اجاره مسکن در هرمنطقه m در زمان t است. با در نظر گرفتن لگاریتم متغیر اجاره مسکن و به‌کارگیری روش‌های تابلویی، به کنترل عوامل ثابت زمان^[xxi] وهر منطقه خاص^[xxii] کمک می‌شود تا به‌طور همزمان بر جمعیت و سطح قیمت‌ها و اجاره مسکن تأثیر بگذارند و به حذف منبع بالقوه درون‌زایی^[xxiii] کمک کنند. پیس^[xxiv] و همکارن (2012) نشان می‌دهند ترکیبی از رگرسیون‌های همبسته و مشخصات SDM یک محیط مناسب برای بررسی روابط بین متغیرها فراهم می‌کند.

طبق مطالعه موسی و همکاران (2017) دربارة متغیرهای مستقل همان‌طور که انتظار می‌رود ممکن است مهاجرت تأثیر مثبتی بر اجاره مسکن داشته باشد، سناریوهای جایگزینی نیز وجود دارند. اگر مهاجران با کاهش دستمزدها بر بازار کار تأثیر بگذارند، تقاضای اجاره مسکن به‌دلیل تأثیر منفی درآمد ممکن است کاهش یابد. پس باید متغیرهایی که بر اجاره مسکن تأثیرگذارند، مانند ثروت، زمین، امکانات بهداشتی ،آموزشی نیز در برآورد گنجانده شوند.

بنابراین در مطالعه حاضر، متغیر چگالی جمعیت و متغیر شاخص توسعه انسانی (میانگین هندسی تشکیل‌شده از سه شاخص سلامتی، آموزش و سطح درآمد است و با توجه به گزارش ارائه‌شده در سال 2020 سازمان بهداشت جهانی محاسبه می‌شود [روش محاسبه در بخش معرفی متغیرها آمده است]) در مدل بررسی شده‌اند و به‌دلیل آنکه یک مترمربع از زمین شهری بسیار همگن‌تر از مسکن است و همچنین با توجه به دسترسی داده‌های آماری، در این مطالعه قیمت زمین برای بررسی استفاده شده است.

روش تحقیق

اقتصادسنجی فضایی زیرمجموعه‌ای از اقتصادسنجی است که اثرات فضایی متقابل بین مشاهدات جغرافیایی را بررسی می‌کند. این مشاهدات می‌توانند کدپستی، شهرها، شهرداری‌ها، مناطق، شهرستان‌ها، ایالت‌ها، حوزه‌های قضایی، کشورها و موارد دیگر با توجه به ماهیت مطالعه باشند. از مدل‌های اقتصادسنجی فضایی می‌توان برای توضیح رفتار آنها استفاده کرد (Elhorst, 2014: 8).

استفاده از داده‌های ترکیبی در مطالعات اقتصادی و فضایی امکانات وسیع‌تری را نسبت به مدل‌های صرفاً مقطعی یا سری زمانی در اختیار محققان قرار می‌دهد. ترکیب داده‌های مقطعی و سری زمانی باعث می‌شود، دامنه تغییرات افزایش یابد و هم‌خطی کمتر شود و همچنین استفاده از داده‌های مقطعی درجه آزادی را افزایش می‌دهد و بدین ترتیب کارایی را در برآورد افزایش می‌دهد (Belotti & Hughes, 2017: 147).

مطالعات منطقه‌ای با دو پدیده وابستگی فضایی و ناهمگنی فضایی روبه‌رو است که دو فرض سری زمانی یکی ثابت‌بودن متغیرهای توضیحی در نمونه‌گیری و دیگری وجود رابطه خطی انفرادی بین مشاهدات را نقض می‌کند؛ ازاین‌رو استفادة روش‌های متعارف اقتصادسنجی بر پایة گوس مارکف از مطالعات منطقه‌ای مناسب نیست. انسلین^[xxv] (1988) روش‌های گوناگونی بر پایة حداکثر درست‌نمایی (که در تخمین فضایی مدل‌های پانل استفاده می‌شود) را برای رفع مشکل پیشنهاد می‌کند که در این مطالعه نیز از همین روش استفاده خواهد شد.

