رابطه بین دیدگاه ها و کاربرد املاک و مستغلات به یک منطقه ساحلی مدیترانه

چشم انداز عاملی است که هنگام انتخاب برای خرید مسکن در نظر گرفته می شود و بنابراین بر قیمت بازار املاک و مستغلات تأثیر می گذارد. با این حال، اندازه گیری و ارزیابی نقش آن دشوار است، زیرا دارای یک سری ویژگی هایی است که به صورت یکپارچه کار می کنند و به سختی می توان به طور جداگانه کمیت کرد. ویژگی های مناظر هر خانه و همچنین ویژگی های ذاتی یا نزدیکی آنها به خدمات عمومی نیز باید در نظر گرفته شود. این مطالعه یک روش خودکار را برای تجزیه و تحلیل کیفیت نماها شامل ابعاد و ترکیب آن پیشنهاد می‌کند تا بتوان وزن اقتصادی نماها را در ارزش املاک تخمین زد. مجموعه ای از اندازه گیری ها از نماهای 226 خانه در معادله شاخص نهایی ادغام شده است. سپس نتایج با قیمت های برآورد شده مسکن مقایسه می شود. نتایج نشان می‌دهد که میانگین قیمت در خانه‌هایی با حوضه بصری با کیفیت بالا تا 18.1 درصد افزایش می‌یابد. همچنین اشاره شده است که به دلیل ماهیت چند عاملی قیمت مسکن، ایجاد همبستگی بین کیفیت نماها و قیمت مسکن دشوار است.

کلید واژه ها:

منظره ; تجزیه و تحلیل دید ؛ کیفیت منظره ؛ سیستم های اطلاعات جغرافیایی ; ارزیابی املاک و مستغلات

1. مقدمه

کنوانسیون 2000 منظر اروپا [ 1 ] در مقدمه خود بیان می کند که «منظر عنصر کلیدی رفاه فردی و اجتماعی است و منظر را به عنوان «عنصر مهم کیفیت زندگی جمعیت ها» واجد شرایط می داند. کنوانسیون منظر اروپایی همچنین منظر را اینگونه تعریف می کند: «هر بخشی از قلمرو که توسط جمعیت درک می شود، که ویژگی آن نتیجه کنش و تعامل عوامل طبیعی و/یا انسانی است». نماها در نتیجه ادراک منظر به وجود می آیند و بنابراین، کیفیت آنها پیوند واضحی با رفاه شهروندان دارد [ 2 ، 3 ، 4 ] حتی با یک ویژگی درمانی [ 5 ].

آرزوی داشتن مناظر باز و زیبا عامل مهمی در جستجوی یک مسکن است. به همین دلیل، نماها وزن اقتصادی در ارزش خانه یا، به طور کلی، در پتانسیل املاک و مستغلات مناطقی که دارای نماهای باکیفیت هستند، به دست می آورند. بنابراین، چشم انداز به عنوان یک کل منبع مهمی برای فعالیت اقتصادی است. این چیزی است که شامل کنوانسیون چشم انداز اروپا نیز می شود و نه تنها برای شناخته شده ترین فعالیت های گردشگری یا تفریحی، بلکه برای استفاده املاک و مستغلات از زمین است. پیرو این رویکرد، قانون بازسازی زمین و شهری اسپانیا، برخورداری از یک خانه مناسب “در یک محیط و چشم انداز مناسب” را حقوق شهروندی می داند (فرمان قانونگذاری سلطنتی 7/2015، 30 اکتبر، ماده 5a).

اهمیت دیدگاه ها به عنوان جزئی از ارزش املاک و مستغلات هم برای متخصصان این بخش و هم برای خریداران مشهود است. در بازار املاک و مستغلات و همچنین در تبلیغات به ویژه در گروه های خاص به صراحت نشان داده می شود. تأثیر آن بر قیمت زمین و محصول ملکی در ساختمان ها و زمین هایی که دارای نماهای وسیع و باکیفیت هستند قابل بررسی است. اغلب، این جنبه، از یک طرف، فضاها یا ساختمان‌های خاصی را به عنوان دارای نماهای بزرگتر یا نماهایی با عناصر ارزشمندتر متمایز می‌کند. از سوی دیگر، در مقیاس دقیق تر، بخش هایی از یک ساختمان را بر اساس کیفیت نماها، حتی با وجود/غیاب آن ها متمایز می کند (به عنوان مثال، اتاق زیر شیروانی، طبقات همکف یا خانه هایی با نمای بیرونی در مقایسه با مواردی که جهت آنها بسته است. فضاهای مشترک یا ساختمان های دیگر).

بنابراین، تعیین وزن اقتصادی دیدگاه ها در ارزش محصول املاک و مستغلات موضوعی است که در مدیریت چشم انداز مورد توجه است. با این حال، پیشرفت در این کمی سازی یک چالش مهم است. ترکیب قیمت املاک و مستغلات شامل طیف گسترده ای از عوامل [ 6 ] است که وزن آن ها بر اساس منطقه مورد مطالعه و زمان در نظر گرفته شده اصلاح می شود. در میان این عوامل، عواملی وجود دارند که به قیمت به اصطلاح لذت‌گرا (از جمله وجود دیدگاه‌های جذاب) مرتبط هستند، که تعیین و ترکیب درونی آن پیچیده است.

علاوه بر این، تخمین ارزش نماها معمولاً با استفاده از مدل‌های سطح دیجیتال بر اندازه حوضه بصری متمرکز می‌شود [ 7 ، 8 ]]. با این حال، ارزش نماها باید کیفیت منظر، یعنی انواع منظر در حوضه بصری را نیز در نظر بگیرد. بنابراین، لازم است روش‌های عینی، سیستماتیک و خودکاری داشته باشیم که همه متغیرهای مربوط به نماها (مثلاً ابعاد و ترکیب) را با هدف ارائه دقت بیشتر در تحدید حوضه بصری جمع‌آوری کرده و امکان استفاده از آن را فراهم کند. سایر حوزه های مطالعاتی این امر به ویژه در محیط‌های شهری و توسعه‌پذیر که تحلیل نماها به دلیل وجود عناصر طبیعی و مصنوعی که آنها را تغییر می‌دهند، پیچیده‌تر است، اهمیت بیشتری دارد. در این زمینه، اهداف اصلی این مقاله به شرح زیر است: (الف) ارائه یک روش خودکار برای تجزیه و تحلیل کیفیت نماها، شامل اندازه و عناصر آنها،

2. وضعیت هنر برآورد چشم انداز در بازار املاک و مستغلات

استفاده از GIS (سیستم های اطلاعات جغرافیایی) برای تجزیه و تحلیل حوضه بصری یک عمل گسترده برای تقریبا 20 سال بوده است [ 9 ]]. در ابتدا، این تحلیل‌ها عمدتاً بر اساس مدل‌های رقومی ارتفاع (DEM)، یک نوع خاص از مدل دیجیتال زمین (DTM) بود. استفاده از مدل‌هایی که شامل «موانع» بصری قلمرو می‌شد (مانند ساختمان‌ها، خطوط برق، درختان، و غیره) با توجه به پیچیدگی و نادرست بودن داده‌ها بسیار کمیاب بود. با این حال، تکثیر اخیر مدل های دیجیتالی تولید شده از داده های LiDAR (تشخیص نور و محدوده) منجر به توسعه مدل هایی بر اساس سطح توپوگرافی شده است. علاوه بر این، ارتفاع عناصر مانند پوشش گیاهی و ساختمان ها را نیز شامل می شود. در عمل، داده های LIDAR از پالس های لیزری که توسط یک اسکنر ساطع و دریافت می شوند، به دست می آیند. تفاوت زمانی بین انتشار و دریافت به محققان این امکان را می دهد که فاصله اشیاء و در نتیجه ارتفاع آنها را محاسبه کنند. این اطلاعات یک ابر با هزاران نقطه ایجاد می کند که مدل سطح دیجیتال (DSM) از آن محاسبه می شود. استفاده روزافزون از DSM در محاسبه حوضه های بصری در نشریات علمی قابل مشاهده استشکل 1 ، که همچنین نشان می دهد که چگونه استفاده از DSM ها در حال افزایش است در حالی که استفاده از DTM ها در حال کاهش است، با تفاوت بیشتر بین این دو نوع مدل در طول زمان.

استفاده از DSM در محاسبه نواحی قابل مشاهده مزایایی را نسبت به سایر مدل ها فراهم می کند. بنابراین، پلیسر و همکاران. [ 10 ] مزایای استفاده از DSM نسبت به DTM را در محاسبات حوضه های بصری به دلیل دقت نتایج برجسته کرد، که در مورد حوضه های توسعه یافته با DSM (90٪ موفقیت) نسبت به حوضه های ایجاد شده با DTM (60٪) بسیار بیشتر بود. موفقیت). در همین راستا، کلوچک و همکاران. [ 11 ] همچنین اهمیت استفاده از مدل‌های دیجیتالی دقیق را برای مدل‌سازی مناسب قلمرو نشان می‌دهد. این نویسندگان همچنین استفاده از DSM ها را به عنوان راه حل مناسب ذکر می کنند، زیرا آنها بر اساس داده های بسیار دقیق هستند. این DSM های مبتنی بر LiDAR دارای نرخ موفقیت در مدل دید ایجاد شده در حدود 90٪ هستند [ 10 ]]، در حالی که آنهایی که بر اساس مدل‌های دیگر هستند، میزان موفقیت 75% را دارند [ 12 ]. Cloete [ 8 ] همچنین به مزیت استفاده از DSM نسبت به DTM به دلیل دقت بالاتر DSM اشاره می کند که موفقیت در نتایج را از 50% به 70% افزایش می دهد.

