تشخیص سرریز بازار مسکن درون شهری از طریق مدل زنجیره مارکوف فضایی

خلاصه

این مطالعه سرریزها را در میان بازارهای فرعی مسکن درون شهری در پکن، چین تحلیل کرد. سرریز درون شهری یک چالش روش شناختی را برای مطالعات مسکن از دیدگاه مکانی و زمانی تحمیل می کند. بر خلاف سرریز بین شهری، محدوده هر خرده بازار به طور طبیعی تعریف نشده است. بنابراین، ارزیابی سرریز درون شهری با مدل‌های سری زمانی استاندارد غیرممکن است. در عوض، ما اثر سرریز را به عنوان یک رویه زنجیره مارکوف فرموله کردیم. تکنیک خوشه‌بندی محدود برای شناسایی بازارهای فرعی به عنوان حالت‌های پنهان زنجیره مارکوف و تخمین ماتریس انتقال استفاده شد. با استفاده از مجموعه داده معاملات روزانه آپارتمان‌های دست دوم در پکن طی سال‌های 2011 تا 2017، 16 بازار فرعی/منطقه و اثر سرریز را در میان این مناطق شناسایی کردیم. بیشترین احتمال انتقال در ناحیه همپوشانی هسته شهری و منطقه تونگژو ظاهر شد. این مشاهدات منعکس کننده تأثیر پیشنهاد برنامه ریزی شهری است که از اوایل سال 2012 آغاز شده است. علاوه بر پیامدهای سیاست، ما انواع مختلفی از “انواع” سرریز را از طریق تحلیل رگرسیون تحلیل کردیم. دومی نشان داد که شکل “ریپل” سرریز در سطح درون شهری غالب نیست. انواع دیگر، مانند سرریز به دلیل وجود مناطق کاهش قیمت، نقش اصلی را ایفا می کنند. این مشاهدات پیچیدگی پویایی سرریز درون شهری و نیروی محرکه متمایز آن را در مقایسه با سرریز درون شهری نشان می دهد. علاوه بر پیامدهای سیاست، ما انواع «انواع» سرریز را از طریق تحلیل رگرسیون تحلیل کردیم. دومی نشان داد که شکل “ریپل” سرریز در سطح درون شهری غالب نیست. انواع دیگر، مانند سرریز به دلیل وجود مناطق کاهش قیمت، نقش اصلی را ایفا می کنند. این مشاهدات پیچیدگی پویایی سرریز درون شهری و نیروی محرکه متمایز آن را در مقایسه با سرریز درون شهری نشان می دهد. علاوه بر پیامدهای سیاست، ما انواع «انواع» سرریز را از طریق تحلیل رگرسیون تحلیل کردیم. دومی نشان داد که شکل “ریپل” سرریز در سطح درون شهری غالب نیست. انواع دیگر، مانند سرریز به دلیل وجود مناطق کاهش قیمت، نقش اصلی را ایفا می کنند. این مشاهدات پیچیدگی پویایی سرریز درون شهری و نیروی محرکه متمایز آن را در مقایسه با سرریز درون شهری نشان می دهد.

کلید واژه ها:

خوشه بندی محدود ; قیمت مسکن ؛ سرریز درون شهری ; اثر موج دار ; زنجیره مارکوف فضایی

1. معرفی

اثرات خارجی و اثر سرریز در بازارهای مسکن، علاقه فزاینده‌ای را به خود جلب کرده است [ 1 ، 2 ، 3 ، 4 ، 5 ، 6 ، 7 ]. مطالعات گسترده ای برای بازارهای مسکن در جهان توسعه یافته گزارش شده است [ 8 ، 9 ، 10 ، 11 ]، در حالی که کشورهای در حال توسعه نیز توجه خود را آغاز کرده اند [ 7 ، 12 ، 13 ، 14 ، 15 ]. من [ 16] توضیحات اقتصادی قانع‌کننده‌ای برای نیروهای محرک سرریز ارائه می‌دهد و چهار مکانیسم اصلی را که توسط آنها سرریز قیمت مسکن می‌تواند رخ دهد، خلاصه می‌کند: مهاجرت، انتقال سهام، آربیتراژ فضایی و الگوهای فضایی. بسیاری از مطالعات تجربی چهار مکانیسم را در محیط سرریز بین شهری بررسی کرده اند [ 8 ، 9 ، 10 ، 11 ، 13 ، 17 ، 18 ، 19 ، 20 ، 21 ، 22 ، 23 ، 24 ، 25 .]. بیشتر مطالعات از مکانیسم‌هایی مانند آربیتراژ فضایی و الگوهای فضایی پشتیبانی می‌کنند که سرریز شکل «ریپل» را با الگوی پیوسته فضایی ایجاد می‌کنند. در حالی که شواهد کمی می تواند مکانیسم های مهاجرت و انتقال سهام را پشتیبانی کند، آنها به طور بالقوه می توانند منجر به سرریز با الگوی ناپیوسته فضایی شوند.

مکانیسم‌های سرریز مستند شده در [ 16 ] هم برای سرریزهای درون شهری و هم برای سرریزهای درون شهری قابل اجرا هستند، اما بیشتر مطالعات در مورد دومی انجام می‌شود، با وجود چند استثنا [ 26 ، 27 ]]. سرریز درون شهری کاملاً متفاوت از آنالوگ بین شهری آن رخ می دهد. اولاً، سرریز درون شهرها امکان ناپیوستگی را فراهم می‌کند و نیازی به تجهیز به شکل «ریپل» نیست. این به این دلیل است که جابجایی درون شهری به دلیل ظهور ابزارهای رفت و آمد سریع، مانند اتوبوس های حمل و نقل سریع و حمل و نقل ریلی مترو، نسبتاً ارزان است. رفت و آمد ارزان، مهاجرت را به مکانیزمی عملی برای افزایش قیمت مسکن تبدیل می کند. یکی از این نمونه ها فرآیند شهرنشینی معکوس است که جذابیت زندگی نزدیک به محل کار را کاهش داد و قیمت مسکن را در مناطق حومه شهر افزایش داد [ 28 ، 29 ، 30 ]. در نتیجه، سرریز مجاز است بین دو مکان نسبتاً دور اتفاق بیفتد و بنابراین ناپیوستگی را نشان می دهد [ 31].

از سوی دیگر، سرریز درون شهری نمی تواند خودسرانه در همه جا رخ دهد. در عوض، بسیاری از انواع دیگر تفکیک فضایی که هنوز هم می توانند سرریز را محدود کنند، به کار خود ادامه می دهند، مانند تفکیک محله ناشی از تفاوت در نژاد [ 32 ]، سطح تحصیلات [ 33 ]، ثروت و درآمد [ 34 ، 35 ]، و تبعیض احتمالی بین ساکنان بومی و مهاجر [ 33 ]. جدای از تفکیک اجتماعی-اقتصادی ذکر شده در بالا، ابتکارات توسعه و نوسازی شهری و سیاست های مداخله در بازار مسکن نیز می توانند روند سرریز درون شهری را تغییر دهند [ 36 ، 37 ، 38]. در نهایت، احساسات بازار که از سیاست های مختلف الهام گرفته شده است، نقشی در تأثیرگذاری بر دامنه و قدرت سرریز دارد [ 25 ، 39 ، 40 ]. همه این نیروهای رقابتی، سرریز درون شهری را به یک سیستم پیچیده و پویا تبدیل می کند. جهت و مرزهای سرریز را نمی توان به سادگی در مورد بین شهری پیش بینی کرد، که باعث می شود سرریز درون شهری مستحق بررسی کامل باشد، حتی اگر هنوز در ادبیات موجود توجه کافی به آن نشده باشد.

سرریز درون شهری نیز از نظر نیاز روش شناسی با آنالوگ بین شهری خود متفاوت است. مدل خود رگرسیون برداری (VAR) که به طور گسترده استفاده می شود [ 27 ، 41 ، 42 ، 43] در سرریز درون شهری برای تحلیل سرریز درون شهری کافی نیست. مدل‌های VAR برای ثبت وابستگی دینامیکی دنباله‌ای از بردارهای تصادفی با ابعاد محدود طراحی شده‌اند. با توجه به سرریزهای بین شهری، بازار مسکن در هر شهر را می توان به طور طبیعی به عنوان یک بردار تصادفی با بعد محدود با مقدار آن به عنوان میانگین قیمت در سطح شهر انتزاع کرد. این انتزاع به دلیل ساختار شبکه طبقه بندی شده در سرریز بین شهری معتبر است. در واقع، اثر سرریز همیشه می‌تواند از طریق یک شبکه اتفاق بیفتد، که در آن گره‌ها مکان‌هایی را نشان می‌دهند که در میان آنها سرریز ممکن است رخ دهد. لبه ها وجود ارتباطات اقتصادی/جغرافیایی بین گره های انتهایی خود را توصیف می کنند. این ارتباطات رسانه ای را برای سرریز ایجاد می کند. چون شهرها معمولاً از هم دور هستند، قدرت ارتباطات اقتصادی/جغرافیایی برای مکان‌های بین دو شهر دور بسیار ضعیف‌تر از داخل یک شهر است. بنابراین، شبکه سرریز همیشه می تواند به دو سطح طبقه بندی شود. سطح پایین شامل خانواده ای از شبکه های فرعی مجزا است که هر کدام از گره ها و لبه های داخل شهر تشکیل شده اند. سطح بالاتر شبکه دیگری است که گره های آن شهرها را نشان می دهد و لبه ها ارتباط بین شهرها هستند. ظاهراً، اگر تمرکز ما بر سرریز بین شهری باشد، تنها به شبکه سطح بالا نیاز است که معمولاً دارای مقدار نسبتاً کمی گره است و می تواند در یک مدل VAR محدود (کم)بعدی تعبیه شود. سطح پایین شامل خانواده ای از شبکه های فرعی مجزا است که هر کدام از گره ها و لبه های داخل شهر تشکیل شده اند. سطح بالاتر شبکه دیگری است که گره های آن شهرها را نشان می دهد و لبه ها ارتباط بین شهرها هستند. ظاهراً، اگر تمرکز ما بر سرریز بین شهری باشد، تنها به شبکه سطح بالا نیاز است که معمولاً دارای مقدار نسبتاً کمی گره است و می تواند در یک مدل VAR محدود (کم)بعدی تعبیه شود. سطح پایین شامل خانواده ای از شبکه های فرعی مجزا است که هر کدام از گره ها و لبه های داخل شهر تشکیل شده اند. سطح بالاتر شبکه دیگری است که گره های آن شهرها را نشان می دهد و لبه ها ارتباط بین شهرها هستند. ظاهراً، اگر تمرکز ما بر سرریز بین شهری باشد، تنها به شبکه سطح بالا نیاز است که معمولاً دارای مقدار نسبتاً کمی گره است و می تواند در یک مدل VAR محدود (کم)بعدی تعبیه شود.41 ]. با این حال، برای سرریز درون شهری در یک شهر، تنها به یک شبکه فرعی در سطح پایین نیاز است. برای چنین شبکه ای درون شهری، به دلیل عدم انزوای جغرافیایی، تقسیم بندی واضحی از گره ها و لبه ها به مقدار کمی از گروه های ناهمگون از نظر قدرت اتصالات وجود ندارد. در نتیجه، سرریز درون شهری یک شبکه بی نهایت و کاهش ناپذیر را تشکیل می دهد، بنابراین مدل های VAR به دلیل عدم محدودیت قابل اجرا نیستند.

