سامانه پشتیبانی خدمات اطلاعات

  اخبار و اعلانات

 آمار

تعداد نشریات155
تعداد شماره‌ها5,987
تعداد مقالات65,527
تعداد مشاهده مقاله108,019,217
تعداد دریافت فایل اصل مقاله84,450,415
زالی, سعید, پهلوانی, پرهام, بیگدلی, بهناز. (1402). پیش بینی قیمت واحدهای مسکونی منطقة 5 شهرداری تهران با در نظر گرفتن نوسانات بازار ارز. , (), -. doi: 10.22059/jtcp.2023.358484.670388
سعید زالی; پرهام پهلوانی; بهناز بیگدلی. "پیش بینی قیمت واحدهای مسکونی منطقة 5 شهرداری تهران با در نظر گرفتن نوسانات بازار ارز". , , , 1402, -. doi: 10.22059/jtcp.2023.358484.670388
زالی, سعید, پهلوانی, پرهام, بیگدلی, بهناز. (1402). 'پیش بینی قیمت واحدهای مسکونی منطقة 5 شهرداری تهران با در نظر گرفتن نوسانات بازار ارز', , (), pp. -. doi: 10.22059/jtcp.2023.358484.670388
زالی, سعید, پهلوانی, پرهام, بیگدلی, بهناز. پیش بینی قیمت واحدهای مسکونی منطقة 5 شهرداری تهران با در نظر گرفتن نوسانات بازار ارز. , 1402; (): -. doi: 10.22059/jtcp.2023.358484.670388

پیش بینی قیمت واحدهای مسکونی منطقة 5 شهرداری تهران با در نظر گرفتن نوسانات بازار ارز

مجله علمی " آمایش سرزمین "
مقالات آماده انتشار، پذیرفته شده، انتشار آنلاین از تاریخ 30 اردیبهشت 1402
نوع مقاله: مقاله پژوهشی
شناسه دیجیتال (DOI): 10.22059/jtcp.2023.358484.670388
نویسندگان
سعید زالی1؛ پرهام پهلوانی* 1؛ بهناز بیگدلی2
1گروه GIS، دانشکده مهندسی نقشه برداری و اطلاعات مکانی، پردیس دانشکده های فنی دانشگاه تهران
2دانشکده مهندسی عمران، دانشگاه صنعتی شاهرود
چکیده
قیمت مسکن یکی از شاخص‌هایی است که شناخت عوامل مؤثر بر آن برای افزایش کارایی طرح‌ها و ارائة راهبردها و سیاست‌های برنامه ریزی مسکن، کمک شایانی می‌کند. با وجود نوسان‌های فراوان نرخ ارز در سال‌های اخیر لزوم استفاده از مدلی که در آن علاوه بر ویژگی‌های مسکن، به عوامل اقتصادی تأثیرگذار بر قیمت مسکن از جمله نرخ ارز توجه شود، بیش از پیش احساس می‌شود. از آنجا که مدلسازی قیمت مسکن از جمله مسائلی است که دارای مؤلفة مکانی می‌باشد، لذا می‌‌بایست در ارائه مدل مربوط به قیمت مسکن، به مکان قرارگیری آن نیز توجه شود. لذا در این پژوهش، تحلیل پراکنش فضایی 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 رگرسیون وزندار جغرافیایی چند مقیاسه (MGWR:Multiscale Geographically Weighted Regression) به دست آمده ‌است که در قیاس با روش‌های رگرسیون وزندار جغرافیایی (GWR:Geographically Weighted Regression) و حداقل مربعات معمولی (OLS:Ordinary Least Squares) نتایج بهتری را ارائه نمود. میزان ضریب تعیین تعدیل‌شده در الگوریتم‌های OLS، GWR و MGWR به ترتیب برابر با 762/0، 821/0 و 853/0 حاصل گردید. در این راستا روش MGWR توانست ناهمگونی‌های فضایی 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.
کلیدواژه‌ها
قیمت مسکن؛ رگرسیون وزندار جغرافیایی چندمقیاسه؛ رگرسیون وزندار جغرافیایی؛ تهران؛ منطقه 5
عنوان مقاله [English]
Forecasting the price of residential units in District 5 of Tehran Municipality, taking into account the fluctuations of the currency market
نویسندگان [English]
Saeed Zali1؛ Parham Pahlavani1؛ Behnaz Bigdeli2
1Department of GIS, School of Surveying and Geospatial Information, College of Engineering, University of Tehran, Tehran, Iran
2School of Civil Engineering, Shahrood University of Technology, Shahrood, Iran.
چکیده [English]
Housing prices are one of the indicators that identify the factors affecting it could help to increase the efficiency of plans and to present housing planning strategies and policies. Despite many exchange rate fluctuations in recent years, there is a need to create a model that pays an attention to the economic factors affecting housing prices in addition to the ordinary housing features. Since the housing price modeling is one of the issues that has a spatial component, therefore, in presenting the model related to housing prices, its location should also be considered. Therefore, in this study, the analysis of the spatial distribution of housing prices in district 5 of Tehran municipality and the factors affecting that 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 have been obtained by the Multiscale Geographically Weighted Regression (MGWR) method, which provided better results compared to those by both the Geographically Weighted Regression (GWR) and Ordinary Least Squares (OLS) methods. The adjusted coefficient of determination in OLS, GWR, and MGWR algorithms was obtained equal to 0.762, 0.821, and0.853, respectively. The MGWR method is one of the methods that can model the spatial heterogeneity of housing prices data. According to the results, exchange rate variable (dollar price) has the greatest impact on housing price modeling.
کلیدواژه‌ها [English]
Housing prices, Multiscale Geographically Weighted Regression, Geographically weighted regression, Tehran, District 5
آمار
تعداد مشاهده مقاله: 66


سامانه مدیریت نشریات علمی. قدرت گرفته از سیناوب