پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 152 |
| تعداد شماره‌ها | 5,705 |
| تعداد مقالات | 62,617 |
| تعداد مشاهده مقاله | 103,415,938 |
| تعداد دریافت فایل اصل مقاله | 81,416,704 |
تحلیل فضایی زمانی عوامل مؤثر بر قیمت مسکن، مورد شناسی: منطقة 5 شهرداری تهران | ||
| مجله علمی " آمایش سرزمین " | ||
| مقالات آماده انتشار، پذیرفته شده، انتشار آنلاین از تاریخ 30 خرداد 1401 | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22059/jtcp.2022.341584.670318 | ||
| نویسندگان | ||
سعید زالی1؛ پرهام پهلوانی  1؛ بهناز بیگدلی2
| ||
| 1گروه GIS، دانشکده مهندسی نقشه برداری و اطلاعات مکانی، دانشکدگان فنی دانشگاه تهران | ||
| 2دانشکده مهندسی عمران، دانشگاه صنعتی شاهرود | ||
| چکیده | ||
| در این پژوهش، تحلیل پراکنش فضایی زمانی قیمت مسکن در منطقة 5 شهرداری تهران و عوامل مؤثر بر آن بررسی شده است. در این راستا از داده‌های خرید و فروش مسکن در این منطقه در بازه سال‌های 1397، 1398 و 1399 برای مدل سازی قیمت مسکن استفاده شده است. نتایج تحقیقات با استفاده از روش GTWR به دست آمده است که در قیاس با روش‌های GWR و OLS نتایج بهتری را ارائه نمود. میزان ضریب تعیین تعدیل‌شده در الگوریتم‌های OLS، GWR و GTWR به ترتیب برابر با 759/0، 798/0 و 835/0 حاصل گردید. روش GTWR از جمله روش‌هایی است که می‌تواند ناهمگونی‌های فضایی زمانی موجود در داده‌های قیمت مسکن را مدلسازی نماید. بر اساس نتایج به دست آمده متغیر نرخ ارز (قیمت دلار) بیشترین تأثیر را در مدلسازی قیمت مسکن دارد. پس از متغیر نرخ ارز، ویژگی‌های فیزیکی مسکن همچون مساحت واحد مسکونی و عمربنا اهمیت بیشتری در مدلسازی قیمت مسکن دارند. در نهایت سطح دسترسی به خدمات شهری همچون فاصله از مراکز درمانی، ورزشی، آموزشی، مذهبی، فضای سبز، بزرگراه و ایستگاه‌های حمل و نقل شهری می‌توانند مدلسازی قیمت مسکن را بهبود بخشند. یافته‌های این پژوهش نشان می‌دهد، در صورت بهره‌بردن از قیمت دلار به عنوان متغیر مستقل، می‌توان با دقت مناسبی به مدلسازی قیمت مسکن پرداخت. | ||
| کلیدواژه‌ها | ||
| رگرسیون وزندار جغرافیایی زمانی؛ رگرسیون وزندار جغرافیایی؛ قیمت مسکن؛ تهران؛ منطقه 5 | ||
| عنوان مقاله [English] | ||
| A spatiotemporal analysis of factors affecting housing prices, a case study: district 5 of Tehran Metropolitan City, Iran | ||
| نویسندگان [English] | ||
| Saeed Zali1؛ Parham Pahlavani1؛ Behnaz Bigdeli2 | ||
| 1Department of GIS, School of Surveying and Geospatial Engineering, College of Engineering, University of Tehran, Tehran, Iran | ||
| 2School of Civil Engineering, Shahrood University of Technology, Shahrood, Iran. | ||
| چکیده [English] | ||
| In this study, the analysis of spatiotemporal distribution of housing prices in the fifth district of Tehran and the factors affecting it have been investigated. In this regard, housing sales data in this region in 2018, 2019 and 2020 have been used to model housing prices. The research results been obtained using the GTWR method, which provided better results compared to the GWR and OLS methods. The adjusted coefficient of determination in OLS, GWR and GTWR algorithms was obtained equal to 0.759, 0.798 and 0.835, respectively. The GTWR method is one of the methods that can modeling the spatiotemporal heterogeneity of housing prices data. According to the results, exchange rate factor (dollar price) has the greatest impact on housing price modeling. After the exchange rate, the physical characteristics of housing such as the area of the housing unit and the building age were more important in modeling housing prices. Finally, the level of access to urban services such as distance from medical, sports, educational, religious centers, green space, highway and urban transportation stations can improve housing price modeling. The findings of this study show that if the dollar price is used as an independent variable, housing prices can be modeled with appropriate accuracy. | ||
| کلیدواژه‌ها [English] | ||
| Geographically and temporally weighted regression, Geographically weighted regression, Housing prices, Tehran, fifth region | ||
|
آمار تعداد مشاهده مقاله: 162 |
||