به غیر از مدل‌های VAR، روش‌های رگرسیونی (فضایی) زیادی وجود دارد که با آن‌ها می‌توان همبستگی‌های فضایی درون شهری قیمت مسکن را تحلیل کرد [ 44 ، 45 ، 46 ، 47 ] (که ارتباط نزدیکی با سرریز درون شهری دارند. در این مقاله مطالعه شده است). روش‌های این کلاس همیشه یک مقدار برش را برای محدوده مسافتی که در آن سرریز می‌تواند رخ دهد تنظیم می‌کنند [ 44 ، 45]. این روش ها از نظر تشخیص وجود سرریز “شکل موج دار” و/یا ارزیابی مقیاس و اهمیت آن مفید هستند. اما از طرف دیگر، مقدار برش دامنه تحلیل را محدود می کند. فقط سرریز در همسایگی از پیش تعریف شده قابل تحلیل است. امکان سایر انواع سرریز، مانند جابجایی مشترک قیمت مسکن در مکان‌های مختلف که توسط محله از پیش تعریف‌شده پوشش داده نمی‌شود را حذف می‌کند. به طور بحرانی تر، به دلیل محدودیت در محله های ثابت، بعد فضایی سرریز دچار انحطاط می شود. به عنوان یک متغیر ساختگی نمایش داده می شود. یعنی اینکه آیا یک ساختار فضایی در محله، مانند جهت و محدوده جغرافیایی سرریز، به طور کامل از بین رفته است یا خیر. در واقعیت، این نوع اطلاعات ساختاری اغلب مهمتر از مقیاس کمی است. در نهایت، مدل های زنجیره ای مارکوف نیز در مطالعه سرریز بازار مسکن و انواع دیگر پویایی بازار مسکن، مانند [.8 ، 10 ، 14 ، 48 ] که در میان آنها مدل سوئیچینگ مارکوف بیشتر مورد استفاده قرار می گیرد. این امر به ویژه در مورد نوسانات قیمت مسکن و سرریزهای ناشی از رونق اقتصادی یا رکود اعمال می شود. مدل سوئیچینگ مارکوف بیشتر بر وابستگی زمانی به جای وابستگی مکانی قیمت مسکن تاکید می کند. اگرچه همبستگی فضایی قیمت مسکن را می توان از طریق درج سوئیچ رژیم مارکوی در یک معادله رگرسیون مکانی [ 10 ] به چارچوب اضافه کرد، مدل حاصل فضا را از زمان جدا می کند و از تعامل بین بعد مکانی و بعد زمانی غفلت می کند. ، که با این حال برای تفسیر سرریز بازار مسکن بسیار حیاتی است.

برای پر کردن شکاف مورد بحث در بالا، ما یک نسخه اصلاح شده از روش خوشه بندی k-means محدود [ 49 ، 50 ، 51 ، 52 ، 53 ] را ادغام کردیم.] و مدل زنجیره ای ماکاروف فضایی برای بررسی سرریز قیمت مسکن درون شهری. متفاوت از مدل سوئیچینگ مارکوف، ترکیب جدیدی از مدل زنجیره مارکوف با سری زمانی قیمت مسکن پیشنهاد شده است تا دینامیک پشت سرریز را نشان دهد. خوشه بندی محدود برای جستجوی مناسب ترین تنظیم برای زنجیره مارکوف استفاده می شود. روش پیشنهادی از اکتبر 2011 تا اکتبر 2017 بر روی یک نمونه داده شامل 120618 رکورد معاملات مسکن (متغیرها شامل قیمت، زمان معامله و مکان هر واحد مسکونی معامله شده) در پکن، چین، از اکتبر 2011 تا اکتبر 2017 استفاده شد. fang.com، بزرگترین و شناخته شده ترین پلت فرم آنلاین که اطلاعات دقیق تراکنش های آپارتمان های دست دوم در چین را ارائه می دهد. پس از تجزیه و تحلیل، متوجه شدیم که در بازار مسکن پکن، 16 بازار فرعی مسکن قوی وجود دارد که در میان آنها سرریز قیمت در طول دوره مشاهده 2011 اکتبر تا اکتبر 2017 رخ داده است. علاوه بر این، برخی از ویژگی های جالب در مورد فرآیند سرریز شناسایی شد، به عنوان مثال:

مداخلات دولت محلی بر روی حباب بازار مسکن تنها تأثیری حاشیه ای بر سرریز بازار مسکن ایجاد می کند. آنها در دراز مدت انتقال سرریز را تغییر نمی دهند.
نیروهای محرک سرریز بازار مسکن به دو بازار فرعی واقع در اطراف تونگژو هدایت می شوند، شهری جدید که برنامه ریزی شده است تا شهر اقماری بزرگ پکن باشد و به بسیاری از منابع ارزشمند پزشکی، آموزشی و اداری مجهز شود. بنابراین، جهت انتقال سرریز در پکن بسیار با اولویت سیاست سازگار است.
نیروهای محرک و مکانیسم پشت سرریزهای درون شهری در پکن به طور قابل توجهی متمایز از عواملی است که در پشت سرریزهای بین شهری به طور گسترده مستند شده اند. شکل موج دار سرریز دیگر غالب نیست. در مقابل، اثر مهاجرت ناشی از شکاف قیمت و الگوی فضایی دو نیروی اصلی هستند که باعث سرریز درون شهری در پکن می‌شوند، اگرچه آنها کم‌اهمیت‌ترین نیروها در مطالعات سرریز بین شهری در نظر گرفته می‌شوند.

این مقاله از منظر نظری و روش شناختی به ادبیات موجود کمک می کند:

این مقاله یک روش فضا-زمان جدید را برای مطالعه سرریز قیمت مسکن با ادغام مدل زنجیره مارکوف و خوشه‌بندی محدود پیشنهاد می‌کند.
تفاوت‌هایی که در اینجا بین سرریزهای بازار مسکن درون شهری و بین شهری آشکار می‌کنیم، می‌تواند تحقیقات آتی را، هم نظری و هم تجربی، ترویج کند.
انواع مختلف شوک‌های سیاستی می‌توانند از نظر تأثیر بر مکانیسم سرریز بلندمدت، که بینشی را برای حوزه تنظیم بازار مسکن فراهم می‌کند، به‌طور قابل‌توجهی متفاوت باشند.

2. داده ها و روش ها

2.1. توضیحات داده ها

سرریز قیمت مسکن درون شهری در پکن، چین، در این مقاله بررسی شده است. مانند بسیاری از شهرهای بزرگ چین، پکن نیز در دهه گذشته افزایش قیمت مسکن را تجربه کرده است و میانگین قیمت مسکن از 18741 سه برابر شده است.

yuan / m^{2}

در سال 2009 به 57768 رسید

yuan / m^{2}

در سال 2017. در عین حال، شکاف بزرگی در بین مناطق مختلف پکن از نظر قیمت مسکن و روند تغییرات آن وجود دارد. نسبت بین پایین ترین و بالاترین قیمت واحد پست شده در fang.com در پکن تا پایان سال 2017 بسیار نزدیک به 1:100 بود، اما این نسبت در طول سال 2011 تنها 1:20 بود. شکاف عظیم و در حال افزایش قیمت درون شهری در پکن تا حدودی پیامد سرریز آن است که یک جناح سبک شده از بازارهای مسکن شهری در چین را تشکیل می دهد. بنابراین، ما معتقدیم که یک بررسی جامع لازم است.

داده های مورد تجزیه و تحلیل در این مقاله شامل 120618 رکورد معاملات مسکن آپارتمان های دست دوم (متغیرها شامل قیمت، تاریخ معامله و آدرس هر واحد مسکونی معامله شده) در پکن، چین، طی دوره زمانی اکتبر 2011 تا اکتبر 2017 است. داده های خام دارای بسیاری از ویژگی های دیگر برای هر آپارتمان معامله شده، مانند سطح طبقه، مساحت ساخت، دوره ساخت و غیره است. خلاصه آماری این ویژگی ها در جدول A1 در پیوست A ارائه شده است. با این حال، این ویژگی ها در تجزیه و تحلیل تنظیمات تغییرات قیمت مورد استفاده قرار نگرفتند و مفید نیستند، زیرا ثابت هستند و عمدتاً به جای تفاوت قیمت، به سطح قیمت کمک می کنند. ما به جزئیات آنها نمی پردازیم. برای مطالعه از آپارتمان های دست دوم استفاده شد، زیرا از سال 2010 در پکن هیچ آپارتمان جدیدی در منطقه ساخته شده وجود نداشته است. قیمت هر آپارتمان دست دوم تنها داده مکانی برای قیمت مسکن در پکن است. داده ها از fang.com، بزرگترین و شناخته شده ترین پلت فرم آنلاین که اطلاعات دقیق تراکنش های آپارتمان های دست دوم در چین را ارائه می دهد، جمع آوری شده است. طول و عرض جغرافیایی دقیق هر آپارتمان/جامعه از هر آدرس با استفاده از API جغرافیایی کدگذاری Baidu تبدیل شد.https://lbsyun.baidu.com/ .) شرح آدرس هر آپارتمان معامله شده تا سطح جامعه ای که به آن تعلق دارد دقیق است. این دقت باید برای تحلیل در سطح شهر کافی باشد. پس از حذف آن سوابق با مقادیر گمشده و/یا مکان‌های طول جغرافیایی نادرست، 92048 تراکنش و 6013 انجمن باقی مانده است. آنهایی که از نمونه کامل ما در تجزیه و تحلیل زیر تشکیل شده اند.

از آنجا که تفاوت قیمت مسکن بین دو دوره زمانی متوالی باید به طور مکرر ارزیابی شود تا ماتریس گذار مارکوف برآورد شود، مشخصات فاصله زمانی و ساختار شبکه برای مقایسه زمانی مورد نیاز است. سه ماه (یا معادل آن، یک چهارم) به عنوان پنجره زمانی مقایسه استفاده شد. این به این دلیل است که طول بازه مناسب باید به اندازه کافی طولانی باشد که پوشش متراکمی از سوابق تراکنش را بر روی نقشه بپذیرد، در حالی که نباید به اندازه کافی طولانی باشد تا اطلاعات مهم در مورد تغییرات بازار از بین برود. فرکانس تراکنش در داده‌های خام ما یک روز بود، اما یک تحلیل اولیه نشان داد که اگر طول بازه زمانی یک روز یا یک هفته یا حتی یک ماه انتخاب شود، پوشش نمی‌تواند به طور یکنواخت متراکم باشد. وقتی افق زمانی به یک چهارم افزایش یافت، حداقل سیصد جامعه برای تمام فصول در کل دوره گردآوری داده ها گنجانده شدند. این مقدار می تواند پوشش بسیار خوبی از مناطق ساخته شده پکن را تضمین کند. ما نشان می دهیمبخش 3.1 که محدوده‌های جغرافیایی تحت پوشش نمونه‌ها بر اساس فصلی، از سال 2012 تا 2017 تفاوت قابل‌توجهی ندارد. این مشاهدات استحکام انتخاب ما را تأیید می کند. در نهایت، اداره ملی آمار چین نیز یک چهارم به عنوان پنجره زمانی رسمی برای اعلام شاخص بازار مسکن خود در نظر می گیرد، که از مشخصات فصلی در طول بازه زمانی پشتیبانی می کند.

2.2. مدل زنجیره مارکوف

مدل زنجیره مارکوف به روش زیر ایجاد می‌شود: ابتدا فرض می‌کنیم سرریز قیمت مسکن در میان مجموعه‌ای از مکان‌ها در یک شهر اتفاق می‌افتد که به صورت نشان داده می‌شوند.

M

. هر مکان

m \in M

قرار است به یک زیر بازار مسکن تعلق داشته باشد به طوری که مجموعه ای از بازارهای فرعی پارتیشنی از مجموعه مکان را تشکیل می دهد که به صورت

P = {P_{i}, \dots, P_{m}}

جایی که

P_{i} \subset M

P_{i} \cap P_{j} =

اگر

i \neq j

، و

⋃_{i = 1}^{m} P_{m} = M

در هر زمان ثابت t و $t + 1$ ، سرریز بین مکان ها $m_{0}, m_{1} \in M$ را می توان به طور طبیعی به عنوان وقوع رویدادی که قیمت در آن تغییر می کند شناسایی کرد $m_{1}$ در حین $t + 1$ به همان روشی که در $m_{0}$ در طول تی . به عبارت دیگر اگر r را a نشان دهیم ${- 1, 1}$ تابع ارزش به گونه ای است که $r (t, m)$ ارزش می گیرد $- 1$ ، اگر در مکان m و زمان t ، قیمت مسکن کاهش یابد، و اگر قیمت جهش کند، 1، آنگاه سرریز از $m_{0}$ به $m_{1}$ در زمان t و $t + 1$ به صورت زیر شناسایی می شود:

r (t, متر 0) = r (t + 1 ، متر 1) .

