پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 156 |
| تعداد شماره‌ها | 5,992 |
| تعداد مقالات | 65,591 |
| تعداد مشاهده مقاله | 108,116,640 |
| تعداد دریافت فایل اصل مقاله | 84,519,333 |
تحلیل فضایی‌ـ زمانی عوامل مؤثر بر قیمت مسکن (موردشناسی: منطقة 5 شهرداری تهران) | ||
| مجله علمی " آمایش سرزمین " | ||
| دوره 15، شماره 1، فروردین 1402، صفحه 115-130 اصل مقاله (1.43 M) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22059/jtcp.2022.341584.670318 | ||
| نویسندگان | ||
| سعید زالی1؛ پرهام پهلوانی* 1؛ بهناز بیگدلی2 | ||
| 1دانشکدة مهندسی نقشهبرداری و اطلاعات مکانی، دانشکدگان فنی، دانشگاه تهران، تهران، ایران | ||
| 2دانشکدة مهندسی عمران، دانشگاه صنعتی شاهرود، شاهرود، ایران | ||
| چکیده | ||
| در این پژوهش، تحلیل پراکنش فضایی‌ـ زمانی قیمت مسکن در منطقة 5 شهرداری تهران و عوامل مؤثر بر آن بررسی شد. در این زمینه از داده‌های خرید و فروش مسکن در این منطقه در بازة سال‌های 1397، 1398، و 1399 برای مدل‌سازی قیمت مسکن استفاده شد. نتایج تحقیقات با استفاده از روش GTWR به دست آمد که در قیاس با روش‌های GWR و OLS نتایج بهتری را ارائه کرد. میزان ضریب تعیین تعدیل‌شده در الگوریتم‌های OLS، GWR، و GTWR به ترتیب برابر با 759/0، 798/0، و 835/0 حاصل شد. روش GTWR از روش‌هایی است که می‌تواند ناهمگونی‌های فضایی‌ـ زمانی موجود در داده‌های قیمت مسکن را مدل‌سازی کند. بر اساس نتایج به‌دست‌‌آمده 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 عمر بنا، اهمیت بیشتری در مدل‌سازی قیمت مسکن دارند. در نهایت، سطح دسترسی به خدمات شهری‌ـ همچون فاصله از مراکز درمانی، ورزشی، آموزشی، مذهبی، فضای سبز، بزرگراه، و ایستگاه‌های حمل‌ونقل شهری‌ـ میتوانند مدل‌سازی قیمت مسکن را بهبود بخشند. یافته‌های این پژوهش نشان می‌دهد در صورت بهره بردن از قیمت دلار به عنوان متغیر مستقل می‌توان با دقت مناسبی به مدل‌سازی قیمت مسکن پرداخت. | ||
| کلیدواژه‌ها | ||
| تهران؛ رگرسیون وزن‌دار جغرافیایی؛ رگرسیون وزن‌دار جغرافیایی‌ـ زمانی؛ قیمت مسکن؛ منطقة 5 | ||
| عنوان مقاله [English] | ||
| A Spatial-Temporal Analysis of the Factors Effective on Housing Prices (Case study: District 5 of Tehran Municipality) | ||
| نویسندگان [English] | ||
| Saeed Zali1؛ Parham Pahlavani1؛ Behnaz Bigdeli2 | ||
| 1School 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 spatial-temporal distribution analysis of housing prices in District 5 of Tehran Municipality and the factors effective on it were investigated. To this end, the data related to housing buying and selling in this district in the years 2018, 2019, and 2020 were used to model the housing price. The results were obtained using GTWR method, which gave in a better measure compared to GWR and OLS methods. The adjusted coefficient of determination in OLS, GWR, and GTWR algorithms were found to be 0.759, 0.798, and 0.835, respectively. GTWR is a method that can model the spatial-temporal heterogeneities that exist in the housing price data. Based on the obtained results, the currency exchange rate (dollar to rial) has the highest effect on modeling housing prices. After that, the physical characteristics of housing – such as its footage and age – are important in modeling housing prices. Finally, the access rate to urban services – such as distance to hospitals, sports centers, educational centers, religious sites, green space, highways, and urban public transportation stations – can improve the modeling of housing prices. The findings of this study show that using dollar-to-rial exchange rate as the independent variable, we can model the housing price with a proper precision. | ||
| کلیدواژه‌ها [English] | ||
| Tehran, Geographically weighted Re-gression, Geographically and temporally Weighted regression, Housing prices, District 5 | ||
| مراجع | ||
|
پورمحمدی، م.؛ ه. حکیمی؛ ع. میرزایی (1396). «بررسی رابطة بین تراکم ساختمانی با قیمت زمین (مطالعة موردی: منطقة 1 کلان‌شهر تبریز)»، جغرافیا و توسعة فضای شهری، 4(2(پیاپی 7))، ص 169 ـ 188.
