نوع مقاله : مقاله پژوهشی
نویسندگان
1 استادیار، دانشکده اقتصاد دانشگاه علامه طباطبائی، تهران، ایران
2 دانشجوی دکتری، دانشکده اقتصاد دانشگاه علامه طباطبائی، تهران، ایران
چکیده
کلیدواژهها
موضوعات
عنوان مقاله [English]
نویسندگان [English]
Collection resources by the municipalities of Tehran's urban areas constitute a significant share (45%) of the total collection resources of this institution. The main purpose of this study is to identify and determine the effective factors on the collection resources of the 22 districts of Tehran, design the model, and estimate the effect coefficients using FGLS and PCSE econometric methods using seasonal data from 2015 to 2019. Based on the findings, the collection resources of the municipalities of the regions are mainly dependent on the boom in the construction sector (the number of housing transactions, the number of building permits issued, and the price of land) with significant intensity and the state of the population living in the region (population density). According that the share of the cost of issuing a building permit of the total cost of housing production in the northern regions compared to the same share in the southern regions is very small (due to the significant difference in land prices in the northern and southern regions of the city) and also the significant deviation in the regional real estate price (the reference book for determining the price of tolls) from the corresponding index based on the market price, it is suggested that the policy of increasing the price of building permits should be considered, especially in periods of prosperity to increase the revenues of Tehran Municipality and also Redistribution of wealth and investment in the housing sector among different urban areas.
کلیدواژهها [English]
مقدمه
شهرداریها سازمانهای عمومی غیردولتی هستند که وظیفه اداره شهرها را در حدود ضوابط قانونی بر عهده دارند. در برنامه یکساله اداره شهر، در چارچوب سند بودجه مشخص میشود که در چارچوب آن، اولویتهای عملیاتی و توسعهای برای سال مالی، تعریف و شیوه تأمین سرمایه برنامهها تشریح میشود. ساختار بودجه از دو بخش منابع و مصارف تشکیل شده است که بنا بر ماهیت تراز حسابداری در بودجه مصوب با هم برابرند. بخش منابع درآمدی شهرداری از سه بخش زیر تشکیل میشود:
الف) درآمدها: دریافتهایی که شهرداری براساس قوانین، مقررات و مصوبات شورای اسلامی شهر تهران، با عنوان عوارض، بهای خدمات، سود سپرده، سود سرمایهگذاری و ... وصول میکند.
ب) واگذاری داراییهای سرمایهای شامل: درآمد ناشی از فروش اموال سرمایهای و داراییهای ثابت و شامل مواردی ازقبیل درآمد حاصل از عوارض بر مازاد تراکم (در حد مجاز)، درآمد حاصل از تغییر کاربریها و فروش اموال شهرداری شامل فروش ساختمانها و تأسیسات، فروش و واگذاری اراضی، فروش و واگذاری ماشینآلات و تجهیزات و فروش و واگذاری اموال منقول و غیرمنقول و اسقاطی.
ج) واگذاری داراییهای مالی: بیشتر از جنس پول و اعتبار بوده است و شامل استقراض از سیستم بانکی، فروش اوراق مشارکت، استفاده از تسهیلات خارجی، مازاد درآمد بر هزینه دورههای قبل و وصول مطالبات میشود.
بخش مصارف نیز از سه جزء: الف) هزینهها؛ ب) تملک داراییهای سرمایهای (بودجه عمرانی)؛ ج) تملک داراییهای مالی (بازپرداخت استقراض) تشکیل شده است. موارد مندرج در ردیفهای بودجهای در هر جزء در جدول شماره (1) آورده شده است.
هر سازمانی تلاش میکند سالانه در چارچوب بودجه مصوب خود و متناسب با منابع وصولی هزینه کند؛ بنابراین، عدم تحقق منابع درآمدی، منجر به کاهش توان اجرای برنامههای مصوب خواهد شد. با توجه به اینکه بخش هزینههای بودجه عمدتاً شامل دستمزدها و حقوق است و از انعطاف کافی برخوردار نیست، کاهش در منابع درآمدی، عمدتاً از محل کاهش بخش تملک داراییهای سرمایهای و مالی جبران میشود که نتیجه آن به تعویق افتادن اجرای پروژههای زیرساختی و افزایش بدهی شهرداریها است؛ بنابراین، برنامهریزی صحیح برای کسب منابع از اهمیتی فوقالعاده برخوردار است.
منابع شهرداریها به هشت طبقه اصلی (شش طبقه درآمدی و دو طبقه واگذاری داراییهای مالی و سرمایهای) و چهارده گروه فرعی تقسیم شده است که هر گروه دربرگیرنده منابع درآمدی مختلف ولی همگون است. هشت طبقه یادشده عبارتاند از درآمد ناشی از عوارض عمومی، درآمد ناشی از عوارض اختصاصی، بهای خدمات و درآمدهای مؤسسات انتفاعی، درآمد حاصل از وجوه و اموال شهرداری، کمکهای اعطایی دولت و سازمانهای دولتی، اعانات و هدایا، واگذاری داراییهای مالی و واگذاری داراییهای سرمایهای. در ساختار فعلی، حدود 75 درصد درآمدهای شهرداری تهران وابسته به بخش ساختمان است و عمدتاً از محل عوارض ناپایدار صدور پروانه ساختمانی (حدود 20 درصد)، عوارض مازاد بر تراکم (حدود 40 درصد) و تغییر کاربری (حدود 20 درصد) به دست میآید.
