پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 158 |
| تعداد شماره‌ها | 6,230 |
| تعداد مقالات | 67,757 |
| تعداد مشاهده مقاله | 115,119,258 |
| تعداد دریافت فایل اصل مقاله | 89,888,030 |
مطالعۀ ناهمسانی در وابستگی فضایی تغییرات قیمت مسکن در نواحی 22گانۀ شهر تهران | ||
| فصلنامه تحقیقات اقتصادی | ||
| مقاله 2، دوره 56، شماره 3 - شماره پیاپی 136، دی 1400، صفحه 471-505 اصل مقاله (1.71 M) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22059/jte.2021.330289.1008540 | ||
| نویسندگان | ||
| بهرام حکمت1؛ شکوفه فرهمند* 2؛ نعمت الله اکبری3 | ||
| 1دانشجوی دکتری اقتصاد، دانشکدۀ علوم اداری و اقتصاد، دانشگاه اصفهان | ||
| 2دانشیار گروه اقتصاد، دانشکدۀ علوم اداری و اقتصاد، دانشگاه اصفهان | ||
| 3استاد گروه اقتصاد، دانشکدۀ علوم اداری و اقتصاد، دانشگاه اصفهان | ||
| چکیده | ||
| فرایند تحلیل داده‌های قیمت مسکن و رشد آن که به‌نوعی داده‌های فضایی هستند، تحت تأثیر وابستگی فضایی قرار دارد. این بدان معنا است که قیمت مسکن و تغییرات آن در یک ناحیه سبب تغییرات قیمت مسکن در نواحی هم‌جوار می‌شود. اما نکتۀ دیگر در ارتباط با قیمت مسکن در نواحی مختلف شهری، ناهمسانی در وابستگی فضایی است. این موضوع نشان می‌دهد انحراف در مشاهدات وابستگی فضایی در تغییرات قیمت مسکن بین نواحی مختلف در طول زمان وجود دارد؛ به‌طوری‌که اثر وابستگی فضایی بین مناطق شهری در زمان افزایش قیمت، با زمان کاهش قیمت مسکن متفاوت است. تحلیل نظری این پدیده از طریق نظریه‌های اقتصاد رفتاری صورت می‌گیرد. در این پژوهش به بررسی این پدیده در بازار مسکن نواحی 22گانۀ شهر تهران می‌پردازیم. بدین‌منظور، با استفاده از تخمین مدل فضایی پانل اثر ثابت پویا، اثر متغیرهایی مؤثر بر نرخ رشد قیمت مسکن نواحی 22گانۀ شهر تهران برآورد شده است. نتایج آزمون‌ها حاکی از وجود روابط غیرخطی در مدل است. با کمک مدل رگرسیون فضایی انتقال ملایم پانلی ( )، با یک تابع انتقال و تعیین سرریز نرخ رشد قیمت مسکن نواحی هم‌جوار به‌عنوان متغیر انتقال، مشخص شد وابستگی فضایی نرخ رشد قیمت مسکن بین نواحی 22گانۀ شهر تهران در شرایط رونق بیشتر از شرایط رکود است و نوعی ناهمسانی در وابستگی فضایی نرخ رشد قیمت مسکن بین نواحی شهر تهران در طول زمان وجود دارد. طبقه‌بندی JEL: C33، C31، R31. | ||
| کلیدواژه‌ها | ||
| اثر ثابت شیب ملایم؛ اقتصاد رفتاری؛ قیمت مسکن؛ مدل پویای فضایی؛ ناهمسانی در وابستگی فضایی | ||
| عنوان مقاله [English] | ||
| The Study of Heterogeneity in Spatial Dependence of Changes in Housing Prices in 22 Districts of Tehran | ||
| نویسندگان [English] | ||
| Bahram Hekmat1؛ Shekoofeh Farahmand2؛ Nematollah Akbari3 | ||
| 1. PhD Candidate, Department of Economics, University of Isfahan, Isfahan | ||
| 2Associate Professor, Department of Economics, University of Isfahan, Isfahan | ||
| 3Professor, Department of Economics, University of Isfahan, Isfahan | ||
| چکیده [English] | ||