پیشگر، الهه؛ علی‌رضا محمدی، (1399). «تحلیلی بر تغییرات نماگرهای مسکن در کلان‌شهر تهران طی دورة 1398 ـ 1388»، اقتصاد و برنامه‌ریزی شهری، 1(2)، ص 106 ـ 118.
کوه‌پیما، ج.؛ م. ارگانی؛ ن. نیسانی سامانی (1396). «تخمین قیمت آپارتمان با استفاده از رگرسیون خطی و وزن‌دار جغرافیایی (مطالعة موردی: منطقة 6 شهر تهران)»، پژوهش‌های جغرافیای برنامه‌ریزی شهری، 8(2)، ص 347 ـ 369.
رهنما، م.؛ ا. اسدی؛ م. رضوی (1392). «تحلیل فضایی قیمت مسکن با استفاده از رگرسیون وزنی جغرافیایی (مطالعة موردی: شهر مشهد)»، پژوهش‌های بوم‌شناسی شهری، 4(7)، ص 73 ـ 84.
حاتمی‌نژاد، حسین؛ لیلا واحدیان بیکی؛ زیبا پرنون (1393). «سنجش الگوی توزیع فضایی خدمات شهری در منطقة ۵ شهر تهران به کمک مدل آنتروپی و ویلیامسون»، تحقیقات جغرافیایی، ۲۹(۳)، ص ۱۷ ـ ۲۸.
سوری، د.؛ س. منیری‌جاوید (1390). «مدل تعیین قیمت مسکن، کاربردی از روش رگرسیون موزون جغرافیایی»، مدیریت شهری، 9(ویژه‌نامه)، ص 7 ـ 28.
شعبان‌پور، زهرا؛ اصغر شکرگزار؛ مریم جعفری مهرآبادی (1398). «بررسی عوامل مؤثر بر قیمت مسکن (مطالعة موردی: شهر رشت)»، آمایش محیط، 12(46)، ص 63 ـ 82.
صارمی، ح.؛ م. حیدری؛ ف. آقایی (1397). «تحلیل فضایی قیمت مسکن با استفاده از تکنیک رگرسیون موزون جغرافیایی (مورد مطالعه: منطقة 2 شهرداری تهران)»، اقتصاد شهری، 3(2 (پیاپی 5))، ص 19 ـ 38.
کاغذیان، س.؛ ی. نقدی؛ ح. پاشایی (1394). «بررسی تأثیر نوسانات نرخ ارز بر سرمایه‌گذاری بخش مسکن در ایران»، راهبرد اقتصادی، 4(12)، ص 181 ـ 196.
کوزه‌چی، هادی (1393). استراتژی سرمایه‌گذاری در بازار مسکن ایران با تمرکز بر تحولات و چشم‌انداز 1393 و 1394، تهران، دنیای اقتصاد.
ملکی، بهروز (1395). تحلیل بازار مسکن ایران، تهران، سازمان مدیریت صنعتی.
نعمتی، مرتضی؛ رضا صالحی؛ غلام‌حسین حمیدی (1390). «ارزیابی و سطح‌بندی توسعه‌یافتگی مناطق شهری بر پایة تکنیک TOPSIS و GIS (مطالعة موردی: مناطق 22گانة شهر تهران)»، اندیشة جغرافیا، 5(10)، ص 103 ـ 125.
نیک‌پور، ع.؛ م. رضازاده؛ ف. الهقلی تبارنشلی (1398). «تحلیل نقش عوامل مؤثر بر قیمت زمین با استفاده از مدل رگرسیون وزنی جغرافیایی (GWR) (موردشناسی: شهر بابلسر)»، جغرافیا و آمایش شهری ـ منطقه‌ای، 9(31)، ص 93 ـ 112.
Bitter, C., Mulligan, G., & Dall’erba, S. (2007). “Incorporating Spatial Variation in Housing Attribute Prices: A Comparison of Geographically Weighted Regression and the Spatial Expansion Method”, Journal of Geographical Systems, 9, pp. 7-27.
Foody, G.M. (2004). “Thematic map comparison: Evaluating the statistical significance of differences in classification accuracy”, Photogrammetric Engineering and Remote Sensing, 70, pp. 627-633.