در اسپانیا، استفاده از داده‌های DSM نیز به لطف ایجاد این مدل‌های دیجیتال توسط مؤسسه نشنال جئوگرافیک اسپانیا برای کل قلمرو اسپانیا، رشد زیادی داشته است. بنابراین در سال 2020 اولین DSM برای کل کشور با وضوح پیکسل 5 متر ایجاد شد. داده ها بین سال های 2008 و 2015 به دست آمدند. در این کار از DSM با وضوح پیکسل 5 متر استفاده شده است.

این مدل‌ها از الگوریتم‌های حوضه بصری باینری استفاده می‌کنند، یعنی نتایج نشان می‌دهند که آیا یک منطقه از یک نقطه مشخص قابل مشاهده است یا نه. با این حال، فیشر استفاده از الگوریتم‌های مبتنی بر احتمال مشاهده را پیشنهاد می‌کند [ 13 ]، رویکردی که معمولاً در GIS پیاده‌سازی نمی‌شود. در این کار، الگوریتم پیاده‌سازی شده در افزونه “Visibility analysis v 1.7” QGIS که توسط Zoran Čučković توضیح داده شده است، پیاده‌سازی شد. این الگوریتم محاسبه می کند که آیا یک نقطه خاص توسط یک ناظر خاص به صورت دودویی قابل مشاهده است (بله/خیر).

یکی از اهداف مطالعه حاضر، در نظر گرفتن ارزش اقتصادی ویژگی های مسکن و نحوه گنجاندن چشم انداز در میان آنها، خط تحقیق فعلی [ 14 ] بود. در سال‌های اخیر، برخی از پیشنهادات روش‌شناختی توسعه‌یافته‌تر با هدف کشف تأثیر عوامل خارجی مسکن، آن‌هایی هستند که مبتنی بر مدل‌های محاسباتی هستند. برخی از نمونه ها شبکه های عصبی مصنوعی هستند [ 15 ، 16] و سایر الگوریتم‌ها، مانند K-nearest همسایه یا جنگل تصادفی، که سعی می‌کنند بر خطی بودن و انعطاف‌ناپذیری مدل‌های لذت‌گرا غلبه کنند. با این حال، تکنیک‌های رگرسیون آماری ذاتی روش لذت‌گرایانه برای شناسایی عوامل تعیین‌کننده قیمت ملک و تعیین کمیت آن‌ها هنوز نقش اساسی دارند.

محاسبه حوضه های بصری یک پارامتر ضروری برای ارزیابی نماهای موجود از یک خانه است. به طور کلی، روابط بین دیدگاه ها و ارزش املاک و مستغلات، همراه با بسیاری از متغیرهای دیگر، بخشی از به اصطلاح قیمت لذت بخش است. با این حال، در تعیین قیمت لذت‌بخش، که معمولاً برای برآورد ارزش اقتصادی خدمات زیست‌محیطی در مناطق شهری اعمال می‌شود، متغیرهای چشم‌انداز همچنان رفتار نسبتاً متناقضی دارند. در سال‌های اخیر، مدل‌های رگرسیون مختلفی توسعه داده شده‌اند که اغلب در مناطق بسیار خاص تنظیم می‌شوند، اما به طور صریح شامل متغیرهای چشم‌انداز نیستند. به عنوان مثال، Schläpfer، Waltert، Segura و Kienast [ 17] از داده‌های سوئیس در مقیاس ملی برای بررسی چگونگی تأثیر کاربری زمین، امکانات رفاهی و مشکلات زیست‌محیطی بر قیمت اجاره در چهار بخش مختلف بازار مسکن استفاده می‌کند: شهری، حومه‌ای، حومه شهری و جوامع مرفه. آنها گزارش همبستگی کلیه خدمات داخلی و خارجی مسکن را برای شناسایی الگوهای توضیحی برآورد قیمت ارائه می کنند. علاوه بر این، سافورس و لی [ 18 ] مطالعه خود را بر اساس خانه‌های مجزا در لس‌آنجلس برای تخمین ارزش افزوده شده توسط درختان و چمن شهری، تمایز بین زمین‌های آبیاری با آبیاری و زمین‌های دیم، که با هزینه‌های مصرف آب محدود می‌شوند، قرار دادند. در همین حال، همچنین در سواحل مدیترانه اسپانیا، Mora-García، Céspedes-López، Pérez-Sánchez، Martí، و Pérez-Sánchez [ 19 ]] عوامل توضیحی قیمت مسکن در استان آلیکانته اسپانیا را ارزیابی کنید. به طور کلی، تحلیل مدل‌های لذت‌گرایانه قیمت‌ها، چهار جنبه مرتبط با چشم‌انداز و دیدگاه‌ها را برجسته می‌کند:

اولین مورد نزدیکی به اجزای خاصی از منظره است. از این نظر، بیشترین تأثیر مثبت با آب نماها، و به ویژه با مناظر سواحل و دریا، که بالاترین امتیازات، حتی بیش از 101.9٪ را جمع آوری می کند، به دست می آید [ 20 ]. مطالعات دیگر همچنین قیمت‌های بالاتری را برای خانه‌های معطوف به دریاچه‌ها [ 21 ، 22 ]، رودخانه‌ها و نهرها [ 23 ، 24 ]، زمین‌های گلف [ 25 ، 26 ، 27 ]، مسیرها و راه‌های سبز [ 28 ، 29 ] یا پارک‌ها [ 30 ] نشان داده‌اند. ، 31 ]. زمین های گلف یک عنصر بسیار مرتبط در منطقه مورد مطالعه هستند. وایمن و همکاران [32 ] محاسبه کرد که قیمت زمین های توسعه نیافته در صورتی که در مقابل زمین های گلف در شرایط خوب قرار داشته باشند، 85 درصد بالاتر است.

علاوه بر این عناصر کلیدی، سایر عناصر غیر گسسته، مانند فضاهای بینابینی یا مناظر به طور کلی نیز بر قیمت ها تأثیر دارند. چندین مطالعه تعدادی دیگر از ویژگی‌های چشم‌انداز را که باعث ایجاد آسایش می‌شوند، مانند انواع پوشش زمین در محیط اطراف خانه، ایجاد کرده‌اند [ 33 ، 34 ]. به عنوان مثال، موزاییک ها و تکه های فضای سبز در نزدیکی منازل به عنوان یک شاخص مثبت در نظر گرفته می شوند، اگرچه تاثیر کمی بر قیمت دارند. در این خط، پیتون و همکاران. [ 35 ] و بارک و همکاران. [ 36] یک شاخص استاندارد متفاوت پوشش گیاهی (NDVI) را از طریق سنجش از دور با توجه به فضاهای سبز مختلف اطراف خانه ها ایجاد و اعمال کرد. سایر ویژگی‌های منظر که در مطالعات مختلف برجسته شده‌اند، وجود عناصر طبیعی در قطعات غیرشهری [ 37 ]، فضاهای باز عمومی با توجه به عملکرد آنها [ 38 ]، فضاهای سبز شهری [ 17 ]، پوشش درختان شهری [ 39 ] یا تراکم است. و تحمل پوشش گیاهی [ 40 ].

دومین شاخص اصلی کیفیت دیدگاه هایی است که بر ارزیابی مثبت محیط های طبیعی متمرکز است. وقتی هم نزدیکی به عناصر درک شده و هم وجود انواع منظره مرتبط با هم در نظر گرفته شوند، افزایش قیمت حتی بیشتر می شود. بنسون و همکاران [ 41 ] تشخیص داد که چگونه نزدیکی به اقیانوس و چشم اندازهای آن قیمت مسکن را 147 درصد در پوینت رابرتز (EEUU) افزایش داد. مناظر دلپذیری که فضاهای سبز طبیعی مانند جنگل‌ها ارائه می‌کنند، امکان تأثیرپذیری از خطر آتش‌سوزی را دارند. در آلاسکا (EEUU)، هانسن و ناتون [ 42] دریافت که تأثیر بر ارزش املاک و مستغلات بسته به اندازه درک شده از آتش سوزی می تواند نوسان داشته باشد. در حالی که آتش‌سوزی‌های کوچک بر قیمت مسکن تأثیر منفی می‌گذارند، آتش‌سوزی‌های بزرگ جنگل‌ها قیمت مسکن را افزایش می‌دهند، احتمالاً به این دلیل که حوضه بصری را پاک می‌کنند و امکان دید دورتر را فراهم می‌کنند. در مناطق شهری نیز استثناهایی وجود دارد، مانند هنگ کنگ، که در آن نتایج نشان می دهد که ترجیح دادن به مناظر شهری بر مناظر طبیعی [ 43 ].

