خلاصه

در این مقاله سعی شده است تا از نقشه های فضایی به عنوان راهی برای ارائه اطلاعات تکمیلی در مورد پدیده های رخ داده در بازار مسکن استفاده شود. به نظر ما نقشه‌های فضایی می‌تواند درک را تسهیل کند و اطلاعات دقیق‌تری را ارائه دهد که بدون شک باید شفافیت بازار مسکن را افزایش دهد. این مطالعه از 12219 معامله آپارتمان در پوزنان در سال های 2013-2017 استفاده کرد. اصول کلی فعالیت تجسم قیمت و پویایی بازار مسکن در این مطالعه ایجاد شد. نقشه قیمت ها ممکن است منعکس کننده مقادیر مکان تعیین شده توسط کیفیت زیرساخت شهری، فاصله از مکان های خاص و عوامل محیطی باشد. نقشه های فعالیت بازار مناطقی را که بازار به صورت پویا در حال توسعه است را نشان می دهد. در حالی که اطلاعات در مورد روند تعداد معاملات و تغییرات قیمت ممکن است جذابیت رو به رشد یا کاهشی مناطق را نشان دهد. این تحقیق بر اساس مدلی از رگرسیون لذت‌گرا در قالب حداقل مربعات معمولی (OLS)، رگرسیون چندک (QR) و رگرسیون وزن‌دار جغرافیایی (GWR) است. نقشه های ارائه شده باید شفافیت بازار مسکونی را افزایش دهند (به عنوان مثال، با ارائه اطلاعات دقیق تر). با این حال، باید در نظر داشت محدودیت‌هایی در استفاده از این روش‌ها ناشی از تعداد کم معاملات در یک بازار نازک است. نقشه های ارائه شده باید شفافیت بازار مسکونی را افزایش دهند (به عنوان مثال، با ارائه اطلاعات دقیق تر). با این حال، باید در نظر داشت محدودیت‌هایی در استفاده از این روش‌ها ناشی از تعداد کم معاملات در یک بازار نازک است. نقشه های ارائه شده باید شفافیت بازار مسکونی را افزایش دهند (به عنوان مثال، با ارائه اطلاعات دقیق تر). با این حال، باید در نظر داشت محدودیت‌هایی در استفاده از این روش‌ها ناشی از تعداد کم معاملات در یک بازار نازک است.

کلید واژه ها:

بازار مسکن ; شفافیت بازار ؛ نقشه قیمت

1. معرفی

بازار مسکونی در سال 2015 حدود 75 درصد از ارزش بازار املاک و مستغلات و 44 درصد از ارزش دارایی های مهم جهان را به خود اختصاص داده است [ 1 ]. در عین حال، تعداد افراد صاحب خانه در دهه های اخیر به دلیل آزادسازی بازارهای اعتبار مسکن و همچنین تغییرات اجتماعی و سیاسی در کشورها به طور قابل توجهی افزایش یافته است [ 2 ].
بازار مسکن بدون شک حیاتی ترین بخش بازار املاک و مستغلات است که در کنار سایر موارد، مسکن کالایی است که از سایر کالاهای تولید و مصرف انسان متمایز است. یک نیاز اساسی که سرپناه است را برآورده می کند. لازم به ذکر است که آپارتمان یک کالای بسیار سرمایه بر است که در مرحله رفع این نیاز مشکل ایجاد می کند. از این رو، ارضای کل مجموعه نیازهای مرتبط با آن جایگاه مهمی در بودجه خانوارها دارد. با توجه به موارد فوق و همچنین ناقص بودن بازار مسکن، تصمیمات سرمایه گذاری خانوارها در شرایط عدم دسترسی به اطلاعات کامل اتخاذ می شود.
دلایل اصلی کارایی پایین بازار املاک و مستغلات در درجه اول عبارتند از [ 3 ]: ماهیت محلی بازار املاک، تعداد نسبتاً کم معاملات انجام شده در این بازار، اختلاف قابل توجه در انتظارات فعالان بازار، نقش گسترده. موسسات مالی و منحصر به فرد بودن و عدم مقایسه سرمایه گذاری ها در این بازار. علاوه بر این، به عنوان لینمن [ 4] خاطرنشان می کند، فقدان تجربه خریداران و فروشندگان، تفاوت های قابل توجه در وضعیت فنی ساختمان ها یا انگیزه های غیر سرمایه گذاری برای سرمایه گذاری ممکن است منجر به عدم تناسب قابل توجهی در اطلاعات در بازار املاک و مستغلات شود. فرضیه بازار موثر به مقوله بازار کامل اشاره دارد که ارتباط تنگاتنگی با شرایط رقابت آزاد دارد.
نقص بازار املاک و مستغلات بدون شک از منحصر به فرد بودن املاک و مستغلات به عنوان یک کالا و به ویژه از ویژگی فیزیکی ناتوانی در انتقال املاک و مستغلات در فضا و عرضه سفت و سخت مرتبط ناشی می شود. ناقص بودن بازار املاک و مستغلات نیز با این واقعیت مشخص می شود که معاملات در این بازار به سرمایه مالی زیادی از جمله تأمین مالی خارجی نیاز دارد. در این شرایط نرخ بهره و در دسترس بودن وام تاثیر بسزایی بر قیمت دارد. اغلب رفتارهای نامعقولی از خریداران و فروشندگان وجود دارد که تصمیم خود را صرفاً بر اساس قیمت نمی گیرند. اغلب مد، محله، سنت یا تبلیغات است که تصمیم می گیرد. عدم شفافیت این بازار نیز تحت تأثیر تعداد زیادی از معاملات خصوصی است. مسیری که معمولاً فاش نشده باقی می ماند. شفافیت اطلاعات محدود بازار مسکونی به این معنی است که اکثر خریداران و فروشندگان اطلاعات کافی در مورد قیمت ملک در زمان تصمیم گیری خرید و فروش ندارند، زیرا به دست آوردن آن کار فشرده است و نیاز به تجربه حرفه ای دارد. علاوه بر این، بازار املاک و مستغلات یک منطقه مداخله عمومی گسترده است [5 ].
مفهوم شفافیت اغلب نامشخص است و معانی مختلفی دارد و جنبه های مختلفی از شفافیت را می توان در حوزه های مختلف یافت [ 6 ]. به گفته شولت و همکاران. [ 7 ] (ص 91): «بازارهای املاک و مستغلات را زمانی می توان شفاف توصیف کرد که مشخص شود مکانیسم های بازار و متغیرهای پشت این مکانیسم ها چگونه کار می کنند، یعنی زمانی که در هر مقطع زمانی تا حد امکان اطلاعات در دسترس باشد. ” از نظر بازار املاک و مستغلات، این امر منجر به لزوم دستیابی به داده های قابل اعتماد مربوط به بازارهای فرعی زیر می شود: بازار اجاره، بازار سرمایه گذاری، بازار ملک و ساختمان و بازار سرمایه.
شفافیت املاک و مستغلات هم در بازارهای محلی و هم در بازارهای جهانی در حال افزایش است. به طور کلی، شواهد قوی از بهبود شفافیت بازارهای املاک و مستغلات اروپا با این واقعیت نشان داده می شود که برخی از بازارهای در حال توسعه اروپایی در میان بهبود دهندگان برتر هستند [ 8 ، 9 ].
لیندکویست [ 6 ] پنج جنبه از شفافیت در معاملات املاک مسکونی را تشخیص می دهد: شفافیت در رویه های معاملات، از جمله دسترسی به اطلاعات و کمک در فرآیند. شفافیت در اطلاعات حقوقی؛ شفافیت در تامین مالی؛ شفافیت در مالیات؛ و شفافیت در هزینه های مبادله.
پیشرفت‌های تکنولوژیکی اخیر و بهبود روش‌های جمع‌آوری داده‌ها، پیشرفت‌های زیادی را از دیدگاه کاربردی و تحلیلی برای تحلیل املاک و مستغلات به ارمغان آورده است [ 10 ]. حجم وسیعی از داده ها برای پیش بینی روند بازار جمع آوری، تبدیل و تجزیه و تحلیل می شوند.
علاوه بر این، دسترسی به منابع عمومی آسان تر شده است. در بسیاری از کشورها، داده‌های املاک و مستغلات به طور قابل توجهی از نظر پوشش جغرافیایی، عمق، جزئیات، در دسترس بودن اطلاعات جدید، ارز اطلاعات و یکپارچگی و دقت کلی منابع داده‌های موجود بهبود یافته است [ 11 ].]. در مورد لهستان، تغییر گسترده ای در امکان به دست آوردن اطلاعات در مورد معاملات املاک رخ داد. امروزه دسترسی به این داده ها به صورت الکترونیکی از سازمان ثبت اسناد و املاک آسان است، در حالی که 10 سال پیش نیاز بود که اطلاعات معاملات ملکی مستقیماً از روی اسناد اسناد رسمی بازنویسی شود. این اطلاعات دارای محدودیت هایی در توصیف خواص است. با این حال، هنوز یک گام بزرگ رو به جلو است. با در نظر گرفتن سهولت جمع‌آوری داده‌ها از منابع آنلاین مختلف (به عنوان مثال، اطلاعات مربوط به املاک یا فروش، GIS (سیستم اطلاعات جغرافیایی)، مختصات داده‌ها، لایه‌های به اشتراک گذاشته شده توسط شهرداری‌ها، یا داده‌های پروژه OpenStreetMap) امکان ادغام افزایش می‌یابد. داده ها، تخمین مدل ها با متغیرهای جدید، و بسط ایده ها و راه حل های جدید [ 12 ، 13 ]].
با عنایت به ملاحظات فوق، در این مقاله سعی شده است تا با استفاده از نقشه ها، اطلاعات موجود در مورد بازار مسکن بهبود یابد و در نتیجه شفافیت این بازار افزایش یابد. نقشه های تهیه شده باید شفافیت بازار مسکونی را افزایش دهد زیرا اطلاعات جدیدی را در اختیار خریداران، مالکان، سرمایه گذاران بالقوه قرار می دهد و از این طریق ریسک سرمایه گذاری در این بازار را کاهش می دهد. خانوارهایی که تصمیمات سرمایه گذاری را می گیرند تحت تأثیر محدودیت ها و ترجیحات بودجه هستند. در حال حاضر، دسترسی به اطلاعات در مورد بازار مسکن بسیار بهتر از ده ها سال پیش است. لازم به ذکر است که دسترسی به اطلاعات در مورد روند قیمت مسکن بهبود یافته است زیرا از سال 2013، کشورهای عضو اتحادیه اروپا، بر اساس مقررات (EC) شماره 93/2013، موظف به انتشار شاخص های قیمت مسکن شده اند.14 ، 15 ]. این شاخص ها اطلاعاتی در مورد تغییرات قیمت آپارتمان در شهرها ارائه می دهند. پیچیدگی بازار مسکن، مسائل حقوقی و ساخت زیرساخت های جدید همگی منجر به توسعه متفاوت قیمت آپارتمان در بازار می شود. به لطف نقشه های توسعه یافته، ما قادریم این تغییرات را در یک زمینه فضایی دنبال کنیم.