(1)

فرآیند سرریز به معنای زیر ماکارویی است: برای هر بار t ، سرریز بین هر دو مکان به طور تصادفی اتفاق می‌افتد، با احتمال وقوع صرفاً به بازار فرعی که مکان از محل به آن تعلق دارد و بازار فرعی که مکان به آن متعلق است، بستگی دارد. . به طور رسمی، احتمال وقوع را می توان در سطح زیر بازار تعریف کرد و به صورت a بیان کرد $| P | \times | P |$ ماتریس انتقال ثابت ماکاروف، با نشان داده شده است $T$ ( $| . |$ تعداد عناصر یک مجموعه است)، به طوری که برای هر $P_{i}$ و $P_{j}$ با $m_{0} \in P_{i}, m_{1} \in P_{j}$

تی من ، ج = پ r (r متر 0 = r متر 1 ∣ متر 0 \in پ من ، متر 1 \in پ j) .

(2)

بدون از دست دادن کلیت، فرض می کنیم

\sum_{j = 1}^{| P |} T_{i, j} \leq 1

به طوری که

1 - \sum_{j = 1}^{| P |} T_{i, j}

را می توان به عنوان احتمال رویدادی در نظر گرفت که سرریز به طور کامل از بین می رود.

با توجه به ماتریس انتقال ثابت مارکوف $T$ و پانلی از داده های قیمت

O = {O تی = {r m, t : m \in M} : t = 1 ، \dots ، T}

(3)

در جایی که T تعداد زمان مشاهده است، می‌توانیم رویه مورد بحث در مرجع [ 54 ] را برای تخمین ورودی‌ها اتخاذ کنیم. $T$ ; به طور رسمی، دو تخمین‌گر وجود دارد که می‌توان آنها را استخراج کرد، که هر دو برای تعداد مکان‌های مشاهده‌شده بسیار سازگار هستند:

تی^من ، ج ، تی = 1 | پ من | \sum من \in پ من 1 | م | \sum j \in پ j من (r تی ، متر من = r t + 1 ، متر j) ،

(4)

تی^من ، ج = 1 تی \sum t = 1 تی - 1 ⎛⎝ 1 | پ من | \sum من \in پ من 1 | م | \sum j \in پ j من (r تی ، متر من = r t + 1 ، متر j) ⎞⎠ .

(5)

از آنجایی که هر دو برآوردگر ( 4 ) و ( 5 ) با $T_{i, j}$ ، باید مجانبی با یکدیگر برابر باشند. علاوه بر این، با پیروی از ادبیات [ 54 ]، می‌توان نتیجه گرفت که آمار زیر که از دو تخمین‌گر به دست آمده است به طور مجانبی از یک $χ^{2}$ توزیع با درجات آزادی $| P | \cdot (T - 2)$ :

χ 2 \cdot ، پ “ = χ 2 پ ، \cdot = \sum پ \in پ \sum t = 1 تی - 1 ( | پ | —\sqrt | م | —-\sqrt تی ^ پ ، پ “ ، تی - تی ^ پ ، پ “ ) 2 تی ^ پ ، پ “ \cdot ( 1 - تی ^ پ ، پ “ ) \sum پ “ \in پ \sum t = 1 تی - 1 ( | پ | —\sqrt | م | —-\sqrt تی ^ پ “ ، پ ، تی - تی ^ پ “ ، پ ) 2 تی ^ پ “ ، پ \cdot ( 1 - تی ^ پ ، پ “ ) .

(6)

2.3. خوشه بندی K-Means محدود

تعداد کل زیرمنطقه ها $| P |$ و محدوده جغرافیایی آنها در مدل زنجیره مارکوف فضایی هنوز ناشناخته است. برای تکمیل تنظیم مدل، یک گزینه این است که مناطق اداری و/یا کد پستی را به عنوان مجموعه پارتیشن در نظر بگیرید. $P$ . با این حال، فشرده سازی مناطق اداری/کد پستی به نقاط در یک محیط درون شهری مناسب نیست، زیرا ممکن است اطلاعات مهم ارتباطات اقتصادی بین مکان های مختلف را از دست بدهد. در این بخش یک روش مبتنی بر داده برای شناسایی مجموعه پارتیشن ارائه می کنیم $P$ . روش جدید روش استنتاج استاندارد ماتریس انتقال را ترکیب می کند $T$ با خوشه بندی k-means از طریق افزودن مجموعه ای از شرایط محدودیت به مسئله بهینه سازی مرتبط با خوشه بندی k-means. این روش جدید اساساً نوعی خوشه بندی محدود است که در ادبیات مطالعه شده است [ 49 ، 50 ، 51 ، 52 ]، در حالی که در محیط ما، محدودیت از مدل زنجیره مارکوف فضایی به روش مشتری مشتق شده است. به طور رسمی، خوشه بندی محدود را می توان به عنوان یک مسئله بهینه سازی محدود به صورت زیر بیان کرد:

دقیقه اس ک \sum اس \in اس ک \sum x \in S (ایکس ج - ایکس ¯ ج ، اس) 2

(7)

س . تی . {f j (ایکس اس ، ایکس - اس) > 0 ، j = 1 ، \dots ، m اس \in اس ک ، ک \geq 1 ،

(8)

جایی که $S_{K}$ یک پارتیشن K- fold از کل نمونه است. x بردار ویژگی است که نشان دهنده ارزش تمام ویژگی های مرتبط با یک واحد مسکونی در نمونه است. ویژگی ها باید شامل مختصات جغرافیایی دوبعدی هر شبکه و سایر ویژگی های متصل به آن شبکه و مهم برای تجزیه و تحلیل، مانند نرخ رشد قیمت محلی باشد. ابعاد مرتبط با مختصات به صورت c نشان داده می شود . $x_{c}$ نمایانگر بردار x بر روی ابعاد c است. تحت این نماد، ( 7 ) دقیقاً تابع هدف برای خوشه بندی k-means استاندارد با تابع شباهت به عنوان فاصله اقلیدسی روی نقشه است که به طور گسترده در ادبیات مورد بحث قرار گرفته است [ 55 ].

علاوه بر این،

x_{S}

در ( 8 ) ماتریس ویژگی است که هر ستون یک بردار ویژگی واحد است که ورودی های آن با مقادیر آن ویژگی متصل به شبکه های خوشه S مطابقت دارد .

x_{- S}

ماتریس ویژگی مرتبط با مجموعه شبکه های مکمل S است.

f_{j}

برای

j = 1 \dots, m

توابعی هستند که m محدودیت ها را برای هر خوشه S تشکیل می دهند. توجه کنید که

f_{j}

به ویژگی های همه شبکه ها در داخل و خارج از یک خوشه بستگی دارد (هر دو

x_{S}

x_{- S}

به عنوان استدلال درگیر می شوند). این مجموعه وابستگی فضایی بین خوشه‌های مختلف را منعکس می‌کند و برای به تصویر کشیدن ساختار انتقال مدل زنجیره مارکوف فضایی طراحی شده است.

در شرایط فعلی، شکل خاص محدودیت ها ( 8 ) و معنای اقتصادی آنها از انتقال زنجیره مارکوف فضایی سرریزها در میان بازارهای فرعی مسکن به عنوان ضربه مشتق شده است:

χ 2 \cdot ، پ “ \leq τ | پ | \cdot (تی - 2) ، α χ 2 پ ، \cdot \leq τ | پ | \cdot (تی - 2) ، α ،

(9)

جایی که $χ_{P, \cdot}^{2}$ و $χ_{\cdot, P^{'}}^{2}$ هستند $χ^{2}$ آمار به دست آمده در ( 6 ). $τ_{| P | \cdot (T - 2), α}$ هست $1 - α$ سطح چندکی a $χ^{2}$ توزیع با درجه آزادی بودن $| P | \cdot (T - 2)$ .

محدودیت ( 9 ) از ویژگی ثابت مدل زنجیره ماکاروف ( 2 ) ناشی می شود. در واقع، زمانی که مدل زنجیره مارکوف واقعی که داده‌های سرریز قیمت مشاهده‌شده را تولید می‌کند، ثابت باشد، تحت بازیابی صحیح بازارهای فرعی پنهان، فرضیه صفر زیر باید برقرار باشد:

اچ 0 : تی من ، ج ، تی = تی من ، جی ، تی “ برای همه i ، j و t \neq تی “ .

(10)

با توجه به ( 10 ) و اینکه دو برآوردگر ( 4 ) و ( 5 ) منسجم هستند، معنای محدودیت ( 9 ) واضح است و چیزی بیش از آن برای هر خرده بازار P که به درستی شناسایی شده است نیست و

P^{'}

، احتمال انتقال تخمین زده شده در هر نقطه زمانی t باید با احتمال تخمین زده شده در هر زمان دیگر سازگار باشد

t^{'}

، و در نتیجه با برآوردگر میانگین که در کل بازه زمانی حداقل در سطح محرمانه گرفته شده سازگار است.

α

با توجه به پیرسون معروف

χ^{2}

تست. مانند

α

اغلب از میان انتخاب می شود

0.1, 0.5

0.01

در تنظیم آزمون فرضیه؛ ما از کنوانسیون پیروی کردیم و انتخاب کردیم

α = 0.1

. این به این دلیل بود که در محیط ما انتظار داشتیم که شواهد از فرضیه صفر حمایت کنند. برای احتیاط، ما بزرگترین آستانه را انتخاب کردیم،

0.1

علاوه بر مجموعه ای از مناطق فرعی خوشه ای که می توان با آنها شناسایی کرد

P

، ماتریس احتمال انتقال نیز از الگوریتم به عنوان ارزیابی ( 5 ) در آخرین تکرار خروجی خواهد شد. در چنین مدل زنجیره مارکوف داده گرا، نه مجموعه پارتیشن

P

و نه ماتریس انتقال

T

نیاز به مشخصات قبلی؛ بنابراین، آنها بهتر می توانند با مکانیسم انتقال پنهان در پشت داده های تابلویی قیمت مسکن برسند.

2.4. تخمین چگالی کرنل و تجزیه و تحلیل هات اسپات

در داده های اولیه، قیمت مسکن به هر واحد مسکونی پیوست شده است. چنین قیمت هایی به طور مستقیم در طول زمان قابل مقایسه نیستند. برای تسهیل تجزیه و تحلیل، ما از روش تخمین چگالی هسته استفاده کردیم و داده‌های قیمت را در سطح واحد مسکونی به قیمت در سطح مکان جمع کردیم. در جزئیات، ما منطقه مورد مطالعه را به مجموعه ای از $1000 m \times 1000 m$ زیرمنطقه ها را مربع و مراکز آنها را به عنوان مجموعه شبکه ها انتخاب کردند (تحلیل اولیه نشان می دهد که $1000 m$ انتخاب بهینه است زیرا اندازه شبکه بزرگتر از $1000 m$ تمایل به پنهان کردن تفاوت های محلی دارد و به دلیل اینکه اندازه شبکه کوچکتر از $1000 m$ می تواند ویژگی های محلی را اغراق کند). سپس از روش چگالی هسته گاوسی برای تخمین قیمت تجربی در هر شبکه استفاده شد. به طور رسمی، ما دریافتیم:

پ^t ، j = 1 متر تی ب 2 تی \sum i = 1 متر تی ک (( ج پ من - ج j ) ب) \cdot پ t ، i ،

(11)

جایی که $c p_{i}$ مختصات جغرافیایی (طول و عرض جغرافیایی) است که با رکورد تراکنش یکم مرتبط است. $c_{j}$ مختصات جغرافیایی مرتبط با شبکه j است. $m_{t}$ تعداد کل کل معاملات جمع آوری شده بر حسب سه ماهه t است. K تابع چگالی گاوسی دو بعدی استاندارد با میانگین صفر است. $b_{t}$ عرض هسته است که انتخاب شده است $σ \cdot m_{t}^{- \frac{1}{3}}$ ، جایی که $σ$ میانگین انحراف استاندارد طول و عرض جغرافیایی تمام واحدهای مسکونی نمونه است. چنین انتخابی از عرض هسته تضمین می کند که به عنوان $m_{t} \to \infty$ ، قیمت تجربی در احتمال به ارزش صدق آن همگرا می شود. برای زمان ثابت t ، $p_{t, i}$ و ${\hat{p}}_{t, j}$ به ترتیب قیمت مسکن در اولین رکورد معامله و قیمت تخمینی مسکن در شبکه j می باشد.