منابع شهرداریها به سه شیوه جمعآوری میشوند: بخشی از منابع شهرداریها توسط سایر نهادها و مؤسسات اخذ و سپس به حساب شهرداریها واریز میشود؛ ازجمله درآمد حاصل از مالیات بر ارزش افزوده، عوارض اسناد رسمی، عوارض بلیط هواپیمایی، عوارض ناشی از جرائم رانندگی و غیره. دسته دیگری از درآمد شهرداریها توسط ستاد و بهصورت متمرکز تحصیل میشود؛ ازجمله عوارض حاصل از تغییر کاربری اراضی شهری (کمیسیون ماده 5)، منابع حاصل از استقراض، کمکهای دولتی، فروش اموال و سود داراییهای ثابت و غیره. بخش دیگری از منابع شهرداریها نیز بهصورت غیرمتمرکز و توسط شهرداریهای مناطق شهری اخذ میشود که عمده آن مربوط به عوارض مدیریت پسماند، عوارض نوسازی و عموم عوارض شهرسازی ازجمله صدور پروانه، حذف پارکینگ، بالکن و پیشآمادگی و ... است.
سهم هر یک از این منابع در بودجه شهرداری تهران براساس گزارش تفریغ بودجه 1399 از این قرار بوده است: منابع وصولی توسط مناطق شهری 45 درصد، منابع وصولی توسط ستاد شهرداری 33 درصد و منابع وصولی توسط سایر نهادها 22 درصد.
تمرکز این پژوهش بر دسته اول از این منابع است.
در چارچوب نظام فعلی بودجهریزی، سهم هر منطقه از منابع مصوب، در ابتدای دوره اجرای بودجه مشخص میشود و شهرداری منطقه، موظف به تحصیل درآمد یادشده تا انتهای دوره بودجهریزی است. روش کار نیز عموماً بدین صورت است که متناسب با نرخ افزایش سرجمع منابع و با توجه به منابع وصولی هر منطقه در سال پیش، جدول وصول منابع تعیین و پس از مذاکره و چانهزنی با شهرداری منطقه، تصویب و ابلاغ میشود. این شیوه کار متکی به عملکرد گذشته و مبتنی بر ملاحظات سیاسی افزایش سقف بودجه است و در آن به عوامل مؤثر بر کسب درآمد و تأثیر تغییرات آن بر ظرفیت وصول منابع توجهی نمیشود؛ ازاینرو، ضروری است عوامل یادشده شناسایی و میزان اثرگذاری هر یک بر وصول منابع مشخص شود.
بنابراین، در این مقاله با هدف شناسایی عوامل مؤثر بر منابع وصولی شهرداریهای مناطق 22گانه تهران، متغیرهای اثرگذار بر وصول منابع شناسایی و پس از طراحی مدل، با استفاده از روش اقتصادسنجی حداقل مربعات تعمیمیافته امکانپذیر[i] و تخمینزن تصحیح خطای استاندارد دادههای تابلویی[ii] ضرایب اثرگذاری برای دوره زمانی 1399-1395 تخمین زده شدهاند.
در بخش نخست مقاله، پیشینه تحقیق مرور شده است. در قسمت دوم، مدل اقتصادسنجی، طراحی و برآورد و در بخش پایانی یافتهها و نتایج ارائه شدهاند.
جدول 1- منابع و مصارف بودجه شهرداریها
|
منابع |
مصارف |
|
درآمدها شامل: - انواع درآمدها: درآمدهای ناشی از عوارض عمومی، درآمدهای ناشی از عوارض اختصاصی، بهای خدمات و درآمدهای مؤسسههای انتفاعی شهرداری، درآمد حاصل از وجوه و اموال شهرداری، اعانات، هدایا و داراییها، عوارض و درآمدهای وصولی در حریم استحفاظی شهرها - منابع حاصل از واگذاری داراییهای سرمایهای شامل: فروش اموال شهرداری و عوارض پروانههای ساختمانی که خود مشتمل بر: عوارض بر مازاد تراکم، عوارض بر تفکیک اراضی و ساختمان، عوارض بر بالکن و پیشآمدگی، عوارض افزایش ارزش طرح توسعه شهری و عمرانی، عوارض حذف پارکینگ، عوارض ایمنی ساختمانها و درآمد حاصل از تغییر کاربری - منابع حاصل از واگذاری داراییهای مالی شامل وامهای دریافتی، وصول مطالبات و مازاد درآمد بر هزینههای دوره قبل |
هزینهها شامل: - بودجه هزینهای بهمنظور انجام مأموریتهای اجتماعی، حملونقل و ترافیک، خدمات شهری، ایمنی و مدیریت بحران، شهرسازی و معماری و توسعه مدیریت و هوشمندسازی شهری - تملک داراییهای سرمایهای تملک داراییهای سرمایهای بهمنظور انجام مأموریتهای بند قبل - تملک داراییهای مالی تملک داراییهای مالی برای دو مأموریت حملونقل و ترافیک و توسعه مدیریت و هوشمندسازی شهری و پرداخت دیون و تعهدات سالهای قبل |
|
جمع دریافتها |
جمع پرداختها |
منبع: بودجه مصوب شهرداری تهران
پیشینۀ تحقیق
عمده پژوهشهای صورتگرفته در حوزه مالی شهرداریها، متمرکز بر امکانسنجی منابع درآمدی جدید و یا تشخیص و شناسایی منابع درآمدی پایدار بوده است؛ اما برخی از مطالعات صورتگرفته در حوزه منابع مالی شهرداریها بنا به فراخور موضوع بهرهبرداری میشوند:
خمر و جوادیان (1394) در پژوهشی با استفاده از مدل مدل شبکه عصبی از نوع پیشخور[iii] با الگوریتم پس انتشار خطا[iv] به پیشبینی میزان درآمد حاصل از دریافت عوارض شهری شهرداری زابل پرداختهاند. بر مبنای یافتههای این مطالعه، ترغیب شهروندان به پرداخت عوارض شهری، اثری شایان توجه در پیشبینیپذیری درآمدهای شهرداریها دارد.
