علاقه به مطالعه بازار املاک و مستغلات شهری، به ویژه در بررسی رابطه بین قیمت مسکن و ویژگی های مسکن مرتبط، به سرعت در حال رشد است. با این حال، این توجه فزاینده با توجه محدود به ناهمگونی فضایی چند مقیاسی در این روابط ناتوان است. این مطالعه از داده‌های قیمت اجاره 72466 آپارتمان در منطقه شهری توکیو برای بررسی ناهمگونی فضایی در بازار املاک و مستغلات در مقیاس‌های فضایی چندگانه استفاده می‌کند. در چارچوب مدل‌سازی ضریب متغیر مکانی (SVC)، ما از یک مدل SVC مبتنی بر فیلتر فضایی بردار ویژه اثر تصادفی (RE-ESF-SVC)، رویکردی که قبلاً در مطالعات املاک و مستغلات استفاده نشده بود، استفاده کردیم و آن را با ESF- سنتی مقایسه کردیم. مدل SVC که هیچ اثر تصادفی ندارد. نتایج ما نشان می دهد که: (1) به جز یک ویژگی مسکن که به طور مداوم بر قیمت‌ها در کل منطقه شهری توکیو تأثیر می‌گذارد، روابط بین سایر ویژگی‌ها و قیمت‌ها از مقیاس فضایی محلی تا جهانی متفاوت است. (2) به دلیل استفاده از اثرات تصادفی، RE-ESF-SVC دارای مزیت منحصر به فرد در انجام تخمین ها به صورت انعطاف پذیر و در عین حال حفظ عملکرد بالا است.

کلید واژه ها:

ناهمگونی فضایی ; بازار املاک شهری ; مقیاس فضایی ; بردار ویژه فیلتر فضایی ; قیمت خانه

