تحلیل وابستگی فضایی قیمت مسکن بین نواحی 22 گانه شهر تهران

اقتصاد و توسعه منطقه ای

مقاله 5، دوره 28، پاییز و زمستان 22، اسفند 1400، صفحه 110-130   

نوع مقاله: مقاله پژوهشی

شناسه دیجیتال (DOI): 10.22067/erd.2022.72814.1073

نویسندگان

بهرام حکمت¹؛ شکوفه فرهمند^{* 2}؛ نعمت الله اکبری³

¹دانشجوی دکتری اقتصاد دانشگاه اصفهان

²دانشیار گروه اقتصاد دانشگاه اصفهان

³استاد گروه اقتصاد دانشگاه اصفهان

چکیده

چکیده
به دلیل اهمیت نقش مسکن در اقتصاد، بخصوص در کلان‌شهری مانند تهران، تحلیل قیمت مسکن و شناخت عوامل تأثیرپذیر بر روی قیمت مسکن از اهمیت خاصی برخوردار است. مطالعات مختلف نشان می‌دهند که تغییرات قیمت مسکن در یک ناحیه از نواحی مجاور خود تأثیرپذیر است؛ بنابراین تحلیل قیمت مسکن بدون در نظر گرفتن تفکر فضایی عاری از خطا نخواهد بود. در این مقاله با استفاده از اقتصادسنجی فضایی، به تحلیل قیمت مسکن بین نواحی 22 گانه شهر تهران پرداخته شد. در این راستا، متغیرهای تعیین‌کننده نرخ رشد قیمت مسکن در نواحی 22 گانه شهر تهران به کمک مدل خود رگرسیون فضایی اثر ثابت پویا  مشخص شدند. نتایج حاکی از یک نوع وابستگی فضایی نرخ رشد قیمت مسکن بین نواحی شهر تهران بوده است. متغیرهای نرخ رشد جمعیت و نرخ رشد درآمد سرانه اثر معنا‌دار مثبتی بر روی نرخ رشد قیمت مسکن دارند. متغیر تعداد پروانه‌های ساختمانی اثر منفی بر روی قیمت مسکن داشته است. رابطه معناداری بین قیمت مسکن و نرخ بیکاری یافت نشد. نتایج وجود یک همبستگی فضایی نرخ رشد قیمت مسکن در بین نواحی 22 گانه را تأیید می‌کند. در واقع تغییرات نرخ رشد قیمت مسکن در یک ناحیه از نرخ رشد قیمت مسکن نواحی هم‌جوار خود اثر مثبتی می‌پذیرد. بر اساس نمودار موران محلی مشخص شد، همبستگی فضایی نرخ رشد قیمت مسکن در نواحی جنوب شهر با نواحی شمال شهر تهران متفاوت است.

کلیدواژه‌ها

"قیمت مسکن؛ وابستگی فضایی؛ پانل اثر‌ثابت؛ مدل فضایی پویا

سایر فایل های مرتبط با مقاله

chkide 22.pdf

مراجع

 

References

 ‏Anselin, L. (1988). Spatial econometrics: methods and models (Vol. 4). Springer Science & Business Media.‏

Anselin, L. (2003). Spatial externalities, spatial multipliers, and spatial econometrics. International regional science review, 26(2), 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, March). A Review of Panel Data on Spatial Econometrics Models. In Journal of Physics: Conference Series (Vol. 1490, No. 1, p. 012032). IOP Publishing.

Brady, R. R. (2014). The spatial diffusion of regional housing prices across US states. Regional Science and Urban Economics, 46, 150-166.

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. P., Ioannides, Y. M., & Thanapisitikul, W. W. (2016). Spatial effects and house price dynamics in the USA. Journal of Housing Economics, 31, 1-13.‏

DeFusco, A., Ding, W., Ferreira, F., & Gyourko, J. (2018). The role of price spillovers in the American housing boom. Journal of Urban Economics, 108, 72-84.‏

Elhorst, J. P. (2014). Dynamic spatial panels: models, methods and inferences. In Spatial econometrics (pp. 95-119). Springer, Berlin, Heidelberg.‏

Elhorst, J. P. (2014). Spatial econometrics from cross-sectional data to spatial panels. Springer.‏

Elhorst, J. P. (2017). Spatial Panel Data Analysis. Encyclopedia of GIS, 2, 2050-2058.‏

Genesove, D., & Mayer, C. (2001). Loss aversion and seller behavior: Evidence from the housing market. The quarterly journal of economics, 116(4), 1233-1260.

Gong, Y., Boelhouwer, P., & de Haan, J. (2014). Spatial Dependence in House Prices: Evidence from China's Interurban Housing Market.‏

Guo, J., & Qu, X. (2019). Spatial interactive effects on housing prices in Shanghai and Beijing. Regional Science and Urban Economics, 76, 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. (2018). Spatial dependence in apartment transaction prices during boom and bust. Regional Science and Urban Economics, 68, 36-45.‏,

Khalili Iraqi, Mansour and Mehrara, Mohsen. (2013). The Effect of Spatial Diffusion of Housing Price Changes in Iran Using Spatial Interruption Model and Combined Data. Quarterly Journal of Economic Research and Policy. No. 67, Fall 2013, Pages 48 - 25. (In persian)

Lassage, James and Pace, Kelly. (2009). Introduction to Space Sanpi Economics, translated by Jalaei Esfandiari. Abdolmajid and Jamshid Nejad, Arash, Noor Alam Publications.First Edition, 2013. (In persian)

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.‏

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.‏

Poor, Mohammadi, Mohammad, Reza et al. (2018). A comparative study of geographical weight regression approaches and ordinary squares in estimating place models. Journal of Geographical Research and Mapping. 23 (63), 76-53. (In persian)

Saremi, H., Heydari, M., & Aghaei, F. (2018). Spatial analysis of housing price using geographically weighted regression (A case study in District 2 of Tehran Metropolitan City, Iran). Urban Economics, 3(2), 19-38. (In persian)

Taleblou, R., Mohamadi, T., & Pirdayeh, H. (2017). Analysis of Spatial Diffusion of Housing Price Changes in Iranian Provinces; Spatial Econometrics Approach. (In persian)‏

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.‏

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.