2. بررسی ادبیات

دسترسی آزاد به اطلاعات قیمت و ارزش املاک یکی از شروط اساسی برای تضمین شفافیت بازار املاک است. نقش حیاتی نظارت بر بازارهای املاک و مستغلات و در دسترس قرار دادن اطلاعات بازار برای عموم توسط گافنی [ 16 ] مورد تاکید قرار گرفته است و به رابطه بین تصمیمات محلی در مورد فضا و پیامدهای اقتصادی ملی و حتی جهانی اشاره می کند. دسترسی به اطلاعات مکانی در مورد قیمت‌ها و ارزش‌ها به فرد امکان می‌دهد تا حد زیادی ریسک سرمایه‌گذاری در املاک و مستغلات را کنترل کند، به‌ویژه در یک وضعیت اقتصادی پویا [ 17 ].
اطلاعات املاک ارائه شده در قالب نقشه ها می تواند به ویژه برای ادارات دولتی مفید باشد، اما همچنین برای آژانس های ارزیابی املاک، وام دهندگان وام مسکن و سازمان های برنامه ریزی [ 18 ]. املاک و مستغلات و همچنین قیمت آنها با روابط توپولوژیکی مرتبط هستند که امکان ارتباط اطلاعات مربوط به قیمت املاک و مستغلات را با فضای جغرافیایی و تجسم آن در قالب یک نقشه با استفاده از ابزارهای GIS فراهم می کند. نقشه های قیمت و ارزش اغلب در زمینه ارزیابی انبوه املاک و مستغلات برای اهداف مالیاتی مورد بحث قرار می گیرند [ 19 ]]. در حالی که توسعه نقشه ها برای اهداف مالیاتی مستلزم اعمال قوانینی است که به طور دقیق توسط قانون تعریف شده است، سرمایه گذاری یا اهداف به طور کلی سودمند امکان اعمال قوانین باز بر اساس تجزیه و تحلیل اساسی بازارهای املاک و مستغلات محلی را فراهم می کند. اساس توسعه چنین نقشه‌هایی معمولاً تحلیل‌های دقیق بازار است که برای مناطق شهرهای منفرد تهیه می‌شود [ 20 ].
در جریان اصلی تحقیق در مورد تجسم نقشه‌کشی قیمت‌ها و ارزش‌ها، مدل‌های لذت‌گرا با در نظر گرفتن ویژگی‌های منتخب املاک و مستغلات به عنوان عوامل تعیین‌کننده قیمت استفاده می‌شوند [ 21 ، 22 ]. سپس فرض می‌شود که املاک و مستغلات یک کالای ناهمگن است، که قیمت آن به مجموعه‌ای از ویژگی‌های مفید تجزیه می‌شود که متغیرهای توضیح داده شده را تشکیل می‌دهند [ 23 ، 24 ].
قیمت‌ها و ارزش‌های املاک و مستغلات به بسیاری از عناصر برون‌زا و درون‌زا بستگی دارد که باید در تحلیل بازار با تأکید ویژه بر مکان‌یابی دقیق مورد توجه قرار گیرد [ 25 ، 26 ، 27 ، 28 ]. یکی از عناصر ضروری چنین تحلیلی، جداسازی تأثیر عوامل مکان یابی است که جوهر بازتاب کارتوگرافی ارزش را تشکیل می دهند [ 29 ]. ملاحظات در مورد مکان در زمینه تعیین عوامل تعیین کننده قیمت آپارتمان، در میان دیگران، توسط Kiel و Zabel [ 30 ] و Kolbe و همکاران ارائه شده است. [ 31]، که در عین حال روش های نسبتاً ساده مدل سازی اقتصادسنجی را به عنوان ابزار اولیه برای شناسایی عوامل مکان نشان می دهد. بنابراین، مفروضات اساسی در روش تهیه نقشه‌های قیمت و ارزش دارایی ممکن است مبتنی بر دانش رابطه بین قیمت‌ها و ارزش‌های مکان باشد که در میان دیگران، از فاصله از مناطق خاص حاصل می‌شود [ 32 ]. این فواصل را می توان به عنوان یک ویژگی هندسی یا به ترتیب به عنوان زمان سفر بیان کرد [ 33 ]. سپس مبنای توسعه یک نقشه ارزشی می‌تواند مناطقی باشد که بر اساس فواصل از مرکز شهر، خیابان‌های اصلی، مناطق تأثیرگذار بر ارزش و همچنین مکان مناطق در معرض خطر سیل تعیین می‌شوند. لیو و همکاران [ 20] توسعه قیمت ها و ارزش ها را بسته به فاصله از CBD (منطقه تجاری مرکزی)، عناصر زیرساخت اجتماعی، مدارس و غیره ارزیابی می کند. جیم و چن [ 34 ] بر اهمیت کلیدی عناصر محیطی از جمله فاصله تا مناطق سبز، آب تأکید می کنند. و قرار گرفتن در معرض نویز. نقش محیط‌زیست به‌ویژه مناطق دریاچه‌ای در مناطق شهری نیز توسط ژانگ و همکاران برجسته شده است. (2015). در نظر گرفتن این عوامل در تحلیل بازار امکان ارزش گذاری فضای شهری را فراهم می کند که در عین حال ارزش املاک و مستغلات را منعکس می کند.
در زمینه این روند تحقیقات، استفاده از ابزارهای GIS و روش‌های زمین‌آماری برای مدل‌سازی سطوحی که ارزش املاک و مستغلات را نشان می‌دهند، به‌ویژه جالب به نظر می‌رسد. مدل‌های لذت‌گرا تحت تأثیر داده‌های محدود به دلیل هزینه‌های بالای جمع‌آوری داده‌های پولی و زمانی، مدل‌های زمین‌آماری، مدل‌سازی صریح اثرات خودهمبستگی فضایی، و همچنین الگوهای فضایی گسترده هستند که دلایل قانع‌کننده‌ای برای توسعه یک جایگزین هستند. در مقابل، رویکردهای زمین‌آماری (کوکریجینگ) امکان ارزیابی متغیرهای کمکی را فراهم می‌کند که از نظر مکانی به ارزش‌های دارایی وابسته هستند، از جمله ویژگی‌های ساختاری و مسکن مسکونی. بوراسا و همکاران [ 25 ] و Tsutsumi و همکاران. [ 32] از استفاده ترکیبی از مدل‌های لذت‌گرا و روش‌های زمین‌آماری دفاع می‌کند. روش های زمین آماری را می توان به عنوان مکملی طبیعی برای تجزیه و تحلیل آماری سنتی با در نظر گرفتن توزیع فضایی پدیده تحلیل شده در نظر گرفت. این روش ها در بازار املاک و مستغلات بسیار کمتر از سایر روش های آماری استفاده می شوند [ 18 ]. یک مانع خاص برای استفاده از آنها ممکن است نیاز به برآورده کردن مفروضات اساسی در مورد اندازه مجموعه داده ها و بالاتر از همه، مکان باشد [ 35 ].
ساختار فضایی ویژگی‌های مکان نیز ممکن است در مدل رگرسیون وزن‌دار جغرافیایی (GWR) گنجانده شود [ 36 ، 37 ]. به دلیل نوسانات قیمت در طول زمان، Fotheringham et al. [ 38 ] استفاده از GWR را نه تنها برای تحلیل‌های مکانی، بلکه برای تحلیل‌های مکانی و زمانی فرض می‌کنند. این تحلیل‌ها به ما اجازه می‌دهد تا نه تنها توزیع فضایی فعلی قیمت‌ها و ارزش‌ها، بلکه روندهای محلی و پیش‌بینی‌های کوتاه‌مدت را نیز ارائه کنیم.
باید تاکید کرد که تا کنون هیچ روش جهانی برای نقشه برداری قیمت و ارزش زمین ایجاد نشده است و همچنین نقشه های پویا برای در نظر گرفتن ویژگی های بازار املاک و مستغلات ایجاد نشده است. مشکلات اصلی که در طول تهیه چنین نقشه هایی به وجود می آیند عبارتند از فقدان داده های قابل اعتماد کافی از بازارهای املاک و مستغلات محلی، توزیع فضایی نابرابر املاک مورد معامله، یا روش ها و ابزار ناقص [ 39 ].