سومین جنبه، بعد کمی حوضه بصری است، اگرچه اکثر مطالعات این جنبه را به صورت یکپارچه با ارزش کیفی آن ارزیابی می کنند. در ادبیات، عنصر چشم انداز مورد مطالعه قرار گرفته است، و یکی با نتایج متقاعد کننده، دریا است [ 44 ، 45 ]. این نه تنها با هدف تخمین قیمت سهام مسکن، بلکه از دیدگاه شهری نیز اندازه‌گیری می‌شود، و هدف آن بررسی و توصیف طرح‌های مورفولوژیکی شهری با توجه به نفوذپذیری به نماهای ساحلی است [ 46 ].

جنبه چهارم حداکثر عمق دید است. عناصر قابل مشاهده که از فاصله دور درک می شوند می توانند رضایت بصری بیننده را افزایش دهند. همانطور که کنت و همکاران. [ 47 ] اشاره کرد که تأثیر مثبت حداکثر فاصله قابل مشاهده از مسکن برای ویژگی‌های شهری بیشتر و برای عناصر طبیعی کمتر بود.

برخی از تحقیقات قبلاً به دنبال تعمیق پیامدهای اقتصادی اجزای منظر شهری به روشی یکپارچه بوده‌اند. آنها همچنین سایر معیارهای مرتبط، مانند دسترسی به این اجزای سرزمینی در بازار مسکن را که [ 48 ] در شنژن (چین) توسعه داده‌اند، در نظر می‌گیرند. از سوی دیگر، می‌توانیم پیشنهاد میتال و بیهوت [ 49 ] را برجسته کنیم که «شاخص دید الهام‌گرفته از گرانش» را پیشنهاد می‌کند. این بر اساس طراحی یک معادله از دو ماتریس مختلف است، به شرح زیر است: یک ماتریس از سطح قابل مشاهده و یک ماتریس فاصله تا نماها از اندازه گیری های گرفته شده از هر خانه نمونه.

سهام املاک و مستغلات از نظر چشم انداز و مناظر یکسان نیست. برخی از مطالعات بر تمایز تأثیر چشم‌انداز بر انواع مختلف خانه‌ها تمرکز دارند. تأثیرات حاشیه ای ویژگی های فیزیکی ثابت نیست: زیرا خریداران سطح بالا ویژگی های فیزیکی را به روشی متفاوت از خریداران سطح پایین ارزش گذاری می کنند. ژانگ و یی [ 50] اشاره می‌کند که در پکن، چین، خریداران خانه‌های ارزان‌تر عمدتاً نگران وجود چشم‌اندازهای دریاچه هستند، در حالی که خریداران خانه‌های با قیمت بالاتر ساختمان‌هایی با میزان پوشش گیاهی بالا و تراکم ساخت‌وساز کمتر را ترجیح می‌دهند. علاوه بر این، آنها تأثیر بیشتری بر قیمت های گروه سطح بالا تشخیص می دهند که از 5٪ به تقریبا 13٪ افزایش می یابد. یکی از متداول‌ترین روش‌های مورد استفاده در این مطالعات، رگرسیون چندکی است که شناسایی تغییرات قابل‌توجه در تأثیرات حاشیه‌ای را از طریق توزیع شرطی قیمت مسکن ممکن می‌سازد [ 51 ]. با توجه به تاثیر چشم انداز، لی و همکاران. [ 8] دریافت که نماهای مناظر طبیعی به طور نابرابر بر قیمت خانه ها بر اساس محدوده قیمت تأثیر می گذارد و بیشترین تأثیرات حاشیه ای را روی خانه های لوکس دارد.

3. مواد و روشها

3.1. منطقه مطالعه

منطقه مورد مطالعه انتخاب شده برای تجزیه و تحلیل املاک، منطقه غربی شهرداری Benalmádena، در ساحل مالاگا (اسپانیا)، و در داخل توریستی Costa del Sol ( شکل 2 ) است. با این حال، تجزیه و تحلیل مناظر از این منطقه، بقیه شهرداری و همچنین سایر شهرداری های مجاور غرب مانند Mijas و Fuengirola را نیز شامل می شود و چندین کیلومتر به داخل دریا امتداد می یابد. در مجموع، محدوده منطقه مورد تجزیه و تحلیل حدود 60 کیلومتر مربع از جمله دریا را پوشش می ^دهد .

به طور کلی، سواحل غربی استان مالاگا، عمدتاً به دلیل توسعه گردشگری در نیم قرن گذشته و همچنین به دلیل رشد اخیر کلانشهری شهر مالاگا، یک منطقه بسیار شهری است. در نتیجه، Benalmádena دارای جمعیت قابل توجهی است، با کمی بیش از 67000 نفر، که در بین چندین هسته زیر توزیع شده است: هسته سنتی (روستای Benalmádena) و جدیدترین هسته های Benalmádena Costa و Arroyo de la Miel. ساخت و سازهای تک خانواری متعددی با تراکم کمتر در میان این هسته ها بخصوص در قسمت غربی شهرداری گسترش یافته است. از نظر محیطی، منطقه مورد مطالعه بین رشته کوه (سیرا د میخاس) و دریا واقع شده است. کوه ها به دلیل ترکیب سنگی (مرمر) دارای شیب پلکانی هستند.52 ]. توسعه شهری در منطقه گذار، بین کوه و دریا واقع شده است. این ناحیه مانند یک لغزش چیده شده است که از مواد دگرگونی سست‌تر، به‌ویژه فیلیت‌ها تشکیل شده است و به صورت متوالی از تپه‌های موج‌دار پیکربندی شده است که توسط شبکه هیدروگرافیک جدا شده و به سمت دریا فرود می‌آیند. خط ساحلی، همچنین ناهموار، توسط صخره هایی با خلیج های کوچک بین آنها تشکیل شده است. پوشش گیاهی درختی نیز در منظر مرتبط است. به طور متناقض تراکم در کوه ها کم است، جایی که جنگل کاج پراکنده است. با این حال، در پهنه میانی، حضور یا در کناره‌های رودخانه و یا به‌عنوان بقایای محصولات درختی کهن و به‌ویژه به‌طور مصنوعی در قطعه‌ها و مسکن‌ها بیشتر است.

مجموعه ای از ویژگی ها باعث شده است که این منطقه به عنوان منطقه مورد مطالعه انتخاب شود، زیرا این منطقه تحت فشار زیادی است که هم از طریق روند گسترش شدید شهری و هم ویژگی های محیط فیزیکی که به نفع درک دیدگاه های بسیار گسترده است. از بسیاری از نقاط

3.2. مراحل روش شناختی

3.2.1. تعیین نمونه املاک

در این مطالعه، 226 ملک تک خانواری متعلق به ناحیه اول Benalmádena انتخاب شده است. معیارهای مورد استفاده برای انتخاب نمونه، توزیع همگن نقاط بر اساس منطقه مورد مطالعه بود که سعی می‌کرد همه جهت‌ها و موقعیت‌ها را شامل مناطق مرتفع و مناطقی که در مناطق افسرده قرار دارند، پوشش دهد. پس از انتخاب، فرآیند georeferencing انجام شد و یک لایه در قالب نقاط در یک موقعیت مرکزی و مرتفع از هر مسکن مرجع ایجاد شد.

3.2.2. محاسبه حوضه های بصری مسکن

برای محاسبه حوضه های بصری از پلاگین «تجزیه و تحلیل دید» استفاده شده است که از نرم افزار رایگان و متن باز QGIS 3.x قابل دسترسی است.

این محاسبه با استفاده از روش شرح داده شده در زیر انجام شده است:

لایه ای از دیدگاه ها برای هر یک از خانه های منطقه مورد مطالعه ایجاد می شود. برای انجام این کار، لایه چند ضلعی که نمایانگر پلات های ساختمان های مختلف شهری است، با محاسبه مرکز هر چند ضلعی به یک لایه نقطه ای تبدیل می شود (در این مورد، لایه دارای 226 نقطه مشاهده است). این لایه از نقاط با ویژگی های مربوط به ارتفاع ناظر (در این مطالعه از ارتفاع 1.65 متر به عنوان مقدار استاندارد ساکنان در محدوده مورد مطالعه استفاده شده است) و شعاع دید مرتبط است. در این حالت شعاع 30 کیلومتر است که معادل فاصله قابل مشاهده از بالای یک ساختمان 50 متری (16 طبقه) است. این داده ها 10 متر بالاتر از حداکثر ارتفاع ساختمان های منطقه مورد مطالعه هستند (تقریباً 12 طبقه)، اما این امر دید مناطقی مانند شهر مالاگا را تضمین می کند.
پس از تنظیم نقاط مشاهده، حوضه های بصری با الگوریتم viewshed با مقادیر پیش فرض کرویت زمین و شاخص شکست اتمسفر محاسبه می شوند. در این کار، از DSM برای محاسبه حوضه های بصری، یعنی مدل های زمین که ارتفاع درختان و ساختمان ها را در محاسبات دید ادغام می کند، استفاده شده است.