| The analysis of data on housing prices and their growth rates, typical of spatial data, is undoubtedly affected by spatial dependence. This means that housing prices and their growth in one district are affected by housing prices in neighboring districts. However, the other issue regarding housing prices in different districts is the heterogeneity of spatial dependence. This suggests that there are differences in the spatial dependence of housing prices in urban districts over time so that the spatial effects in urban districts when prices rise are different from the effects when prices fall. The theoretical analysis of this phenomenon is based on the theories of behavioral economics. In this study, the heterogeneity of spatial dependence of housing price growth rates was investigated for 22 districts of Tehran. Using a dynamic fixed effects spatial panel model, the effects of determinants on growth rates were estimated for 22 districts of Tehran. The test results indicate the existence of nonlinear relationships in the model. Therefore, the model was estimated by a smooth transition panel regression model with a transfer function in which the spillover rate of housing price growth rates from neighboring counties was determined as a transfer variable. The results show that the coefficient of spatial dependence for housing price growth rates is higher in boom times than in recession for Tehran districts. Thus, it can be concluded that there is heterogeneity in the spatial dependence of housing price growth rates in the urban districts of Tehran over time. JEL Classification: C31, C33, R31. | ||
| کلیدواژه‌ها [English] | ||
| Keywords: Housing Prices, Heterogeneity In Spatial Dependence, Dynamic Spatial Panel Smooth Transition Regression, Behavioral Economics | ||
| مراجع | ||
|
براتی، جواد، کریمی موغاری، زهرا و مهرگان، نادر (1396). تعیین و تحلیل فضایی سرریز سرمایه‌گذاری صنعتی استان‌های ایران. فصلنامۀ تحقیقات مدل‌سازی اقتصادی، 29، 133-99.
پورمحمدی، محمدرضا، قربانی، رسول و تقی‌پور، علی‌اکبر (1397). بررسی تطبیقی رهیافت‌های رگرسیون وزنی جغرافیایی و حداقل مربعات معمولی در برآورد مدل‌های مکان. نشریۀ پژوهش‌های جغرافیا و برنامه‌ریزی، 23(63)، 76-
خلیلی عراقی، سید منصور، کمیجانی، اکبر، مهرآرا، محسن و عظیمی، سید رضا (1392). اثر انتشار فضایی تغییرات قیمت مسکن در ایران با استفاده از مدل وقفۀ فضایی و داده‌های ترکیبی. فصلنامۀ پژوهش و سیاست‌های اقتصادی، 67، 48-25.
دهقانی، سحر، موسوی جهرمی، یگانه و عبدلی، قهرمان (1397). تئوری چشم‌انداز؛ رهیافتی نوین در توضیح پدیدۀ فرار مالیاتی. تحقیقات اقتصادی، 53(1)، 23-1.
رضایی، هادی، علیزاده، محمد و نادمی، یونس (1396). عوامل مؤثر بر مخارج بهداشتی سرانه: مقایسۀ مدل‌های فضایی در منتخبی از کشورهای درحال‌توسعه. فصلنامۀ نظریه‌های کاربردی اقتصاد، 4(4)، 26-
صارمی، حمیدرضا، حیدری، محمد و آقایی، فاطمه (1397). تحلیل فضایی قیمت مسکن با استفاده از تکنیک رگرسیون موزون جغرافیایی؛ مورد مطالعه: منطقۀ دو شهرداری تهران. فصلنامۀ اقتصاد شهری دانشگاه اصفهان، 3(2)، 38 -19.
طالبلو، رضا، محمدی، تیمور و پیردایه، هادی (1396). تحلیل انتشار فضایی تغییرات قیمت مسکن در استان‌های ایران (رهیافت اقتصادسنجی فضایی). فصلنامۀ پژوهشنامه اقتصادی، 7(66)، 95-
عسکری، حشمت‌الله و همکاران (1398). اقتصادسنجی فضایی در داده‌های مقطعی و ترکیبی (به کمک نرم‌افزار استتا). چاپ اول. ایلام: دانشگاه ایلام.
عسکری، علی و اکبری، نعمت‌الله (1380). روش‌شناسی اقتصادسنجی فضایی (تئوری و کاربرد). مجلۀ جامعه‌شناسی کاربردی، 12(1-2)، 122-93.
