تحلیل فضایی- زمانی عوامل مؤثر بر قیمت مسکن (موردشناسی: منطقۀ 5 شهرداری تهران) (مقاله علمی وزارت علوم)
درجه علمی: نشریه علمی (وزارت علوم)
آرشیو
چکیده
در این پژوهش، تحلیل پراکنش فضایی زمانی قیمت مسکن در منطقه 5 شهرداری تهران و عوامل مؤثر بر آن بررسی شد. در این زمینه از داده های خرید و فروش مسکن در این منطقه در بازه سال های 1397، 1398، و 1399 برای مدل سازی قیمت مسکن استفاده شد. نتایج تحقیقات با استفاده از روش GTWR به دست آمد که در قیاس با روش های GWR و OLS نتایج بهتری را ارائه کرد. میزان ضریب تعیین تعدیل شده در الگوریتم های OLS، GWR، و GTWR به ترتیب برابر با 759/0، 798/0، و 835/0 حاصل شد. روش GTWR از روش هایی است که می تواند ناهمگونی های فضایی زمانی موجود در داده های قیمت مسکن را مدل سازی کند. بر اساس نتایج به دست آمده متغیر نرخ ارز (قیمت دلار) بیشترین تأثیر را در مدل سازی قیمت مسکن دارد. پس از متغیر نرخ ارز، ویژگی های فیزیکی مسکن، همچون مساحت واحد مسکونی و عمر بنا، اهمیت بیشتری در مدل سازی قیمت مسکن دارند. در نهایت، سطح دسترسی به خدمات شهری همچون فاصله از مراکز درمانی، ورزشی، آموزشی، مذهبی، فضای سبز، بزرگراه، و ایستگاه های حمل ونقل شهری می توانند مدل سازی قیمت مسکن را بهبود بخشند. یافته های این پژوهش نشان می دهد در صورت بهره بردن از قیمت دلار به عنوان متغیر مستقل می توان با دقت مناسبی به مدل سازی قیمت مسکن پرداخت.A Spatial-Temporal Analysis of the Factors Effective on Housing Prices (Case study: District 5 of Tehran Municipality)
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.
تبلیغات