1. مقدمه

با توجه به تعامل نزدیک بین قیمت مسکن و فعالیت‌های اقتصادی-اجتماعی، بازار مسکن شهری به عنوان یک شاخص مهم از وضعیت توسعه یک شهر در نظر گرفته می‌شود [ 1 ، 2 ، 3 ]. تغییرات قیمت مسکن و رابطه با اثرات تعیین کننده قیمت، توجه کسانی را که در زمینه املاک و مستغلات و برنامه ریزی شهری هستند به خود جلب کرده است [ 4 ، 5 ، 6 ، 7 ].
بر اساس تئوری رفتار مصرف کننده لنکستر [ 8 ]، روزن [ 8] 9] مدل معروف قیمت لذت‌گرا را پیشنهاد کرد، یک رویکرد برجسته که به طور گسترده در مطالعات املاک و مستغلات برای تعیین کمیت تأثیر عوامل تعیین‌کننده مرتبط بر قیمت مسکن استفاده می‌شود. ایده اصلی مدل قیمت لذت‌گرا این است که قیمت یک خانه با مجموعه‌ای از مقادیر ویژگی‌های مسکن مرتبط (به عنوان مثال، سن ساختمان، اندازه کلی، طبقه، فاصله تا نزدیک‌ترین ایستگاه و غیره) تعیین می‌شود. قیمت ها و ویژگی ها به ترتیب به عنوان متغیر وابسته و متغیرهای توضیحی در زمینه رگرسیون خطی در نظر گرفته می شوند. از این رو، مدل لذت‌گرای سنتی به تحلیلگر اجازه می‌دهد تا با مشاهده ضریب هر یک از متغیرهای توضیحی، تأثیر تغییر یک ویژگی خاص بر نوسانات قیمت را تشخیص دهد.
مدل لذت‌گرای سنتی فرض می‌کند که تأثیر عوامل مرتبط با قیمت مسکن در کل منطقه ثابت است. به عنوان مثال، مهم نیست که خانه در کجا قرار دارد، افزایش قیمت نهایی مربوط به هر متر مربع اضافی ثابت است. علاوه بر این، مدل لذت‌بخش سنتی با این فرض برآورد می‌شود که باقی‌مانده مدل همبستگی ندارد. با این حال، این مفروضات برای بازار املاک و مستغلات کمتر معقول هستند، زیرا مکان نقش عمده‌ای در شکل‌گیری قیمت مسکن دارد که منجر به دو ویژگی خاص داده‌های قیمت مسکن می‌شود: خودهمبستگی مکانی و ناهمگنی مکانی [ 10 ]. خود همبستگی فضایی را می توان با قانون اول جغرافیای توبلر توضیح داد، که بیان می کند “اشیاء نزدیک بیشتر از چیزهای دور به هم مرتبط هستند”.11 ]. از این رو، برای بازار املاک و مستغلات، خانه‌های یک محله از امکانات مکانی مشترک بهره می‌برند و قیمت‌های مشابهی دارند، که منجر به باقی‌مانده‌های مدل همبسته و برآوردهای ناکارآمد می‌شود. علاوه بر این، ناهمگونی فضایی رابطه ناسازگار بین عوامل تعیین کننده مرتبط و قیمت ها را در فضا توصیف می کند. تفاوت در ویژگی‌های منطقه‌ای مانند محیط زندگی، شرایط اقتصادی و انواع مصرف‌کننده بر ارزش‌گذاری دارایی در مناطق مختلف تأثیر می‌گذارد و تأثیر عوامل تعیین‌کننده مرتبط بر قیمت مسکن را در سراسر منطقه متفاوت می‌کند [ 12 ، 13 ].
در همین حال، ذکر این نکته ضروری است که ناهمگونی فضایی می تواند در مقیاس های فضایی چندگانه عمل کند. در بازار مسکن شهری، تأثیر برخی ویژگی‌های مسکن به تدریج در کل منطقه تغییر می‌کند و در نتیجه یک الگوی فضایی در مقیاس جهانی ایجاد می‌شود. در مقابل، سایر ویژگی ها ممکن است در مقیاس کوچکتر تغییر کنند و یک الگوی فضایی محلی را نشان دهند. مقیاس یک مفهوم اساسی در تحلیل فضایی است و تنوع آن به طور قابل توجهی بر عملکرد مدل تأثیر می گذارد [ 14 ]. جانگ و کانگ [ 15 ] پیشنهاد کردند که تجزیه و تحلیل رابطه بین عوامل خاص و قیمت مسکن در مقیاس‌های مختلف ممکن است منجر به نتایج خلاف برآورد شود. علاوه بر این، موراکامی و همکاران. [ 16] پیشنهاد کرد که گرفتن اثرات مقیاس می تواند مدل سازی ناهمگونی فضایی را پایدارتر و انعطاف پذیرتر کند. بنابراین، ضروری است که ناهمگونی فضایی در مقیاس های فضایی متعدد را به دقت در نظر بگیریم تا از هرگونه تعریف اشتباه احتمالی جلوگیری کنیم.
توسعه تحلیل فضایی پیشنهاد تحلیل ناهمگنی فضایی چند مقیاسی را با مدل‌های ضریب متغیر مکانی (SVC) انگیزه می‌دهد. مدل رگرسیون دارای وزن جغرافیایی چند مقیاسی (MGWR)، پیشنهاد شده توسط فاثرینگهام و همکاران. [ 17 ]، به طور گسترده در بسیاری از زمینه ها استفاده شده است [ 18 ، 19 ، 20 ]. علاوه بر این، بر اساس فرض توزیع قبلی معینی از ضرایب، مدل بیزی SVC (B-SVC) [ 21 ] توزیع پسین آنها را محاسبه می کند که تخمین و استنتاج بر اساس آن انجام می شود. با این وجود، مطالعات قبلی ادعا کردند که هزینه‌های محاسباتی هر دو MGWR و B-SVC زمانی که اندازه نمونه افزایش می‌یابد به طور قابل‌توجهی افزایش می‌یابد. 22 ]]. از این رو، نه MGWR و نه B-SVC نمی توانند بازار املاک و مستغلات شهری را تجزیه و تحلیل کنند، جایی که داده های عظیم معاملات به راحتی توسط دولت ها یا شرکت ها در حال حاضر جمع آوری و ارائه می شود.
مدل SVC مبتنی بر فیلتر فضایی بردار ویژه (ESF-SVC) [ 23 ] مقیاس های فضایی را برای هر رابطه ناهمگن با معرفی بردارهای ویژه یک ماتریس وزن فضایی از پیش تعریف شده در یک مدل رگرسیون خطی در نظر می گیرد. ضرایب را می توان از طریق یک روش محاسباتی کارآمد OLS تخمین زد، که باعث می شود ESF-SVC به راحتی در کاربرد واقعی استفاده شود [ 24 ، 25 ، 26 ]. با این وجود، اگر همه بردارهای ویژه در ESF-SVC استفاده شوند، افزایش تعداد متغیرها ممکن است منجر به یک مشکل اضافه برازش شود. در عوض، هنگام انتخاب و اعمال تنها مجموعه‌ای از بردارهای ویژه، ESF-SVC نمی‌تواند مقیاس‌های فضایی داده‌ها را به طور کامل شناسایی کند، زیرا برخی از بردارهای ویژه که حاوی اطلاعات مهم هستند حذف می‌شوند. در حال حاضر موراکامی و همکاران [27] ESF-SVC سنتی را به یک نسخه جلوه تصادفی، یعنی مدل اثرات تصادفی ESF-SVC (RE-ESF-SVC) گسترش داد. مهمترین مزیت RE-ESF-SVC این است که ضرایب بردارهای ویژه را به عنوان متغیرهای تصادفی با توزیع احتمال منحصر به فرد فرض می کند، که باعث می شود RE-ESF-SVC یک مقیاس فضایی متمایز را برای هر ضریب بدون انتخاب بردارهای ویژه تعیین کند. علاوه بر این، موراکامی و گریفیث [ 28 ] یک الگوریتم تخمین سریع را برای کاهش بار محاسباتی محاسبه بردارهای ویژه و تخمین پارامترها پیشنهاد کردند و RE-ESF-SVC را قادر ساختند که بیش از 10000 نقطه داده را مدیریت کند. کاربرد RE-ESF-SVC ممکن است در مراجع [ 29 ، 30 ] دیده شود.
اگرچه بسیاری از مطالعات ناهمگونی فضایی بازار املاک و مستغلات شهری را تاکنون نشان داده اند [ 31 ، 32 ، 33 ، 34 ، 35 ]، مدل امیدوارکننده RE-ESF-SVC در هیچ تحلیل قبلی و بحث اندازه گیری پتانسیل استفاده نشده است. ناهمگونی فضایی چند مقیاسی در فرآیند شکل‌گیری قیمت، به‌ویژه برای مناطق شهری بسیار توسعه‌یافته، مانند توکیو، وجود ندارد. بنابراین، هدف اصلی این مطالعه استفاده از RE-ESF-SVC برای کاوش و توصیف کارآمد ناهمگونی فضایی چند مقیاسی قیمت مسکن شهری، با در نظر گرفتن بازار املاک و مستغلات منطقه شهری توکیو است. این مطالعه توسعه مرجع [ 36]، که به اندازه کافی شکل گیری توزیع فضایی هر عامل مسکن را توضیح نداد. هدف تحقیق ما انجام یک کاوش بیشتر و دقیق تر است.
بر اساس موارد فوق، مشارکت های زیر در ادبیات ایجاد شده است. اول، استفاده از RE-ESF-SVC وجود روابط متغیر فضایی بین ویژگی‌های مسکن و قیمت‌های اجاره را در مقیاس‌های فضایی مختلف تأیید می‌کند. برای مثال، زمان رسیدن به نزدیک‌ترین ایستگاه به صورت محلی بر قیمت‌ها تأثیر می‌گذارد، در حالی که تأثیر سایر ویژگی‌های مسکن که از نظر مکانی متفاوت هستند، در سطح جهانی در منطقه شهری توکیو تغییر می‌کند. دوم، با تجزیه و تحلیل چگونگی مشخص کردن، و اینکه در چه چیزی، ناهمگونی فضایی چند مقیاسی را مشخص کنیم، می‌توانیم فرآیندی را که بازار کنونی املاک و مستغلات را شکل می‌دهد و بیشتر سیاست‌های مرتبط با املاک و مستغلات و برنامه‌ریزی شهری را ارتقا دهیم. در نهایت، مزایای RE-EFS-SVC با مقایسه آن با مدل سنتی ESF-SVC مورد بررسی قرار می گیرد.
ساختار بقیه این مقاله به شرح زیر است: ابتدا، بخش 2 مدل سنتی ESF-SVC و همچنین مدل RE-ESF-SVC را معرفی می کند. بخش 3 منطقه مورد مطالعه و داده های قیمت مسکن را نشان می دهد. بخش 4 نتایج برآورد RE-ESF-SVC را مورد بحث قرار می دهد. بخش 5 مقایسه مدل را خلاصه می کند و بخش 6 این مطالعه را به پایان می رساند.