3. روش شناسی

این تحقیق مبتنی بر مدل رگرسیون لذت‌گرا است. اولین استفاده ثبت شده رگرسیون لذت‌گرا به سال 1922 برمی‌گردد، زمانی که مدل قیمت زمین کشاورزی توسط GA Hass [ 40 ] ایجاد شد. اولین محققی که از رویکرد لذت جویانه برای ارزیابی بازار املاک و مستغلات استفاده کرد احتمالاً Ridker بود که هدفش شناسایی اثر کاهش آلودگی بر قیمت خانه بود [ 41 ]. مبنای روش شناختی رویکرد لذت جویانه توسط لنکستر [ 23 ] و روزن [ 24 ] ایجاد شد.
در این تحقیق اصول کلی تجسم قیمت، فعالیت و پویایی بازار املاک تدوین شد. برای تجسم سطح قیمت در بازار مسکونی در قالب نقشه قیمت، از مدل‌سازی رگرسیون بر اساس مدل QR (رگرسیون چندکی) استفاده شد که با مدل رگرسیون کلاسیک OLS (کمترین مربعات معمولی) مقایسه شد. بر اساس مدل QR، نقشه قیمت های پیش بینی شده و نقشه باقیمانده ها به عنوان مبنایی برای نقشه قیمت نهایی تهیه شد. نقشه فعالیت بازار با استفاده از تخمین تراکم هسته تهیه شد، در حالی که از مدل GWR (رگرسیون وزنی جغرافیایی) برای تهیه نقشه پویایی قیمت استفاده شد.

قیمت معاملات به طور کلی تحت تأثیر ویژگی‌های غیر مکانی و ارزش‌های مکانی ملک است که به طور کلی می‌توان آن را به شرح زیر توصیف کرد:

پ=پb a s e+پl o c a lپ=پبآسه+پل�جآل

که در آن P پایه ، قیمت ویژگی مدل بدون احتساب عوامل مکان (قیمت پایه)، و P محلی ، تأثیر مکان است.

بنابراین یک مدل با فرم کلی را می توان به صورت زیر بیان کرد:

Y=β0+∑i = 1کβکایکسک+∑j = 1لβلایکسل+ ε�=�0+∑من=1ک�کایکسک+∑�=1ل�لایکسل+�

به این ترتیب، قیمت پایه را می توان به طور مستقیم بر اساس مدل آماری تعیین کرد، در حالی که تجزیه و تحلیل تاثیر مکان باید پارامترهای مدل و یک جزء تصادفی ε را در نظر بگیرد. توزیع فضایی یک جزء تصادفی ممکن است بر اساس درونیابی فضایی با استفاده از روش کریجینگ معمولی تعیین شود. می توان اشاره کرد که عناصر ضروری تجزیه و تحلیل داده ها را می توان در یک مدل واحد ادغام کرد که وابستگی متقابل بین نتایج مدل سازی آماری و برآورد با روش های کریجینگ را در نظر می گیرد. مدل رگرسیون-کریجینگ، که برای تخمین قیمت‌ها برای اهداف تهیه نقشه استفاده می‌شود، می‌تواند در شکل کلی خود با در نظر گرفتن تبدیل لگاریتمی به صورت زیر ارائه شود:

قیمت = هزینه (β0+∑i = 1کβکایکسک+∑j = 1لβلایکسل+∑m = 1nwمتر(س0) ε (سمتر) )قیمت=انقضا(�0+∑من=1ک�کایکسک+∑�=1ل�لایکسل+∑متر=1��متر(س0)�(سمتر))
قیمت = هزینه (پb a s e) انقضا (∑j = 1لβلایکسل) انقضا (∑m = 1nwمتر(س0) ε (سمتر) )قیمت=انقضا(پبآسه)انقضا(∑�=1ل�لایکسل)انقضا(∑متر=1��متر(س0)�(سمتر))

جایی که بیان ∑m = 1nwمتر(س0) ε (سمتر)∑متر=1��متر(س0)�(سمتر)مقدار باقیمانده ها را در s 0 بر اساس باقیمانده ها در s m نشان می دهد. نقشه قیمت که در محیط GIS تهیه شده است، در واقع حاصل ضرب ثابت exp(P ) و دو لایه است که لایه اول حاصل مدل‌سازی آماری و لایه دوم حاصل مدل‌سازی زمین‌آماری است.

3.1. رگرسیون چندکی

رگرسیون چندک پیشنهاد شده توسط کونکر و باست [ 42 ] امکان برآورد توابع چندک مختلف توزیع متغیر شرطی را فراهم می کند. در هر نقطه از توزیع متغیر وابسته، عوامل تعیین کننده متغیر وابسته را می توان تعریف کرد [ 43 ]. مورد خاص رگرسیون چندک برای چندک های 0.5 (میانگین) معادل حداقل انحراف مطلق (LAD) برآوردگر است. در مورد ناهمگونی، تخمین رگرسیون چندک 0.5 ممکن است موثرتر از برآوردگر OLS باشد [ 44 ]]. تکنیک رگرسیون چندک به رگرسیون معمولی نزدیک است. تمایز در روشی است که در آن حاشیه مجموع مجذور باقیمانده بررسی می شود. هدف رگرسیون چندکی حاشیه مجموع وزنی باقیمانده های مطلق است. رگرسیون چندکی به استراتژی جایگزین ارجحیت دارد، زیرا ناهمگونی، موارد پرت، و ناهمگنی مشاهده نشده قابل کنترل است [ 45 ].

3.2. تخمین چگالی هسته

نتایج تحلیل فضایی فرآیندهای بازار، که ممکن است شدت خاصی در فضا داشته باشند، اطلاعات بسیار مهمی برای درک شرایط بازارهای محلی املاک و مستغلات هستند. آنها را می توان به صورت نقشه کشی ارائه کرد که از جمله فعالیت بازار را در قالب تعداد معاملات بیان می کند. یکی از مشکلات اساسی در تخمین شدت (یا چگالی) یک پدیده معین در فضا، این واقعیت است که این پدیده ها اغلب دارای ویژگی نقطه ای هستند یا شناسایی آنها فقط در نقاط اندازه گیری انتخاب شده امکان پذیر است. برای تعیین چگالی، می توان از تخمین هسته استفاده کرد، که به شخص اجازه می دهد تا وضوح فضایی را به صراحت در نظر بگیرد.46 ]. تخمین‌گر چگالی احتمال هسته در شکل اولیه‌اش با فرمول زیر تعریف می‌شود [ 47 ]:

fˆ( x ) =1مترساعتn∑i = 1مترک(x –ایکسمنساعت)�^(ایکس)=1مترساعت�∑من=1مترک(ایکس-ایکسمنساعت)

که در آن m اندازه نمونه تصادفی، h پارامتر هموارسازی و K تابعی است که شرایط زیر را برآورده می کند:

🔻منآرnک( x ) دx = 1 ،K( x ) = K( − x ) ∀ x ∈ IRn، ک( 0 ) ≥ K( x )🔻منآر�ک(ایکس)دایکس=1،ک(ایکس)=ک(-ایکس)∀ ایکس∈IRn،ک(0)≥ک(ایکس)