روش پنل فضایی

رهیافت استاندارد در بیشتر تحلیل‌های فضایی این است که مدل‌سازی با یک رگرسیون خطی غیرفضایی شروع شود و سپس آزمون می‌شود که آیا این مدل اولیه نیاز به اثرات مقابل فضایی دارد یا خیر. این رهیافت با عنوان رهیافت خاص به عام شناخته می‌شود. مدل رگرسیون خطی غیرفضایی به فرم زیر است:

که در آن Y بردارN×1 است که شامل یک متغیر وابسته به‌ازای هر مشاهده در نمونه (N،...،i=1) است.  یک بردارN×1 با مقادیر واحد است و  یک پارامتر ثابت است که برآورد می‌شود. X یک ماتریس N×K از متغیرهای برون‌زا است و  یک بردار K×1 از پارامترهایی است که باید برآورد شود.  بردار جملات اخلال است که در آن  دارای توزیع مستقل وثابت با میانگین صفر و واریانس  است. از آنجا که مدل رگرسیون خطی معمولاً با روش حداقل مربعات معمولی برآورد می‌شود به نام مدل ols نام‌گذاری می‌شود.

رهیافت دیگر این است که با یک مدل کلی‌تر شامل همه مدل‌های ساده شروع می‌شود؛ به‌گونه ای‌که نشان‌دهندة تمامی فرضیه‌های اقتصادی مورد بررسی باشد. به‌طور کلی سه اثر متقابل برای توضیح وابستگی یک مشاهده به مشاهداتی در مکان‌های دیگر می‌تواند استفاده شود. اولین اثر، اثر متقابل درون‌زا است که در آن متغیر وابسته یک مشاهده (برای مثال، A) به متغیر وابسته مشاهده دیگر (برای مثال، B) بستگی دارد و برعکس. اثرات متقابل درون‌زا به‌طور معمول به‌عنوان تصریحی برای پیامد تعادلی یک فرآیند فضایی یا اجتماعی در نظر گرفته می‌شوند. در این تصریح مقدار متغیر وابسته به یک مشاهده براساس متغیر وابسته مشاهدات کناری تعیین می‌شود.

دومین اثر مربوط به اثرات متقابل برون‌زا است که در آن متغیر وابسته در یک مشاهده به متغیرهای توضیحی و مستقل سایر مشاهدات بستگی دارد (Elhorst & et al, 2010: 40).

اثر سوم، اثرات متقابل بین جملات خطا است؛ اثرات متقابل بین جملات خطا نیازی به مدل نظری برای مدل‌سازی فضایی یا اجتماعی ندارد؛ در عوض زمانی استفاده می‌شوند که عوامل مؤثر حذف‌شده بر متغیر وابسته دارای خودهمبستگی باشند. اثرات متقابل بین جملات خطا می‌توانند نشان‌دهندة مکانیسم اصلاح سیاست‌گذران رانتی برای تغییرات پیش‌بینی‌شدة سیاست مالی باشند (Elhorst, 2014: 33). یک مدل کامل با تمامی اثرات متقابل به فرم زیر است:

 که در آن،  اثر متقابل درون‌زا بین متغیرهای وابسته،  اثر متقابل برون‌زا بین متغیرهای مستقل و Wu اثرات متقابل بین جملات اخلال در مشاهدات مختلف را نشان می‌دهد. به این مدل مطرح‌شده در معادلات بالا مدل فضایی کامل^[xxvi] گفته می‌شود؛ زیرا شامل همه اثرات متقابل است. در این مدل  ضریب خودتوضیح فضایی و  ضریب خودهمبستگی فضایی است. همچنین  و  نشان‌دهندة دو بردار K×1 از پارامترهای ثابت اما نامعلوم‌اند که برآورد می‌شوند. W یک ماتریس N×N غیرمنفی است که چینش فضایی یا ترتیب مشاهدات موجود در نمونه را توصیف می‌کند.