دانشجعفری و همکاران (1392) در مطالعهای به روش کمّی و پیمایشی مقطعی بودجه با هدف، شناسایی منابع مالی و درآمدی پایدار شهرداریها، نشان دادهاند پایدارترین درآمد قابل استفاده در تهران، مالیات انتقالی از دولت به شهرداری، چه در قالب مالیات بر ارزشافزوده و چه بهصورت انتقال درصدی از مالیات ملی است. دریافت بهای خدمات و انواع عوارض محلی نیز سایر منابع درآمدی پایدار قابل استفاده بهشمار میروند.
حسنزاده و خسروشاهی (1387) در مقاله «الگوی تأمین مالی کارآمد برای شهرداریهای کلانشهرها» الگویی را برای تأمین مالی شهرداریها پیشنهاد کردند که شامل مالیات محلی بر زمینها و مستغلات (عوارض نوسازی، عوارض سطح شهر، عوارض بر پروانههای ساختمانی، عوارض مازاد تراکم، عوارض بر جداسازی زمینها و ساختمانها، عوارض بر زمینها و املاک رهاشده شهر و ...)، بهای کالاها و خدمات، کمکهای بلاعوض دولت، وام و استقراض، اعانات و کمکهای اشخاص حقیقی و حقوقی و درآمدهای اتفاقی است. همچنین، نتایج این مقاله نشان میدهند شهرداری برای اصلاح نظام تأمین مالی خود باید با توجه به پایداری نسبتاً کامل عوارض نوسازی و کارآمدی آن، این عوارض را بهعنوان اصلیترین مالیات محلی برای تأمین هزینههای شهرداری در نظر بگیرد و بهتدریج و در بازه زمانی میانمدت، آن را با عوارض بر پروانههای ساختمانی و مازاد تراکم که ناپایدارند، جایگزین کند.
شرزهای و همکاران (1385) در پژوهشی مشابه با عنوان «اصلاح و تأمین منابع درآمدی شهرداریهای کشور» نشان دادهاند در شهرداریهای سایر کشورها استفاده از منابعی همچون دریافت عوارض و مالیاتهای محلی، در صدر قرار دارد. همچنین، منابعی مانند فروش خدمات و استقراض، استفاده از صندوقها یا کمکهای تخصصی و دریافت کمکهای بلاعوض دولتی، از عمدهترین منابع درآمدی شهرداریهای جهان هستند.
در حوزه مطالعات خارجی نیز عمدۀ مطالعات صورتگرفته مرتبط، به موضوع آثار قیمت مسکن بر درآمد دولتهای محلی متمرکز بوده است. ذکر این موضوع ضروری است که در بسیاری از نقاط جهان، شهرداریها غالباً دولتهای محلی با کارکرد خدمات یکپارچه و فراگیر هستند که ساختار درآمدی متفاوتی از شهرداریهای ایران دارند. در ادامه، چارچوب و نتایج برخی از این مطالعات بازخوانی شدهاند:
الم و لگیوزامون در مقالهای به بررسی آثار بحران مسکن بر درآمدهای مالیاتی محلی در ایالات متحده پرداختهاند. براساس یافتههای این مطالعه که با استفاده از فرم خلاصهشده تخمین انجام شده است[v]، بحران مسکن که با «رکود بزرگ» آغاز شد، از کانال افزایش چشمگیر سلب مالکیت خانه بر درآمدهای مالیاتی دولت محلی اثر گذاشته و تأثیر مستقیم، منفی، اما اندکی بر کل درآمدهای مالیاتی در سطح محلی و ازطریق کاهش بودجه دولت ایالتی، تأثیر غیرمستقیم و منفی بر دولتهای محلی داشته است (Alma & Leguizamon, 2018).
لوتز و همکاران در مطالعهای به بررسی اثر بحران مسکن بر درآمد مالیاتی دولتهای ایالتی و محلی در ایالات متحده پرداختهاند. براساس یافتههای این مطالعه، بحران مسکن از چهار کانال بر درآمدهای مالیاتی ایالتی و محلی تأثیر میگذارد: 1) درآمدهای مالیات بر دارایی؛ 2) درآمدهای مالیاتی انتقال دارایی؛ 3) درآمدهای مالیات بر فروش (شامل تأثیر مستقیم از طریق مصالح ساختمانی و تأثیر غیرمستقیم از طریق پیوند بین ثروت مسکن و مصرف) و 4) درآمدهای مالیات بر درآمد شخصی. بررسیهای این مطالعه نشان میدهند درآمدهای مالیات بر دارایی به دنبال کاهش قیمت مسکن بهدلیل انعطافپذیری دریافتهای مالیات بر دارایی بهواسطه وقفههای قابل توجه بین ارزشهای بازار و ارزشهای ارزیابیشده مسکن و تمایل سیاستگذاران برای جبران کاهش پایه مالیاتی با نرخهای مالیاتی بالاتر، تمایلی به کاهش ندارد. کانالهای دیگر نیز تأثیر نسبتاً کمی بر درآمدهای مالیاتی دولت ایالتی و محلی داشتهاند و کاهش در درآمدهای مالیاتی ایالتی و محلی عمدتاً ناشی از رکود اقتصادی عمومی بوده است نه رکود بازار مسکن (Lutz et al., 2011).