در تخمین چگالی یک پدیده، هر جسم اندازه گیری با یک مقدار محاسبه شده با توجه به تابع چگالی احتمال جایگزین می شود و سپس مقادیر تابع برای به دست آوردن یک سطح تجمعی یا میدان چگالی پیوسته اضافه می شود [ 48 ]. بسته به هدف مطالعه، نوع داده ها و نتایج مورد انتظار، اشکال مختلفی از توابع هسته استفاده می شود، به عنوان مثال، هسته Epanechnikov، یک بلوک، دوکفه ای، یا نرمال [ 49 ]]. مقدار پارامتر هموارسازی تأثیر اساسی بر کیفیت تخمین‌گر هسته دارد. اگر مقدار خیلی کم باشد، تعداد قابل توجهی از افراط های محلی ظاهر می شود که ممکن است با ویژگی های واقعی جمعیت واقعی در تضاد باشد. از سوی دیگر، مقادیر بسیار بالای پارامتر h منجر به هموارسازی بیش از حد برآوردگر می‌شود که ویژگی‌های خاص توزیع مورد مطالعه را پنهان می‌کند [ 49 ]. تخمین کرنل برای سال‌های زیادی مورد استفاده قرار گرفته است، به‌ویژه در تجزیه و تحلیل سیستم [ 50 ]، اما مطالعات کمی وجود دارد که کاربرد آن را در تحلیل‌های فضایی بازار املاک و مستغلات ارائه کند. نمونه هایی از کاربردهای این روش عبارتند از، برای مثال، برآورد تراکم و ساختار جمعیت [ 51 ]، دسترسی به مراکز خرده فروشی [ 46 ].]، یا تجزیه و تحلیل دسترسی به خدمات بهداشت عمومی [ 52 ]. مدل‌سازی سطح که نشان‌دهنده چگالی پدیده‌های فضایی است، امکان تعیین همبستگی بین این پدیده‌ها را نیز فراهم می‌کند. به عنوان مثال، تجزیه و تحلیل روابط بین پیکربندی فضایی یک سیستم ارتباطی و شاخص های مختلف اجتماعی-اقتصادی مربوط به جامعه محلی است [ 53 ]. استفاده از تخمین هسته برای تحلیل فضایی بازار املاک و مستغلات ممکن است نه تنها در ارزیابی تراکم بلکه در ارزیابی شدت یک پدیده معین باشد. این روش ممکن است به ویژه برای ایجاد مطالعات نقشه برداری در مورد، از جمله، تعداد تراکنش ها، شدت ترافیک، شدت ساختمان ها، یا تغییرات مالکیت در شرایط مکانی مفید باشد.54 ].

3.3. رگرسیون وزنی جغرافیایی (GWR)

در رگرسیون مدل سنتی برای تحلیل های املاک، روابط احتمالی (خودهمبستگی فضایی) که ممکن است بین سطوح پدیده خاص در فضا رخ دهد معمولاً به صراحت در نظر گرفته نمی شود و فرض بر این است که ثبات مکانیزم به شکل گیری قیمت در فضای جغرافیایی اشاره دارد. . اهمیت پارامترهای مدل رگرسیون سنتی، در این شرایط، به ساختار فضایی پدیده‌های مورد بررسی تکیه نمی‌کند، که می‌تواند منجر به تفسیر نادرست یافته‌ها شود [ 55 ]]، به طور کلی با پیش فرض ناهمگونی فضایی بازارهای املاک. یکی از راه‌های حل مشکل در نظر گرفتن شکل فضایی پدیده مورد مطالعه در مدل‌های رگرسیونی، وزن دادن به مشاهدات است که به دلیل قرار گرفتن در فضا، ممکن است از نظر تئوری تأثیر بیشتری بر پدیده مورد بررسی نسبت به سایرین داشته باشند، که ممکن است توسط GWR منتقل شود. رگرسیون وزن‌دار جغرافیایی بر این فرض استوار است که پارامترهای مدل را می‌توان به طور مستقل در هر نقطه از فضا که مقادیر متغیرهای توضیحی برای آن مشخص است اندازه‌گیری کرد. تخمین پارامترهای مدل در یک مکان معین بر این فرض استوار است که مشاهدات انجام شده در نقاط نزدیکتر به نقطه مورد مطالعه وزن بیشتری نسبت به مشاهدات دورتر دارند [ 55 ].]. معادله کلی مدل GWR به شرح زیر است:

Y=β0(ایکسمن،yمن) +∑i = 1nβj(ایکسمن،yمن) ⋅ایکسمن+εمن(ایکسمن،yمن)�=�0(ایکسمن،�من)+∑من=1���(ایکسمن،�من)⋅ایکسمن+�من(ایکسمن،�من)

که β 0 ( xi ، y i ) و β j ( xi ، y i ) پارامترهای مدل رگرسیون را در نقاط مختصات ( xi ، y i ) نشان می دهند. پارامترهای مدل GWR به روشی مشابه مدل‌های کلاسیک تخمین زده می‌شوند، اما وزن‌های مشاهدات وابسته به مکان در نظر گرفته می‌شوند، به طوری که

βˆ(ایکسمن،yمن) =(ایکستیدبلیو( من )ایکس)– 1ایکستیدبلیو( من )Y�^(ایکسمن،�من)=(ایکستیدبلیو(من)ایکس)-1ایکستیدبلیو(من)�

که در آن W ( i ) یک ماتریس وزنی است که تابعی از فاصله بین مکان یک مختصات خاص ( xi , y i ) و مکان هر نقطه مشاهده است. ماتریس باید یک شکل مورب به خود بگیرد که در آن عناصر مقدار وزن تعیین شده به گونه ای هستند که با فاصله از نقطه ای که مدل رگرسیون وزنی جغرافیایی در آن تخمین زده می شود، کاهش می یابد. در بیشتر موارد، توابع شبیه به توزیع های گاوس برای تعیین وزن استفاده می شود [ 55 ]:

wمن ج=ه–12(دمن جساعت)2یا wمن ج=[ 1- _(دمن جساعت)2]2�من�=ه-12(دمن�ساعت)2یا �من�=[1-(دمن�ساعت)2]2

که در آن d ij فاصله بین مکان i و j است، در حالی که h نشان دهنده پهنای باند است. این پارامتر محدوده مکانی را نشان می دهد که مشاهدات از آن برای محاسبه پذیرفته می شوند، به این معنی که w ij = 0 برای d ij > h .

4. داده ها

پوزنان در استان ویلکوپولسکی در مرکز-غرب لهستان واقع شده است. این شهر پنجمین شهر بزرگ لهستان از نظر جمعیت (537682 در سال 2018) و هشتمین شهر بزرگ از نظر وسعت (262 کیلومتر مربع) است. اطلاعات مربوط به فروش آپارتمان از سال 2013 تا 2017 از کاداستر ژئودزی و شهرداری در پوزنان به دست آمده است. این تحقیق تنها به خانه های چند خانواری (آپارتمان) اشاره دارد. در مورد لهستان، اکثر خانه ها در ساختمان های چند خانواده واقع شده اند (حدود 90٪ در مورد شهرهای بزرگ). کمیاب بودن معاملات و همچنین عدم توصیف کامل خانه های تک خانواری در اسناد رسمی می تواند منجر به سوگیری و تفسیر نادرست نقشه های تهیه شده با استفاده از چنین مجموعه داده شود. داده‌های مربوط به معاملات شامل انواع املاک، اعم از مسکونی و غیرمسکونی (مانند املاک تجاری یا گاراژ) بود. در فرآیند پاکسازی داده ها، فروش بیش از یک واحد مسکونی و معاملات غیرآزاد در بازار (مثلاً فروش بدهکار) حذف شد. مجموعه داده نهایی شامل 12219 تراکنش آپارتمان های دارای کد جغرافیایی برای سال های 2013-2017 (شکل 1 ).
جزئیات موجود در قراردادهای دفتر اسناد رسمی شامل موارد زیر است: تاریخ فروش، قیمت (به PLN، 1 یورو = 4.2359 PLN به میانگین نرخ ارز بانک ملی لهستان در 2019/04/11)، اندازه یک آپارتمان، و اطلاعات در مورد اماکن کمکی. چنین مجموعه ای از عوامل ممکن است نتایج تحقیق را تحت تأثیر قرار دهد، زیرا قراردادهای اسناد رسمی شامل اطلاعاتی در مورد اجزای قیمت گذاری قوی مانند فناوری ساخت و ساز نمی شود. آدرس های فروش با استفاده از Google Maps API (رابط برنامه نویسی برنامه) جغرافیایی کدگذاری شدند. سپس اطلاعات زیادی در مورد ارتفاع ساختمان ها و سال اتمام بر اساس سوابق کاداستر اعمال شد. برنامه نمای خیابان در maps.google.com (بازرسی مجازی ساختمان ها) برای ارائه داده های مربوط به ارتفاع، سال تکمیل و از همه مهمتر، تکنولوژی ساخت و ساز. تجزیه و تحلیل های اضافی با استفاده از داده های سیستم اطلاعات مکانی شهر پوزنان انجام شد. بر اساس این داده ها، فواصل از مکان ها و اشیاء (به عنوان مثال، مرکز شهر، مناطق سبز، دریاچه ها، مراکز خرید و غیره) برآورد شد. لیست متغیرهای پذیرفته شده برای تجزیه و تحلیل در ارائه شده استجدول 1 .
در مجموع، 14 متغیر توضیحی (شامل سال فروش) اتخاذ شد. لگاریتم طبیعی از قیمت معامله 1 متر مربع از مساحت قابل استفاده محل به عنوان متغیر توضیح داده شده استفاده شد. آمار توصیفی متغیرهای اتخاذ شده در جدول 2 ارائه شده است. علاوه بر این، در پیوست A ، هیستوگرام متغیرهای انتخابی ارائه شده است.
در میان متغیرهای کمی که واحدهای مسکونی را مشخص می‌کنند، سن ساختمان (بیش از 200 سال) و مساحت زیربنای قابل استفاده (بیش از 280 متر مربع ) تفاوت معنی‌داری وجود دارد . تجزیه و تحلیل همبستگی بین متغیرها نشان داد که اکثریت قریب به اتفاق متغیرهای توضیحی به طور معناداری با متغیر پاسخ همبستگی دارند.
این تحقیق شامل تهیه نقشه قیمت املاک، نقشه فعالیت بازار و نقشه پویایی تغییرات قیمت بود. محیط R و نرم افزار ArcGIS v. 10.4.1 از ESRI برای تجزیه و تحلیل و تجسم استفاده شد.