این فرآیند محاسباتی 226 بار انجام شده است، یعنی یک مورد برای هر نقطه نشان دهنده یک نقطه مشاهده از یک ساختمان در منطقه مورد مطالعه است. نتیجه یک لایه شطرنجی با مقادیر باینری زیر است: 0 (قابل مشاهده نیست) و 1 (مناطق قابل مشاهده).
مقدار سطح قابل مشاهده بر حسب متر مربع برای هر یک از 226 حوضه بصری محاسبه می شود. سطح قابل مشاهده حاصل ضرب تعداد پیکسل های مناطق قابل مشاهده (مقدار = 1) در سطح هر پیکسل است و 25 متر مربع محاسبه ^شد .
در نهایت، مقادیر با توجه به گستره آنها در پنج محدوده گروه بندی می شوند. تا بتوان آنها را به نمره تبدیل کرد تا در معادله کیفیت نمای نهایی وارد شود.

3.2.3. تعیین حدود و مشخصه واحدهای منظر موجود در نماها

برای ارزیابی کیفیت نماهای موجود از منازل مسکونی، ابتدا لازم بود نقشه واحدهای منظر منطقه مورد مطالعه تهیه شود. جدول 1 نمونه‌هایی از دوازده نوع منظر را نشان می‌دهد که بر اساس پوشش گیاهی و کاربری اراضی مشخص شده‌اند، با کنار گذاشتن جنبه‌های ژئومورفولوژیکی که می‌تواند مشکلاتی را در تفسیر با مقیاس مطالعه ایجاد کند.

ترسیم واحدهای چشم انداز فراتر از 3 کیلومتر از قلمروی است که نمونه ساختمان ها بر آن استوار است، به همان روشی که اندازه گیری حوضه های بصری انجام می شود. این فاصله بر اساس مشخصات ژئومورفولوژیکی منطقه مورد مطالعه با توجه به اینکه امکان رصد بیشتر در برخی جهات به ویژه شمال وجود ندارد تعیین شد. به این ترتیب پس از منطقی شدن تناسبات در نوع نماها، این فاصله به عنوان شعاع نسبت به تمام جهت ها در نظر گرفته شده است.

3.2.4. محاسبه فاصله هر خانه تا هر واحد منظر

جدای از سطح قابل مشاهده و کیفیت انواع منظر درک شده، ارزش نماها به مجاورت و وضوح نماهایی که هر خانه از انواع مختلف واحدهای منظر دارد مربوط می شود. بنابراین، یک محاسبه مجاورت انجام شد و لایه‌ای از نقاط را با مرکز قطعه‌های مسکونی ایجاد کرد. ابزار ArcMap “Generate Near Table” برای این لایه اعمال شد و لایه ای که واحدهای منظره را به عنوان لایه هدف در نظر گرفت.

3.2.5. کالیبراسیون معادله نهایی

نماها باید با در نظر گرفتن گستره ای که حوضه بصری را پوشش می دهد، کیفیت محتوای موجود در آنها و نزدیکی آنها ارزیابی شوند. این فرمول وزن بیشتری را به کمیت و کیفیت نماها اختصاص می دهد و با افزایش فاصله ملک تا واحد منظره، خود را کاهش می دهد.

دسته بندی متغیرهای موجود در تجزیه و تحلیل به منظور ترکیب و کاهش پیچیدگی تجزیه و تحلیل جنبه های کمی و کیفی منظر انجام شد. مقیاسی از 1 (کمترین مقدار چشم انداز) تا 5 (بالاترین مقدار چشم انداز) انتخاب شده است.

برای گسترش تخمینی حوضه بصری از هر خانه، معیارهایی که برای گروه‌بندی موارد دنبال می‌شوند بر اساس تفاوت‌های کمی مشخص شده بودند. با در نظر گرفتن شکست های طبیعی جنکس به عنوان جهت، ما اندازه فواصل را بر اساس تعداد موارد موجود در هر بازه و همچنین فاصله بین مقادیر حداقل و حداکثر هر بازه اولویت بندی نکردیم.

با توجه به اطلاعات کیفی، واحدهای منظر و فواصل آنها به صورت یکپارچه برخورد شده است. به منظور تعیین فاصله ای که در آن برخی از عناصر منظره در پیش زمینه در نظر گرفته می شوند، پیشنهاد ارائه شده توسط Escribano Bombín [ 53 ]، که محدودیت عمومی 500 متر را تعیین می کرد، در نظر گرفته شد. در مورد زیرساخت‌های حمل‌ونقل، زمانی که در فاصله کمتر از 100 متر در نظر گرفته می‌شوند، همیشه به عنوان یک عامل منفی در نظر گرفته می‌شوند که منجر به وزن 0.9 از نتیجه محاسبه‌شده قبلی می‌شود. جدول 2 زیر معیارهای هر دسته را بسته به نوع منظر و فاصله تا واحدها نشان می دهد.

شکل 3 زیر نموداری را نشان می دهد که روش روش شناسی دنبال شده را خلاصه می کند:

3.3. منبع اطلاعات

اطلاعات پردازش شده در این روش بر اساس نوع شناسی اطلاعات از منابع زیر بدست می آید:

اطلاعات مربوط به ارزش اقتصادی املاک و مستغلات بر اساس برآورد ارائه شده توسط اداره کل کاداستر، که مقادیر مرجع برای پایه مالیاتی اسپانیا از سال 2022 است، محاسبه شده است. از آنجایی که اطلاعات موجود در مقیاس منطقه ای است، با هم جمع می شود. چندین بلوک، قیمت هر متر مربع باید با توجه به مساحت هر مورد وزن شود.

منبع اطلاعات جغرافیایی برای هر متغیر در جدول 3 زیر خلاصه شده است:

4. نتایج

4.1. ویژگی های حوضه های بصری

4.1.1. جهت نماها

با توجه به ویژگی های توپوگرافی منطقه و کاربری شهری و معماری آن، جهت گیری غالب حوضه های بصری مسکن های متعلق به منطقه مورد مطالعه در شکل 4 قابل مشاهده است.

نماها مرکز گرانش خود را به شدت به سمت جنوب-جنوب شرقی جابجا کرده اند، جایی که دریا را می توان مستقیماً از اکثر خانه ها مشاهده کرد. شکل 5 تجزیه و تحلیل دقیق تری از نماها با توجه به جهت آنها ارائه می دهد.

در مجموع مشاهده می شود که اکثر خانه ها نماهای بیش از یک جهت را با هم ترکیب می کنند، اگرچه نماهایی به سمت جنوب غالب است، و تنها موارد معدودی وجود دارد که در آنها چنین نیست. از سوی دیگر، کمتر از 100 واحد مسکونی بین 60 تا 80 درصد نماها رو به جنوب دارند. یکی دیگر از جنبه های قابل توجه این است که کمتر از 10 درصد از خانه ها بیش از 40 درصد از مناظر رو به شرق دارند.

شکل 6 به ما اجازه می دهد تا فراتر از جهت گیری، الگوهای فضایی مناظر در نظر گرفته شده از خانه های متعلق به منطقه مورد مطالعه را، بسته به جهت اصلی آنها، بدانیم.

می توان مشاهده کرد که چگونه، همراه با نقاط خاصی که در شمال قرار دارند، رایج ترین نماها بر روی دریا، در جنوب منطقه مورد مطالعه متمرکز شده اند. هم در شرق و هم در غرب، مناطق قابل مشاهده خشکی بسیار پراکنده تر هستند. آنها بین موارد مورد مطالعه متفاوت هستند، و تمایل دارند دوباره به سمت دریا منطبق شوند، که بیشتر در نماهای رو به جنوب رایج است. سایر نقاط مرتبط را می توان در شمال مشاهده کرد، اگرچه آنها بسیار ملموس تر هستند و با مرتفع ترین مناطق سیرا د میخاس مطابقت دارند. شکل 7 نمایان بودن منطقه مورد مطالعه را در تمام جهات نشان می دهد.

4.1.2. اندازه بازدیدها

حوضه های بصری از 226 نقطه انتخاب شده، از 146 متر مربع ^تا 853،185 متر مربع ^محاسبه شده اند . جدول 4 دسته بندی هایی را که به طور خاص برای مورد مطالعه طراحی شده است، نشان می دهد که در آن شکست های طبیعی جنکس، همراه با مفاهیم اندازه های مختلف حوضه های بصری، با هدف ایجاد فواصل با تعداد موارد متناسب در نظر گرفته شده است.