با اعمال ( 11 ) به مجموعه تراکنش های ثبت شده در طول سه ماهه t و اجازه دادن به آن در هر t و هر شبکه، یک مجموعه داده پانل دریافت می کنیم که در آن یک مسیر تغییر قیمت مرتبط با هر شبکه وجود دارد.

به دلیل کمبود داده، قیمت (و سایر ویژگی‌های) برآورد شده از ( 11 ) ممکن است در چنین شبکه‌هایی که فقط تعداد کمی از تراکنش‌ها در همسایگی آنها ثبت می‌شود دقیق نباشد. بنابراین، لازم بود شبکه هایی از آن نوع از پنل قیمت حذف شوند. Getis-Ord

G i^{*}

آمار [ 56 و 57 ] محاسبه و برای حذف شبکه‌ها در مناطق با پوشش نمونه کم استفاده شد.

به طور رسمی، Getis-Ord را محاسبه کردیم $G i^{*}$ آماری برای چگالی توزیع رکوردهای تراکنش در نزدیکی هر شبکه از طریق فرمول زیر:

جی * من = ⟨ w من - w من ¯¯¯¯ ، x - ایکس ¯ ⟩ اس ایکس \cdot اس w من ،

(12)

جایی که $\bar{x}$ ( $\bar{w_{i}}$ ) میانگین تجربی بردار است ${x_{1}, \dots, x_{n}}$ ( ${w_{i 1}, \dots, w_{i n}}$ ). x ( $: = {x_{1}, \dots, x_{n}}$ ) بردار است که یک ویژگی مرتبط با هر شبکه را نشان می دهد $j \in {1, \dots, n}$ ; $w_{i}$ ( $: = {w_{i 1}, \dots, w_{i n}}$ ) بردار وزن مربوط به یک شبکه i با هر است $w_{i j}$ وزنی است که شبکه i به شبکه j اختصاص می دهد. n تعداد تمام شبکه هاست. $S_{x}$ و $S_{w_{i}}$ انحرافات استاندارد تجربی مرتبط با بردار x و هستند $w_{i}$ به ترتیب. $〈., .〉$ حاصل ضرب داخلی دو بردار در فضای اقلیدسی n بعدی را نشان می دهد.

در تنظیمات فعلی، ویژگی x به عنوان چگالی توزیع تجربی همه تراکنش‌های نمونه انتخاب شده است. ساختار چگالی فضایی یک شبکه به شرح زیر است:

ایکس j = 1 متر ب 2 \sum i = 1 متر ک (( ج پ من - ج j ) ب)

(13)

جایی که همه $c p_{i}$ ، $c_{j}$ ، و K به همان معنی در ( 11 ) است. m تعداد کل سوابق معاملات در تمام سه ماهه است. و b به همان روشی که در ( 11 ) انتخاب شده است.

وزن $w_{i j}$ همچنین از طریق تابع هسته گاوسی به صورت زیر انتخاب می شود:

w من ج = 1 ب 2 \cdot ک (( ج من - ج j ) ب)

(14)

با همان انتخاب عرض هسته برای چگالی تجربی ( 13 ).

شبکه‌هایی که ارزش مثبت قابل‌توجهی در آمار Getis-Ord دارند، با مکان‌هایی که تراکنش‌ها در همسایگی آن به‌طور متراکم خوشه‌بندی شده‌اند، مرتبط هستند، و بنابراین برای مناطقی هستند که تحلیل ما باید روی آنها تمرکز کند. در مقابل، مکان‌هایی که آمار Getis-Ord منفی دارند، فقط دارای تراکنش پراکنده هستند که باید از تحلیل حذف شوند. به دنبال این قانون، 1183 شبکه در نهایت در مجموعه داده ما باقی ماند. آنها با 1183 مسیر مطابقت دارند که نشان دهنده روند سه ماهه تغییرات قیمت در هر شبکه از اکتبر 2011 تا اکتبر 2017 است.

2.5. فاصله هاسدورف

فاصله هاسدورف یک متریک محبوب است که فاصله بین دو مجموعه را اندازه گیری می کند. به طور گسترده در بسیاری از زمینه ها، مانند تطبیق تصویر و ارزیابی کارایی خوشه بندی [ 58 ، 59 ] استفاده شده است. با توجه به تعریف ساده آن از طریق یک عملیات حداقل، می توان آن را به یک آزمون فرضی با یک فرم بسیار ساده از توزیع فرضیه صفر توسعه داد. آزمایش حاصل می تواند بررسی کند که آیا مناطق تحت پوشش دو مجموعه از نقاط نمونه روی نقشه یکسان هستند یا خیر. به طور رسمی، فاصله Hausdorff به صورت زیر تعریف می شود:

داچ(اس1،اس2) = حداکثر {شامx∈ _اس1infy∈اس2{ د( x ، y) } ،شامy∈اس2infx∈ _اس1{ د( x ، y) } } ،��(�1,�2)=maxsup�∈�1inf�∈�2�(�,�),sup�∈�2inf�∈�1�(�,�),

(15)

جایی که $S_{1}$ و $S_{2}$ دو منطقه فرعی باز در منطقه X روی نقشه هستند. d یک متریک پیش فرض X است و در تنظیمات ما می تواند به عنوان متریک اقلیدسی در تعریف شود $R^{2}$ . فاصله هاسدورف $d_{H}$ یک متریک کاملاً تعریف شده از مجموعه همه زیرمجموعه های X با فضای داخلی باز است [ 59 ]، به این معنی که دارای ویژگی است $d_{H} (S_{1}, S_{2}) = 0$ اگر و تنها اگر $S_{1} = S_{2}$ دارایی های. نسخه تجربی $d_{H}$ را می توان از طریق نمونه های تصادفی از $S_{1}$ و $S_{2}$ مانند زیر:

د^اچ(اس1،اس2) = حداکثر {حداکثرایکسمن∈اس1دقیقهyمن∈اس2{ د(ایکسمن،yمن) } ،حداکثرyمن∈اس2دقیقهایکسمن∈اس1{ د(ایکسمن،yمن) } } ،�^�(�1,�2)=maxmax��∈�1min��∈�2�(��,��),max��∈�2min��∈�1�(��,��),

(16)

جایی که $x_{i}$ اولین نمونه توزیع شده مستقل ( iid ) است که به طور یکنواخت از منطقه کشیده شده است $S_{1}$ ; $y_{i}$ آنالوگ است $x_{i}$ برای منطقه $S_{2}$ .

توجه داشته باشید که ( 16 ) را می توان حتی بدون دانستن محدوده دقیق تعریف کرد $S_{1}$ و $S_{2}$ ; حداقل دانش تعریف شده ( 16 ) فقط این است که x و y دو مجموعه از نمونه iid از دو منطقه هستند. بنابراین، ( 16 ) را می توان به عنوان آزمون فرضی برای بررسی فرضیه صفر که مناطق $S_{1}$ و $S_{2}$ پشت دو نمونه $x_{i}$ شن $y_{i}$ s یکسان هستند. به طور رسمی:

اچ 0 : اس 1 = اس 2 .

(17)

توزیع زیر

H_{0}

محاسبه از روی تعریف ( 15 ) آسان است تا زمانی که توزیع آن را بدانیم

d (x_{i}, y_{i})

، که می تواند از یک شبیه سازی ساده مونت کارلو تولید شود. ( 16 ) و ( 17 ) مکرراً برای آزمایش استحکام نتایج خوشه‌بندی به دست آمده از خوشه‌بندی محدود استفاده می‌شوند.

2.6. تکامل شدت سرریز

در این بخش، روشی را برای کمی سازی دینامیک چند دوره ای انتقال سرریز معرفی می کنیم. همانطور که مشخص است، توان n ام ماتریس گذار مارکوین احتمال انتقال دوره n را می دهد. یعنی

پ r (اس t + n = j ∣ اس تی = من) = تی n من ، ج

(18)

جایی که $T_{i, j}^{n}$ هست $i j$ ورود هفتم از $T^{n}$ ، n ام توان از $T$ .

فرض کنید نیروی تصادفی که بازار فرعی مسکن را بالا و پایین می کند به طور مساوی بین همه خرده بازارها توزیع شده است (توزیع اولیه غیر اطلاعاتی). فرمول زیر شدت ترانزیت خالص تجمعی را نشان می دهد ( $CI$ ) نیروی تصادفی در بین بازارهای فرعی تا زمان t :

C I تی = 1 ک \sum i = 1 تی 1\cdot (_(تی من) ⊤ - تی من)

(19)

جایی که $1$ نشان دهنده یک بردار ردیف K بعدی است که تمام ورودی ها ثابت 1 هستند. K تعداد زیر بازارهایی است که برابر با کاردینالیته است $| P |$ و می توان با خوشه بندی محدود تعیین کرد. برای هر بار t ${CI}_{t}$ یک بردار K بعدی است. برای هر $l \in {1, \dots, K}$ ، مقدار در بعد l از ${CI}_{t}$ نشان‌دهنده احتمال/شدت تجمعی است که نیروهای تصادفی در تمام دوره‌های زمانی، حداکثر تا زمان t ، به زیر بازار اول سرریز می‌شوند .

اجازه دادن به t متغیر، ( 19 ) می تواند به طور موثر الگوهای تغییرات زمانی شدت سرریز را در میان بازارهای فرعی به تصویر بکشد.

3. نتایج

3.1. منطقه مطالعه

در این بخش، به معرفی مختصری از منطقه مورد مطالعه مقاله و مروری نموداری از آمار نمونه می پردازیم. به عنوان پایتخت چین، پکن توسط حلقه های جاده محصور شده است. CBD رسما اعلام شده است

G u o m a o

مرکز، بین جاده های کمربندی 2 و 3 جنوب شرقی قرار دارد. علاوه بر CBD، مراکز تجاری متعددی در پکن با جمعیت بسیار بالا وجود دارد، مانند دهکده ژونگ گوان در منطقه هایدیان، که به نام “دره سیلیکون” چین نیز شناخته می شود و شامل معروف ترین دانشگاه های چین است. ، دانشگاه پکن و دانشگاه تسینگ هوا. چندین مرکز ماهواره ای در اطراف حومه یا حومه پکن وجود دارد، مانند شهر جدید تونگژو در گوشه جنوب شرقی هسته قدیمی شهری. سایر ویژگی های مهم اجتماعی-اقتصادی پکن (تا پایان سال 2016) در جدول 1 [ 60 ] خلاصه شده است.]. از آنجایی که در این مطالعه، پکن تنها به عنوان مثال برای نشان دادن قدرت تحلیلی مدل پیشنهادی ماکاروف و روش خوشه‌بندی محدود در نظر گرفته شده است، ارائه جزئیات بیش از حد در زمینه پس‌زمینه شهر گمراه‌کننده خواهد بود. خوانندگان علاقه مند می توانند مقدمات جامعی از بازار مسکن پکن را خودشان در مراجع پیدا کنند [ 61 ، 62 ].

در دو شکل زیر، توزیع مکانی واحدهای مسکونی ( شکل 1 ) و روند تغییرات زمانی قیمت مسکن ( شکل 2 ) را در بازار مسکن پکن در طول دوره گردآوری داده ها ترسیم می کنیم.