Fotheringham, A., Crespo, R., & Yao, J. (2015). “Exploring, modelling and predicting spatiotemporal variations in house prices”, The Annals of Regional Science, 54, pp. 417-436.
Geng, J., Cao, K., Yu, L., & Tang, Y. (2011). “Geographically Weighted Regression model (GWR) based spatial analysis of house price in Shenzhen”, Proceedings - 19th International Conference on Geoinformatics, 2011, pp. 1-5.
Hataminejad, H., Vahedian Beiki, L., Parnoon, Z. (2014). “The spatial distribution pattern of urban services measurement in fifth region of Tehran using Entropy and Williamson models”, GeoRes, 29(3), pp.17-28. (in Persian)
Heyman, A. & Sommervoll, D. (2019). “House prices and relative location”, Cities, 95, 102373.
Huang, B., Wu, B., & Barry, M. (2010). “Geographically and temporally weighted regression for modeling spatio-temporal variation in house prices”, International Journal of Geographical Information Science, 24(3), pp. 383-401.
Huang, B., Zhang, L., & Wu, B. (2009). “Spatiotemporal analysis of rural–urban land conversion”, International Journal of Geographical Information Science, 23(3), pp. 379-398.
Kaghaziyan, S., Naghadi, Y., & Pashaei, H. (2015). “An Analysis of the Effects of Exchange Rate Fluctuations on Housing Investment in Iran”, Economic Strategy, 4(12), pp. 181-196. (in Persian)
Koohpayma, J., Argany, M., & Samani, N. (2020). “Apartments Price Estimation using Linear and Geographically Weighted Regression (Case Study: District six of Tehran city)”, Geographical Urban Planning Research (GUPR), 8(2), pp. 347-369. (in Persian)
Kozechi, H. (2014). Investment strategy in the Iranian housing market Focus on developments and prospect for 2014 and 2015, Tehran, The world of economy Press. (in Persian)
Liu, J., Yang, Y., Xu, S., Zhao, Y., Wang, Y., & Zhang, F. (2016). “A Geographically Temporal Weighted Regression Approach with Travel Distance for House Price Estimation”, Entropy, 18, 303.
Maleki, B. (2016). Iran housing market analysis, Tehran, Industrial management institute Press. (in Persian)
Nemati, M., Salehi, R., & Hamidi, G. (2011). “Evaluation and ranking of urban development based on TOPSIS and GIS techniques (Case Study: Tehran's 22 regions)”, Geographic Thought, 5(10), pp. 103-125. (in Persian)
Nikpour, A., Rezazadeh, M., & Allahgholi Tabar Nashli, F. (2019). “Analysis of the role of factors affecting land prices using geographically weighted regression model (A case study for Babolsar City, Iran)”, Journal of Geography and Urban Planning, 9, pp. 93-112. (in Persian)
Pishgar, E. & Mohammadi, A. (2020). “An analysis of changes in housing indicators in the metropolis of Tehran during the period 2009-2019”, Urban Economics and Planning, 1(2), pp. 106-118. (in Persian)
Pourmohammadi, M., Hakimi, H., & Mirzaie, A. (2018). “Studying the Relationship between Building Density and Land Price: Case Study of the Municipal Zone 1 of Tabriz Metropolis”, Journal of Geography and Urban Space Development, 4, pp. 169-188. (in Persian)
Rahnama, M. R., Asadi, A., & Razavi, M. M. (2014). “Spatial Analysis of Mashhad’s House Price Using Geographically Weighted Regression”, Urban ecology research, 4, pp. 73-84. (in Persian)
Saremi, H., Heydari, M., & Aghaei, F. (2018). “A Spatial Analysis of Housing Prices Using Geographically Weighted Regression (A Case Study for District 2 of Tehran Metropolitan City, Iran)”, Urban Economics, 3, pp. 19-38. (in Persian)
Shabanpoor, Z., Shokrgozar, A., & Jafarimehrabi, M. (2019). “Factors Affecting the Prices of Housing (A Case Study of Rasht)”, Territorial Planning, 12(46), pp. 63-82. (in Persian)
Sori, D. & Moniri Javid, S. (2011). “Estate pricing model, an application of geographic
balanced regression”, Urban Management, 9, pp. 28-27. (in Persian)
Tobler, W. R. (1970). “A Computer Movie Simulating Urban Growth in the Detroit Region”, Economic Geography, 46(sup1), pp. 234-240. | ||
|
آمار تعداد مشاهده مقاله: 349 تعداد دریافت فایل اصل مقاله: 158 |
||