اگرچه اکثریت قریب به اتفاق خانه ها دارای موقعیت بالایی هستند، لایه بندی سرزمینی به سمت دریا مشخص کرده است که عواملی مانند کوه نگاری و پوشش گیاهی که مرزهای کرت ها را مشخص می کند، بر نتایج حوضه های بصری تأثیر گذاشته است. همانطور که در شکل 8 قابل تفسیر استالگوی اصلی پشت اندازه حوضه های بصری موقعیت توپوگرافی خانه است. فرود توپوگرافی به سمت دریا همگن نیست و با تپه های متوالی که توسط رودخانه ها و نهرهای کوچک جدا شده اند مشخص می شود. به این ترتیب سکونتگاه هایی که در دامنه شمالی یا در پهنه میانی بین تپه ها قرار دارند، حوضه های بصری کوچکتری دارند. این پدیده به وضوح در قسمت غربی منطقه مورد مطالعه مشاهده می شود، جایی که مجموعه ای از خانه ها با حوضچه های بصری کمتر از 270000 متر مربع ^در مجاورت سایر خانه ها در جنوب شرقی با حوضه های بصری بیشتر از 435000 متر مربع ^هستند . سایر عوامل توضیحی ساختمان‌های بالاتر نزدیک یا وجود پوشش گیاهی بالا است که برای تعیین محدوده کرت‌ها استفاده می‌شود، که حوضه‌های بصری کوچک‌تر را به رنگ قرمز در شکل 8 توضیح می‌دهد..

4.1.3. محتویات نماها: واحدهای منظر

چشم انداز منطقه مورد مطالعه در دو قسمت ساخته شده است که توسط بزرگراه A7 از هم جدا شده است. در شمال، یک منطقه کوهستانی وحشی با پوشش گیاهی طبیعی، و در جنوب، منطقه‌ای وجود دارد که در آن انواع مختلف شهری غالب هستند، مناطق شهری متناوب با توسعه‌های حومه‌ای و فضاهای حومه شهری (نگاه کنید به شکل 9 ).

شهرسازی گسترده و چند هسته ای با فضای بینابینی از خانه های پراکنده غالب است. متراکم ترین و بزرگترین پوشش گیاهی مورد استفاده در فضاهای خصوصی و محدوده کرت ها در داخل واحدهای شهری است. بقیه پوشش گیاهی درختی (جنگل) بسیار کمیاب است و در قسمت شمالی منطقه مورد مطالعه جمع شده است و در میان پوشش گیاهی طبیعی منطقه ای از بوته های کم غلبه دارد. مهمترین تجهیزات چشم انداز گسترده (مثلا زمین های گلف) و وقت شناس (مثلاً مراکز بهداشتی و آموزشی) در قسمت شرقی قرار دارد. در نهایت، لازم به ذکر است که منطقه مورد مطالعه انتخاب شده بین دو مسیر مهم حمل و نقل جاده ای در منطقه محدود شده است و همچنین از طریق راه آهن به مالاگا می گذرد.

4.1.4. ارزیابی کیفیت نماها

شکل 10 ارزیابی ترکیبی نماهای ساختمان های نمونه را با پیروی از معیارهای تعیین شده در روش ها نشان می دهد.

توزیع بهترین نماها از یک الگوی فضایی واضح پیروی نمی کند، اگرچه مناطقی را که در آن نماهای با بالاترین کیفیت غالب است، مشخص می کند. به عنوان نمونه، تقسیم بندی واضحی بین دامنه های تپه ای در قسمت غربی وجود دارد. امتیاز در شیب شمال غربی بین 1 تا 2.5 است، با توجه به اینکه یک عنصر تکرارشونده از نماهای آن، اسکراب مدیترانه ای است، با جذابیت زیبایی شناختی متوسط تا کم. از سوی دیگر، شیب جنوب شرقی با جهت گیری بهتر به سمت دریا، نقاط متعددی را با بالاترین کیفیت در خود جای داده است.

یکی دیگر از محورهایی که مناظر باکیفیت در آن غالب است، خط ساحلی است که منطقاً چشم اندازهای دریا بیشتر است. به طور متناقض، مواردی با بدترین امتیاز نیز وجود دارد، که می توان آن را با موقعیتی در ارتفاع پایین تر توضیح داد، جایی که نماها توسط ردیفی از درختان بسیار بلند و انبوه مسدود می شوند. خانه‌ها در خط ساحلی دوم به دلیل تراکم ساخت‌وساز بالاتر، امتیاز کمتری دارند. سازه هایی که در بین تپه ها قرار گرفته اند نیز امتیازات کمتری نسبت به سازه هایی که در بالای آن قرار گرفته اند دارند.

4.1.5. متغیر وابسته: ارزش املاک و مستغلات

میانگین قیمت 226 خانه مورد تجزیه و تحلیل 624,747.65 € است. این ارزش بالایی در زمینه بازار املاک و مستغلات اسپانیا دارد، که عمدتاً با ویژگی توریستی منطقه و جاذبه ایجاد شده توسط نزدیکی به دریا توضیح داده می شود. با این حال، همانطور که در شکل 11 مشاهده می شود ، نمونه ناهمگن است، با تنوع قیمت بسیار زیاد. در واقع، انحراف استاندارد 440279.33 € و ضریب تغییرات 70.47٪ است.

نمونه دارای محدوده قیمت بالایی است، از 51,696 € تا 3,339,440 €. با این حال، بیشتر املاک و مستغلات از 200,000 یورو تا 700,000 یورو متغیر است که قابل توجه ترین بخش آن بین 300,000 تا 400,000 یورو است.

از نقطه نظر فضایی، توزیع مقدار یک الگوی توزیع واضح ارائه نمی دهد، همانطور که در شکل 12 نشان داده شده است. در نزدیک ترین مناطق به دریا و جاده ساحلی و همچنین در تپه های بالا روند مشخصی در مکان یابی خانه های با قیمت بالاتر وجود دارد. از سوی دیگر، قیمت‌های پایین‌تر معمولاً در مناطق شهری متراکم‌تر یافت می‌شود.

4.1.6. رابطه بین قیمت ها و بازدیدها

پارامترهای آماری مختلف برای تجزیه و تحلیل رابطه بین این دو بزرگی استفاده شد. ابتدا ضرایب پیرسون و اسپیرمن در پایگاه داده اعمال شد. ضریب همبستگی پیرسون قدرت و جهت یک رابطه خطی بین دو متغیر تصادفی را از داده های خام اندازه گیری می کند، در حالی که ضریب همبستگی اسپیرمن بر اساس مقادیر رتبه بندی شده هر متغیر است. این شاخص‌ها عدم وجود همبستگی مستقیم بین قیمت‌ها و موارد زیر را نشان دادند: (الف) ابعاد حوضه‌های بصری (Pearson = 0.025-؛ Spearman = 0.080). (ب) انواع منظره (Pearson = -0.047؛ Spearman = -0.046). و (ج) مقدار کیفیت چشم انداز (Pearson = 0.045؛ Spearman = 0.002).

با توجه به همبستگی کم بین قیمت و نماها، تحلیل بر اساس میانگین قیمت‌های مسکن با حوضه‌های بصری مشابه صورت گرفت. همانطور که در بخش 4.1.5 نشان داده شد ، نمونه دارای تنوع قیمت زیادی است. بنابراین مقادیر ضرایب تغییرات میانگین ها نیز بالا خواهد بود، اگرچه همانطور که مشاهده می شود در بسیاری از موارد به میزان قابل توجهی کاهش می یابد.

مقادیر میانگین افزایش میانگین قیمت ها را در خانه هایی با نماهای بزرگتر با کیفیت بالا نشان می دهد. بنابراین، میانگین قیمت خانه‌هایی که حوضه‌های بصری آن‌ها کمتر از 0.5 کیلومتر مربع ⁽ 592892.5 یورو) است، 18.1 درصد کمتر از خانه‌هایی است که حوضه‌های بصری آنها بیشتر از 0.5 کیلومتر مربع ⁽ 700،344.2 یورو) است. در هر دو مورد، ضرایب تغییرات بالا با توجه به تغییرپذیری عمومی قیمت‌ها کاهش یافت و به ترتیب 59.9 درصد و 63.7 درصد بود.

در خصوص محتوای دیدگاه ها نیز همین روند با تفاوت های کمتر مشاهده می شود. میانگین قیمت مسکن با ارزش کمتر از 3 607,427.6 € است که در صورت مساوی یا بالاتر از 4 به 634,671 € افزایش می یابد که 4.5 درصد افزایش می یابد. در شدیدترین محدوده ها (مقادیر زیر 2 یا بالاتر از 4.5)، افزایش قیمت بسیار بیشتر است (38.7٪). اما باید توجه داشت که تعداد مواردی که در این گروه ها قرار می گیرند کم است.

همانطور که در روشها نشان داده شد، یک شاخص ترکیبی از کیفیت نماها با ترکیبی از گسترش حوضه بصری و کیفیت انواع منظر ساخته شده است. در این پارامتر، امتیاز از 1 (کیفیت پایین تر) تا 5 (کیفیت بالاتر)، قیمت نمرات بالای 3.5 (656,975.1 €) 10.1٪ بیشتر از میانگین امتیازات زیر 3.5 (596,280.1 €) است.

میانگین قیمت ها نیز بر اساس فواصل بین خانه ها و عناصر خاص (به عنوان مثال، دریا) تجزیه و تحلیل شده است. در این مورد، تفاوت قیمت بین خانه های واقع در نزدیکی یا دورتر از دریا قابل توجه است. در میان آنهایی که در کمتر از 500 متر قرار دارند، میانگین قیمت به 715,091.9 یورو می رسد که 20.6 درصد بیشتر از میانگین خانه های واقع در بیش از 500 متر (592,829.62 €) است.