شکل 1منطقه مورد مطالعه و مکان تمام واحدهای مسکونی نمونه را ترسیم می کند. ظاهراً توزیع فضایی آپارتمان ها تقریباً وضعیت توسعه در سراسر پکن را منعکس می کند. بخش اصلی آپارتمان ها در منطقه محصور شده توسط جاده حلقه ششم یا در مناطق اطراف مراکز محلی چند شهرستان بزرگ در حومه قرار دارند. این مناطق نیز توسعه یافته ترین نقاط شهر هستند. علاوه بر این، بدیهی است که توزیع واحدهای مسکونی در محدوده جاده کمربندی 5 کاملاً یکنواخت است که مصادف با این واقعیت است که همه مکان‌های این منطقه تقریباً یکنواخت توسعه یافته‌اند. همچنین توجه داشته باشید که واحدهای مسکونی نمونه به طور متراکم در مرکز محلی منطقه تونگژو توزیع شده اند. تراکم آن به طور قابل توجهی بیشتر از سایر مناطق اداری در حومه پکن، مانند چانگ پینگ و فانگشان است.

شکل 2 تغییرات فصلی توزیع فضایی آپارتمان های نمونه برداری شده را در طول اکتبر 2012 تا اکتبر 2017 نشان می دهد. مکان مناطق مختلف عملکرد ثابت شده است. در همین حال، تعداد فزاینده‌ای از آپارتمان‌های نمونه‌برداری شده در منطقه نواری بین مرکز محلی تونگژو و منطقه مرکزی پکن ظاهر می‌شوند. این نمونه‌های تازه ظاهر شده مربوط به جوامع جدیدی است که پس از شروع دوره جمع‌آوری داده‌ها ساخته شده‌اند و منعکس‌کننده اولویت سیاست برای ساختن Tongzhou، شهر جدیدی است که در سال 2012 آغاز شد.

3.2. مرزهای بازار مسکن و بازارهای فرعی در پکن

شکل 3 تقسیم بندی بازار مسکن در پکن را نشان می دهد که در مجموعه ای از

1000 m \times 1000 m

شبکه ها و رنگ بندی شده با توجه به عضویت خوشه هر شبکه. تجزیه و تحلیل Hotspot برای همه شبکه‌ها اعمال شد و شبکه‌های “نقطه سرد” که تعداد کمی از واحدهای مسکونی در حال معامله در آن نزدیکی بودند حذف شدند. شبکه های باقی مانده طرحی از مرز طبیعی کل بازار مسکن را ارائه می دهند. واضح است که بازار مسکن دست دوم در پکن در منطقه ای که توسط جاده حلقه ششم محصور شده است، جمع شده است، که به عنوان نقطه قطع شهری-حومه ای و حومه شهر پکن نیز شناخته می شود. علاوه بر این، منطقه بازار مسکن با توجه به فاصله بین مرز بازار و جاده کمربندی ششم کاملاً متقارن نیست. در مقایسه با مرز جنوبی و غربی، فاصله جاده کمربندی ششم تا ضلع شمالی و شرقی مرز بازار مسکن بسیار کمتر است.63 ].

کل بازار مسکن از طریق خوشه بندی محدود به بازارهای فرعی تقسیم می شود. برای بررسی استحکام، الگوریتم را 100 بار تحت مقداردهی اولیه تصادفی دوباره اجرا کردیم. تعداد خوشه‌های برگشتی از 14 تا 16 متغیر بود، و دامنه هر خرده بازار بر اساس مقایسه فاصله Hausdorff بین یک بازار فرعی در یک مجموعه از نتایج با نزدیک‌ترین بازار فرعی در مجموعه نتایج دیگر به طور قابل توجهی متمایز نبود. واریانس کوچک نتیجه خوشه بندی با توجه به شروع تصادفی، پایداری نتیجه ما را نشان می دهد. از طریق مقایسه BIC از 100 نتیجه، ما در نهایت یک مجموعه از بخش های زیر بازار را انتخاب کردیم که دارای 16 بازار فرعی بود. مکان و محدوده هر خرده بازار در شکل 3 نشان داده شده است. برای تسهیل مقایسه، محدوده مناطق اداری در شکل 3 ترسیم شده است، که نشان می دهد که محدوده بازارهای فرعی به طور قابل توجهی با مناطق اداری مخالف است. این واقعیت بی اعتباری استفاده مستقیم از مناطق اداری به عنوان آنالوگ درون شهری به شهرها در تحلیل سرریز بین شهری را تایید می کند.

شکل 3 همچنین نشان می دهد که توزیع فضایی بازارهای فرعی یک الگوی پراکندگی را نشان می دهد. به‌طور دقیق‌تر، بازارهای فرعی بر اساس فاصله آنها تا مرکز پکن، که به‌عنوان میدان تیان من مشخص شده است، به وضوح به دو لایه تقسیم می‌شوند. هر لایه تقریباً حلقوی شکل است. تعداد زیربازارهایی که روی لایه ها قرار دارند در امتداد جهت از لایه داخلی (نزدیکتر به مرکز) به لایه های بیرونی (دورتر از مرکز) در حال افزایش است. این الگوی حلقوی پراکنده توزیع بازار فرعی منعکس کننده ساختار شهر تک مرکزی پکن است، همانطور که ما از k-means به عنوان ابزار خوشه بندی پایه برای خوشه بندی محدود استفاده کردیم، که هر خوشه را مجبور می کند تا حد امکان فشرده باشد.

3.3. تجزیه و تحلیل استحکام توسط شوک سیاست

پکن سعی کرد بازار مسکن خود را محدود کند تا “حباب” قیمت ناشی از سفته بازی مسکن را فشار دهد. برخلاف محدودیت‌های غیرمستقیم، مانند اخذ مالیات بر دارایی [ 64]، از سه ماهه سوم سال 2013، دولت محلی پکن یک سری سیاست های مداخله ای را برای کنترل تقاضای بازار آغاز کرد، از جمله افزایش نرخ بهره و نرخ پیش پرداخت وام مسکن، محدود کردن سهمیه ها و مسدود کردن معاملات که شامل خریداران غیر محلی می شد. . کل بازار مسکن در پکن از آن زمان به شدت سرد شد و تا اواخر سال 2016 وارد دوره رکود شد که مداخله آرام شد. بنابراین، یک تغییر خط مشی عمده در طول دوره جمع آوری داده های ما وجود دارد. شوک‌های ناشی از تغییرات سیاست‌ها را می‌توان به صورت شوک‌های یک‌باره فرمول‌بندی کرد، به گونه‌ای که بر الگوهای توزیعی بازار فرعی و انتقال سرریز بین آنها تأثیری نداشته باشد، یا به‌عنوان اثرات دائمی بر انتقال‌های سرریز از نظر تغییر ساختار بازارهای فرعی و/یا ماتریس احتمال انتقال

برای تشخیص شوک‌های یک‌باره و دائمی، ما دوباره خوشه‌بندی محدود را در دو بازه زمانی مجزا اجرا کردیم که (1) قبل از Q3 2013 و (2) بعد از Q3 2013 بود. آزمون تغییر ساختاری در مورد محدوده و مکان هر خرده بازار و احتمالات انتقال بین بازارهای فرعی انجام شد. فرضیه صفر همیشه این بود که در طول دو دوره، هیچ تغییر ساختاری وجود نخواهد داشت، که برای آن دو مجموعه آزمون فرضیه را در نظر گرفتیم:

اچ 10 : اچ 20 : د اچ (اس من ، اس ل من *) = 0 پ من ، ج - پ ل من * ، j * = 0 .

$H_{0}^{1}$ بر اساس فاصله تجربی هاسدورف ( 16 ) (به بخش روش مراجعه کنید) بین یک بازار فرعی آزمایش شده است. $S_{i}$ از این فرض که هیچ تغییر ساختاری در کل دوره جمع‌آوری داده‌ها و بازار فرعی ایجاد نشده است $S_{i^{*}}^{l}$ نزدیکترین به $S_{i}$ تولید شده قبل از ( $l = 1$ ) و بعد از ( $l = 2$ ) زمان، سه ماهه سوم 2013، زمانی که سیاست مداخله آغاز شد. بنابراین، تست از $H_{0}^{1}$ بررسی می کند که آیا تغییرات مبتنی بر مکان و/یا محدوده برای بازارهای فرعی وجود دارد یا خیر.

در مقابل، آزمون از

H_{0}^{2}

تغییرات احتمال انتقال را بررسی می کند که در آن

p_{i, j}

نشان دهنده احتمال انتقال است که با این فرض محاسبه می شود که هیچ تغییر ساختاری در کل دوره رخ نداده است، در حالی که

p_{i^{*}, j^{*}}^{l}

احتمال انتقال بین زیر بازارهای نزدیک به i و j را به ترتیب قبل از سه ماهه سوم 2013 اندازه گیری می کند.

l = 1

و پس از سه ماهه سوم 2013 که

l = 2

H_{0}^{2}

از طریق پیرسون قابل اجرا است

χ^{2}

آزمایش، که می تواند به صورت جدا برای هر جفت انجام شود

(i, j)

یا به صورت فله ای برای مجموع مجذور اختلاف همه

(i, j)

س آزمایش انبوه برای تأثیر کلی تغییر سیاست آموزنده تر است، در حالی که آزمون جداگانه در تشخیص تأثیر آن بر بازارهای فرعی خاص بهتر است. در این مطالعه، ابتدا آزمون انبوه را برای هر دو مورد استفاده کردیم

l = 1

l = 2

. عدم موفقیت در آزمون انبوه نشان دهنده وقوع یک تغییر احتمال انتقال برای برخی از جفت‌های بازار فرعی است. بدین ترتیب یک آزمون جداگانه انجام شد و مجموعه جفت هایی که موفق به قبولی نشدند گزارش می شود.

جدول 2 آزمایش های فاصله Hausdorff را برای تمام 16 بازار فرعی قبل و بعد از سه ماهه سوم 2013 گزارش می کند. واضح است که در

5 %

در سطح اعتبار، تقریباً همه خرده‌بازارها قبل و بعد از اجرای سیاست مداخله هیچ تغییر قابل توجهی در مکان‌ها و محدوده‌های خود ندارند. بنابراین، این سیاست بر ساختار بازار پکن تأثیر نمی گذارد. تنها استثنا بازار فرعی 13 است. به نظر می رسد بعد از سه ماهه سوم سال 2013 جابجا شود. دلیل دقیق حرکت بازار فرعی 13 جالب است، اما از حوصله این مطالعه خارج است. آن را برای مطالعات آینده می گذاریم.

جدول 3 نتایج پیرسون را گزارش می کند

χ^{2}

آزمایش به صورت عمده انجام شد ماتریس انتقال هیچ تفاوت ساختاری بین کل دوره جمع آوری داده ها و دوره پس از تغییر سیاست ندارد. با این حال، مداخلات برای دوره قبل از سه ماهه سوم 2013 تفاوت ایجاد می کند، که توسط فرضیه صفر منعکس می شود.

H_{0}^{2}

عدم برگزاری قبل از سه ماهه سوم 2013.

برای تشخیص بهتر جایی که تغییرات سیاست اهمیت دارد، پیرسون را از هم جدا کرد

χ^{2}

آزمایشات انجام شد؛ جدول 4 تمام جفت بازارهای فرعی را که موفق به قبولی در آزمون نشده اند را جمع آوری می کند

5 %

سطح اعتبار، که در آن نتایج به همراه مقادیر p آنها به صورت صعودی مرتب شده است:

همانطور که در جدول 4 نشان داده شده است ، 30 مورد از 256 (=

16 \times 16

) جفت‌های مختلف ترکیبات زیر بازار که احتمال انتقال آنها از آن عبور نکرده است

χ^{2}

تست. بنابراین، بخش اصلی جفت‌های بازارهای فرعی همچنان در برابر سیاست‌های مداخله کاملاً پایدار بودند، که نشان‌دهنده استحکام کلی مکانیسم سرریز بازار مسکن در پکن است. در میان آن جفت هایی که احتمال انتقال آنها با تغییر سیاست تغییر می کرد، جدول 4نشان می دهد که همه آنها به یکی از سه بازار فرعی، 1، 10، یا 11 ختم می شوند. در واقع، برای هر سه منطقه، هر دو احتمال ترانزیت در / خروج از / به همه مناطق دیگر بسیار کوچکتر است. در رابطه با سایر مناطق؛ اهمیت قبل و بعد از تغییر سیاست فقط نشان دهنده حساسیت تعداد اندک است. از این رو، می توان نتیجه گرفت که سیاست مداخله مستلزم تغییر قابل توجهی در مکانیسم سرریز نیست. می توان آن را در کل دوره جمع آوری داده ها طی سال های 2011-2017 پایدار در نظر گرفت.