عظیمی، سیدرضا (1391). نقش عوامل پایه‌ای و حباب بر نوسانات قیمت مسکن در ایران با استفاده از رویکرد ترکیبی فضایی. رسالۀ دکتری اقتصاد. دانشگاه تهران.
فرهمند، شکوفه و فروغی، فردوس (1390). تحلیل فضایی عوامل مؤثر بر قیمت مسکن در ایران (رهیافت رگرسیون وزنی جغرافیایی). سومین کنفرانس برنامه‌ریزی و مدیریت شهری. مشهد.
قلی‌زاده، علی‌اکبر و بختیاری‌پور، سمیرا (1391). اثر اعتبارات بر قیمت مسکن در ایران. فصلنامۀ مطالعات اقتصادی کاربردی ایران، 1(3)، 180-
قلی‌زاده، علی‌اکبر و کمیاب، بهناز (1394). غرامت‌های بیکاری منطقه‌ای در بازار مسکن استان‌های ایران. پژوهش‌های رشد و توسعۀ پایدار (پژوهش‌های اقتصادی)، 15(3)، 66-
قلی‌زاده، علی‌اکبر و عقیقی، بهاره (1394). اهرم و زمین و نوسانات قیمت مسکن در ایران. فصلنامۀ مطالعات اقتصادی کاربردی ایران، 4(14)، 67-49.
قلی‌زاده، علی‌اکبر (1387). نظریۀ قیمت مسکن در ایران (به زبان ساده). چاپ اول. تهران: نور علم.
لیسج، جیمز و پیس، کلی (1392). مقدمه‌ای بر اقتصادسنجی فضایی. ترجمۀ جلایی اسفندیاری، عبدالمجید و جمشیدنژاد، آرش. چاپ اول. تهران: نور علم.
Anenberg, E. (2011). Loss aversion, equity constraints and seller behavior in the real estate market. Regional Science and Urban Economics, 41(1), 67–76. Anselin, L. (1988). Spatial Econometrics: Methods and Models. Dodrecht. The Netherlands: Kluwer Academic Publishers. Anselin, L. (2003). Spatial externalities, spatial multipliers, and spatial econometrics. International Regional Science Review, 26, 153–166. Aquaro, M., Bailey, N., & Pesaran, M. H. (2021). Estimation and inference for spatial models with heterogeneous coefficients: An application to US house prices. Journal of Applied Econometrics, 36(1), 18-44. Astuti, A. M., Zain, I., & Purnomo, J. D. T. (2020). A Review of Panel Data on Spatial Econometrics Models. In Journal of Physics: Conference Series(Vol. 1490, No. 1, p. 012032). IOP Publishing. Bandt, O., & Malik, S. (2010). Is there evidence of shift-contagion in international housing markets? Banque de France Working Paper 295, Banque de France. Bivand, R., Millo, G., & Piras, G. (2021). A Review of Software for Spatial Econometrics in R. Mathematics, 9, 1276. Brady, R. R. (2014). The spatial diffusion of regional housing prices across US states. Regional Science and Urban Economics, 46: 150–166. Case, K., & Shiller, R. (1988). The behavior of home buyers in boom and post-boom markets. New England Economic Review, Nov, 29–46. Cellmer, R., Cichulska, A., & Bełej, M. (2020). Spatial Analysis of Housing Prices and Market Activity with the Geographically Weighted Regression. International Journal of Geo–Information, 9(6), 380. Cohen, J., Ioannides, Y., & Thanapisitikul, W. (2016). Spatial effects and house price dynamics in the USA. Journal of Housing Economics, 31, 1-13. Cohen, J. P., Ioannides, Y. M., & Thanapisitikul, W. (2016). Spatial effects and house price dynamics in the USA. Journal of Housing Economics, 31, 1-13. Colletaz, G., & Hurlin, C. (2006). Threshold effects of the public capital productivity: an international panel smooth transition approach. Retrieved from: https://halshs.archives-ouvertes.fr/halshs-00008056. DeFusco, A., Ding, W., Ferreira, F., & Gyourko, J. (2018). The role of price spillover in the American housing boom. Journal of Urban Economics, 108, 72-84. Elhorst, J. P. (2021). Cross-section dependence and spillovers in space and time. Journal of Economic Surveys, 35(1), 192–226. Elhorst, J. P. (2017). Spatial Panel Data Analysis, 2nd edition, pp. 2050-2058. Springer International Publishing, Cham, Switzerland. Elhorst, J. P. (2014). Spatial Econometrics: From Cross-sectional Data to Spatial Panels. Berlin. Heidelberg. Elhorst, J. P. (2011). Dynamic