2. روش ها

2.1. مدل ESF-SVC

ESF-SVC یک رویکرد رگرسیون فضایی است که توسط گریفیث [ 23 ] ارائه شده است. ESF-SVC بر اساس یک آماره تشخیصی خودهمبستگی فضایی به نام ضریب موران (MC) ساخته شده است. برای ن×1بردار zکه مشاهدات را در N مکان ثبت می کند مسیبه صورت زیر فرموله شده است:

مسی=zتی(من-11تی/ن)سی(من-11تی/ن)zzتی(من-11تی/ن)z

جایی که سیهست یک ن×نماتریس وزن فضایی متقارن که نشان دهنده رابطه مجاور بین مشاهدات است. م=من-11تی/نهست یک ن×نماتریس طرح ریزی برای مرکز، جایی که منهست یک ن×نماتریس هویت و 1هست یک ن×1بردار یکها MC میزان خودهمبستگی فضایی را با مقایسه کوواریاسیون بین مقادیر نمونه N درz. بنابراین، MC مثبت نشان دهنده وجود خود همبستگی فضایی مثبت در است zو MC منفی در صورت همبستگی فضایی منفی.

بردارهای ویژه E=[ه1،⋯،هن]از ماتریس وزن فضایی متمرکز تجزیه می شوند مسیم=(من-11تی/ن)سی(من-11تی/ن)، که بخشی از صورت حساب نیز می باشد MC. به طور کلی، فقط بردارهای ویژه با مقادیر ویژه مثبت متناظر در تحلیل ها استفاده می شوند [ 37 ]. گریفیث [ 38 ] همچنین به این نتیجه رسید که هر بردار ویژه هکالگوی نقشه مشخصی از خودهمبستگی فضایی را به تصویر می کشد و مقیاس به مقدار ویژه مربوطه بستگی دارد. برای توضیح بیشتر، بردار ویژه با مقدار ویژه مثبت بزرگتر، خودهمبستگی فضایی مثبت قوی تر را با مقدار MC مثبت بزرگتر توضیح می دهد و الگوی نقشه جهانی تری را نشان می دهد. با کاهش مقدار ویژه، الگوی فضایی بردار ویژه مربوطه نیز محلی می شود.

بر اساس این ویژگی، ESF-SVC ناهمگونی فضایی داده ها را با معرفی اصطلاحات تعامل بین بردارهای ویژه و متغیرهای توضیحی همانطور که در مشخصات زیر نشان داده شده است استخراج می کند:

y=∑ک=1کایکسک∘βکESF+ε،ε∼ن(0،σ2من)،
βکESF=βک1+Eγک

جایی که yهست یک ن×1بردار متغیر پاسخ و ایکسهست یک ن×کماتریسی که شامل یک متغیر ثابت و همه متغیرهای توضیحی است ن×Lماتریس Eاز بردارهای ویژه L تشکیل شده است(L<ن)مطابق با مقادیر ویژه مثبت، “∘” عملگر محصول از نظر عنصر است، βکESFضریب متغیر مکانی k th ( ک=1،…،ک) متغیر توضیحی ایکسک، که در آن βک1مقدار متوسط ​​است و Eγکجزء متغیر مکانی است که تغییرات محلی مقدار متوسط ​​را نشان می دهد. از آنجایی که هر عنصر در γکوزن نسبت داده شده به هر بردار ویژه را تعیین می کند E، با متفاوت γکدر حال برآورد، حاصل Eγکمقیاس متفاوتی از الگوی فضایی را برای هر کدام شرح خواهد داد βکESF، که توسط آن ESF-SVC به ناهمگنی فضایی چند مقیاسی می پردازد.

توجه داشته باشید که استفاده از بسیاری از بردارهای ویژه به طور قابل توجهی تعداد عبارات تعاملی بین بردارهای ویژه و متغیرهای توضیحی را افزایش می دهد و منجر به بیش از حد برازش می شود. برای انتخاب مجموعه کوچکتری از بردارهای ویژه، گریفیث و چون [ 39 ] ابتدا فقط بردارهایی را حفظ می کنند که مقادیر ویژه متناظر آن معیار را برآورده می کند. λ/λمترآایکس>0.25و سپس یک انتخاب متغیر گام به گام انجام دهید. با این حال، انتخاب بردارهای ویژه نشان دهنده ناهمگنی فضایی در مقیاس محلی لازم را حذف می کند. بنابراین، کاهش تعداد بردارهای ویژه منجر به دقت تخمین کمتری می‌شود و ESF-SVC نمی‌تواند ویژگی‌های محلی بحرانی بازار مسکن را شناسایی کند.

2.2. مدل RE-ESF-SVC

برای پرداختن به محدودیت فوق، موراکامی و همکاران. [ 27 ] مدل مرسوم ESF-SVC را با معرفی اثرات تصادفی به عبارات فضایی متفاوت، بهبود بخشید و مدل ESF-SVC (RE-ESF-SVC) را که مشخصات آن به شرح زیر نشان داده شده است به دست آورد:

y=∑ک=1کایکسک∘βکآر-ESF+ε،ε∼ن(0،σ2من)
βکآر-ESF=βک1+Eγک،γک∼ن(0L،σک2Λ(αک))

جایی که βکآر-ESFهست یک ن×1بردار ضرایب متغیر مکانی در رابطه با k امین متغیر توضیحی ایکسکو Eاز بردارهای ویژه L با مقادیر ویژه مثبت متناظر تشکیل شده است. علاوه بر این، ضریب γکیک متغیر تصادفی با میانگین صفر و Λ(αک)هست یک L×Lماتریس مورب با ورودی lλل(αک)=(∑لλل/∑لλلαک)λلαک، جایی که λلمقدار ویژه مربوط به l امین بردار ویژه است هل. σک2و αکپارامترهایی هستند که واریانس و مقیاس را تعیین می کنند Eγک، به ترتیب.