3.4. عوامل موثر بر سرریز

در این بخش، تحلیل رگرسیون انجام شده برای شناسایی عواملی که قوی‌ترین ارتباط را با شدت انتقال سرریز دارند، توصیف می‌کنیم. در میان همه عوامل، ما عمدتاً نگران تأثیرات فاصله، تفاوت قیمت، تفاوت مساحت و مکان بین بازارهای فرعی بر احتمالات انتقال بودیم، زیرا تجزیه و تحلیل اولیه نشان داد که در بین همه متغیرهای کمکی جایگزین، این پنج کلاس متغیر برای محاسبه کافی هستند. در بالا $90 %$ از کل تغییرات احتمالات انتقال. به طور رسمی، معادله رگرسیون را به شکل زیر برآورد می کنیم:

تی من ، ج = β 0 + β 1 \cdot د من s t a n c ه من ، ج + β 2 \cdot p r i c e_د من f من ، ج + β 3 \cdot من یک ت من + β 4 \cdot من یک ت j + β 5 \cdot l o n من + β 6 \cdot l o n j + ε من ، ج ،

(20)

و برای بررسی استحکام، معادله رگرسیون جایگزین را نیز در نظر گرفتیم:

تی من ، ج = β 0 + β 1 \cdot د من s t a n c ه من ، ج + β 2 \cdot p r i c e_د من f من ، ج + β 3 \cdot l a t_d من f من ، ج + β 4 \cdot l o n_d من f من ، ج + ε من ، ج

(21)

جایی که $p_{i, j}$ احتمالات انتقال بین i و j هستند. $d i s t a n c e_{i, j}$ فاصله مرکزی بین دو بازار فرعی است (یعنی فاصله اقلیدسی بین مراکز دو بازار فرعی). و $p r i c e_d i f_{i j}$ میانگین تفاوت قیمت است (یعنی تفاوت بین میانگین های درون خوشه ای دو بازار فرعی). $ε_{i, j}$ باقی مانده است. ( 20 ) با ( 21 ) تفاوت دارد به این معنا که آیا مکان نسبی بین بازارهای فرعی ترانزیت ورودی و خروجی یا مکان دقیق آنها دخیل است. در ( 20 )، مکان دقیق از طریق طول و عرض جغرافیایی مراکز زیر بازارهای ترانزیت خروجی و ترانزیت ورودی گنجانده شده است که اطلاعات بیشتری را ارائه می دهد.

در تحلیل اولیه، ما هر دو ( 20 ) و ( 21 ) را امتحان کردیم. نتیجه نهایی گزارش شده در جدول 5 به عنوان نتیجه حاصل از معادله انتخاب شد که دارای بیشترین قدرت توضیحی برای داده ها بود (اندازه گیری شده توسط

a d j . R^{2}

آمار). علاوه بر گرفتن ورودی های ماتریس انتقال

T

به عنوان متغیرهای وابسته، ما همچنین رگرسیون را بر اساس استفاده از احتمال انتقال خالص در نظر گرفتیم. یعنی ورودی های

T - T^{⊤}

، به عنوان متغیر وابسته. رگرسیون برای احتمال انتقال خالص می تواند به شناسایی منبع اثر سرریز کمک کند. نتیجه گزارش شده نیز بر اساس ترکیبی است که بیشترین را ایجاد می کند

a d j . R^{2}

جدول 5 نشان می دهد که مدل رگرسیون ( 20 ) قدرت توضیح بهتری برای احتمال انتقال کامل دارد.

T

، در حالی که ( 21 ) با احتمال ترانزیت خالص مناسب تر است

T - T^{⊤}

. این واقعیت نشان می‌دهد که مکان‌های دقیق هر دو بازار فرعی ترانزیت خروجی و ترانزیت به احتمال ترانزیت کامل اهمیت دارد، در حالی که تنها موقعیت نسبی بین دو بازار فرعی برای احتمال ترانزیت خالص مهم است. چنین تفاوتی باید مکانیسم عمیقی را در پشت سرریز بازار مسکن درون شهری منعکس کند، که کمی فراتر از محدوده مطالعه فعلی است، بنابراین ما آن را برای کارهای آینده گذاشتیم.

جدول 5 همچنین نشان می دهد که مهم نیست که چه نوع احتمال ترانزیت را در نظر می گیریم، فاصله بین دو بازار فرعی یا نامربوط است یا به طور مثبت به احتمال کمک می کند. این واقعیت حاکی از آن است که در محیط درون شهری، همسایگی جغرافیایی دیگر مکانیزم اصلی نیست که از طریق آن سرریز اتفاق بیفتد، بنابراین سرریز بازار مسکن به شکل «ریپل» نیست، که کاملاً با یافته‌های سرریز بین شهری متفاوت است. 20 ، 21]. از سوی دیگر، تفاوت قیمت بین بازارهای فرعی تأثیر مثبت قابل توجهی بر احتمال انتقال دارد. این یافته با این استدلال موافق است که وجود شکاف قیمت و مناطق کاهش قیمت برای ایجاد فریب در بازار مسکن کافی است، حتی اگر شکاف‌های جغرافیایی بین مناطق ترانزیتی و ترانزیتی وجود داشته باشد. برخلاف اثر “ریپل”، سرریز که صرفاً توسط شکاف قیمتی ایجاد می شود، امکان ناپیوستگی جغرافیایی را فراهم می کند. بنابراین، به عنوان یک اثر مهاجرت [ 65 ] طبقه بندی می شود تا از اثر “ریپل” متمایز شود، که نیاز به تداوم جغرافیایی دارد.

در مطالعات سرریز بین شهری، اثر مهاجرت بسیار ضعیف است، اما در مطالعه فعلی ما غالب است. ما معتقدیم که تفاوت در قدرت اثر مهاجرت به طور کلی به مکانیسم های انتقال متمایز بین سرریزهای بین شهری و درون شهری نسبت داده می شود. در مورد درون شهری، هزینه جابجایی معمولاً در مقایسه با هزینه مسکن کم است. این امر به ویژه برای شهری مانند پکن که در آن نسبت بین درآمد و قیمت مسکن حتی می‌تواند بیش از 100 باشد، صادق است. بنابراین، در مقایسه با هزینه تراکنش محدود ناشی از جابجایی، نقل مکان به یک منطقه با کاهش قیمت بسیار سودآورتر است و باید بتواند جریان‌های عظیم و فوری را تحت تأثیر قرار دهد و قیمت مسکن محلی را بالا ببرد. در مقابل، در مقیاس بین شهری، هزینه های جابجایی در مقایسه با تفاوت قیمت در دو شهر دور همیشه فوق العاده بالا است. هزینه بالای تراکنش، جابجایی در مسافت های طولانی را محدود می کند، و در نتیجه قدرت اثر مهاجرت را کاهش می دهد. وجود سرریزها فقط بین محله ها امکان پذیر است که منجر به اثر “ریپل” مستند به طور گسترده می شود [20 ، 21 ]. یافته های جدول 5 این استدلال را تایید می کند. همچنین ضرورت نظری تشخیص سرریز درون شهری از سرریز درون شهری را برجسته می کند.

از منظر تغییرات فضایی، یک یافته جالب از جدول 5 این است که احتمال انتقال سرریز، که فقط احتمال ترانزیت منفی منفی است، همراه با جهت از جنوب شرقی به شمال غربی در پکن کاهش می‌یابد. این یافته مصادف است با این واقعیت که بخش شمال غربی پکن از نظر تمرکز صنعت فناوری پیشرفته، منابع آموزشی و ارزش مطلق قیمت مسکن (بالا) بسیار توسعه یافته‌تر است. قدرت فزاینده انتقال سرریز پس از آن بازتابی از اثر یکسان سازی سرریز بازار مسکن است که به طور گسترده در ادبیات مورد بحث قرار گرفته است [ 7 ].

3.5. شدت انتقال سرریزهای چند دوره ای

در این بخش، الگوی تغییرات مکانی-زمانی شدت سرریز در پکن را با استفاده از روش معرفی شده در بخش روش‌ها مطالعه می‌کنیم.

با اجازه دادن به t متغیر، می‌توانیم روند مکانی-زمانی را ارزیابی کنیم

{CI}_{t}

، که قدرت نسبی نیروی محرکه توزیع شده بین بازارهای فرعی را بر اساس زمان t ترسیم می کند . به نظر می رسد تنوع از

{CI}_{t}

پایدار می شود. از آنجا که

t = 4

(با اختلاف زمانی اندازه گیری می شود

{CI}_{t}

به عنوان مثال، کمتر از یک مقدار آستانه است

0.01

، توزیع فضایی را رسم می کنیم

{CI}_{t}

تا زمان 4 در شکل 4 .

همانطور که در شکل 4 نشان داده شده استنیروهای محرک بازار مسکن در پکن تمایل به گسترش از قسمت های شمالی و غربی آن به سمت جنوب و شرق دارند، این الگوی پویا با نتیجه رگرسیون نشان داده شده در بخش قبل مطابقت دارد. از سوی دیگر، دو بازار فرعی در شرق ترین منطقه کل منطقه مورد مطالعه، بیشترین شدت ترانزیت طولانی مدت را دارند و هر دوی این دو بازار فرعی در منطقه Tongzhou پکن و در کنار مرز غربی Tongzhou واقع شده اند. منطقه و مرکز شهر پکن. قابل توجه است که این دو منطقه دقیقاً تونگژو را پوشش می دهند، شهر جدیدی که برنامه ریزی شده است تا بیشتر بخش های اداری، مدارس و امکانات پزشکی را که در اصل در هسته پکن قرار داشتند جذب کند.

4. بحث

بر اساس یافته‌های بخش‌های قبلی، می‌توان برخی از پیشنهادات سیاست مفید را استخراج کرد. اولاً، جهت نهایی سرریز تا حد زیادی تحت تأثیر پیشنهاد رسمی برنامه ریزی شهری قرار می گیرد ( شکل 4 ). این واقعیت حاکی از آن است که از یک سو، دولت محلی می تواند به طور قابل توجهی نحوه وقوع سرریز را دستکاری کند، اما از سوی دیگر، رفتار دولت می تواند نابرابری در قیمت مسکن برای مناطق مختلف ایجاد کند. مورد پکن نشان می دهد که بازارهای فرعی نزدیک به Tongzhou (که توسط رنگ قرمز در شکل 4 پوشانده شده است ) به طور قابل توجهی از برنامه ریزی شهری از نظر افزایش قیمت مسکن سود می برند. شکاف قیمتی بین Tongzhou و منطقه اصلی قدیمی، که نمونه آن زیر بازاری است که روستای Zhongguan را پوشش می دهد (خوشه 1 درشکل 3 )، طبق شکل 3 تقریباً ناپدید شد . در مقابل، بازارهای فرعی (مثلاً خوشه‌های 1 و 2 در شکل 3 ) در بخش جنوب غربی پکن از سرریز قیمت سود چندانی نداشتند و شکاف قیمتی بین آنجا و تونگژو حتی در شکل 2 بزرگ‌تر شده است. با توجه به تأثیر آن بر سرریز و توزیع قیمت و اینکه تغییر نسبی قیمت مسکن ارتباط تنگاتنگی با توزیع مجدد ثروت خانواده و رفاه اجتماعی دارد، معتقدیم دولت محلی باید قبل از ارائه هرگونه پیشنهاد برنامه ریزی محتاط باشد. دوم، سرریز درون شهری از نظر جغرافیایی و شکاف قیمتی ناپیوسته بود ( جدول 5) در پکن. این مشاهدات حاکی از آن است که سفته بازی ممکن است نیروی اصلی محرک پویایی قیمت مسکن باشد که برای توسعه بازار مسکن و رشد شهری در بلندمدت سالم نیست. بنابراین، تثبیت تغییرات قیمت مسکن و کنترل معاملات سوداگرانه باید از اهداف اصلی سیاست مسکن محلی در پکن در آینده باشد. سرانجام، سیاست‌های مداخله‌ای منظم در بازارسازی، مانند افزایش نرخ پیش‌پرداخت و اختصاص سهمیه خرید به خریداران مسکن، در کنترل روند سرریز بلندمدت و پویایی قیمت مسکن، که یادآور نوآوری سیاست‌ها است، بی‌اثر بود. ابزارهای غیربازارسازی بیشتری را می توان در نظر گرفت، مانند افزایش عرضه مسکن عمومی.