5. نتایج و بحث

5.1. مدل سازی و نقشه برداری قیمت

در تهیه نقشه قیمت واحدهای مسکونی باید در نظر گرفت که بازار املاک و مستغلات بسیار پیچیده است و معاملات شامل اشیایی است که نه تنها از نظر موقعیت مکانی بلکه از نظر ویژگی‌هایی که ماهیت فضایی ندارند (سن، مساحت، ساخت و ساز) متفاوت است. تکنولوژی و غیره). اعمال درون یابی فضایی به طور مستقیم بر قیمت ملک، در این مورد، به دلیل ناهمگونی اشیا، نتایج مورد انتظار را به همراه نخواهد داشت. با توجه به مفروضات اتخاذ شده، نقشه قیمت باید قبل از هر چیز تمایز فضایی قیمت‌ها را تحت تأثیر ارزش‌های مکان ارائه کند، نه ویژگی‌های غیر مکانی. مشکل تمایز قیمت را می توان با تعدیل قیمت های معاملاتی به گونه ای حل کرد که آنها به یک ویژگی مدل با برخی ویژگی های مشخص و از پیش تعیین شده ارجاع می دهند.35 ]. این تنظیمات بر اساس برآورد پارامترهای مدل رگرسیون چندکی بود. با این حال، در مورد متغیرهای فضایی (مثلاً فاصله از مکان‌های مشخص)، تأثیر بر قیمت‌ها ممکن است مستقیماً به شکل مقادیری که مستقیماً از مدل به دست می‌آیند، روی نقشه ارائه شود. در روش پیشنهادی، نقش منحصر به فردی توسط لایه به اصطلاح مرجع ایفا می شود که توزیع فضایی ارزش خواص را با ویژگی های غیر مکانی کاملاً تعریف شده ارائه می دهد. در این مقاله فرض شد که لایه مرجع به یک آپارتمان 50 متر مربعی ، واقع در ساختمانی 10 ساله، با ارتفاع متوسط ​​(از 5 تا 10 طبقه)، که با استفاده از فناوری سنتی ساخته شده است، اشاره دارد.
نتایج مدل سازی آماری (مدل های OLS و QR) در جدول 3 ارائه شده است.
در هر دو مدل OLS و QR، تقریباً همه متغیرها از نظر آماری معنی‌دار بودند. این تفاوت تنها در مورد متغیر ناحیه کاربری محدود (LUA) رخ داد که در مدل QR در مقادیر p کمتر از 05/0 معنی‌دار بود، در حالی که در مدل OLS از نظر آماری ناچیز بود. علائم ضرایب و همچنین ترتیب بزرگی پارامترها توجیه شدند. تأثیر متغیرهای خاص با انتظارات با توجه به ویژگی‌های فیزیکی آپارتمان‌ها همراه بود.
علاوه بر این، موقعیت در LUA، افزایش فاصله از مرکز شهر، مناطق سبز شهری و دریاچه‌ها بر قیمت آپارتمان تأثیر منفی گذاشت. این یافته‌های مطالعات قبلی در لهستان را پشتیبانی می‌کند _ _ _ _ _ _ _]. تفاوت در مقادیر پارامتر بین مدل های OLS و QR اندک بود. تصمیم گرفته شد از مدل QR در تجزیه و تحلیل بیشتر استفاده شود که عمدتاً به دلیل نحوه برخورد با مشاهدات پرت که یک پدیده رایج در بازار املاک و مستغلات است و همچنین ارزیابی مدل با توجه به معیار اطلاعات AIC است. همچنین لازم به ذکر است که هنگام مقایسه این مدل ها، به دلیل روش تخمین، نباید از معیار ضریب تعیین و به حداقل رساندن خطاها (باقیمانده ها) استفاده شود. انحراف معیار باقیمانده ها در هر دو مدل مشابه 0.202 بود که 2.4 درصد از میانگین لگاریتم قیمت 1 متر مربع است .
لایه قیمت مدل با جایگزینی در مدل رگرسیون مقادیر ویژگی های مربوط به ویژگی مرجع و مقادیر حاصل از شطرنجی های نشان دهنده فاصله به دست آمد. لایه باقیمانده با درونیابی فضایی با استفاده از روش کریجینگ معمولی به دست آمد. شکل 2 نقشه قیمت ها (در لگاریتم طبیعی) حاصل از مدل و نقشه ای از توزیع فضایی باقیمانده ها را نشان می دهد.
نتایج تحلیل رگرسیون نشان می دهد که بالاترین قیمت ها در مرکز بوده و با حرکت به سمت حومه شهر کاهش می یابد. توزیع قیمت نیز به طور قابل توجهی تحت تأثیر ساختار فضایی شهر، از جمله توزیع مناطق سبز و دریاچه ها بود. بیشترین غلظت باقیمانده های مثبت در بخش های مرکزی شهر ثبت شد که در عین حال به عنوان جذاب ترین تلقی می شوند. باقیمانده‌های منفی عمدتاً مربوط به نواحی در بخش‌های جنوبی و شرقی شهر است که عمدتاً به مشکلات در دسترسی حمل‌ونقل و همچنین به صدای هواپیما از فرودگاه نظامی Krzesiny مربوط می‌شود [ 64 ].
نقشه قیمت نهایی با روی هم قرار دادن لایه‌های قیمت مرجع و لایه‌های توزیع فضایی باقیمانده‌های به‌دست‌آمده از درون‌یابی فضایی با استفاده از روش کریجینگ ایجاد شد. به عنوان اطلاعات تکمیلی، نقشه ای از میانگین قیمت ها در مناطق نقشه برداری خاص تهیه شد که در آن از آمار منطقه ای نقشه های قیمت استفاده شد. این نقشه ها در شکل 3 ارائه شده است.

5.2. فعالیت بازار نقشه برداری

فعالیت بازار بر روی نقشه ها به عنوان توزیعی از تراکم نقاط مربوط به محل معامله نشان داده شد. برای این منظور از تابع هسته در قالب یک هسته دو وزنی [ 47 ] استفاده شد. پارامتر هموارسازی به صورت h = 1000 متر اتخاذ شد. در نتیجه، یک سطح پیوسته به دست آمد که نشان دهنده چگالی پدیده تجزیه و تحلیل شده است. با توجه به اینکه آنالیز پنج سال را پوشش می دهد، میانگین چگالی محاسبه شده به طور مستقل برای هر سال تحلیل ارائه شده است. به عنوان مکمل، نقشه ای از میانگین تغییرات سالانه فعالیت بازار که با میانگین افزایش (یا کاهش) سالانه تعداد معاملات در واحد سطح، بیان شده به صورت مقادیر مطلق نشان داده می شود، تهیه شد. این نقشه ها در شکل 4 ارائه شده است.
مناطقی با بیشترین فعالیت بازار به طور طبیعی منعکس کننده عرضه بالقوه تحت سلطه توسعه های مسکونی با شدت بالا هستند. بیشترین افزایش تعداد معاملات در واحد سطح در آنجا به ثبت رسید. به راحتی می توان فهمید که تمایز فضایی فعالیت بازار در درجه اول تحت تأثیر ساختار فضایی سهام موجود است. با این حال، این تنوع نه تنها توسط عرضه بالقوه، بلکه توسط عوامل محلی، که شامل شرایط فضایی، و همچنین ارزش‌های مکان مرتبط با مد، اولویت‌های امنیتی یا جذابیت مربوط به یک شهرک مسکونی یا منطقه است، ایجاد می‌شود. اطلاعات در مورد افزایش فعالیت بازار املاک و مستغلات در مناطق خاص ممکن است سیگنالی از وجود برخی عوامل جدید با اهمیت محلی باشد (به عنوان مثال، خط جدید مترو [ 57 ,65 ) بر تقاضا (یا عرضه) برای املاک و مستغلات تأثیر می گذارد.