در نهایت، برای تأیید نتایج به‌دست‌آمده، فراوانی موارد موجود در هر بازه قیمت با توجه به اندازه نماها تحلیل شده است ( جدول 5 ).

همانطور که مشاهده می شود درصد موارد با حوضچه های بصری بزرگ در زمانی که فاصله قیمتی بالاتر باشد افزایش می یابد. بیشتر خانه ها حوضه های بصری کوچکتر از 0.5 کیلومتر مربع دارند ^، اما با افزایش قیمت، درصد کاهش می یابد. به این ترتیب در بالاترین بازه قیمتی، درصد مسکن با حوضه های بصری بزرگ (1/32 درصد) 6/17 درصد بیشتر از بازه کمترین قیمت است. علاوه بر این، در بخش بیش از 1,000,000 یورو، درصد حوضه های بزرگتر از 500,000 متر مربع ^در اکثریت (53.5٪) قرار دارند که با کمتر از 500000 متر مربع ^به 46.4 درصد کاهش می یابد. از سوی دیگر در فاصله کمتر از 300000 یورو درصد حوضچه های بصری کمتر از 500000 متر ^مربعبه 82% می رسد در حالی که درصد بالای 500000 متر مربع ^تنها 17.9% است. بنابراین، ارتباط واضحی بین خانه‌های گران‌تر با حوضه‌های بصری بزرگ‌تر وجود دارد و این موضوع در فواصل زمانی بسیار زیاد بیشتر مورد تاکید قرار می‌گیرد.

5. بحث

میانگین قیمت های تجزیه و تحلیل شده یک روند افزایشی مربوط به وجود نماهای با کیفیت بالا را نشان می دهد. با این حال، این روند در یک تغییر قیمت بالا تحت تأثیر عوامل متعدد قرار می گیرد. افزایش قیمت بیشتر به اندازه حوض بصری یعنی گسترش نماها و به نسبت کمتر به کیفیت نماها مربوط می شود. در میان سایر علل بالقوه، باید در نظر گرفت که کل منطقه مورد مطالعه دارای ویژگی های زیست محیطی و انواع شهری مشابه است (به عنوان مثال، اکثر خانه ها دارای منظره دریا هستند). بنابراین، می‌توان پیش‌بینی کرد که این روند در مناطق ناهمگن بیشتر محسوس خواهد بود.

همچنین باید تاکید کرد که پیشنهاد املاک در منطقه انتخابی نسبتاً همگن است. بین سطح متوسط به بالا و بالا در نوسان است. نقش زیرساخت نسبتاً کوچک است، زیرا دامنه خدمات و ارتباطات همگن است و از پراکندگی فضایی جلوگیری می کند. به این ترتیب، عوامل اصلی دخیل در قیمت عمدتاً عوامل ذاتی خود مسکن (مثلاً اندازه، کیفیت ساخت، باغ ها و امکانات مانند استخر) همراه با عوامل دیگر مانند دسترسی، اعتبار اجتماعی هستند. ، یا کیفیت محیط.

ارتباط مستقیمی بین قیمت ها با ابعاد حوضه های بصری و همچنین با انواع منظر وجود ندارد. این ممکن است با دخالت عوامل متعددی توضیح داده شود، که در میان آنها می توان به خود مناظر، همراه با موارد دیگر، مانند اندازه خانه، موقعیت آن با توجه به خدمات، جاده ها و تجهیزات، یا اعتبار اجتماعی اشاره کرد. به علاوه وزن هر عامل بسته به مورد دارای تنوع زیادی است. با پیروی از این رویکرد، نماهای مشابه ممکن است نقش مهمی در قیمت یک خانه داشته باشند، اما با در نظر گرفتن اندازه و امکانات خانه، ارتباط کمتر است. بنابراین در این کار تحلیل میانگین قیمت ها بر اساس متغیرهای مختلف صورت گرفت. این میانگین قیمت ها بسیار متغیر هستند، با این حال، همانطور که مشخص شد،

در این تحقیق مجاورت با واحدهای منظر در نظر گرفته شده و در بعد کیفی نماها ادغام شده است. برخلاف پیشنهاد بنسون و همکاران. [ 41 ] که با استفاده از ضرایب تخمینی متغیر ساختگی نما و متغیر نما و فاصله آن، این تحقیق اجزای مختلف نماها را به صورت یکپارچه مورد مطالعه قرار می‌دهد و مجموعه‌ای از دسته‌بندی‌های مصنوعی را با توجه به کیفیت ایجاد می‌کند. از دیدگاه ها به این ترتیب آن دسته از عناصر منظر با ارتباط کم در نماهای مورد مطالعه مورد توجه قرار نگرفته اند تا از تفکیک و سردرگمی انواع نماها جلوگیری شود. در این مطالعه، همانند مطالعات بنسون و همکاران. [ 41 ]، گوتگلوک، کائوکو، و پریموس [ 54] یا Conroy and Milosch [ 20 ]، تاثیر اقتصادی جاذبه بصری دریا مشاهده می شود. با این حال، بر خلاف بنسون و همکاران. [ 41 ]، رابطه معکوس بین ارزش منظره دریا و فاصله آن مشخص نشده است. در حالی که بلینگهام (واشنگتن، دی سی، ایالات متحده آمریکا) در یک قلمرو مسطح با زیرساخت‌های صنعتی و بندری در اولین خط ساحلی واقع شده است، Benalmádena در قلمرویی با شیب مشخص به سمت دریا واقع شده است که عمدتاً مسکونی است، بنابراین مناظر با کیفیتی به دریا دارد. را می توان از نقاط دورتر به دست آورد.

از سوی دیگر، مشخص شده است که قیمت‌ها در نزدیک‌ترین منطقه به دریا در مقایسه با مناطق دورتر بالاتر است، اگرچه این قیمت‌ها فقط به عوامل غیرمنظر، مانند دسترسی به دریا و در این مورد مربوط می‌شوند. ، به جاده های اصلی در این راستا، به نظر می رسد ویژگی های منطقه مورد مطالعه یک عامل اضافی قابل بررسی است.

علیرغم عوامل متعدد مؤثر بر قیمت ها و وزن آماری آنها، این مطالعه نتایج قابل توجهی ارائه می دهد. در واقع، همبستگی آماری به شدت با ویژگی چند عاملی قیمت ها مشروط است. حجم نمونه متوسط (226 مورد) و شامل خانه های تک خانواری با مشخصات ناهمگن است. با توجه به اینکه عملاً همه آنها در یک سفیدکننده به سمت دریا چیده شده اند، مقایسه اهمیت مناظر با خانه های بدون چشم انداز دریا دشوار است، همانطور که در مراکز شهری بزرگتر وجود دارد. بنابراین، نمونه نشان دهنده نوع خاصی از منطقه شهری، منطقه توریستی ساحلی هر شهر ساحلی است. در این خط، میانگین قیمت نمونه بالا، 624,747.65 €، یک ارزش متوسط بالا در اسپانیا، و حتی برای منطقه مورد مطالعه است.

یکی از جنبه هایی که در تحقیقات آینده باید در نظر گرفته شود، رابطه بین نمای بیرونی قابل مشاهده خانه و باز شدن نماها است، زیرا می تواند تفاوت های ظریف توضیحی قیمت را معرفی کند. روش توسعه یافته در مطالعه حاضر 50٪ بر اساس حوضه بصری از خانه است، وزن حوضه های بصری بزرگتر به سمت بالا. با این حال، ممکن است مسکن در بافت‌های شهری خاص به دلیل صمیمیت و نگرانی‌های مربوط به حریم خصوصی بر سایر ویژگی‌ها، مانند نماها ترجیح داده شود، اگرچه هر دو لزوماً منحصر به فرد نیستند. این بدان معنی است که ارزش گذاری بزرگی نماها، حتی برای ساکنان همان بخش املاک و مستغلات، می تواند تا حد زیادی نوسان داشته باشد.

6. نتیجه گیری

میانگین قیمت‌ها در هر بخش قیمتی نشان‌دهنده افزایش میانگین قیمت‌ها در خانه‌هایی با دید وسیع‌تر از کیفیت بالاتر است. از میان پارامترهای مختلف تحلیل شده، می توان به این نکته اشاره کرد که میانگین قیمت مسکن با حوضچه های بصری وسیع 18.1 درصد بیشتر از مسکن هایی با حوضچه های بصری کوچکتر است.