5. نتیجه گیری ها

این مقاله سرریز درون شهری پکن را از طریق یک مدل زنجیره مارکوف مبتنی بر خوشه بندی محدود تحلیل کرد. نتایج تجربی نشان می‌دهد که اولاً، سرریز قیمت مسکن درون شهری در مقایسه با سرریز درون شهری که به طور گسترده مورد مطالعه قرار گرفته است، کاملاً متفاوت رخ می‌دهد. به طور خاص، سرریز “شکل موج دار” به طور گسترده در محیط بین شهری دیگر در محیط درون شهری غالب نیست. در مقابل، سرریز درون شهری می‌تواند در مفهوم جغرافیایی ناپیوسته باشد و عمدتاً ناشی از شکاف قیمتی و تقاضای سفته‌بازی است. ثانیاً، سیاست‌های برنامه‌ریزی شهری می‌توانند تأثیرات قابل‌توجهی بر سرریز بازار مسکن داشته باشند، در حالی که به نظر می‌رسد مداخله محض بر قیمت مسکن بر اساس روش‌های بازاری‌سازی کاملاً تأثیرگذار نباشد. این یافته حاکی از آن است که اثربخشی سیاست از موردی به مورد دیگر متفاوت است.

به غیر از یافته های تجربی، این مطالعه سهم روش شناختی نیز برای ادبیات موجود دارد. تکنیک خوشه بندی محدود نه تنها برای سرریز بازار مسکن درون شهری اعمال می شود، بلکه برای طیف گسترده ای از موضوعات مکانی-زمانی که در آن گره هایی که در میان آنها یک اثر مکانی-زمانی رخ می دهد، از قبل به وضوح تعریف نشده اند، بسیار مفید است.

برخی از محدودیت ها و پسوندهای احتمالی به شرح زیر مشخص شده است. اول از همه، فقط جهت و شدت هر سرریز در چارچوب خوشه‌بندی محدود گنجانده شد و به مقیاس سرریز اشاره نشد. مطالعه جامع تری در تحقیقات بعدی مورد نیاز است. مدل‌های سری زمانی مانند مدل خودرگرسیون برداری (VAR) برای مدل‌سازی مقیاس گذار قدرتمند هستند و نحوه جاسازی آن در خوشه‌بندی محدود، جهت امیدوارکننده‌ای برای تحقیقات آینده است. علاوه بر این، متغیر کمکی هنوز برای تعیین احتمال انتقال گنجانده نشده است، بنابراین گسترش چارچوب فعلی برای پذیرش متغیر کمکی برای درک بهتر مکانیسم انتقال سرریز مهم است.

منابع

اشورث، جی. Parker, SC مدل سازی قیمت مسکن منطقه ای در بریتانیا. اسکات ج. اقتصاد سیاسی. 1997 ، 44 ، 225-246. [ Google Scholar ] [ CrossRef ]
پترسون، دبلیو. هالی، اس. گادوین، پی. بریتانیا، جی. کار بیشتر بر روی مدل اقتصادی تقاضا و نیاز برای مسکن اجتماعی . دفتر لوازم التحریر: لندن، انگلستان، 2002. [ Google Scholar ]
Cook, S. همگرایی قیمت های منطقه ای مسکن در بریتانیا. مطالعه شهری. 2003 ، 40 ، 2285-2294. [ Google Scholar ] [ CrossRef ]
دو، س. وو، سی. بله، X. رن، اف. Lin, Y. ارزیابی اثرات منظر بر قیمت مسکن در چین شهری. Tijdschriftvoor Economische En Sociale Geografie 2018 ، 109 ، 525–541. [ Google Scholar ] [ CrossRef ]
هلمز، ام جی; گریمز، الف. آیا همگرایی بلندمدت بین قیمت‌های مسکن منطقه‌ای در بریتانیا وجود دارد؟ مطالعه شهری. 2008 ، 45 ، 1531-1544. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
باروس، سی. گیل آلانا، ال. پین، جی. آزمون های همگرایی و رفتار حافظه طولانی در قیمت مسکن ما بر اساس ایالت. جی. هاوس. Res. 2013 ، 23 ، 73-87. [ Google Scholar ]
چاو، WW; Fung، MK; چنگ، الف. همگرایی و سرریز قیمت مسکن در شهرهای چین. Appl. اقتصاد 2016 ، 48 ، 4922-4941. [ Google Scholar ] [ CrossRef ]
دیفوسکو، ا. دینگ، دبلیو. فریرا، اف. Gyourko, J. نقش سرریز قیمت در رونق مسکن آمریکا. J. شهری اقتصاد. 2018 ، 108 ، 72-84. [ Google Scholar ] [ CrossRef ]
کوهن، جی پی. Zabel, J. انتشار قیمت مسکن محلی. اقتصاد املاک و مستغلات. 2018 . نمای اولیه [ Google Scholar ] [ CrossRef ]
آلپر، او. ارطغرل، ح. Coskun، Y. مدلی پویا برای سرریز قیمت مسکن با شواهدی از بازارهای ایالات متحده و بریتانیا. J. Cap. علامت گذاری. گل میخ. 2018 ، 2 ، 70-81. [ Google Scholar ]
پیجنبرگ، ک. بعد فضایی قیمت مسکن در ایالات متحده. مطالعه شهری. 2017 ، 54 ، 466-481. [ Google Scholar ] [ CrossRef ]
برنده، جی. لی، جی اس در حال بررسی چگونگی تعیین اجاره خانه‌های شهری کوچک: استفاده از مدل‌سازی لذت‌بخش فضایی برای مسکن شهری در سئول. پایداری 2018 ، 10 ، 31. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
رنگان، جی. Sun، X. سرریزهای بازار مسکن در آفریقای جنوبی: شواهدی از یک مدل تخمینی اقتصاد باز کوچک DSGE. امپراتور اقتصاد 2018 ، 58 ، 1-24. [ Google Scholar ]
کاکان، ای. دمیرر، آر. گوپتا، آر. Uwilingiye, J. عدم قطعیت سیاست اقتصادی و رفتار گله داری: شواهدی از بازار مسکن آفریقای جنوبی. Adv. تصمیم می گیرد. علمی 2019 ، 23 ، 1-25. [ Google Scholar ]
لی، اس. بله، X. لی، جی. گونگ، جی. Qin, C. تحلیل فضایی و زمانی قیمت مسکن در چین: چشم انداز کلان داده. Appl. تف کردن مقعدی سیاست 2017 ، 10 ، 421-433. [ Google Scholar ] [ CrossRef ]
Meen, G. قیمت‌های منطقه‌ای خانه و اثر امواج: تفسیری جدید. خانه گل میخ. 1999 ، 14 ، 733-753. [ Google Scholar ] [ CrossRef ]
مورفی، ا. Muellbauer, J. توضیح قیمت خانه های منطقه ای در بریتانیا . گروه اقتصاد، کالج دانشگاهی دوبلین: دوبلین، ایرلند، 1994. [ Google Scholar ]
تاجانی، ف. مورانو، پی. سائز پرز، نماینده مجلس؛ دی لیدو، اف. Locurcio، M. تحلیل پویا چند متغیره و مدل‌های پیش‌بینی حباب‌های دارایی آینده: کاربردهای تجربی در بازارهای مسکن کلان‌شهرهای اسپانیا. پایداری 2019 ، 11 ، 3575. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
Stein, JC قیمت ها و حجم معاملات در بازار مسکن: مدلی با اثرات پیش پرداخت. QJ Econ. 1995 ، 110 ، 379-406. [ Google Scholar ] [ CrossRef ]
گوردون، I. محدودیت های مسکن و بازار کار در مهاجرت در سراسر تقسیم شمال-جنوب. خانه Natl. اقتصاد 1990 ، 75-89. [ Google Scholar ]
قیمت خانه هولمنز، AE : تغییرات در طول زمان در سطح ملی و فرعی ؛ وزارت محیط زیست لندن: لندن، بریتانیا، 1990. [ Google Scholar ]
وو، سی. بله، X. رن، اف. وان، ی. نینگ، پی. Du، Q. تجزیه و تحلیل داده های رسانه های اجتماعی و فضایی قیمت مسکن در شنژن، چین. PLoS ONE 2016 , 11 , e0164553. [ Google Scholar ] [ CrossRef ]
هولمنز، ا. چه بر سر شکاف شمال-جنوب در قیمت مسکن و بازار مسکن آمده است. خانه مالی Rev. 1995 , 96 , 25-31. [ Google Scholar ]
وو، سی. بله، X. دو، س. Luo, P. اثرات فضایی دسترسی به پارک ها بر قیمت مسکن در شنژن، چین. Habitat Int. 2017 ، 63 ، 45-54. [ Google Scholar ] [ CrossRef ]
هوی، ای. وانگ، Z. احساسات بازار در بازار مسکن خصوصی. Habitat Int. 2014 ، 44 ، 375-385. [ Google Scholar ] [ CrossRef ]
مونرو، ام. Maclennan، D. تغییرات درون شهری در قیمت مسکن: گلاسکو 1972-1983. خانه گل میخ. 1987 ، 2 ، 65-81. [ Google Scholar ] [ CrossRef ]
فادیگا، ام ال. وانگ، ی. تحلیل مؤلفه های مشاهده نشده چند متغیره از بازار مسکن ما. جی. اکون. مالی 2009 ، 33 ، 13-26. [ Google Scholar ] [ CrossRef ]
ژانگ، ام. منگ، ایکس. وانگ، ال. Xu, T. توسعه ترانزیت شکل دهنده شهرنشینی: شواهدی از بازار مسکن در پکن. Habitat Int. 2014 ، 44 ، 545-554. [ Google Scholar ] [ CrossRef ]
ژانگ، اس. Guldmann، JM دسترسی، تنوع، کیفیت محیطی و پویایی جمعیت درون شهری و محل اشتغال. رشد چانگ. 2010 ، 41 ، 85-114. [ Google Scholar ] [ CrossRef ]
کربی، DK; LeSage, JP تغییرات در زمان رفت و آمد به محل کار طی دوره 1990 تا 2000. Reg. علمی اقتصاد شهری 2009 ، 39 ، 460-471. [ Google Scholar ] [ CrossRef ]
جونز، سی. لیشمن، سی. واتکینز، سی. مهاجرت درون شهری و بازارهای فرعی مسکن: نظریه و شواهد. خانه گل میخ. 2004 ، 19 ، 269-283. [ Google Scholar ] [ CrossRef ]
شلینگ، مدل های دینامیک TC تفکیک. جی. ریاضی. اجتماعی 1971 ، 1 ، 143-186. [ Google Scholar ] [ CrossRef ]
کوی، سی. گیرتمن، اس. Hooimeijer، P. توزیع درون شهری مهاجران ماهر: مطالعات موردی شانگهای و نانجینگ. Habitat Int. 2014 ، 44 ، 1-10. [ Google Scholar ] [ CrossRef ]
ژنگ، اس. Peiser، RB; ژانگ، دبلیو. ظهور اقتصادهای خارجی در پکن: شواهدی از تغییرات دستمزد درون شهری. Reg. علمی اقتصاد شهری 2009 ، 39 ، 449-459. [ Google Scholar ] [ CrossRef ]
کبک، MD; ریکمن، دی اس؛ علی، ک. Olfert، MR Agglomeration سرریز و شیب دستمزد و هزینه مسکن در سراسر سلسله مراتب شهری. J. Int. اقتصاد 2009 ، 78 ، 126-140. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
Njoh، AJ روابط بین سازمانی و اثربخشی در زمینه سیاست مسکن در حال توسعه. Habitat Int. 1996 ، 20 ، 253-264. [ Google Scholar ] [ CrossRef ]
لی، ز. لی، ایکس. وانگ، ال. شهرسازی گمانه زنی و ساخت شهرهای دانشگاهی در چین: موردی از شهر دانشگاهی گوانگژو. Habitat Int. 2014 ، 44 ، 422-431. [ Google Scholar ] [ CrossRef ]
کروپکا، دی جی؛ نونان، مناطق توانمندسازی DS، تغییر محله و مسکن تحت اشغال. Reg. علمی اقتصاد شهری 2009 ، 39 ، 386-396. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
کلیتون، جی. لینگ، دی. Naranjo، A. ارزش گذاری املاک تجاری: اصول در مقابل احساسات سرمایه گذار. جی. امور مالی املاک و مستغلات. اقتصاد 2009 ، 38 ، 5-37. [ Google Scholar ] [ CrossRef ]
ژو، جی. اندرسون، RI بررسی تجربی رفتار گله داری در بازار reit ایالات متحده. جی. امور مالی املاک و مستغلات. اقتصاد 2013 ، 47 ، 83-108. [ Google Scholar ] [ CrossRef ]
والنتینی، پ. ایپولیتی، ال. Fontanella، L. مدل سازی قیمت مسکن ما توسط مدل های معادلات ساختاری پویا فضایی. ان Appl. آمار 2013 ، 7 ، 763-798. [ Google Scholar ] [ CrossRef ]
Tsai، اثر سرریز IC بین بازارهای مسکن منطقه ای و ملی در بریتانیا. Reg. گل میخ. 2015 ، 49 ، 1957-1976. [ Google Scholar ] [ CrossRef ]
هاردینگ، جی پی؛ روزنبلات، ای. یائو، وی. اثر مسری خواص سلب شده. J. شهری اقتصاد. 2009 ، 66 ، 164-178. [ Google Scholar ] [ CrossRef ]
دانشوری، ن. کلورتی، تی. Kader، A. اثرات کوتاه مدت خود قیمت و سرریز املاک مسکونی پریشان: مورد سقوط مسکن. J. Real Estate Res. 2011 ، 33 ، 179-207. [ Google Scholar ]
لئونارد، تی. مورداک، جی. اثرات همسایگی سلب مالکیت. جی. جئوگر. سیستم 2009 ، 11 ، 317. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
Rogers, W. کاهش اثرات محله سلب مالکیت در طول زمان. خانه بحث سیاست 2010 ، 20 ، 687-706. [ Google Scholar ] [ CrossRef ]
ایهلانفلد، ک. Mayock، T. تاثیر فروش REO بر محله ها و ساکنان آنها. جی. امور مالی املاک و مستغلات. اقتصاد 2016 ، 53 ، 282-324. [ Google Scholar ] [ CrossRef ]
دل جودیس، وی. دی پائولا، پی. فورته، اف. Manganelli، B. ارزیابی املاک و مستغلات با رویکرد بیزی و روش مونت کارلو ترکیبی زنجیره مارکوف: یک کاربرد در یک منطقه شهری مرکزی ناپل. Sustainability 2017 , 9 , 2138. [ Google Scholar ] [ CrossRef ][ Green Version ]
وو، سی. Sharma, R. طبقه بندی بازار فرعی مسکن: نقش مجاورت فضایی. Appl. Geogr. 2012 ، 32 ، 746-756. [ Google Scholar ] [ CrossRef ]
واگستاف، ک. کاردی، سی. راجرز، اس. شرودل، اس. K-محدود به معنی خوشه بندی با دانش پیش زمینه است. Icml 2001 ، 1 ، 577-584. [ Google Scholar ]
باسو، س. بانرجی، ا. Mooney، RJ Active نیمه نظارت برای خوشه‌بندی محدود زوجی. در مجموعه مقالات کنفرانس بین المللی SIAM در سال 2004 در مورد داده کاوی، دریاچه بوئنا ویستا، FL، ایالات متحده آمریکا، 22-24 آوریل 2004. صص 333-344. [ Google Scholar ]
دیاز-والنزوئلا، آی. لویا، وی. مارتین-باتیستا، ام جی; سناتور، اس. Vila, MA تولید محدودیت های خودکار برای خوشه بندی نیمه نظارت شده: تجربیات با طبقه بندی اسناد. محاسبات نرم. 2016 ، 20 ، 2329-2339. [ Google Scholar ] [ CrossRef ]
بونهوم، اس. Manresa، E. الگوهای گروه‌بندی ناهمگونی در داده‌های تابلویی. Econometrica 2015 ، 83 ، 1147-1184. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
کانگ، دبلیو. آزمون‌های مشروط و مشترک ری، SJ برای اثرات فضایی در مدل‌های زنجیره مارکوف گسسته پویایی توزیع درآمد منطقه‌ای. ان Reg. علمی 2018 ، 61 ، 73-93. [ Google Scholar ] [ CrossRef ]
وو، سی. بله، X. رن، اف. Du, Q. چارچوب داده محور اصلاح شده برای تقسیم بندی بازار مسکن. ج. طرح شهری. توسعه دهنده 2018 , 144 , 04018036. [ Google Scholar ] [ CrossRef ]
گتیس، ع. Ord, JK تجزیه و تحلیل ارتباط فضایی با استفاده از آمار فاصله. Geogr. مقعدی 1992 ، 24 ، 189-206. [ Google Scholar ] [ CrossRef ]
Ord، JK; Getis، A. آمار خودهمبستگی فضایی محلی: مسائل توزیع و یک برنامه کاربردی. Geogr. مقعدی 1995 ، 27 ، 286-306. [ Google Scholar ] [ CrossRef ]
گیرس، جی اف. Touya, G. ارزیابی کیفیت مجموعه داده openstreetmap فرانسوی. ترانس. GIS 2010 ، 14 ، 435-459. [ Google Scholar ] [ CrossRef ]
دنگ، م. لی، ز. Chen, X. فاصله Hausdorff طولانی برای اشیاء فضایی در gis. بین المللی جی. جئوگر. Inf. علمی 2007 ، 21 ، 459-475. [ Google Scholar ]
اداره ملی آمار. سالنامه آماری شهر چین ; انتشارات آمار: پکن، چین، 2016.
زو، آر. Wu, X. خطرات و پتانسیل ها در بازار املاک پکن. بیومد. J. Sci. فنی Res. 2018 ، 9 ، 7406–7413. [ Google Scholar ]
وانگ، اف. گائو، X. الگوی فضایی انتقالی قیمت مسکن در پکن: عوامل و مفاهیم. بین المللی کشیش اسپات. طرح. حفظ کنید. توسعه دهنده 2014 ، 2 ، 46-62. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
لین، جی. ژانگ، الف. کلان شهرهای چین در تحول: سیاست نولیبرالیزه کردن، کالاسازی زمین و توسعه ناهموار در پکن. جئوگر شهری. 2017 ، 38 ، 643-665. [ Google Scholar ] [ CrossRef ]
تاجانی، ف. مورانو، پی. توره، سی. دی لیدو، اف. تحلیلی از تأثیر مالیات بر دارایی بر قیمت مسکن در منطقه آپولیا (ایتالیا). ساختمان‌ها 2017 ، 7 ، 67. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
Meen، G. تجمع فضایی، وابستگی فضایی و قابلیت پیش بینی در بازار مسکن انگلستان. خانه گل میخ. 1996 ، 11 ، 345-372. [ Google Scholar ] [ CrossRef ]