5.3. نگاشت دینامیک قیمت

در دوره مورد تجزیه و تحلیل، قیمت آپارتمان ها به طور متوسط ​​سالانه 4٪ در پوزنان (بر اساس ضرایب رگرسیون مدل) افزایش یافت. تمایز فضایی شرایط محلی که قیمت آپارتمان ها را تعیین می کند ممکن است نشان دهد که پویایی تغییرات قیمت در کل منطقه یکسان نیست. ترجیحات مکان، نوع غالب توسعه، شرایط ترافیکی و مناطق سبز تنها نمونه‌هایی از بسیاری از عوامل محلی هستند که به مدل‌های رگرسیون جهانی اجازه می‌دهند که تنها تعمیم خاصی از روندهای بازار داشته باشند. از مدل رگرسیون وزن‌دار جغرافیایی برای تهیه نقشه تمایز فضایی پویایی تغییرات قیمت استفاده شد. در طول تجزیه و تحلیل، فرض شد که تأثیر ویژگی‌های دارایی، اعم از مکانی و غیر مکانی، در کل منطقه ثابت است. در حالی که متغیر توضیحی زمان بیان شده به تعداد ماه هایی بود که از ژانویه 2013 تا تاریخ معامله سپری شده است. این امر مستلزم اعمال تنظیمات حاصل از مدل QR بود که به ما امکان می داد تأثیر سایر متغیرها را حذف کنیم. تعدیل ها بر اساس مقادیر متوسط ​​متغیرهای توضیحی برآورد شد. در مدل به دلایل مشهود، متغیرهای نشان دهنده سال فروش حذف شدند. سپس مدل GWR به شکل زیر است: به دلایل مشهود، متغیرهای نشان دهنده سال فروش حذف شدند. سپس مدل GWR به شکل زیر است: به دلایل مشهود، متغیرهای نشان دهنده سال فروش حذف شدند. سپس مدل GWR به شکل زیر است:

Y=β0(ایکسj،yj) +∑i = 1کβمن⋅ (ایکسمن–ایکسمن یک نفر هستم _) +βj(ایکسj،yj) ⋅ t +εj(ایکسj،yj)�=�0(ایکس�،��)+∑من=1ک�من⋅(ایکسمن-ایکسمنمترهآ�)+��(ایکس�،��)⋅تی+��(ایکس�،��)

که در آن X imean مقدار متوسط ​​متغیر Xi را نشان می دهد و β j ( xj , yj ) پارامتری را نشان می دهد که روند ماهانه تغییرات قیمت تعیین شده در نقطه مختصات (xj, yj) را نشان می دهد. پس از در نظر گرفتن تبدیل لگاریتمی، میانگین روند تغییر قیمت سالانه به صورت زیر تعریف می شود:

p = [ 1 – exp (βj(ایکسj،yj) )]⋅12پ=[1-انقضا(��(ایکس�،��))]⋅12

استفاده از مدل های فضایی، از جمله مدل GWR، زمانی توجیه می شود که پدیده همبستگی مکانی متغیر توضیح داده شده رخ دهد. این بدان معناست که قیمت املاکی که نزدیک به یکدیگر قرار دارند باید مشابه باشند. شکل 5 نمودار موران را برای لگاریتم های استاندارد شده قیمت های معاملاتی واحد و نتایج آزمون همبستگی جهانی (آمار موران I) ارائه می دهد.

آماره موران I 0.257 بود. مقدار p پایین به این معنی است که قیمت ها (لگاریتم از قیمت ها) با خود همبستگی فضایی جهانی مشخص می شوند. این یک دلیل مهم برای استفاده از مدل های فضایی برای تحلیل قیمت است.
شکل 6 توزیع فضایی پویایی تغییرات قیمت را به صورت درصد (چپ) و توزیع خطاهای حاصل از مدل GWR (راست) نشان می دهد.
تجزیه و تحلیل نقشه پویایی قیمت امکان شناسایی مناطقی از شهر را فراهم می کند که پویایی تغییرات قیمت به وضوح با مقدار معمولی (حدود 4٪ در سال) متفاوت است. این نقشه امکان شناسایی مناطقی را فراهم می کند که از نظر خریداران کم و بیش جذاب هستند. با کنترل ویژگی‌های فیزیکی و عناصر کیفی ملک، نقشه‌های پویایی قیمت به فرد اجازه می‌دهد تا نوسانات قیمت را به مکان‌های خاص برجسته و اختصاص دهد. توزیع خطاها در تعیین ضریب تغییر قیمت به طور طبیعی با توزیع تعداد معاملات مرتبط است. بالاترین مقدار خطا مربوط به مناطقی است که تنها تراکنش های منفرد در آنها رخ داده است. لازم به ذکر است که شکل 5(نقشه سمت راست) توزیع خطاها را به گونه ای نشان می دهد که در جاهایی که تراکنش های کمی وجود دارد قابل مشاهده باشد و به همین دلیل روند تغییرات قیمت بیشتر مستعد سوگیری است. ارزش اطلاعات نه تنها در مورد اینکه روند کجاست بلکه به میزان دقیق بودن آن نیز مربوط می شود.

6. خلاصه و نتیجه گیری

یکی از مهم‌ترین دلایل ناقص بودن بازار املاک، یعنی کارایی و شفافیت پایین آن، دسترسی ناکافی به اطلاعات قیمت‌های معاملات جاری و پویایی آن‌ها به‌ویژه از نظر فضایی است. این اطلاعات را می توان در قالب نقشه های میانگین قیمت ها و فعالیت بازار توسعه داد و در دسترس قرار داد. در چارچوب تحقیقات و تحلیل های انجام شده، مفهوم و اصول ارائه نقشه برداری قیمت ملک مسکونی و پویایی فضایی تغییرات آنها ارائه شد. استفاده از مدل‌های لذت‌گرا (OLS و QR) تعیین تأثیر عوامل غیرمکانی و مکانی بر قیمت‌ها را ممکن کرد. تأثیر، به ویژه بر عوامل فضایی، هنگام ایجاد نقشه قیمت مرجع در نظر گرفته شد، که پس از در نظر گرفتن توزیع فضایی باقیمانده ها، مبنای تدوین نقشه قیمت واحدهای مسکونی در قالب ایزولاین و کارتوگرام قرار گرفت. نقشه میانگین قیمت ها ممکن است در عین حال مقادیر مکان تعیین شده توسط کیفیت زیرساخت شهری، فاصله از مکان های خاص و عوامل محیطی را منعکس کند. نقشه‌های فعالیت بازار که با استفاده از تخمین هسته ساخته شده‌اند، مناطقی را نشان می‌دهند که بازار به صورت پویا در حال توسعه است، در حالی که اطلاعات مربوط به روند تعداد معاملات ممکن است پتانسیل توسعه بخش‌های جداگانه شهر، از جمله جذابیت رشد یا کاهش آن‌ها را نشان دهد. در بررسی تغییرات قیمت مسکن ناشی از گذشت زمان، نه تنها روند کلی در نظر گرفته شد. اما با استفاده از مدل رگرسیون وزنی جغرافیایی، توزیع مکانی شاخص قیمت نیز ارائه شد. نقشه روندهای موجود ممکن است یکی از دلایل اصلی اتخاذ تصمیمات سرمایه گذاری در بازار مسکونی باشد.
اطلاعات مربوط به بازار مسکن محلی ارائه شده بر روی نقشه ها ممکن است یکی از منابع اولیه اطلاعات نه تنها برای خریداران و فروشندگان بالقوه، بلکه برای متخصصان بازار، به عنوان مثال، ارزیابان، مدیران و نمایندگان املاک و مستغلات باشد. البته اطلاعات ارائه شده باید به روز و در دسترس باشد. راه حل های ارائه شده بدون شک دارای مزایای استفاده از ابزارهای ریاضی نسبتاً ساده و ابزارهای GIS متداول در دسترس مطابق با اصل تیغ Occam [ 66 ] است که گاهی اوقات با این جمله نقل می شود که “ساده ترین راه حل به احتمال زیاد درست است”.
به طور خلاصه، اطلاعات اضافی ارائه شده در نقشه های مسکونی باید به درک و تفسیر آسان تر پدیده های رخ داده در بازار املاک کمک کند و در عین حال شفافیت این بازار را افزایش دهد. ما از برخی محدودیت های رویه های ارائه شده آگاه هستیم. به عنوان مثال، در مورد بازارهای نازک با معاملات کم، نتایج به دست آمده ممکن است مغرضانه باشد.

پیوست اول

در این پیوست، ما هیستوگرام متغیرهای انتخابی را ارائه می دهیم.