مدل RE-ESF-SVC یک مدل مختلط خطی با ضریب اثر ثابت است βکو ضریب اثر تصادفی γکبا روش حداکثر درستنمایی محدود شده [ 27 و 40 ] برآورد شده است. هزینه محاسباتی تجزیه ویژه و به حداکثر رساندن احتمال محدود به اندازه نمونه بستگی دارد، که با گنجاندن داده های بیشتر به سرعت افزایش می یابد. با توجه به مرجع [ 28 ]، انتظار می‌رود که یک تقریب تابع ویژه بر اساس پسوند Nystrom، فرآیند تجزیه ویژه را تسریع کند، و یک الگوریتم تخمین پارامتر سریع که عملیات ماتریس را کاهش می‌دهد برای کوتاه‌تر کردن بیشتر زمان محاسبه اعمال می‌شود.
در مقایسه با ESF-SVC، که یک مدل اثر ثابت است، RE-ESF-SVC رفتار می کند. γکبه عنوان یک ضریب اثر تصادفی، که RE-ESF-SVC را انعطاف پذیرتر می کند. پارامتر مقیاس αکمقیاس فضایی تغییرات مکانی در ضریب رگرسیون k را کنترل می کندβکآر-ESF. برای توضیح بیشتر، بزرگ γکضرایب بردارهای ویژه با مقادیر ویژه کوچک (الگوی فضایی در مقیاس محلی) را به شدت به سمت 0 کاهش می دهد و همزمان تأثیر بردارهای ویژه با مقادیر ویژه بزرگ (الگوی فضایی در مقیاس جهانی) را تشدید می کند. بنابراین، در نتیجه Eγکیک الگوی نقشه جهانی را برای βکآر-ESF. برعکس، Eγکیک الگوی نقشه محلی با یک کوچک ارائه می دهد αک. با تخمین متفاوت αکبرای هر βکآر-ESFRE-ESF-SVC می تواند به طور خودکار اثر بردارهای ویژه را برای تعیین کمیت مقیاس های مختلف ناهمگونی فضایی بدون انتخاب متغیر اضافی تنظیم کند. بنابراین، RE-ESF-SVC یک مدل انعطاف پذیر است که می تواند بر محدودیت های ESF-SVC غلبه کند. برای نشان دادن بیشتر این موضوع، ESF-SVC و RE-ESF-SVC را در برنامه زیر مقایسه خواهیم کرد.

3. منطقه مطالعه و داده ها

3.1. داده های منطقه مطالعه و مسکن اجاره ای

این مطالعه بر روی منطقه شهری توکیو متمرکز است که به عنوان مرکز سیاسی و اقتصادی ژاپن و یکی از توسعه یافته ترین مناطق شهری جهان شناخته می شود. منطقه شهری توکیو متشکل از 23 شهرداری (بخش، ” کتو” به ژاپنی) با مساحت کل حدود 619 کیلومتر 2. کل جمعیت قابل توجهی که حدود 9.572 میلیون نفر است، تقاضای قابل توجهی را برای بازار املاک و مستغلات تضمین می کند و ویژگی های منطقه ای متمایز هر بخش باعث ناهمگونی فضایی احتمالی در قیمت مسکن می شود.
ما از داده‌های قیمت آپارتمان اجاره‌ای در کلانشهر توکیو برای سال 2017 استفاده می‌کنیم که توسط At Home Co., Ltd. (توکیو، ژاپن) جمع‌آوری شده است. آپارتمان‌های اجاره‌ای برای این مطالعه مناسب هستند زیرا حجم نمونه بزرگ و توزیع فضایی گسترده داده‌های مبادله برای منعکس کردن ویژگی‌های کلی بازار و کاهش خطای تخمین مفید است. ما آپارتمان های بالای 14 طبقه را حذف کردیم زیرا استراتژی قیمت گذاری آپارتمان های بلند مرتبه با آپارتمان های کم متراژ متفاوت است. ما همچنین آپارتمان های ساخته شده قبل از سال 1981 را حذف کردیم زیرا استانداردهای قدیمی طراحی لرزه ای ساختمان ها پس از سال 1981 قابل اجرا نیست. در نتیجه، مجموعه داده شامل 72466 مشاهدات با مختصات جغرافیایی و مشخصات دقیق مسکونی است. شکل 1منطقه مورد مطالعه و توزیع فضایی داده های اجاره آپارتمان را نشان می دهد.

3.2. متغیرها

جدول 1 خلاصه آمار متغیرها را نشان می دهد. با توجه به مشخصات مورد استفاده در مدل لذت‌گرای سنتی، متغیر وابسته در این تحقیق، لگاریتم طبیعی اجاره بهای هر متر مربع است و متغیرهای توضیحی شامل ویژگی‌های ساختاری و مکانی می‌باشند.
به طور خاص، ویژگی های ساختاری عبارتند از سن آپارتمان، اندازه آپارتمان، و تعداد طبقه. سن آپارتمان معمولاً به دلیل استهلاک ملک در طول زمان تأثیر منفی بر اجاره بهای هر متر مربع دارد، در حالی که معمولاً انتظار می‌رود که تعداد طبقات تأثیر مثبتی داشته باشد زیرا طبقات بالاتر آرام‌تر در نظر گرفته می‌شوند و دید بهتری دارند. علاوه بر این، ویژگی های مکان شامل زمان رسیدن به نزدیکترین ایستگاه و دسترسی به ایستگاه های اصلی است. به طور خاص، دسترسی به ایستگاه های اصلی به عنوان میانگین زمان رفت و آمد از نزدیکترین ایستگاه هر خانه به پنج ایستگاه اصلی، از جمله توکیو، شیناگاوا، شیبویا، شینجوکو و ایستگاه ایکبوکورو که در بخش مرکزی کلانشهر توکیو قرار دارند، تعریف می شود. حوزه. چون زمان رفت و آمد با بدتر شدن شرایط ترافیکی افزایش می یابد، هر دوی این ویژگی های مکانی باید بر قیمت مسکن اجاره ای تأثیر منفی بگذارد. همه متغیرهای توضیحی فوق به صورت لگاریتمی تغییر شکل داده اند تا تأثیر توزیع اریب بر تخمین را کاهش دهند.

4. نتایج RE-ESF-SVC

این مطالعه ابتدا نتایج تخمین به دست آمده از مدل RE-ESF-SVC را بررسی کرد. برآوردها و توزیع ضرایب این واقعیت را نشان داد که برخی از ویژگی‌های مسکن بر قیمت‌ها در مقیاس‌های فضایی مختلف تأثیر می‌گذارد، که اهمیت در نظر گرفتن ناهمگونی فضایی چند مقیاسی بازار املاک و مستغلات منطقه شهری توکیو را برجسته می‌کند.

ما بردارهای ویژه را از ماتریس وزن فضایی متمرکز استخراج کردیم مسیم. این (من،j)عنصر ام ماتریس سیبر اساس تابع واپاشی فاصله نمایی زیر محاسبه می شود:

جمن،j=انقضا(-دمن،j/r)،اگرمن≠j0،در غیر این صورت

جایی که دمن،jفاصله اقلیدسی بین مکان های مشاهده i و j است. به دنبال مراجع [ 27 ، 41 ]، پارامتر دامنه r را به عنوان طولانی ترین فاصله در حداقل درخت پوشا که همه نقاط نمونه را به هم متصل می کند، ثابت کردیم. با استفاده از روش تجزیه ویژه سریع [ 28 ]، 200 بردار ویژه مربوط به مقادیر ویژه مثبت استخراج و در RE-ESF-SVC اعمال شد. بسته “spmoran” در R [ 42 ] برای تخمین پارامترهای RE-ESF-SVC استفاده شد.