شکل 3، یک خانواده از 9 مدل اقتصادسنجی را به‌طور خلاصه ارائه می‌کند. مدل ols در سمت راست معادله و GNS در سمت چپ نمودار قرار دارد. هریک از مدل‌های سمت راست GNS را می‌توان با اعمال قیدهایی روی یک یا چند پارامتر مدل GNS به دست آورد که در کنار فلش‌ها در نمودار نشان داده شده‌اند. این نمودار نشان می‌دهد مدل اقتصادسنجی فضایی وجود دارد که کمتر در مطالعات تجربی و اقتصادسنجی استفاده می‌شود.

شکل 3- خانواده مدل‌های اقتصادسنجی

بسیاری از مطالعات اقتصادسنجی فضایی با مدل‌های دوربین فضایی پیش می‌رود که با بیش از یک تعامل فضایی سروکار دارند و توسط لیسج و پیس^[xxvii] (2009) معرفی شدند. هر دو مدل SAR و SDM شامل وقفه‌هایی در متغیر وابسته و توضیحی‌اند که در این گروه جای می‌گیرند؛ همچنین انعطاف‌پذیری در جنبه‌های متفاوت وابستگی فضایی، توانایی بیشتر در نشان‌دادن اثرات مستقیم و غیرمستقیم متغیرهای توضیحی این مدل‌ها را در ارتباط با نتایج مطلوب نهایی جذاب‌تر می‌کند.

اثرات نهایی در مدل‌های دوربین فضایی

مدل دوربین فضایی به‌صورت زیر تعریف می‌شود:

که در آن  نشان‌دهندة ماتریس و  همبستگی فضایی متغیرها در مدل است. فرم خلاصه‌شدة SDM که دلالت بر پردازش و تولید داده دارد، به شکل زیر بیان می‌شود:

اثرات مستقیم (بازخورد) تخمین با  و اثرات غیرمستقیم (سرریز) با WX نشان داده می‌شوند و اثرات نهایی متغیرهای توضیحی جمع اثرات مستقیم (بازخورد) و غیرمستقیم (سرریز) تخمین‌ها است. با توجه به لیسج و پیس  (2009) مدل SDM نسبت به SEM و SAR برتری‌هایی دارد. این مدل تخمین‌هایی نااریب ارائه می‌دهد؛ حتی زمانی که مرحله تولید داده دارای خطای وقفه فضایی است. همچنین SDM هیچ محدودیت اولیه‌ای بر مقدار اثرات سرریز ندارد (Elhorst, 2014: 41).

با توجه به اینکه خواستگاه SAR و SEM مدل‌های SDM  است، الهورث (2010) نشان می‌دهد چطور می‌توان با اعمال محدودیت، اثرات نهایی برای مدل SEM و SAR به‌دست آورد. دربارة SEM ماتریس بالا ماتریسی با  β_kدر قطر اصلی خلاصه می‌شود؛ به‌عنوان نتیجه، اثرات نهایی بر k_th متغیر توضیحی برای مدل‌های فضاییβ_k  است؛ درحالی‌که در اثرات نهایی صفر خواهد بود. برای مدل وقفه‌های فضایی θ=0 است.

برای بررسی اثرات سرریز فضایی به یک ماتریس مجاورت نیاز است که ماتریس به ترتیبی با استفاده از نرم‌افزار جئودا^[xxviii] شکل گرفته است؛ به صورتی که برای استان‌های مجاور (دارای مرز مشترک) مقدار یک و برای استان‌های غیرمجاور، صفر در نظر گرفته می‌شود. پس یک ماتریس متقارن 31×31 با عناصر غیرصفر خارج از قطر اصلی و صفر روی قطر اصلی است. مجاورت‌ها به این صورت است که در مجاورت هر استان، برای استان‌هایی که یک طرف با رأس مشترک با استان مدنظر دارند، در ماتریس مورد بحث، عدد یک و مناطق دیگر صفر در نظر گرفته می‌شود. در این ماتریس استانداردسازی بر مبنای مجموع هریک از سطرهای ماتریس مجاورت صورت گرفته است؛ به‌طوری‌که مجموع درایه‌های هریک از سطرهای ماتریس مجاورت یک است.