با توجه به روش پیشنهادی برای تجزیه و تحلیل کیفیت نماها، موفقیت در ادغام جنبه‌های مختلف کیفی و کمی که نماهای هر ساختمان را تشکیل می‌دهند، با احتیاط انجام می‌شود و آزمایش‌های بیشتری برای تأیید سودمندی آن مورد نیاز است. این آزمایش‌ها ممکن است شامل داده‌های به‌دست‌آمده از روش‌های دیگر، مانند عکاسی، با هدف غنی‌سازی خصوصیات نماها باشد، زیرا هم نسبت عناصر منظره و هم مکان آنها بر ترکیب نماها تأثیر می‌گذارد. به طور خلاصه، پیشنهاد روش شناختی در مناطق دیگر قابل تکرار است، اگرچه دسته بندی انواع نماها و فواصل وسعت نماها باید با ویژگی های سرزمینی منطقه ای که در آن اعمال می شود تنظیم شود.

این مطالعه دشواری یافتن همبستگی بین کیفیت نماهای خانه ها و قیمت آنها را ثابت کرده است. همانطور که بنسون و همکاران نیز بیان کردند. [ 41 ]، ارزش نماها بسته به کیفیت و کمبود انواع نماها و ویژگی های توسعه شهری می تواند بسیار متفاوت باشد.

از سوی دیگر، درک ترجیحات مردم برای مناظر اطراف و اینکه چگونه ترجیحات قلمرو را شکل می دهند، تنها یک چالش آکادمیک نیست. همچنین یک بعد کاربردی در رابطه، اولاً، با تدوین و اجرای سیاست‌ها ارائه می‌کند (به عنوان مثال، در مقیاس محلی، می‌تواند در تعیین حدود مناطق گسترش شهری و همچنین در تعیین نوع‌شناسی ساختمان‌هایی که به بهترین وجه مناسب هستند، مفید باشد. محیط منظر، به گونه ای که آن را به خطر نیندازد) و ثانیاً به سودمندی آن برای بهره برداری پایدار از یک دارایی اقتصادی مانند منظر نیز مرتبط است.

خط اصلی تحقیقات آینده باید بر تجزیه و تحلیل بخش‌های خاص املاک و مستغلات با ویژگی‌های ذاتی مشابه متمرکز شود تا نتایج با قطعیت آماری بیشتری به دست آید. یکی دیگر از کاربردهای بالقوه آینده، معرفی مقادیر شاخص در یک مدل سرریز فضایی است، که در آن عملکرد رفاه اکولوژیکی واحدهای سرزمینی بزرگ‌تر قابل مطالعه است. بدون شک توسعه شهری و به تبع آن خصوصی سازی فضاها کیفیت بصری را به عنوان یک منبع عمومی تحت تاثیر قرار خواهد داد. سایر اطلاعات اضافی مورد علاقه تعیین رابطه بین نمای بیرونی قابل مشاهده خانه و باز شدن نماها و همچنین ارزیابی ترکیب نماها از چندین عکس خواهد بود.