4.1. خلاصه برآوردها

جدول 2 ضرایب تخمینی و اطلاعات تشخیصی RE-ESF-SVC را خلاصه می کند. تنظیم شده آر2نشان می دهد که متغیرهای توضیحی می توانند 81.6٪ از تغییرات قیمت های اجاره ثبت شده را در زمینه RE-ESF-SVC توضیح دهند. با ضریب موران (005/0) همبستگی باقیمانده قابل توجهی مشاهده نشد.
همانطور که در جدول 2 نشان داده شده است ، ضرایب تعداد طبقات ثابت تخمین زده شد که نشان دهنده عدم تغییرات مکانی قابل توجه در این ویژگی در منطقه مورد مطالعه است. برآورد صفر از σک2تأیید می کند که تأثیر تعداد طبقات بر قیمت اجاره ثابت است. برعکس، ضرایب همه ویژگی‌های دیگر در مقیاس‌های فضایی مختلف متفاوت هستند، و هر یک دارای مثبت مجزا هستند. αکارزش. این نتیجه تأیید می‌کند که تخمین متوسط ​​توسط مدل سنتی قیمت لذت‌گرا ممکن است ناقص باشد. در میان ویژگی‌های با ضرایب متغیر مکانی، سن آپارتمان با قیمت‌های اجاره در سراسر منطقه مورد مطالعه ارتباط منفی دارد. با توجه به دو متغیر دارای ویژگی‌های مکانی، اگرچه برآورد آن‌ها هم اثرات منفی و هم مثبت را بر اجاره بهای هر متر مربع نشان می‌دهد، اما این مقادیر مثبت در 95%سطح اطمینان جالب است که متراژ آپارتمان هم اثرات منفی و هم مثبت قابل توجهی را بر قیمت ها نشان می دهد. نتایج فوق شواهد قوی ای را ارائه می دهد که مدل ناهمگونی فضایی چند مقیاسی در بازار املاک و مستغلات منطقه شهری توکیو قابل چشم پوشی نیست.

4.2. توزیع ضرایب

شکل 2 چهار ضریب متغیر مکانی را به تصویر می کشد. توجه داریم که فقط نمونه هایی که برآورد ضرایب آنها از نظر آماری معنی دار است 95%سطح اطمینان رنگی هستند.
در شکل 2 الف، می بینیم که با افزایش زمان از ملک تا نزدیکترین ایستگاه، اجاره بهای هر متر مربع کاهش می یابد که در کل منطقه قابل اجرا است. این تأثیر منفی یک الگوی فضایی نسبتاً محلی را به دلیل کوچک بودن ارائه می دهد αکمقدار (0.424). از شکل 2 ب، در مقایسه با زمان تا نزدیکترین ایستگاه، ضرایب مربوط به دسترسی به ایستگاه های اصلی در مقیاس جهانی به دلیل بزرگ بودن تغییر می کند. αکارزش (1.542). برآوردها به طور شهودی معقول هستند زیرا این دو ویژگی معمولاً از معیارهای محلی و جهانی برای منعکس کردن دسترسی ترافیک استفاده می شوند. اگرچه دسترسی به ایستگاه های اصلی رشد قیمت مسکن اجاره ای را در کلان شهر توکیو تشویق می کند، مقادیر منفی قابل توجهی عمدتاً در حومه شمال شرقی و جنوب غربی قرار دارند، جایی که استفاده از زمین عمدتاً برای مقاصد مسکونی و صنعتی است. در مقابل، تأثیر در مرکز توکیو، که دارای تمرکز بالایی از امکانات عمومی، سیاسی و تجاری در فاصله کوتاهی است، کمتر مشخص است. بنابراین، راحتی بالای زندگی و تنوع تقاضا، تاثیر زمان رفت و آمد بر قیمت مسکن اجاره ای را کاهش می دهد.
شکل 2 c یک تغییر فضایی در مقیاس جهانی از ضرایب مربوط به اندازه آپارتمان را نشان می دهد. اثرات منفی در اطراف منطقه مورد مطالعه به ویژه در سه بخش شمال شرقی مشاهده می شود. برعکس، تأثیرات مثبت را می توان در بخش Minato یافت، جایی که افزایش اندازه آپارتمان باعث افزایش اجاره بهای هر متر مربع شد. به نظر می رسد این نتیجه برخلاف انتظار ما باشد، اما زمانی که ویژگی های منطقه ای در نظر گرفته شود، منطقی است. بخش میناتو به عنوان یکی از مجلل ترین مناطق توکیو، جایی است که اکثر فعالیت های تجاری و دیپلماتیک در آن متمرکز است. بسیاری از اقامتگاه‌های فوق‌العاده پریمیوم، که ارزش‌گذاری قیمت آنها با آپارتمان‌های دیگر متفاوت است، در آنجا واقع شده‌اند که منجر به افزایش اجاره بها با افزایش اندازه ملک می‌شود.
در نهایت، سن آپارتمان از نظر آماری در کل منطقه مورد مطالعه معنادار است. اگرچه بزرگ αکمقدار (1.309) یک ناهمگونی فضایی در مقیاس جهانی از سن آپارتمان را نشان می دهد. σک2مقدار (001/0) نشان می‌دهد که تأثیرات منفی آن به شدت متغیرهای دیگر تغییر نمی‌کند، در نتیجه یک الگوی نقشه نسبتاً هموار نشان داده شده در شکل 2 د.