معرفی متغیرها و داده‌های تحقیق

مدل ارائه‌شده در این مقاله، برای توسعه مطالعه موسی و همکاران (2017) به روش تخمین دوربین فضایی در بازه زمانی 1390 تا 1400 در 31 استان ایران است. متغیرهایی که در این مطالعه بررسی می‌شوند عبارت‌اند از:

rent اجاره مسکن (به قیمت پایه سال 1395)، denp چگالی جمعیت (جمعیت به مساحت استان)، price قیمت هر مترمربع زمین (به قیمت پایه سال 1395) و Hdi شاخص توسعه انسانی (ترکیبی از شاخص‌های سلامتی، آموزش و سطح درآمد) است. متغیرهایی که با توجه به گزارش 2020 سازمان بهداشت جهانی و در دسترس بودن داده‌های آماری ایران انتخاب شده‌اند عبارت‌اند از معکوس مرگ‌ومیر کودکان زیر 5 سال برای شاخص امید به زندگی، تحصیلات ابتدایی برای شاخص آموزش و تولید ناخالص داخلی برای شاخص درآمد. متغیرها در فرمول زیر در قالب یک میانگین هندسی قرار می‌گیرند و به‌عنوان متغیر نهایی شاخص توسعه انسانی استانی به کار می‌روند:

گفتنی است در مدل بررسی‌شده قیمت‌ها ثابت بوده و تمامی متغیرها به‌صورت لگاریتمی وارد شده‌اند.

یافته‌های تحقیق

قبل از انجام برآورد در مرحله اول از آزمون موران^[xxix] برای تشخیص خودهمبستگی فضایی استفاده می‌شود. همچنین برای برگزیدن یکی از مدل‌های فضایی در مرحله دوم آزمون‌های مربوطه بر مبنای طبقه‌بندی الهورث (2004) بین مدل‌های دوربین فضایی، خودرگرسیون فضایی و خطای فضایی انجام می‌شود. براساس نتایج ارائه‌شده در جدول 1، آزمون تشخیصی موران، والد و نسبت درست‌نمایی وجود همبستگی فضایی بین اجزای اخلال بین مدل‌های دوربین فضایی، خودرگرسیون فضایی و خطای فضایی انجام می‌شود. براساس نتایج ارائه‌شده در جدول 1، آزمون تشخیصی موران، والد و نسبت درست‌نمایی وجود همبستگی فضایی بین اجزای اخلال در مدل را تأیید می‌کند. نتایج حاصل از دو آزمون LM کلاسیک و LM Robust نیز نشان می‌دهند برازش مدل به‌صورت پنل فضایی نسبت به پنل معمولی بهتر است.

جدول 1- آزمون‌های تشخیصی

منبع: نتایج تحقیق

در جدول 2، نتیجه آزمون انتخاب از بین سه مدل SAR، SDM و SEM را نشان می‌دهد. با توجه به مطالعات برهام و اندسون^[xxx] (2004) از آنجا که قدرمطلق معیار اطلاعات بیزی (BIC) در مدل SDM کمتر از مدل SAR است، مدل SDM به‌عنوان مدل بهینه انتخاب می‌شود. می‌توان بیان کرد قیمت اجاره مسکن در استان‌های کشور اثرات همسایگی دارد و همچنین قیمت اجاره مسکن در هر استان تأثیرگرفته از سایر استان‌ها است. با توجه به دو آزمون بعد (تفاوت بین SAR و  SDMو تفاوت بین SEM و SDM) هر دو مدل وقفه فضایی و خطای فضایی به نفع دوربین فضایی رد می‌شوند. با توجه به نتیجه آزمون هاسمن که آماره معنی‌داری کمتر از پنج درصد است نیز مدل دوربین فضایی باید به روش اثرات ثابت انجام شود.

جدول 2- انتخاب مدل بهینه

منبع: نتایج تحقیق

جدول 3- نتایج اثرات سرریز و مستقیم تخمین پنل فضایی به روش اثرات ثابت

منبع: نتایج تحقیق

یافته‌های تحقیق حاضر نشان می‌دهند لگاریتم متغیر قیمت زمین مسکونی با ضریب 6856/0 اثر مثبت و معناداری بر لگاریتم اجاره‌بهای مسکن در استان‌های ایران دارد. با بالارفتن قیمت زمین مسکونی و بالارفتن مخارج ساخت مسکن، میزان اجاره‌بهای ساختمان‌های مسکونی ساخته‌شده نیز افزایش خواهند داشت. اثرات سرریز قیمت زمین نیز با ضریب 1976/0 تأثیر معنی‌داری داشته است. همان‌طور که در مطالعه ندهام (1981) و بوستیک و لانگ هوفر (2007) گفته شد، طبق تئوری نئوکلاسیک‌ها قیمت مسکن از هزینه‌های آن ازجمله زمین تشکیل شده است و بالارفتن هزینه‌های عرضه مسکن موجب افزایش قیمت اجاره و خرید مسکن می‌شود.