منابع

شورای اروپا کنوانسیون چشم انداز اروپا ; شورای اروپا: فلورانس، ایتالیا، 2000; در دسترس آنلاین: https://www.coe.int/en/web/landscape/text-of-the-european-landscape-convention (در 15 ژوئن 2022 قابل دسترسی است).
کاپلان، آر. کاپلان، اس . تجربه طبیعت: دیدگاه روانشناختی . انتشارات دانشگاه کمبریج: کمبریج، MA، ایالات متحده; نیویورک، نیویورک، ایالات متحده آمریکا، 1989. [ Google Scholar ]
کاپلان، اس. کاپلان، آر. رایان، RL با مردم در ذهن: طراحی و مدیریت طبیعت روزمره . مطبوعات جزیره: واشنگتن، دی سی، ایالات متحده آمریکا، 1998. [ Google Scholar ]
قصیده، Å.K. Fry، GL جنبه های بصری در مدیریت جنگل های شهری. شهری برای. سبز شهری. 2002 ، 1 ، 15-24. [ Google Scholar ] [ CrossRef ]
اولریش، RS پاسخ انسان به پوشش گیاهی و مناظر. Landsc. طرح شهری. 1986 ، 13 ، 29-44. [ Google Scholar ] [ CrossRef ]
کوی، ن. گو، اچ. شن، تی. Feng, C. تأثیر عوامل تأثیرگذار در سطح خرد بر ارزش خانه: مقایسه قیمت مسکن و اجاره. Sustainability 2018 , 10 , 4343. [ Google Scholar ] [ CrossRef ][ Green Version ]
کیانگ، ی. شن، اس. چن، کیو. تحلیل دید فضای آبی اقیانوسی با استفاده از مدل‌های ارتفاعی دیجیتال. Landsc. طرح شهری. 2019 ، 181 ، 92-102. [ Google Scholar ] [ CrossRef ]
لی، اچ. لی، بی. لی، اس. تأثیر نابرابر نماهای چشم انداز طبیعی بر قیمت مسکن: به کارگیری مدل ادراک بصری و رگرسیون چندکی برای آپارتمان ها در سئول. پایداری 2020 ، 12 ، 8275. [ Google Scholar ] [ CrossRef ]
Lu، GN; باتی، م. استروبل، جی. لین، اچ. زو، تبر; چن، ام. بازتاب ها و گمانه زنی ها در مورد پیشرفت در سیستم های اطلاعات جغرافیایی (GIS): دیدگاه جغرافیایی. بین المللی جی. جئوگر. Inf. علمی 2019 ، 33 ، 346-367. [ Google Scholar ] [ CrossRef ]
پلیسر، آی. استورنل کرمیدز، جی. Martí، J. Aplicación detos LiDAR aéreo para el cálculo de cuencas visuales. Rev. Teledetección 2014 ، 41 ، 9-18. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
کلوچک، تی. لاگنر، او. Šímová، P. چگونه دقت داده ها بر قابلیت اطمینان مدل های نمای دیجیتال تأثیر می گذارد؟ مطالعه موردی با توربین های بادی Appl. Geogr. 2015 ، 64 ، 46-54. [ Google Scholar ] [ CrossRef ]
Cloete, M. بهینه سازی تحلیل دید برای ارزیابی تاثیر بصری. Ph.D. پایان نامه، دانشگاه شمال غربی، پوچف استروم، آفریقای جنوبی، می 2021. در دسترس آنلاین: https://repository.nwu.ac.za/bitstream/handle/10394/37869/Cloete%20M%2026062232.pdf?sequence=1&isAllowed= y (در 15 ژوئن 2022 قابل دسترسی است).
فیشر، PF اولین آزمایش در عدم قطعیت دیدگاه: شبیه سازی دیدگاه های فازی. فتوگرام مهندس Remote Sens. 1992 , 58 , 345-352. [ Google Scholar ]
لی، RYM؛ Chau، KW تحلیل های اقتصاد سنجی بازارهای بین المللی مسکن ; Routledge: Oxon، UK، 2016. [ Google Scholar ]
لی، RYM؛ چنگ، کی. شعیب، ام. ساختمان های دیواری، پایداری، و قیمت مسکن: رویکرد شبکه عصبی مصنوعی. پایداری 2018 ، 10 ، 1298. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
بالدومینوس، ای. بلانکو، آی. مورنو، ای جی; ایتورارته، آر. برناردز، او. آفونسو، سی. شناسایی فرصت‌های املاک و مستغلات با استفاده از یادگیری ماشین. Appl. علمی 2018 ، 8 ، 2321. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
شلاپفر، اف. والترت، اف. سگورا، ال. Kienast، F. ارزش گذاری امکانات منظر: تحلیل قیمت گذاری لذت جویانه اجاره مسکن در شهری، حومه و حومه شهر سوئیس. Landsc. طرح شهری. 2015 ، 141 ، 24-40. [ Google Scholar ] [ CrossRef ]
سافورز، جی دی. لی، دبلیو. تخمین ارزش مناطق سبز شهری: تجزیه و تحلیل قیمت گذاری لذت بخش از بازار مسکن تک خانواده در لس آنجلس، کالیفرنیا. Landsc. طرح شهری. 2012 ، 104 ، 373-387. [ Google Scholar ] [ CrossRef ]
مورا-گارسیا، آر.-تی. سسپیدز-لوپز، ام.-ف. پرز سانچز، VR؛ مارتی، پ. پرز-سانچز، جی.-سی. عوامل تعیین کننده قیمت مسکن در استان آلیکانته (اسپانیا): تجزیه و تحلیل با استفاده از رگرسیون چندکی. پایداری 2019 ، 11 ، 437. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
کانروی، اس جی. Milosch, JL برآوردی از حق بیمه ساحلی برای قیمت مسکن مسکونی در شهرستان سن دیگو. جی. امور مالی املاک و مستغلات. اقتصاد 2011 ، 42 ، 211-228. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
باند، MT; سیلر، وی ال. Seiler, MJ قیمت املاک مسکونی: اتاقی با چشم انداز. J. Real Estate Res. 2002 ، 23 ، 129-138. [ Google Scholar ] [ CrossRef ]
لنزفورد، NH; جونز، LL قیمت نهایی تفریح و زیبایی شناسی دریاچه: یک رویکرد لذت جویانه. جی. آگریک. Appl. اقتصاد 1995 ، 27 ، 212-223. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
مونی، اس. Eisgruber، LM تأثیر اقدامات حفاظتی ساحلی بر ارزش املاک مسکونی: مورد طرح اورگان برای ماهی قزل آلا و حوضه های آبخیز. جی. امور مالی املاک و مستغلات. اقتصاد 2001 ، 22 ، 273-286. [ Google Scholar ] [ CrossRef ]
Netusil، NR اثر منطقه‌بندی محیطی و امکانات رفاهی بر ارزش‌های دارایی: پورتلند، اورگان. اقتصاد زمین 2005 ، 81 ، 227-246. [ Google Scholar ] [ CrossRef ]
چو، SH; کلارک، سی دی; پارک، WM; Kim, SG تغییرات مکانی و زمانی در ارزش‌های بازار مسکن اندازه زمین و فضای باز. اقتصاد زمین 2009 ، 85 ، 51-73. [ Google Scholar ] [ CrossRef ]
Shultz، SD; اشمیتز، ن. افزایش داده‌های فروش مسکن برای بهبود تخمین لذت‌گرایانه نمای زمین گلف. J. Real Estate Res. 2009 ، 31 ، 63-79. [ Google Scholar ] [ CrossRef ]
Asabere, PK; هافمن، FE اثرات منفی و مثبت نزدیکی زمین گلف بر قیمت خانه. ارزیابی. J. 1996 , 64 , 351-355. [ Google Scholar ]
لیندزی، جی. من، ج. پیتون، اس. Dickson، K. ارزش‌های دارایی، ارزش‌های تفریحی و راه‌های سبز شهری. جی پارک ریکریت. Adm. Vol. شماره 2004 ، 22 ، 69-90. [ Google Scholar ]
نیکولز، اس. Crompton، JL تأثیر راه‌های سبز بر ارزش‌های دارایی: شواهدی از آستین، تگزاس. جی. لیس. Res. 2005 ، 37 ، 321-341. [ Google Scholar ] [ CrossRef ]
چکش، TR; کوفلین، RE; هورن، ET، IV. تأثیر یک پارک بزرگ شهری بر ارزش املاک و مستغلات. مربا. Inst. طرح. 1974 ، 40 ، 274-277. [ Google Scholar ] [ CrossRef ]
Crompton, JL تأثیر پارک ها بر ارزش املاک: شواهد تجربی از دو دهه گذشته در ایالات متحده. مدیریت لیس. 2005 ، 10 ، 203-218. [ Google Scholar ] [ CrossRef ]
وایمن، دی. هاچیسون، ن. تیواری، ص. آزمایش آب: یک مدل قیمت گذاری اقتصادسنجی فضایی از نماهای مختلف آبنما. J. Real Estate Res. 2014 ، 36 ، 363-382. [ Google Scholar ] [ CrossRef ]
کادیش، ج. Netusil, N. ارزش گذاری پوشش گیاهی در یک حوزه آبخیز شهری. Landsc. طرح شهری. 2012 ، 104 ، 59-65. [ Google Scholar ] [ CrossRef ]
والز، م. کوسکی، سی. چو، زی. آیا آنچه می بینید همان چیزی است که به دست می آورید؟ ارزش مناظر طبیعی اقتصاد زمین 2015 ، 91 ، 1-19. [ Google Scholar ] [ CrossRef ]
پیتون، اس. لیندزی، جی. ویلسون، جی. Ottensmann، JR; انسان، جی. ارزش گذاری مزایای جنگل شهری: رویکرد لذت جویانه فضایی. جی. محیط زیست. طرح. مدیریت 2008 ، 51 ، 717-736. [ Google Scholar ] [ CrossRef ]
پوست درخت، RH; آزگود، دی. کلبی، بی جی; Halper, EB خریداران خانه چگونه انواع مختلف فضای سبز را ارزش گذاری می کنند؟ جی. آگریک. منبع. اقتصاد 2011 ، 36 ، 395-415. [ Google Scholar ] [ CrossRef ]
ایروین، EG; Bockstael، NE مشکل شناسایی سرریزهای کاربری زمین: اندازه گیری اثرات فضای باز بر ارزش املاک مسکونی. صبح. جی. آگریک. اقتصاد 2001 ، 83 ، 698-704. [ Google Scholar ] [ CrossRef ]
ژامبون، سی. لومیس، جی بی. Champ، PA ارزش های اقتصادی نسبی فضای باز ارائه شده توسط جنگل های ملی و زمین های نظامی به جوامع اطراف. رشد چانگ. 2015 ، 46 ، 81-96. [ Google Scholar ] [ CrossRef ]
ساندر، اچ. پولاسکی، اس. Haight، RG ارزش پوشش درخت شهری: مدل قیمت ملک لذت‌بخش در شهرستان‌های رمزی و داکوتا، مینه‌سوتا، ایالات متحده آمریکا. Ecol. اقتصاد 2010 ، 69 ، 1646-1656. [ Google Scholar ] [ CrossRef ]
کیم، YS; ولز، الف. تأثیر تراکم جنگل بر ارزش اموال. جی. برای. 2005 ، 103 ، 146-151. [ Google Scholar ] [ CrossRef ]
بنسون، ED; هانسن، جی ال. شوارتز، آل، جونیور؛ امکانات مسکونی Smersh، GT Pricing: ارزش یک منظره. جی. امور مالی املاک و مستغلات. اقتصاد 1998 ، 16 ، 55-73. [ Google Scholar ] [ CrossRef ]
Hansen، WD; ناتون، HT اثرات شیوع سوسک پوست درخت صنوبر و آتش‌سوزی‌های جنگلی بر ارزش دارایی‌ها در رابط زمین وحشی-شهری جنوب مرکزی آلاسکا، ایالات متحده. Ecol. اقتصاد 2013 ، 96 ، 141-154. [ Google Scholar ] [ CrossRef ]
جیم، سی. چن، WY ارزش مناظر منظره: ارزیابی لذت‌گرایانه مسکن خصوصی در هنگ کنگ. Landsc. طرح شهری. 2009 ، 91 ، 226-234. [ Google Scholar ] [ CrossRef ]
اوه، ک. لی، دبلیو. برآورد ارزش دید چشم انداز در قیمت مسکن آپارتمان. جی آرچیت. طرح. Res. 2002 ، 19 ، 1-11. [ Google Scholar ]
شاخ پینسلی، دی. فیشر-گویرتزمن، دی. برت، ام. روش کمی برای تحلیل بصری: ارزیابی مقایسه ای برای محیط های ساحلی شهری. جی آرچیت. طرح. Res. 2006 ، 23 ، 305-327. [ Google Scholar ]
شاخ پینسلی، دی. فیشر-گویرتزمن، دی. برت، ام. مواجهه بصری و باز بودن بصری: یک رویکرد یکپارچه و ارزیابی مقایسه ای. J. Urban Des. 2011 ، 16 ، 233-256. [ Google Scholar ] [ CrossRef ]
کنت، ام. Schiavon، S. ارزیابی اثر فاصله چشم انداز دیده شده در نماهای پنجره بر رضایت بصری. ساختن. محیط زیست 2020 , 183 , 107160. [ Google Scholar ] [ CrossRef ]
چن، وای. جیم، CY امکانات و مشکلات: تحلیل لذت‌گرایانه از منظر شهری ناهمگون در شنژن (چین). Geogr. J. 2010 , 176 , 227-240. [ Google Scholar ] [ CrossRef ]
میتال، جی. Byahut، S. مناظر منظره، دسترسی بصری و ارزش های برتر در یک بازار مسکن خانواده واحد: یک رویکرد لذت جوی فضایی. محیط زیست طرح. ب مقعد شهری. علوم شهر 2019 ، 46 ، 66-83. [ Google Scholar ] [ CrossRef ]
ژانگ، ال. Yi, Y. شاخص قیمت مسکن در پکن. Reg. علمی اقتصاد شهری 2017 ، 63 ، 85-96. [ Google Scholar ] [ CrossRef ]
کیم، اچ. پارک، جنوب غربی؛ لی، اس. Xue, X. عوامل تعیین کننده قیمت مسکن در سئول: یک رویکرد رگرسیون چندکی. Pac. Rim Prop. Res. J. 2015 ، 21 ، 91-113. [ Google Scholar ] [ CrossRef ]
مریدا رودریگز، MF; Reyes Corredera, S. La costa Occidental de la Provincia de Málaga: Rasgos generales de su paisaje. PH Boletín del Instituto Andaluz del Patrimonio Histórico 2017 ، 25 ، 28–41. [ Google Scholar ] [ CrossRef ]
Escribano Bombín، MM El Paisaje ; Ministrio de Obras Publicas y Transportes: مادرید، اسپانیا، 1991.
گوتگلوک، آر. کائوکو، تی. پریموس، اچ. آیا قرمز می تواند آبی را بپردازد؟ روش‌های برآورد ارزش افزوده آب در محیط‌های مسکونی. جی. محیط زیست. طرح. مدیریت 2005 ، 48 ، 103-120. [ Google Scholar ] [ CrossRef ]

شکل 1. تفاوت در استفاده از مدل های رقومی ارتفاع در مقایسه با مدل های سطح دیجیتال در مقالات منتشر شده در مجلات علمی. داده های به دست آمده از Google Scholar.