5. مقایسه مدل

همانطور که در بخش 2 ذکر شد ، در مقایسه با ESF-SVC، RE-ESF-SVC می‌تواند ناهمگونی فضایی چند مقیاسی را با انعطاف‌پذیری بیشتری تحلیل کند و در عین حال دقت بالایی را حفظ کند. این بخش مزایای RE-ESF-SVC را با مقایسه این دو مدل بررسی می کند. دو مدل ESF-SVC با RE-ESF-SVC مقایسه می شوند. اولین مورد از همان 200 بردار ویژه (که از این پس به عنوان ESF-SVC کامل نامیده می شود) به عنوان RE-ESF-SVC استفاده می کند. دیگری فقط از 14 بردار ویژه استفاده می کند که مقادیر ویژه متناظر آنها فراتر از آستانه است. λ/λمترآایکس>0.25(از این پس ESF-SVC انتخاب شده نامیده می شود).
همانطور که در جدول 3 نشان داده شده است ، که تخمین های دو مدل ESF-SVC را خلاصه می کند، تمام ویژگی های مسکن به لحاظ مکانی اثرات متفاوتی بر قیمت ها تخمین زده شد. در مقابل، RE-ESF-SVC می تواند اثر ثابت شماره طبقه را شناسایی کند و مقیاس متمایز تغییرات مکانی را برای سایر ضرایب متغیر فضایی از طریق پارامتر تعیین کند. αک( جدول 2 را ببینید ). تنظیم شده آر2مقدار ESF-SVC کامل مانند RE-ESF-SVC است، اما BIC پایین RE-ESF-SVC نشان دهنده افزونگی اطلاعات کمتر و عملکرد تعمیم بهتر است، که برای برنامه های کاربردی به داده های دیگر حیاتی است. علاوه بر این، در بین سه مدل، ESF-SVC انتخاب شده کمترین تنظیم را دارد آر2مقدار و بالاترین خطای استاندارد باقیمانده، نشان می دهد که انتخاب بردارهای ویژه در مدل ESF-SVC منجر به کاهش توان توضیحی و دقت تخمین می شود.
برای اهداف توضیحی، با در نظر گرفتن ضریب سن آپارتمان به عنوان مثال، شکل 3تخمین های ارائه شده توسط مدل های RE-ESF-SVC و ESF-SVC را تجسم می کند. وقتی همه بردارهای ویژه به ESF-SVC کامل وارد شدند، تغییرات فضایی محلی غیرضروری که توسط برخی بردارهای ویژه با مقادیر ویژه کوچک نشان داده می‌شوند، اضافی هستند، که منجر به یک الگوی فضایی بیش از حد موضعی می‌شود که تفسیر آن سخت است. در عوض، حذف مستقیم همه بردارهای ویژه با مقادیر ویژه کوچک از طریق انتخاب، اطلاعات محلی لازم را از دست می دهد، بنابراین نتیجه ESF-SVC انتخاب شده یک الگوی نقشه بسیار صاف را نشان می دهد که تقریباً هیچ گونه تغییر مکانی را نمی توان مشاهده کرد. در مقابل، RE-ESF-SVC می تواند تعادل خوبی بین تغییرات فضایی جهانی و محلی پیدا کند. اگرچه همه بردارهای ویژه استفاده شد، RE-ESF-SVC بردارهای ویژه مناسب را برای متغیر تنظیم کرد تا ناهمگنی فضایی متمایز آن را نشان دهد. منجر به یک الگوی نقشه قابل درک می شود که در آن تأثیرات منفی در مقیاس جهانی در منطقه اطراف بیشتر از منطقه مرکزی مشهود است. مقایسه فوق انعطاف پذیری و دقت بالاتر RE-ESF-SVC را تایید می کند.

6. نتیجه گیری

علاقه فزاینده ای به مطالعات املاک و مستغلات و برنامه ریزی شهری برای بررسی رابطه بین قیمت مسکن و ویژگی های مسکن مرتبط وجود دارد. با این حال، این توجه فزاینده با در نظر گرفتن محدود مقیاس‌های چندگانه ناهمگونی فضایی در داده‌ها ناتوان است. در این مطالعه، ما داده‌ها را در مورد 72466 آپارتمان اجاره‌ای در منطقه شهری توکیو جمع‌آوری کردیم و از مدل RE-ESF-SVC برای تجزیه و تحلیل چگونگی ارتباط ویژگی‌های مختلف مسکن با قیمت‌ها در مقیاس‌های فضایی مختلف استفاده کردیم. نتایج تجزیه و تحلیل ما را به یافته های زیر هدایت می کند.
ابتدا، لازم است مقیاس های متعددی از ناهمگونی فضایی در بازار املاک و مستغلات منطقه شهری توکیو در نظر گرفته شود. ترجیحات متفاوت مشتری و ویژگی های منطقه ای متمایز هر بخش منجر به روابط متفاوت بین قیمت ها و ویژگی های مرتبط می شود. RE-ESF-SVC می تواند این روابط ناسازگار را با اجازه دادن به ضرایب برای تغییر بر اساس مکان استخراج کند. با توجه به تخمین‌ها و توزیع‌های ضرایب RE-ESF-SVC، زمان رسیدن به نزدیک‌ترین ایستگاه بر قیمت‌ها به صورت محلی تأثیر منفی می‌گذارد، در حالی که دسترسی به ایستگاه‌های اصلی، سن آپارتمان و اندازه آپارتمان تأثیرات در مقیاس جهانی دارد. مقیاس‌های فضایی مختلف با مقادیر تخمینی مختلف کمیت می‌شوند αک.
دوم، مقایسه با مدل سنتی ESF-SVC، که اثرات تصادفی ندارد، نشان می دهد که RE-ESF-SVC انعطاف پذیرتر و موثرتر است. ما مدل RE-ESF-SVC را با دو مدل ESF-SVC مقایسه کردیم، یکی با استفاده از همان تعداد بردار ویژه به عنوان RE-ESF-SVC و دیگری با استفاده از مجموعه ای انتخاب شده از بردارهای ویژه. بالاترین تنظیم شده آر2و کمترین مقدار BIC RE-ESF-SVC نشان می دهد که RE-ESF-SVC از نظر آماری بهتر از ESF-SVC عمل می کند. علاوه بر این، RE-ESF-SVC ضرایب بردارهای ویژه را به عنوان متغیرهای تصادفی در نظر می گیرد که هر کدام توزیع امکان خاص خود را دارند. این به RE-ESF-SVC اجازه می دهد تا بردارهای ویژه را به طور خودکار تنظیم کند تا یک مقیاس فضایی متمایز برای هر ضریب متغیر مکانی را بدون انتخاب متغیر قبلی، که برای ESF-SVC ضروری است، تعیین کند، که منجر به الگوهای فضایی قابل تفسیر و تخمین دقیق تر می شود.
سوم، ما تلاش کردیم تا کاربرد RE-ESF-SVC را در یک تحلیل فضایی ارائه کنیم. RE-ESF-SVC یک روش جدید است که کاربرد آن هنوز محدود است، به ویژه در تحلیل املاک و مستغلات شهری. RE-ESF-SVC مزایای خود را با مدیریت کارآمد مقادیر زیادی از داده ها و شناسایی انعطاف پذیر ناهمگونی فضایی داده ها دارد که امکان استفاده از RE-ESF-SVC را در زمینه های گسترده تر مانند محیط زیست و حمل و نقل فراهم می کند. ما معتقدیم که یافته های ما می تواند به عنوان الهام بخش برای مطالعات بیشتر باشد.
با این حال، محدودیت هایی برای این تحقیق وجود دارد. متغیرهای توضیحی مدل‌ها به دلیل محدودیت‌های جمع‌آوری داده‌ها، تنها از پنج عامل ساختاری و مکانی تشکیل شده‌اند. پیشنهاد می‌شود بررسی شود که چگونه عوامل همسایگی، مانند تنوع کاربری زمین، توزیع خدمات عمومی، و تمرکز مردم، همزمان بر قیمت‌های اجاره تأثیر می‌گذارند. این عوامل به طور فزاینده ای در بافت شهرهای قابل زندگی و جذاب تأثیرگذار می شوند. بنابراین، ما امیدواریم که شاخص های مکمل را برای توضیح کلی تر از تغییر فضایی در بازار املاک شهری در آینده ترکیب کنیم. علاوه بر این، ما توجه می کنیم که ناهمگونی فضایی در بازار املاک و مستغلات می تواند در مقیاس فضایی گسسته عمل کند. مثلا، تغییرات قیمت قابل توجهی ممکن است در مناطق محلی خاص با مرزهای کاملاً مشخص مانند منطقه با نام تجاری، منطقه مدرسه معتبر و اطراف ایستگاه های اصلی رخ دهد. کار آینده به طور همزمان بر بررسی ناهمگونی فضایی گسسته متمرکز خواهد شد.