spatial panels: models, methods and inferences. Journal of Geographical Systems, 14, 5–28. Genesove, D., & Mayer, C. (2001). Loss aversion and seller behavior: Evidence from the housing market. The Quarterly Journal of Economics, 116(4), 1233–1260. Gillen, K., Thibodeau, T., & Wachter, S. (2001). Anisotropic autocorrelation in house prices. The Journal of Real Estate Finance and Economics, 23(1), 5-30. Gong Y., Boelhouwer, P., & de Haan, J. (2014). Spatial dependence in house prices: Evidence from china’s interurban housing market. Ersa Conference Regional Science Association, 14- 448. González, A., Teräsvirta, T., van Dijk, D., & Yang, Y. (2005). Panel Smooth Transition Regression model. SSE/EFI Working Paper Series in Economics and Finance 604. Stockholm School of Economics. Guo, J., & Qu, X. (2018). Spatial interactive effects on housing prices in Shanghai and Beijin. Regional Science and Urban Economics, 76(C), 147-160. Holly, S., Pesaran, M. H., & Yamagata, T. (2011). The spatial and temporal diffusion of house prices in the UK. Journal of Urban Economics, 69(1), 2-23. Hyun, D., & Milcheva, S. (2017). Spatial dependence in apartment transaction prices during boom and bust. Regional Science and Urban Economics, 68, 36-45. Ioannides, Y. M., & Thanapisitikul, W. W. (2008). Spatial effects and house price dynamics in the continental US. 2014-10-15]. Retrieved from: http://www. tufts. edu/yioannid/IoannidesThanapisitikulSpatEffects-07-08-08. pdf. Kahneman, D., & Egan, P. (2011). Thinking, Fast and Slow (Farrar, Straus and Giroux, New York). Cited on (2011), 15.
Meen, G. (1999). Regional house prices and the ripple effect: A new interpretation. Housing Studies, 14(6), 733–753.
Moralı, O., & Yılmaz, N. (2020). An analysis of spatial dependence in real estate prices. The Journal of Real Estate Finance and Economics?, 1-23.
Mussa, A., Nwaogu, U. G., & Pozo, S. (2017). Immigration and housing: A spatial econometric analysis. Journal of Housing Economics, 35, 13-25.
Oikarinen, E., Bourassa, S. C., Hoesli, M., & Engblom, J. (2018). US metropolitan house price dynamics. Journal of Urban Economics, 105, 54-69.
Pijnenburg, K. (2017). The spatial dimension of US house prices. Urban Studies, 54(2), 466-481.
Thaler, R. H. (1999). Mental accounting matters. Journal of Behavioral Decision Making, 12, 183–206.
Wen, H. et al. (2017). Spatial heterogeneity in implicit housing prices: evidence from Hangzhou, China. Journal of Strategic Property Management, 21(1), 15–28.
Wen, H., Jin, Y., & Zhang, L. (2017). Spatial heterogeneity in implicit housing prices: evidence from Hangzhou, China. International Journal of Strategic Property Management, 21(1), 15-28.
Wood, R. (2003). The information content of regional house prices: Can they be used to improve national house price forecasts? Bank of England Quarterly Bulletin, 43(3), 304–314.
Wu, Y., Wei. Y.D. & Li, H. (2020). Analyzing spatial heterogeneity of housing prices using large datasets, applied spatial analysis and policy. Applied Spatial Analysis and Policy, 13, 223–256.
Xu, Y., & Yang, Z. (2020). Specification tests for temporal heterogeneity in spatial panel data models with fixed effects. Regional Science and Urban Economics. 81, Research Collection School of Economics. Retrieved from:
https://ink.library.smu.edu.sg/ soe_research/2361. Zhang, L., Wang, H., Song, Y., & Wen, H. (2019). Spatial spillover of house prices: An empirical study of the Yangtze Delta urban agglomeration in China. Sustainability, 11(2), 544. | ||
|
آمار تعداد مشاهده مقاله: 327 تعداد دریافت فایل اصل مقاله: 308 |
||