دورنر و ایلانفلت در مطالعهای به بررسی اثر قیمت مسکن بر درآمدهای دولت محلی با استفاده از دادههای شهرهای ایالت فلوریدا به روش پنلدیتا پرداختهاند. براساس یافتههای این مقاله برای شهرها با اندازه متوسط، درحالیکه افزایش قیمت مسکن باعث افزایش درآمد میشود (تأثیر اندک)، کاهش قیمت تأثیری بر درآمدها ندارد. همچنین، تغییر در قیمت مسکن میتواند علاوه بر مالیاتها بر سایر منابع درآمدی نیز تأثیر بگذارد. این مطالعه چنین نتیجه گرفته است که تحرکات در بازارهای مسکن فلوریدا با مالیات بر دارایی و درآمد سرانه شهری ارتباط ضعیفی دارد و از این استدلال پشتیبانی نمیکند که تغییرات قیمت مسکن بهشدت بر بودجه محلی تأثیر میگذارند (Doerner & Ihlanfeldt, 2011).
روش تحقیق
براساس گزارش اداره کل برنامه و بودجه شهرداری تهران، در دهه اخیر حدود 45 درصد منابع این نهاد، منابع وصولشده از شهرداریهای مناطق 22گانه شهری بوده است. سهم ردیفهای عمده از این منابع وصولی و عوامل اثرگذار بر آن در جدول ذیل نمایش داده شده است.
جدول 2- سهم ردیفهای بودجهای از منابع وصولی شهرداریهای مناطق 22گانه تهران و عوامل مؤثر بر آن
|
عوارض دریافتی |
سهم از کل |
عوامل اثرگذار |
|
عوارض بر مازاد تراکم (در حد مجاز) |
31.1% |
رونق ساختوساز |
|
ارزش افزوده ناشی از اجرای طرحهای عمرانی و توسعه شهری |
30.6% |
رونق ساختوساز و جمعیت |
|
عوارض نوسازی |
8.1 % |
جمعیت |
|
عوارض بر پروانههای ساختمانی (پذیره) |
7.8% |
رونق ساختوساز |
|
عوارض تأمین پارکینگ |
7.4% |
رونق ساختوساز |
|
عوارض بر پروانههای ساختمانی (زیربنا) |
2.7% |
رونق ساختوساز |
|
عوارض بر پروانه کسب و پیشه و حق صدور پروانه |
2.4% |
جمعیت |
|
بهای خدمات، مدیریت پسماند (مسکونی) |
1.7% |
جمعیت |
|
حق آسفالت و لکهگیری و ترمیم حفاری (درآمد حفاری طولی) |
1.5% |
جمعیت |
|
درآمدهای حاصل از تابلوهای معرف کاربری تبلیغاتی |
1.3% |
جمعیت |
|
بهای خدمات مدیریت پسماند (تجاری و اداری) کسب و پیشه |
1.2% |
جمعیت |
|
تمدید پروانههای ساختمانهای نیمهکاره |
1.1% |
رونق ساختوساز |
|
سایر |
3% |
- |
|
مجموع |
100% |
- |
منبع: گزارش تفریغ بودجه، 1399 و یافتههای پژوهش
همانگونه که مشخص است این منابع وصولی عمدتاً وابسته به رونق بخش ساختمان (تعداد معاملات مسکن، تعداد پروانههای ساختمانی صادره و قیمت زمین) و وضعیت جمعیت ساکن در منطقه (تراکم جمعیت) است.
در این مطالعه برای بررسی اثرات قیمت زمین، تعداد پروانه ساخت صادره، تعداد معاملات مسکن و تراکم جمعیت مناطق 22گانه شهر تهران بر درآمد مناطق 22گانه شهر تهران از روش پانل ایستا استفاده خواهد شد. روش دادههای تابلویی علاوه بر قابلیت بالا در تشخیص و اندازهگیری اثراتی که بهراحتی در مطالعات مقطعی و سری زمانی خاص پیشبینیپذیر نیستند، نسبت به آن مدلها، انعطافپذیری بیشتر، همخطی کمتر، درجه آزادی بیشتر و کارآیی بالاتری نیز دارند.