افزایش لگاریتم چگالی جمعیت با ضریب 0282/0 در هر استان بر لگاریتم اجاره‌بهای همان استان تأثیر مثبت دارد و با افزایش جمعیت و تقاضای مسکن در هر استان کشور به تبع آن نرخ اجاره نیز افزایش می‌یابد. این نتیجه با نتایج تحقیق موسی و همکارن (2017) در نمونه آماری استانی در ایران همسویی دارد؛ اما دربارة اثرات سرریز افزایش چگالی جمعیت در هر استان بر نرخ اجاره استان‌های مجاور تأثیر معنی‌داری ندارد؛ همان‌طور که سیز^[xxxi] (2007) مطرح می‌کند افزایش جمعیت غیربومی موجب افزایش اجاره‌بها می‌شود. با افزایش تعداد افراد نسبت به مساحت (چگالی جمعیت) در یک منطقه نیاز به تأمین مسکن و سرپناه افزایش می‌یابد. با بالارفتن جمعیت به‌خصوص خانواده‌های جوان که قدرت خرید زمین و ساخت مسکن را ندارند، به اجاره مسکن رو می‌آورند که این افزایش تقاضا موجبات افزایش اجاره‌بها را فراهم می‌کند (Baker & et al, 2022).

لگاریتم شاخص توسعه انسانی با ضریب 1567/0 در هر استان تأثیر مثبت و معناداری بر لگاریتم اجاره‌بهای مسکن دارد. همچنین سرریز آن با ضریب 1637/0 بر لگاریتم قیمت اجاره استان‌های مجاور تأثیر معنی‌داری دارد. هرچه شاخص توسعه انسانی استانی بالاتر باشد، به این معنی است که میزان درآمد افراد بالاتر، موقعیت تحصیل بالاتر و سطح بهداشت بالاتر است و آن منطقه سطح قابل قبول‌تری برای زندگی دارد. پس اجاره‌بهای بالاتری دارد و این عامل علاوه بر اینکه موجب افزایش اجاره‌بهادر هر استان می‌شود، استان‌های مجاور آن نیز اجاره‌بهای بالایی خواهند داشت که همانند مطالعه باسو و تیبودئو (1983) به وضوح در مناطق مختلف ایران مشاهده می‌شود.

نتیجه‌گیری

استفاده از اقتصادسنجی فضایی برای بررسی تحولات بازار اجاره مسکن می‌تواند نقایص اقتصادسنجی متعارف را بهبود دهد؛ بنابراین در این مقاله، با استفاده از یک مدل دوربین فضایی، تأثیر عامل قیمت زمین مسکونی بر قیمت اجاره‌بهای مسکن در ایران در دوره 1390 تا 1400 و با داده‌های 31 استان بررسی شد. درواقع، مدل دوربین فضایی می‌تواند به بررسی این موضوع کمک کند که آیا قیمت اجاره مسکن در یک منطقه خاص علاوه بر متغیرهای پایه‌ای مدل مربوط به آن منطقه تحت‌تأثیر تغییرات قیمت زمین مسکونی، چگالی جمعیت و شاخص توسعه انسانی در سایر مناطق قرار دارد.

نتایج برآورد مدل دوربین فضایی را می‌توان به‌صورت زیر خلاصه کرد:

قیمت زمین: اثرات مثبت و معناداری بر نرخ اجاره دارد و همچنین اثرات سرریز آن معنادار بوده است. افزایش قیمت زمین مسکونی و به دنبال آن افزایش قیمت مسکن موجب افزایش اجاره‌بها در استان‌های ایران می‌شود. به این معنا که افزایش قیمت زمین در یک استان بر میزان اجاره تأثیرگذار است و این افزایش قیمت زمین موجب افزایش میزان اجاره استان‌های مجاور آن شده است. با افزایش قیمت زمین مسکونی نرخ اجاره‌بهای مسکن در هر استان و همچنین استان‌های مجاور آن نیز افزایش داشته است.