در دسترس بودن نمونه : نمونه هایی از این تحقیق از نویسندگان در دسترس است.

شکل 1. منطقه مطالعه و توزیع مکانی نمونه ها.

شکل 2. توزیع مکانی- زمانی نمونه ها.

شکل 3. مرزهای بازارهای (فرعی) مسکن در پکن.

شکل 4. تکامل چگالی توزیعی نیروی محرکه بازار.

مقالات داخلی و بین المللی

بدون دیدگاه

دیدگاهتان را بنویسید لغو پاسخ

برای نوشتن دیدگاه باید وارد بشوید.

مشاورین هوش پیروزی

خلاصه

کلید واژه ها:

1. معرفی

2. داده ها و روش ها

2.1. توضیحات داده ها

2.2. مدل زنجیره مارکوف

2.3. خوشه بندی K-Means محدود

2.4. تخمین چگالی کرنل و تجزیه و تحلیل هات اسپات

2.5. فاصله هاسدورف

2.6. تکامل شدت سرریز

3. نتایج

3.1. منطقه مطالعه

3.2. مرزهای بازار مسکن و بازارهای فرعی در پکن

3.3. تجزیه و تحلیل استحکام توسط شوک سیاست

3.4. عوامل موثر بر سرریز

3.5. شدت انتقال سرریزهای چند دوره ای

4. بحث

5. نتیجه گیری ها

منابع

قبلیفضاها در علوم فضایی و کاربردهای شهری – بررسی وضعیت هنر

بعدیتخمین چند پارامتری میانگین سرعت در شبکه های جاده ای با استفاده از کنترل فازی

مطالب مرتبط ...

آموزش مقاله نویسی در رشته ادبیات فارسی

تأثیر همسایگی درونیابی DEM بر عوامل زمین

رگرسیون وزنی جغرافیایی تطبیقی غیر منفی برای تخمین تراکم جمعیت بر اساس نور شب

بدون دیدگاه

دیدگاهتان را بنویسید لغو پاسخ

درباره سرزمین فناوری مکانی GISLAND

دسترسی سریع

اطلاعات

خبرنامه

خبرنامه

درباره سرزمین فناوری مکانی GISLAND

دسترسی سریع

اطلاعات

دسترسی سریع

مشاورین هوش پیروزی

تشخیص سرریز بازار مسکن درون شهری از طریق مدل زنجیره مارکوف فضایی

خلاصه

کلید واژه ها:

1. معرفی

2. داده ها و روش ها

2.1. توضیحات داده ها

2.2. مدل زنجیره مارکوف

2.3. خوشه بندی K-Means محدود

2.4. تخمین چگالی کرنل و تجزیه و تحلیل هات اسپات

2.5. فاصله هاسدورف

2.6. تکامل شدت سرریز

3. نتایج

3.1. منطقه مطالعه

3.2. مرزهای بازار مسکن و بازارهای فرعی در پکن

3.3. تجزیه و تحلیل استحکام توسط شوک سیاست

3.4. عوامل موثر بر سرریز

3.5. شدت انتقال سرریزهای چند دوره ای

4. بحث

5. نتیجه گیری ها

منابع

قبلیفضاها در علوم فضایی و کاربردهای شهری – بررسی وضعیت هنر

بعدیتخمین چند پارامتری میانگین سرعت در شبکه های جاده ای با استفاده از کنترل فازی

مطالب مرتبط ...

آموزش مقاله نویسی در رشته ادبیات فارسی

تأثیر همسایگی درونیابی DEM بر عوامل زمین

رگرسیون وزنی جغرافیایی تطبیقی ​​غیر منفی برای تخمین تراکم جمعیت بر اساس نور شب

بدون دیدگاه

دیدگاهتان را بنویسید لغو پاسخ

درباره سرزمین فناوری مکانی GISLAND

دسترسی سریع

اطلاعات

خبرنامه

خبرنامه

درباره سرزمین فناوری مکانی GISLAND

دسترسی سریع

اطلاعات

دسترسی سریع

رگرسیون وزنی جغرافیایی تطبیقی غیر منفی برای تخمین تراکم جمعیت بر اساس نور شب