برای انجام این تحقیق از اطلاعات مربوط به قیمت زمین، تعداد پروانه ساخت صادره، تعداد معاملات مسکن و تراکم جمعیت مناطق 22گانه شهر تهران (مرکز آمار ایران) و درآمد مناطق 22گانه شهر تهران برای دوره زمانی 99-1395 بهصورت فصلی و تکنیک اقتصاد سنجی تابلویی به شیوه رویکرد عملی حداقل مربعات تعمیمیافته امکانپذیر[vi] و تخمینزن تصحیح خطای استاندارد دادههای تابلویی[vii] استفاده شده است. دلیل استفاده از این دو روش به جای کاربرد روش دادههای تابلویی معمولی آن است که دادههای تابلویی، ترکیبی از دادههای سری زمانی و مقطعی است و احتمال نقض فروض رگرسیون خطی کلاسیک شامل خودهمبستگی و ناهمسانی واریانس در تخمین الگو با این روش وجود دارد. خودهمبستگی مشکل مربوط به دادههای سری زمانی و ناهمسانی واریانس مشکل خاص دادههای مقطعی است که این مشکلات در دادههای تلفیقی پیچیدهتر میشوند. زمانی که اجزای خطای رگرسیون پنل، ناهمسانی واریانس و خودهمبستگی سریالی دارند، روش حداقل مربعات معمولی[viii] دیگر بهترین تخمینزن خطی بدون تورش[ix] نیست. در این صورت میتوان الگو را با استفاده از تخمین زن حداقل مربعات تعمیمیافته[x] برآورد کرد که تخمینزنی خطی بدون تورش است و انحراف معیارهای معتبر ارائه میکند؛ اما مشکل این روش این است که فرض میکند ماتریس واریانس-کوواریانس معلوم است؛ درحالیکه در عمل اینگونه نیست. پژوهشگران اقتصادسنجی، دو روش حداقل مربعات تعمیمیافته امکانپذیر و تخمینزن تصحیح خطای استاندارد دادههای تابلویی را از بهترین روشهای آزمونشده برای غلبه بر این مشکل میدانند؛
پارکس روش مربعات تعمیمیافته امکانپذیر و بک و کاتز روش تصحیح خطای استاندارد دادههای تابلویی را به جای مربعات تعمیمیافته امکانپذیر به دلیل خطاهای استاندارد کوچک پیشنهاد کردهاند (Parks, 1967; Beck & Katz, 1995). رید و وب با بررسی ویژگیهای تخمینزنهای حداقل مربعات تعمیمیافته امکانپذیر و تصحیح خطای استاندارد دادههای تابلویی نتیجه گرفتند که روش تصحیح خطای استاندارد دادههای تابلویی در برآورد خطاهای استاندارد نسبت به حداقل مربعات تعمیمیافته امکانپذیر، تخمین مناسبتری را ارائه میکند. علاوه بر این، اشاره کردهاند در مدلهایی که تعداد مقاطع به تعداد دورههای زمانی بررسیشده نزدیک است، تصحیح خطای استاندارد دادههای تابلویی، روش کارامد برای تخمین ضرایب و تخمین خطای استاندارد فراهم میکند. در این پژوهش، تابع تخمین با استفاده از هر دو روش گزارش میشود (Reed & Webb, 2010).
با توجه به دستاورد پترسون و همکاران (1997)[xi] در مطالعات تجربی، در نظر گرفتن مدلهای سادهتر میتواند به نتایج واقعی بهتری میانجامد (Peterson et al., 1997). برای همین منظور، مدل زیر نزدیکترین مدلی است که بتواند اثر این متغیرها را بر درآمد شهرداری تهران در مناطق 22 گانه شهر منعکس سازد:
|
(1) |
, , , |
|
|
(2) |
|
|
تصریح مدل (1) برای تخمین با استفاده از روش پانل دیتا بهصورت زیر خواهد شد:
|
(3) |
.Ln( + .Ln( + .Ln( + .Ln( + |
که در آن بهترتیب، dms درآمد مناطق 22گانه شهر تهران به قیمت ثابت سال 1395 بهعنوان متغیر وابسته، moa تعداد معاملات انجامشده در مناطق 22گانه، pv تعداد پروانههای ساختمانی صادره، trj تراکم جمعیت در مناطق 22 گانه شهرد تهران، pz قیمت زمین در مناطق 22 گانه شهر تهران به قیمت ثابت سال 1395 بهعنوان متغیر مستقل را نشان میدهد.
برای بررسی ایستایی متغیرها و بهمنظور جلوگیری از رخدادن رگرسیون کاذب در مدل معرفیشده میتوان از آزمونهای ریشه واحد مربوط به دادههای تابلویی درحالت ریشه واحد مشترک، آزمون لوین-لین-چو (Levin et al., 2002) استفاده کرد. نتایج حاصل از آزمون در جدول ذیل نشاندهنده ایستایی لگاریتم طبیعی متغییرهای درآمد حقیقی مناطق 22گانه شهر تهران، تعداد معاملات مسکن و تراکم جمعیت تعداد در سطح و تعداد پروانههای صادره و قیمت زمین با یک بار تفاضلگیری است.
دومین آزمونی که نتایج آن مانع از برآورد رگرسیون کاذب و اطمینان از برآورد یک رگرسیون صحیح میشود، آزمون همانباشتگی(همجمعی) بین متغیرها، قبل از برآورد مدل است؛ بهویژه زمانی که مثل حالت فوق بعضی از متغیرها در سطح ناایستا هستند، این آزمون با حصول اطمینان از وجود رابطه بلندمدت میان متغییرها مقدمهای برای تخمین الگوی مدنظر است.
جدول 3- آزمون ایستایی لوین و لین و چو
|
|
llc |
|
|
سطح |
تفاضل مرتبه اول |
|
|
ldms |
-7.767 (0.0000) |
|
|
lmoa |
-4.590 (0.0000) |
|
|
lpv |
-1.176 (0.119) |
9.046- (0.0000) |
|
ltrj |
3.596- (0.0002) |
|
|
lpz |
5.459 (1.0000) |
7.994- (0.0000) |
منبع: یافتههای پژوهش
آزمون همانباشتگی: مفهوم اقتصادی همانباشتگی آن است که وقتی دو یا چندمتغیر سری زمانی براساس مبانی نظری با یکدیگر ارتباط داده میشوند تا یک رابطه تعادل بلندمدت را شکل دهند. هرچند ممکن است این سریهای زمانی دارای روندی تصادفی باشند (ناایستا باشند)، درطول زمان همدیگر را بهخوبی دنبال میکنند؛ بهگونهایکه تفاضل بین آنها با ثبات باشد (ایستا)؛ بنابراین، مفهوم همانباشتگی تداعیکننده وجود یک رابطه تعادلی بلندمدت است که سیستم اقتصادی در طول زمان به سمت آن حرکت میکند (نوفرستی، 1378، ص. 76).