Ijgi 09 00002 i001

منابع

  1. Tostevin, P. در سراسر جهان به دلار و سنت. در دسترس آنلاین: https://www.savills.co.uk/research_articles/229130/198667-0 (در 15 دسامبر 2016 قابل دسترسی است).
  2. باد، بی. لرش، پی. دیویلد، سی. توزیع ثروت مسکن در 16 کشور اروپایی: حسابداری برای تفاوت های نهادی. جی. هاوس. محیط ساخته شده 2017 ، 32 ، 625-647. [ Google Scholar ] [ CrossRef ] [ PubMed ][ نسخه سبز ]
  3. Guntermann، KL; اسمیت، RL کارایی بازار برای املاک و مستغلات مسکونی. اقتصاد زمین 1987 ، 63 ، 34-45. [ Google Scholar ] [ CrossRef ]
  4. Linneman، P. آزمون تجربی کارایی بازار مسکن. J. شهری اقتصاد. 1986 ، 20 ، 140-154. [ Google Scholar ] [ CrossRef ]
  5. کوهن، ای. ماهیت سیاست عمومی اسرائیل با هدف مهار افزایش قیمت ملک از سال 2008 تا 2015، به عنوان مشتق شده از ساختار حکومتی کشور. اقتصاد اجتماعی 2016 ، 9 ، 73-89. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  6. لیندکویست، اس. مفهوم شفافیت در بازار مسکن مسکونی اتحادیه اروپا: یک چارچوب نظری. بین المللی J. قانون ساخته شده محیط زیست. 2012 ، 4 ، 99-115. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  7. شولت، KW; روتکه، ن. Pitschke, C. شفافیت در بازار املاک و مستغلات آلمان. J. Prop. مالی 2005 ، 23 ، 90-108. [ Google Scholar ] [ CrossRef ]
  8. نیول، جی. تغییر شفافیت بازار املاک و مستغلات در بازارهای املاک و مستغلات اروپا. J. Prop. مالی 2016 ، 34 ، 407-420. [ Google Scholar ] [ CrossRef ]
  9. یوناسکو، ای. تالتاوول، پ. Paz، DL; Mironiuc, M. رابطه بین قیمت مسکن و شفافیت بازار. شواهدی از بازارهای متروپولیتن اروپا. خانه نظریه Soc. 2019 . [ Google Scholar ] [ CrossRef ]
  10. وینسون-گیدمن، ک. کراوس، ا. لیپسکامب، کالیفرنیا؛ Evangelopoulos، N. تجزیه و تحلیل املاک و مستغلات در عصر اطلاعات: تکنیک های داده های بزرگ و مدل سازی آماری . Routledge: لندن، بریتانیا، 2018; ISBN 9781138232907. [ Google Scholar ]
  11. وضعیت مدل های ارزش گذاری خودکار در عصر داده های بزرگ. 2019.
  12. قانون، اس. پیج، بی. راسل، سی. نگاهی به اطراف: استفاده از نمای خیابان و تصاویر ماهواره ای برای تخمین قیمت خانه. ACM 2019 ، 10 ، 1-19. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  13. Cichociński، P. Dąbrowski، J. تجزیه و تحلیل مکانی-زمانی بازار املاک و مستغلات با استفاده از سیستم های اطلاعات جغرافیایی. مدیریت املاک. ارزش گذاری 2013 ، 21 ، 72-82. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  14. هیل، RJ; شولز، ام. شیمیزو، سی. استورر، ام. ارزیابی روش‌های مورد استفاده کشورهای اروپایی برای محاسبه شاخص‌های رسمی قیمت مسکن. اقتصاد آمار 2018 ، 2018 ، 221-238. [ Google Scholar ] [ CrossRef ]
  15. هیل، RJ; Scholz, M. آیا داده های جغرافیایی می توانند شاخص های قیمت خانه را بهبود بخشند؟ یک رویکرد انتساب لذت‌گرا با Splines. Rev. Income Wealth 2018 , 64 , 737–756. [ Google Scholar ] [ CrossRef ]
  16. گافنی، ام. نقش بازار زمین در بحران های اقتصادی. صبح. جی. اکون. اجتماعی 2009 ، 68 ، 855-888. [ Google Scholar ] [ CrossRef ]
  17. ادیر، ا. Hutchison، N. گزارش ریسک در ارزیابی املاک و مستغلات به ثمر رساند ریسک اموال. J. Prop. مالی 2005 ، 23 ، 254-268. [ Google Scholar ] [ CrossRef ]
  18. کونتز، ام. Helbich، M. نقشه برداری زمین آماری قیمت املاک: مقایسه تجربی کریجینگ و کوکریجینگ. بین المللی جی. جئوگر. Inf. علمی 2014 ، 28 ، 1904-1921. [ Google Scholar ] [ CrossRef ]
  19. چپمن، جی. جانستون، RJ; Tyrrell، TJ مفاهیم مالیات بر ارزش زمین با خطا در ارزش های ارزیابی شده. اقتصاد زمین 2009 ، 85 ، 576-586. [ Google Scholar ] [ CrossRef ]
  20. لیو، ی. ژنگ، بی. هوانگ، ال. تانگ، X. تجزیه و تحلیل ارزش زمین مسکونی شهری: مورد دانیانگ، چین. ژئو اسپات. Inf. علمی 2007 ، 10 ، 228-234. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  21. بوون، WM; Mikelbank، BA; Prestegaard، DM ملاحظات نظری و تجربی در مورد فضا در کاربردهای مدل قیمت مسکن لذت‌بخش. رشد چانگ. 2001 ، 32 ، 466-490. [ Google Scholar ] [ CrossRef ]
  22. Osland, L. یک کاربرد اقتصاد سنجی فضایی در رابطه با مدل سازی قیمت خانه لذت بخش. J. Real Estate Res. 2010 ، 32 ، 289-320. [ Google Scholar ]
  23. لنکستر، کی جی رویکردی جدید به نظریه مصرف کننده. ج. اقتصاد سیاسی. 1966 , 74 , 132. [ Google Scholar ] [ CrossRef ]
  24. روزن، اس. قیمت لذت و بازارهای ضمنی: تمایز محصول در رقابت خالص. ج. اقتصاد سیاسی. 1974 ، 82 ، 34-55. [ Google Scholar ] [ CrossRef ]
  25. Bourassa, SC; کانتونی، ای. Hoesli، M. پیش بینی قیمت خانه با وابستگی فضایی: مقایسه روش های جایگزین. J. Real Estate Res. 2010 ، 32 ، 139-159. [ Google Scholar ]
  26. بونافوس، ا. Kryvobokov, M. بینش نسبت به ویژگی های آپارتمان و مکان با عوامل و اجزای اصلی. بین المللی جی. هاوس. علامت گذاری. مقعدی 2011 ، 4 ، 155-171. [ Google Scholar ] [ CrossRef ]
  27. Świader، M. Szewrański، S. کازاک، جی. تنوع مکانی-زمانی فقر در وروتسواف. Procedia Eng. 2016 ، 161 ، 1596-1600. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  28. پولنی، ال. Wójciak، E. نظریه شبه تشعشعات ساطع کننده محلی ارزش خواص با انتشار افتراقی موج قیمت. Geomat. محیط زیست مهندس 2017 ، 11 ، 49. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  29. مک‌کورد، ام. دیویس، PT; هاران، م. مک گریل، اس. Mcilhatton، D. تغییرات فضایی به عنوان یک عامل تعیین کننده قیمت مسکن: ترکیب یک رویکرد رگرسیون وزنی جغرافیایی در بازار مسکن بلفاست. جی. فاینانس. مدیریت ساخت و ساز 2012 ، 17 ، 49-72. [ Google Scholar ] [ CrossRef ]
  30. کیل، کالیفرنیا؛ Zabel، JE مکان، مکان، مکان: رویکرد 3L برای تعیین قیمت مسکن. جی. هاوس. اقتصاد 2008 ، 17 ، 175-190. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  31. جنز، ک. شولز، آر. ورسینگ، ام. Werwatz, A. Location, Location, Location: استخراج ارزش مکان از قیمت خانه ; مقالات بحث و گفتگو; موسسه تحقیقات اقتصادی آلمان: برلین، آلمان، 2012. [ Google Scholar ]
  32. تسوسومی، م. شیمادا، ا. موراکامی، دی. نقشه های قیمت زمین منطقه شهری توکیو. Procedia Soc. رفتار علمی 2011 ، 21 ، 193-202. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  33. دوبی، جی. تریو، ام. Des Rosiers، F. دسترسی به قطار مسافربری و ارزش خانه: مورد ساحل جنوبی مونترال، کانادا، 1992-2009. ترانسپ Res. بخش A سیاست سیاست. 2013 ، 54 ، 49-66. [ Google Scholar ] [ CrossRef ]
  34. جیم، سی. Chen, WY تأثیر عناصر محیطی شهری بر قیمت مسکن مسکونی در گوانگژو (چین). Landsc. طرح شهری. 2006 ، 78 ، 422-434. [ Google Scholar ] [ CrossRef ]
  35. Cellmer, R. امکانات و محدودیت های روش های زمین آماری در تحلیل های بازار املاک و مستغلات. مدیریت املاک. ارزش گذاری 2014 ، 22 ، 54-62. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  36. یانگ، جی. بائو، ی. ژانگ، ی. لی، ایکس. Ge, Q. تأثیر دسترسی بر قیمت مسکن در شهر دالیان چین بر اساس یک مدل رگرسیون وزن‌دار جغرافیایی. چانه. Geogr. علمی 2018 ، 28 ، 505-515. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  37. متیوز، SA; یانگ، TC نقشه برداری نتایج آمار محلی: با استفاده از رگرسیون وزنی جغرافیایی. Demogr. Res. 2012 ، 26 ، 151-166. [ Google Scholar ] [ CrossRef ] [ PubMed ][ نسخه سبز ]