چگالی جمعیت: اثرات مثبت و معناداری بر نرخ اجاره‌بها دارد. هر چقدر میزان چگالی جمعیت در یک منطقه افزایش یابد، تقاضا برای مسکن افزایش می‌یابد و با توجه به کاهش قدرت خرید، این افزایش تقاضا از بازار خرید و فروش مسکن به بازار اجاره مسکن می‌رود و موجبات افزایش اجاره را فراهم می‌کند. مناطقی که از لحاظ درآمدی، بهداشت و تحصیلات سطح مناسبی داشته باشند، شرایط رفاهی مناسبی برای ساکنان خواهد داشت. استانی که تولید ناخالص داخلی بالاتری دارد، نرخ اشتغال در آن استان نیز بیشتر است. درنهایت، می‌توان چنین گفت قیمت زمین مسکونی عامل افزایش قیمت اجاره‌بها در هر استان است. دربارة شاخص توسعه انسانی باید برای بررسی نرخ اجاه‌بها در هراستانی به شرایط استان‌های همجوار نیز توجه شود و نمی‌توان به برنامه‌ریزی محلی و منطقه‌ای اکتفا کرد؛ درنتیجه، تعاملات آموزشی بهداشتی و درآمدی نیز بر اجاره‌بهای هر منطقه و مناطق مجاور مؤثرند؛ ازاین‌رو، در نظر گرفتن عوامل فضایی فرصت مناسبی فراروی تصمیم‌گیرندگان فراهم می‌آورد. شاخص توسعه انسانی و سرریز ناشی از آن بر اجاره‌بهای مسکن، اثرات مثبت و معناداری دارد. اثرات سرریز نشان‌دهندة مؤثربودن مجاورت و اثرات فضایی‌اند.

پیشنهادات

افزایش قیمت اجاره‌بهای مسکن برای خانوارها، به‌خصوص خانوارهای جوان، از معضلات این روزهای جامعه ایران است که عده بسیاری از مردم با آن روبه‌رو هستند. با توجه به اینکه اجاره‌نشینی اولویت انتخاب هیچ خانواری نبوده است و به اجبار با آن روبه‌رو هستند و حق هر شهروند ایرانی داشتن مسکن مناسب است، باید دولت درصدد رفع این مشکل برآید و همچنین برای تشویق به ساخت‌وساز مسکن اجاره‌ای توجه ویژه‌ای به بانک‌های اعطاکنندة تسهیلات و متنوع‌سازی تأمین مالی در سمت عرضه و تقاضاکنندگان داشته باشد. کاهش واسطه‌ها در بازار اجاره و قانونمندسازی نرخ اجاره‌بهای مسکن می‌تواند تا حدودی به بهبود وضع موجود کمک کند.

[i] asset approach

[ii] Metropolitan Statistical Area  (MSA)

[iii] Fortura and Kushner

[iv] Rose

[v] Lot price

[vi] Manning

[vii] Michael J. Potepan

[viii] Basu and Thibodeau

[ix] Spatial Autoregressive Model  (SAR)

[x] spatial Durbin model  (SDM)

[xi] DiPasquale, D. & W. Wheaton

[xii] Poterba, J.

[xiii] Mankiw,

[xiv] Poterba, J.

[xv] Wheaton, W.

[xvi] Mankiw, G. & D. Wei

[xvii] Salo, S.

[xviii] Gallin, J

[xix] Goodman, A. & T. Thibodeau

[xx] WATKIN^S

[xxi] time-invariant

[xxii] area-specific

[xxiii] potential source of endogeneity

[xxiv] Pace et al

[xxv] Anselin, L

[xxvi] General Nesting Spatial Model (GNS)

[xxvii] LeSage, J.P. , Pace, R.K. ,

[xxviii] geoda

[xxix] moran

[xxx] Burnham, K. P., and D. R. Anderson

[xxxi] Saiz