با توجه به اینکه دادههای پانلی نیز ممکن است ناایستا باشند، همانباشتگی و آزمون آن در این نوع دادهها نیز از اهمیت فراوانی برخورداراست. همانند آزمونهای ایستایی، آزمونهای همانباشتگی در دادههای پانلی نیز از آزمونهای همانباشتگی برای واحدهای مقطعی بهصورت جداگانه قویتر هستند؛ زیرا این آزمونها حتی در شرایطی که دوره زمانی، کوتاهمدت و اندازه نمونه کوچک است نیز قابلیت استفاده دارند (Baltagi, 2005, p. 252). در این راستا در این بخش از تحقیق آزمون همانباشتگی در دادههای پانلی مطالعه اجرا میشود.
آزمون همانباشتگی این امکان را میدهد تا بتوان رگرسیونی را بدون هراس از کاذببودن آن برآورد کرد. آزمونهای متعددی برای آزمودن همجمعی ارائه شدهاند که از آن جمله میتوان به آزمونهای پدرونی و کائو اشاره کرد (Pedroni, 2004; Kao, 1999). آزمون کائو و پدرونی براساس آزمون باقیماندههای رگرسیون بوده و مشابه اجرای آزمون همجمعی انگل - گرنجر در دادههای سری زمانی است. درواقع آنها از آمارههای دیکی-فولر برای آزمون همانباشتگی استفاده کردند.
جدول 4- خروجی آزمون همجمعی کائو
|
=22 =18
Kernel: Bartlett Lags: 1.86 (Newey-West) Augmented lags: 1 |
Number of panels Number of panels |
H0: No cointegration Ha: All panels are cointegrated
Cointegrating vector: Same Panel means: Included Time trend: Not included AR parameter: Same |
|
p-value |
Statistics |
|
|
0.0000 0.0000 0.0000 0.0000 0.0000 |
-7.3219 -11.2299 -6.2538 -23.4481 -16.2871 |
Modified Dickey-Fuller t Dickey-Fuller t Augmented Dickey-Fuller t Unadjusted modified Dickey-Fuller t Unadjusted Dickey-Fuller t |
منبع: یافتههای پژوهش
رد فرضیه صفر مبنی بر عدم وجود همجمعی بین متغیرهای مدل (نبود رابطه بلندمدت بین متغیرها) در سطح اطمینان 99 درصد است. بر این اساس و با توجه به نتایج بهدستآمده در خروجی بالا، براساس پنج آماره محاسباتی آزمون کائو شامل دیکی فولر اصلاحشده، دیکی فولر، دیکی فولر تقویتشده، دیکی فولر اصلاحشده تعدیلنشده، دیکی فولر تعدیلنشده، فرضیه صفر رد و بین متغیر وابسته و متغیرهای مستقل مدل یک رابطه بلندمدت وجود دارد؛ ازاینرو، با اطمینان از صحت رگرسیون مدل و تحلیل نتایج آن تخمین زده میشود.
آزمون لیمر و هاسمن: در ادامه برای مشخصکردن روش تخمین از دو آزمون لیمر و هاسمن استفاده میشود. نتایج آزمون لیمر نشان میدهند مدل استفادهشده، تجمیعی[xii] است یا پانل[xiii] و آزمون هاسمن برای تعیین اینکه مدل پانل با اثرات ثابت برآورد شود یا پانل با اثرات تصادفی، استفاده میشود.
با توجه به نتایج حاصلشده از آزمون لیمر و هاسمن در جدول 6 مشاهده میشود با رد فرض صفر در آزمون F لیمر میباید مدل پانل را در مقابل روش تلفیق دادهها پذیرفت و همچنین، براساس نتایج آزمون هاسمن و ردشدن فرض صفر، پیشنهاد میشود مدل با اثرات ثابت برآورد شود.
جدول 5- خروجی آزمون لیمر و هاسمن
|
معنیداری |
آماره |
آزمون |
|
0.0000 |
23.11 |
F لیمر |
|
0.0000 |
99.93 |
هاسمن |
منبع: یافتههای پژوهش
بررسی خودهمبستگی و واریانس ناهمسانی در مدل: دربارۀ مشکلات مربوط به وجود خودهمبستگی و واریانس ناهمسانی در مدلهای پانلی، ذکر این نکته ضروریست که خودهمبستگی مشکل مربوط به دادههای سری زمانی و ناهمسانی واریانس مربوط به دادههای مقطعی است؛ بنابراین، در ادامه برای اطمینان از معنیداری برآورد هر دو آزمون مربوط به خودهمبستگی و واریانس ناهمسانی اجرا میشود.
آزمون واریانس ناهمسانی والد اصلاحشده یکی از روشهای تشخیصدادن ناهمسانی واریانس در دادههای مورد استفاده پانل، بهرهگیری از آزمون والد اصلاحشده است؛ بهطوریکه فرض صفر دربرگیرنده این گزاره است که واریانسها همساناند؛ درنتیجه، رد فرض صفر به معنی وجود مشکل ناهمسانی واریانس در مدل تخمینی است. با توجه به خروجی آزمون والد اصلاحشده که در زیر مشخص است، آماره کای دو با احتمال زیر 0.05 گواهی به رد فرض صفر و وجود مشکل واریانس ناهمسانی در مدل دارد.
جدول 6- خروجی آزمون واریانس ناهمسانی والد اصلاحشده
|
H0: sigma (i)^2 for all i |
|
Chi2 (22)= 6754.71 Prob>chi2= 0.0000 |
منبع: یافتههای پژوهش
آزمون خودهمبستگی وولدریج: بهمنظور بررسی و تعیین وجودداشتن یا نداشتن مشکل خودهمبستگی جملات خطا در دادههای مورد استفاده پانل، از آزمون ولدریج استفاده شده است. این آزمون با استفاده از باقیماندههای رگرسیون مرتبه اول به آزمون خودهمبستگی میپردازد؛ بهطوریکه فرض صفر حاکی از نبود خودهمبستگی است. با توجه به خروجی حاصل از آزمون ولدریج در پایین آماره F و احتمال مربوطه که بالای 0.05 برآورد شده است، فرضیه صفر، قبول و مدل بررسیشده با مشکل خودهمبستگی مواجه نیست.