  38. Fotheringham، AS; کرسپو، آر. یائو، جی. کاوش، مدل‌سازی و پیش‌بینی تغییرات مکانی-زمانی قیمت مسکن. ان Reg. علمی 2015 ، 54 ، 417-436. [ Google Scholar ] [ CrossRef ]
  39. سلمر، آر. بلژ، م. زروبک، اس. Šubic Kovač، M. نقشه های ارزش زمین شهری – یک رویکرد روش شناختی. Geod. وستن 2014 ، 58 ، 535-551. [ Google Scholar ] [ CrossRef ]
  40. کولول، پی اف. دیلمور، جی. اولین کسی که بود؟ بررسی یک مطالعه لذت‌گرای اولیه. اقتصاد زمین 1999 ، 75 ، 620-626. [ Google Scholar ] [ CrossRef ]
  41. Ridker، RG; هنینگ، JA عوامل تعیین کننده ارزش املاک مسکونی با اشاره ویژه به آلودگی هوا. کشیش Econ. آمار 1967 ، 49 ، 246-257. [ Google Scholar ] [ CrossRef ]
  42. کوئنکر، آر. باست، جی. چندک رگرسیون. Econometrica 1978 , 46 , 33. [ Google Scholar ] [ CrossRef ]
  43. زیتز، جی. زیتز، EN; سیرمنز، GS تعیین کننده قیمت مسکن: یک رویکرد رگرسیون چندکی. جی. امور مالی املاک و مستغلات. اقتصاد 2008 ، 37 ، 317-333. [ Google Scholar ] [ CrossRef ]
  44. کوئنکر، آر. هالاک، رگرسیون کوانتیل KF. جی. اکون. چشم انداز 2001 ، 15 ، 143-156. [ Google Scholar ] [ CrossRef ]
  45. لیائو، WC; وانگ، X. قیمت خانه لذت بخش و رگرسیون کمی فضایی. جی. هاوس. اقتصاد 2012 ، 21 ، 16-27. [ Google Scholar ] [ CrossRef ]
  46. پورتا، اس. استرانو، ای. یاکوویلو، وی. مسورا، آر. لاتورا، وی. کاردیلو، آ. وانگ، اف. مرکز Scellato، S. Street و تراکم خرده فروشی و خدمات در بولونیا، ایتالیا. محیط زیست طرح. B طرح. دس 2009 ، 36 ، 450-465. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  47. سیلورمن، تخمین چگالی BW برای آمار و تجزیه و تحلیل داده ها. که در تک نگاری های آمار و احتمال کاربردی ; چپمن و هال: لندن، بریتانیا، 1986. [ Google Scholar ]
  48. لانگلی، پی. Goodchild، MF; مگوایر، دی جی; رایند، DW علوم و سیستم های اطلاعات جغرافیایی ، ویرایش 4. وایلی: هوبوکن، نیوجرسی، ایالات متحده آمریکا، 2015; ISBN 1118676955. [ Google Scholar ]
  49. دی اسمیت، ام جی; Goodchild، MF; لانگلی، پی. تجزیه و تحلیل جغرافیایی: راهنمای جامع اصول، تکنیک ها و ابزارهای نرم افزاری . ماتادور: لستر، انگلستان، 2007; ISBN 1912556030. [ Google Scholar ]
  50. ویکتور، JD تجزیه و تحلیل سیستم های غیر خطی در چشم انداز: مروری بر روش های هسته. در دید غیرخطی: تعیین میدان‌های گیرنده عصبی، عملکرد و شبکه‌ها . CRC Press: بوکا راتون، فلوریدا، ایالات متحده آمریکا، 2018؛ صص 1-37. [ Google Scholar ]
  51. گیبین، م. لانگلی، پی. اتکینسون، P. تخمین چگالی کرنل و کانتورهای درصد حجمی در تجزیه و تحلیل حوضه آبریز در مناطق شهری. Proc. Gisruk 2007 ، C ، 11-13. [ Google Scholar ]
  52. اسپنسر، جی. آنجلس، جی. تخمین تراکم هسته به عنوان تکنیکی برای ارزیابی در دسترس بودن خدمات بهداشتی در نیکاراگوئه. شفا دادن. خدمت نتایج Res. روش. 2007 ، 7 ، 145-157. [ Google Scholar ] [ CrossRef ]
  53. پن، ا. ترنر، الف. چیدمان فضایی بر کارایی جستجو برای عوامل با دید تأثیر می گذارد. در چهارمین سمپوزیوم بین المللی نحو فضایی ; دانشگاه کالج لندن: لندن، انگلستان، 2003; صفحات 9.1-9.16. [ Google Scholar ]
  54. Cellmer, R. تجزیه و تحلیل فضایی فعالیت های محلی بازار املاک و مستغلات – نمونه ای از شهر اولشتین. در مباحث موضوعی در ارزیابی و کاربرد ارزش بازار ; Źróbek، S.، Ed. انجمن علمی املاک و مستغلات لهستان: اولشتین، لهستان، 2012; صص 77-88. [ Google Scholar ]
  55. چارلتون، ام. Fotheringham، AS رگرسیون وزنی جغرافیایی، کاغذ سفید ; دانشگاه ملی ایرلند Maynooth: Maynooth، ایرلند، 2009. [ Google Scholar ]
  56. تروجانک، آر. Huderek-Glapska، S. اندازه گیری هزینه نویز هوانوردی – ارتباط بین منطقه کاربری محدود در اطراف فرودگاه شوپن ورشو و ارزش اموال. J. Air Transp. مدیریت 2018 ، 67 ، 103-114. [ Google Scholar ] [ CrossRef ]
  57. تروجانک، آر. گلوساک، م. تاناس، ج. تأثیر فضاهای سبز شهری بر قیمت خانه در ورشو. بین المللی جی. استراتژی. پروپ. 2018 ، 22 ، 358-371. [ Google Scholar ] [ CrossRef ]
  58. Renigier-Bilozor، M.; جانوفسکی، ا. Walacik, M. روش های علم زمین در بازار املاک و مستغلات کاهش ذهنیت را تحلیل می کند. Geosciences 2019 ، 9 ، 130. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  59. سیچولسکا، ا. سلمر، آر. تحلیل قیمت ها در بازار مسکن با استفاده از مدل های ترکیبی. مدیریت املاک. ارزش گذاری 2018 ، 26 ، 102-111. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  60. چمبروفسکی، پ. کروننبرگ، جی. قیمت‌گذاری لذت‌گرا و انواع و اندازه‌های مختلف فضای سبز شهری: دیدگاه‌هایی در مورد بحث در مورد ارزش‌گذاری خدمات اکوسیستم. Landsc. طرح شهری. 2016 ، 146 ، 11-19. [ Google Scholar ] [ CrossRef ]
  61. تروجانک، آر. تاناس، ج. Trojanek, M. تأثیر حق انتفاع دائمی بر قیمت خانه های تک خانواده در پوزنان. J. Int. گل میخ. 2019 ، 12 ، 212-221. [ Google Scholar ] [ CrossRef ]
  62. باتوگ، جی. Foryś، I. Konowalczuk، J. جبران نویز فرودگاه: دیدگاه املاک و مستغلات. J. Eur. Results Estate Res. 2019 ، 12 ، 250–266. [ Google Scholar ] [ CrossRef ]
  63. سلمر، آر. بیلج، م. Konowalczuk، J. تاثیر یک مجاورت فرودگاه بر قیمت خانه های یک خانواده با استفاده از تجزیه و تحلیل جغرافیایی. ISPRS Int. J. Geo-Inf. 2019 ، 8 ، 471. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  64. تروجانک، آر. تاناس، ج. رسلاناس، س. Banaitis، A. تاثیر سر و صدای هواپیما بر قیمت مسکن در پوزنان. حفظ کنید. 2017 ، 9 ، 2088. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  65. سان، دبلیو. ژنگ، اس. وانگ، آر. استفاده از سرمایه دسترسی به مترو در ارزش خانه: یک مدل اجاره مجدد با محدودیت های عرضه در پکن. ترانسپ Res. بخش A سیاست سیاست. 2015 ، 80 ، 104-115. [ Google Scholar ] [ CrossRef ]
  66. مک کی، نظریه اطلاعات، استنتاج و الگوریتم های یادگیری DJC . انتشارات دانشگاه کمبریج: کمبریج، انگلستان، 2003; ISBN 9789036532167. [ Google Scholar ]
Ijgi 09 00002 g001 550
شکل 1. معاملات آپارتمان در پوزنان در 2013-2017.
Ijgi 09 00002 g002 550
شکل 2. نقشه قیمت های مرجع و نقشه باقیمانده ها.
Ijgi 09 00002 g003 550
شکل 3. نقشه قیمت آپارتمان ها. مقادیر به PLN (Zloty لهستانی) در هر متر مربع داده شده است.
Ijgi 09 00002 g004 550
شکل 4. نقشه فعالیت بازار. سمت چپ: میانگین تعداد تراکنش های سالانه. راست: میانگین تغییر سالانه تعداد تراکنش ها.
Ijgi 09 00002 g005 550
شکل 5. نتایج آزمایش موران برای lnprice1m2.
Ijgi 09 00002 g006 550
شکل 6. نقشه توزیع میانگین تغییر قیمت سالانه (1% = 0.01) و توزیع مکانی خطاها در شاخص تغییر قیمت.

مقالات داخلی و بین المللی

مطالب مرتبط ...

بدون دیدگاه

دیدگاهتان را بنویسید