منابع

  1. کمپبل، جی. Cocco, JF چگونه قیمت خانه بر مصرف تأثیر می گذارد؟ شواهد از داده های خرد جی. مونه. اقتصاد 2007 ، 54 ، 591-621. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  2. کیشور، NK; مرفتیا، HA رابطه پویا بین قیمت مسکن و اقتصاد کلان: شواهدی از کشورهای OECD. جی. امور مالی املاک و مستغلات. اقتصاد 2017 ، 54 ، 237-268. [ Google Scholar ] [ CrossRef ]
  3. آنیلو، ال. کاسترو، وی. سوزا، RM فعالیت اقتصادی، شرایط بازار اعتبار، و بازار مسکن. اقتصاد کلان. دین 2018 ، 22 ، 1769-1789. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  4. Kuethe، TH; Pede، VO چرخه‌های قیمت مسکن منطقه‌ای: تحلیل مکانی-زمانی با استفاده از داده‌های سطح ایالت ایالات متحده. Reg. گل میخ. 2011 ، 45 ، 563-574. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  5. چمبروفسکی، پ. کروننبرگ، جی. قیمت‌گذاری لذت‌گرا و انواع و اندازه‌های مختلف فضای سبز شهری: دیدگاه‌هایی در مورد بحث در مورد ارزش‌گذاری خدمات اکوسیستم. Landsc. طرح شهری. 2016 ، 146 ، 11-19. [ Google Scholar ] [ CrossRef ]
  6. بلکه، ا. کیل، جی. عوامل اساسی تعیین کننده قیمت املاک: مطالعه پانل مناطق آلمان. بین المللی Adv. اقتصاد Res. 2018 ، 24 ، 25-45. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  7. یوان، اف. وی، وای. Wu, J. اثرات رفاهی تسهیلات شهری بر قیمت مسکن در چین: دسترسی، کمبود و فضاهای شهری. Cities 2020 , 96 , 102433. [ Google Scholar ] [ CrossRef ]
  8. لنکستر، کی جی رویکردی جدید به نظریه مصرف کننده. ج. اقتصاد سیاسی. 1966 ، 74 ، 132-157. [ Google Scholar ] [ CrossRef ]
  9. روزن، اس. قیمت لذت‌بخش و بازارهای ضمنی: تمایز محصول در رقابت خالص. ج. اقتصاد سیاسی. 1974 ، 82 ، 34-55. [ Google Scholar ] [ CrossRef ]
  10. Anselin, L. چه چیزی در مورد داده های مکانی خاص است؟ دیدگاه های جایگزین در تجزیه و تحلیل داده های مکانی ; گزارش فنی 89-4; UC سانتا باربارا: مرکز ملی اطلاعات جغرافیایی و تجزیه و تحلیل: سانتا باربارا، کالیفرنیا، ایالات متحده آمریکا، 1989. [ Google Scholar ]
  11. Tobler, WR یک فیلم کامپیوتری شبیه سازی رشد شهری در منطقه دیترویت. اقتصاد Geogr. 1970 ، 46 ، 234-240. [ Google Scholar ] [ CrossRef ]
  12. شپرد، اس. تجزیه و تحلیل لذت بخش از بازار مسکن. در کتابچه راهنمای اقتصاد منطقه ای و شهری ، ویرایش اول. Cheshire، PC، Mills، ES، Eds. الزویر: آمستردام، هلند، 1999; جلد 3، فصل 41; صفحات 1595-1635. [ Google Scholar ] [ CrossRef ]
  13. مک میلن، DP; Redfearn، CL برآورد و آزمون فرضیه برای توابع غیرپارامتری قیمت خانه لذت‌بخش. J. Reg. علمی 2010 ، 50 ، 712-733. [ Google Scholar ] [ CrossRef ]
  14. پان، ی. راث، ا. یو، ز. Doluschitz, R. تاثیر تنوع در مقیاس بر رفتار اتوماتای ​​سلولی مورد استفاده برای مدل‌سازی تغییر کاربری زمین. محاسبه کنید. محیط زیست سیستم شهری 2010 ، 34 ، 400-408. [ Google Scholar ] [ CrossRef ]
  15. جانگ، م. تأثیرات دسترسی و نزدیکی خرده فروشی کانگ، سی دی بر قیمت مسکن در سئول، کره: نوع خرده فروشی و رویکرد بازار فرعی مسکن. Habitat Int. 2015 ، 49 ، 516-528. [ Google Scholar ] [ CrossRef ]
  16. موراکامی، دی. لو، بی. هریس، پی. براندون، سی. چارلتون، ام. ناکایا، تی. گریفیث، DA اهمیت مقیاس در مدل‌سازی ضرایب متغیر فضایی. ان صبح. دانشیار Geogr. 2019 ، 109 ، 50-70. [ Google Scholar ] [ CrossRef ]
  17. Fotheringham، AS; یانگ، دبلیو. کانگ، دبلیو. رگرسیون جغرافیایی وزن دار چند مقیاسی (MGWR). ان صبح. دانشیار Geogr. 2017 ، 107 ، 1247-1265. [ Google Scholar ] [ CrossRef ]
  18. وو، سی. رن، اف. هو، دبلیو. Du، Q. رگرسیون وزن‌دار جغرافیایی و زمانی چند مقیاسی: بررسی عوامل تعیین‌کننده مکانی-زمانی قیمت مسکن. بین المللی جی. جئوگر. Inf. علمی 2019 ، 33 ، 489-511. [ Google Scholar ] [ CrossRef ]
  19. Fotheringham، AS; یو، اچ. لی، زی. بررسی تأثیرات کیفیت هوا در شهرهای چین با استفاده از رگرسیون وزن‌دار جغرافیایی چند مقیاسی. ترانس. GIS 2019 ، 23 ، 1444-1464. [ Google Scholar ] [ CrossRef ]