جدول 7- خروجی آزمون خودهمبستگی وولدریج
|
H0: no first-order autocorrelation |
|
F (1, 21)= 0.05 Prob> F=0.9425 |
منبع: یافتههای پژوهش
با توجه به نتایج بهدستآمده از آزمونهای صورتپذیرفته، به دلیلی وجود مشکل واریانس ناهمسانی نتایج تخمین الگو با روش دادههای تابلویی معمولی، اعتبار کافی ندارند؛ درنتیجه، برای رفع این مشکل از دو روش حداقل مربعات تعمیمیافته امکانپذیر و تخمینزن تصحیح خطای استاندارد دادههای تابلویی استفاده شد و نتایج در جدول مقایسهای گزارش شدند.
جدول 8- نتایج نهایی مدل با استفاده از روش FGLS و PCSE
|
روش PCSE |
روش FGLS |
متغیر |
||||||
|
احتمال |
توزیع z |
انحراف معیار |
ضرایب |
احتمال |
توزیعz |
انحراف معیار |
ضرایب |
|
|
0.000 |
5.07 |
0.042 |
0.213 |
0.000 |
7.11 |
0.031 |
0.225 |
Lmoa |
|
0.000 |
5.89 |
0.077 |
0.454 |
0.000 |
6.63 |
0.058 |
0.388 |
Lpv |
|
0.000 |
9.90- |
0.057 |
0.567 |
0.000 |
-12.07 |
0.047 |
0.575- |
Ltrj |
|
0.000 |
16.48 |
0.056 |
0.925 |
0.000 |
19.73 |
0.043 |
0.868 |
Lpz |
|
0.007 |
2.69- |
0.831 |
2.240- |
0.062 |
1.87- |
0.673 |
1.258- |
c |
|
486.15 |
795.25 |
آماره والد chi2 |
||||||
|
0.51 |
_ |
R-squared |
||||||
|
0.0000 |
0.0000 |
Prob>chi2 |
||||||
منبع: یافتههای پژوهش
یافتههای تحقیق
نتایج حاصل از برآورد مدل به روش حداقل مربعات تعمیمیافته امکانپذیر و تخمینزن تصحیح خطای استاندارد دادههای تابلویی نشان از معناداری تمامی ضرایب در سطح اطمینان 99% بهجز عرض از مبدأ در روش حداقل مربعات تعمیمیافته امکانپذیر که در سطح 90% معنادر شده است، دارد؛ بدین شرح که در الگوی بررسیشده، سه متغیر قیمت زمین، تعداد پروانههای ساختمانی صادره و تعداد معاملات مسکن با درآمد حقیقی مناطق 22گانه شهرداری تهران مطالعهشده در این پژوهش رابطه مستقیم دارند؛ به نحوی که طبق نتایج حاصل از تخمین مدل با روش حداقل مربعات تعمیمیافته امکانپذیر با یک درصد افزایش در قیمت زمین و تعداد صدور پروانه ساختمانی، درآمد حقیقی مناطق بهترتیب 0.87 درصد و 0.39 درصد و همچنین، طبق نتایج حاصل از تخمین مدل با روش تخمینزن تصحیح خطای استاندارد دادههای تابلویی بهترتیب 0.92 و 0.45 درصد افزایش مییابد. این امر بهواسطه افزایش سهم درآمدهای با منشأ شهرسازی در مناطق شهرداری تهران صورت میپذیرد. همچنین، نتایج حاصل از مدل تخمینی به روشهای حداقل مربعات تعمیمیافته امکانپذیر و تخمینزن تصحیح خطای استاندارد دادههای تابلویی دربارۀ متغیر تعداد معاملات نیز حاکی از رابطه مستقیم و معنیدار دارد؛ به طوری که نتایج حاصل از برآورد به روشهای حداقل مربعات تعمیمیافته امکانپذیر و تخمینزن تصحیح خطای استاندارد دادههای تابلویی نشان از افزایش بهترتیب 0.22 و 0.21 درصدی در درآمد حقیقی مناطق در ازای یک درصد افزایش در تعداد معاملات دارد. منشأ افزایش درآمدهای حقیقی مناطق از محل افزایش تعداد معاملات نیز از محل افزایش درآمدهای شهرسازی است. مکانیزم اثر عکس تراکم جمعیت بر درآمد حقیقی مناطق 22گانه شهرداری تهران بدین صورت است که: با فرض وجود همپیوندی معکوس میان تراکم جمعیت و وضعیت اقتصادی ساکنین در مناطق 22گانه شهرداری تهران افزایش تراکم جمعیت در مناطق شهری تهران نشان از کاهش قدرت مالی شهروندان در آن مناطق داشته و از طریق دو کانالِ یک: دشواری در وصول عوارض شهرداری و دو: رکود اقتصادی و نتایج منفی در بخش مسکن مناطق مورد اشاره، بر درآمد حقیقی مناطق 22گانه شهرداری تهران در جهت کاهش مؤثر است؛ به طوری که در هر دو روش تخمینی، رابطه میان تراکم جمعیت و درآمد حقیقی مناطق منفی و معنیدار حاصل شده است. در روش حداقل مربعات تعمیمیافته امکانپذیر با یک درصد رشد در تراکم جمعیت، شاهد کاهش 0.57 درصدی و در روش تخمینزن تصحیح خطای استاندارد دادههای تابلویی با یک درصد رشد در تراکم جمعیت، شاهد کاهش 0.56 درصد درآمد حقیقی مناطق خواهیم بود. مقدار R2 در روش تخمینزن تصحیح خطای استاندارد دادههای تابلویی حدود 51% گزارش شده است که نشان از توضیحدهندگی 51 درصدی متغیر وابسته توسط متغیرهای مستقل دارد.
نتیجهگیری
یافتههای مدل طراحی و آزمونشده حاکی از شدت بالای وابستگی منابع وصولی شهرداریهای مناطق به رکود و رونق بخش ساختمان هستند. این امر در بلندمدت تبعات جبرانناپذیری بر اقتصاد سیاسی شهری خواهد گذاشت؛ از یک سو، با افزایش عرضه سوداگرانه مسکن، منابع و ظرفیتهای زیستی شهری را با فشاری مضاعف مواجه خواهد کرد و از سوی دیگر، شهرداری را با چالش تأمین مالی توسعه زیرساختهای شهری متناسب با توسعه کالبدی شهر، آن هم در شرایط کاهش ظرفیتهای درآمدی به دلیل فروش ظرفیتهای کالبدی شهر در گذشته مواجه خواهد کرد. باوجود نقش قابل توجه شهرداری در کنترل توسعه کالبدی شهر ازطریق طرح جامع و طرحهای تفصیلی و صدور مجوز ساخت متناسب با ضوابط، این نهاد نقش ایجابی درخور توجهی در سیاستگذاری بخش مسکن ندارد. با توجه به تفاوت معنیدار قیمت تمامشدۀ ساخت مسکن در مناطق شمالی و جنوبی شهر تهران که مهمترین علت آن اختلاف قیمت بین ارزش زمین در شمال و جنوب است، سهم هزینه صدور پروانه ساختمانی در مناطق شمالی از کل هزینههای تولید مسکن در مقایسه با همین سهم در مناطق جنوبی، بسیار کوچک است و بهویژه در دورههای رونق انتظار میرود اثری بر عرضه مسکن در مناطق شمالی نگذارد. همچنین، با توجه به قیمتهای نسبی دفترچه ارزش معاملاتی املاک شهر تهران در مناطق شمالی و جنوبی و وجود انحراف معنیدار این شاخص از شاخص متناظر مبتنی بر قیمت بازار میتوان نتیجه گرفت شهرداری تهران توانایی قیمتگذاری بر پروانههای ساختمانی، متناسب با ارزش زمین، مدیریت دورههای رکود و رونق و سیاستهای نوسازی بافت فرسوده را ندارد که حاصل آن عدم ایفای نقش مؤثر در سیاستگذاری بخش مسکن و نیز حداکثرسازی درآمدهای ناشی از توسعه شهر تهران در حوزه مسکن و ساختوساز است.
با توجه به سطوح بالای قیمت نسبی مسکن در مناطق شمالی و موارد بیانشده در بند بالا، میتوان نتیجه گرفت پایینبودن سهم هزینه پروانههای ساختمانی (از قیمت فروش مسکن) در مناطق شمالی نسبت به مناطق جنوبی نشاندهنده کشش کم قیمت تقاضای پروانههای ساختمانی در این مناطق است؛ بنابراین، پیشنهاد میشود سیاست افزایش قیمت تصاعدی پروانههای ساختمانی، بهویژه در دورههای رونق با هدف افزایش درآمدهای شهرداری تهران و همچنین، توسعه متوازن شهر با بازتوزیع ثروت و سرمایهگذاری در بخش مسکن میان مناطق مختلف شهری شایان توجه قرار گیرد.
مطابق یافتههای پژوهش حاضر، قیمت زمین بالاترین همبستگی مثبت را با درآمد مناطق شهرداری تهران داشته است (87% در روش حداقل مربعات تعمیمیافته امکانپذیر و 92% در روش تخمینزن تصحیح خطای استاندارد دادههای تابلویی) که نشان از وجود منافع درآمدی برای شهرداری مناطق از افزایش قیمت زمین دارد. همچنین، با توجه به پیشگامی و پیشرانی قیمت در مناطق شمالی شهر و تأثیر با وقفه آن بر قیمت سایر مناطق (متوسلی و همکاران، 1389) و کاهش شدت سفتهبازی در حرکت از شمال به سمت جنوب شهر تهران (قلیزاده و همکاران، 1400) میتوان نتیجه گرفت منافع مشترک سفتهبازان و شهرداری تهران از رشد قیمت زمین (مسکن) سبب همسویی راهبردی میان این دو بازیگر عمده بخش مسکن شهر تهران داشته و بر تولید و تحولات روند عرضه مسکن تأثیر جدی گذاشته است. با توجه به کمکشش بودن عرضه مسکن و نقش آن در کنترل نوسانات و شوکهای بازار مسکن، صرفههای ناشی از سیاستگذاریهای حمایتی دولت در تضعیف همبستگی یادشده میان قیمت زمین (مسکن) با درآمد شهرداری تهران بر کنترل نوسانات و شوکهای بازار مسکن درخور تأمل و مطالعه بیشتر است.
[i] FGLS
[ii] PCSE
[iii] MFNN
[iv] BP
[v] Reduced form estimation
[vi] FGLS
[vii] PCSE
[viii] OLS
[ix] BLUE
[x] GLS
[xi] Peterson et al.
[xii] Pooled
[xiii] Panel
)