  20. مولالو، ع. واحدی، ب. Rivera، مدل‌سازی فضایی مبتنی بر KM GIS نرخ بروز COVID-19 در قاره ایالات متحده. علمی کل محیط. 2020 , 728 , 138884. [ Google Scholar ] [ CrossRef ]
  21. گلفاند، AE; کیم، اچ جی; سیرمنز، سی. Banerjee, S. مدلسازی فضایی با فرآیندهای ضریب متغیر مکانی. مربا. آمار دانشیار 2003 ، 98 ، 387-396. [ Google Scholar ] [ CrossRef ]
  22. Finley، AO مقایسه مدل‌های ضرایب متغیر مکانی برای تجزیه و تحلیل داده‌های اکولوژیکی با وابستگی باقیمانده غیر ثابت و ناهمسانگرد. روش ها Ecol. تکامل. 2011 ، 2 ، 143-154. [ Google Scholar ] [ CrossRef ]
  23. گریفیث، DA مشارکت‌های مبتنی بر فیلتر فضایی در نقد رگرسیون وزن‌دار جغرافیایی (GWR). محیط زیست طرح. A 2008 , 40 , 2751-2769. [ Google Scholar ] [ CrossRef ]
  24. پاتولی، آر. شانه، ن. گریفیث، دی. Nijkamp، P. تداوم بیکاری منطقه ای: استفاده از یک رویکرد فیلتر فضایی برای بازارهای کار محلی در آلمان. J. Reg. علمی 2012 ، 52 ، 300-323. [ Google Scholar ] [ CrossRef ]
  25. هلبیچ، ام. گریفیث، DA مدل‌های ضریب متغیر فضایی در املاک و مستغلات: فیلتر فضایی بردار ویژه و رویکردهای جایگزین. محاسبه کنید. محیط زیست سیستم شهری 2016 ، 57 ، 1-11. [ Google Scholar ] [ CrossRef ]
  26. مک کورد، ام جی؛ مک کورد، جی. دیویس، PT; هاران، م. Bidanset، P. برآورد قیمت خانه با استفاده از رویکرد فیلتر فضایی بردار ویژه. بین المللی جی. هاوس. علامت. مقعدی 2019 ، 13 ، 845-867. [ Google Scholar ] [ CrossRef ]
  27. موراکامی، دی. یوشیدا، تی. سیا، ح. گریفیث، دی. یاماگاتا، ی. رویکرد اثرات مختلط مبتنی بر ضریب موران برای بررسی روابط متغیر فضایی. تف کردن آمار 2017 ، 19 ، 68-89. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  28. موراکامی، دی. گریفیث، DA مدل‌سازی ضریب متغیر فضایی برای مجموعه داده‌های بزرگ: حذف N از رگرسیون‌های فضایی. تف کردن آمار 2019 ، 30 ، 39–64. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  29. یو، دی. موراکامی، دی. ژانگ، ی. وو، ایکس. لی، دی. وانگ، ایکس. لی، جی. بررسی حمایت از ساخت و ساز راه آهن پرسرعت از توسعه منطقه ای در سطح شهرستان در چین: تجزیه و تحلیل داده های پانل فیلتر فضایی مبتنی بر بردار ویژه. ترانسپ Res. روش قسمت B. 2020 ، 133 ، 21-37. [ Google Scholar ] [ CrossRef ]
  30. یانگ، اف. لی، ک. جین، م. Shi, W. آیا تعمیق مالی ناهمگونی فضایی PM2 را هدایت می کند؟ 5 غلظت در چین؟ شواهد جدید از رویکرد فیلتر فضایی بردار ویژه جی. پاک. تولید 2021 ، 291 ، 125945. [ Google Scholar ] [ CrossRef ]
  31. هلبیچ، ام. برونوئر، دبلیو. واز، ای. Nijkamp، P. ناهمگونی فضایی در مدل های قیمت خانه لذت بخش: مورد اتریش. مطالعه شهری. 2014 ، 51 ، 390-411. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  32. لی، اچ. وی، وای. یو، ز. تیان، جی. امکانات رفاهی، دسترسی و ارزش های مسکن در کلان شهر ایالات متحده: مطالعه ای در شهرستان سالت لیک، یوتا. شهرها 2016 ، 59 ، 113-125. [ Google Scholar ] [ CrossRef ]
  33. ون، اچ. جین، ی. ژانگ، L. ناهمگونی فضایی در قیمت های ضمنی مسکن: شواهدی از هانگژو، چین. بین المللی جی. استراتژی. پروپ. 2017 ، 21 ، 15-28. [ Google Scholar ] [ CrossRef ]
  34. اینو، آر. ایشیاما، آر. Sugiura، A. شناسایی تفاوت های محلی با fused-MCP: مطالعه موردی بازار اجاره آپارتمان در تشخیص تقسیم بندی جغرافیایی. Jpn. J. Stat. اطلاعات علمی 2020 ، 3 ، 183-214. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  35. اینو، آر. ایشیاما، آر. سوگیورا، الف. شناسایی تقسیم بندی جغرافیایی بازار مسکن اجاره ای در منطقه شهری توکیو توسط کمند ذوب شده تعمیم یافته. J. Jpn. Soc. مدنی مهندس سر. D3 (Infrastruct. Plan. Manag.) 2020 ، 76 ، 251-263. [ Google Scholar ] [ CrossRef ]
  36. پنگ، ز. Inoue, R. مشخص کردن ناهمگونی فضایی چند مقیاسی در بازار مسکن اجاره: مورد منطقه شهری توکیو. In Proceedings of the GIScience 2021 Short Paper Proceedings، Poznań، لهستان، 27-30 سپتامبر 2021. [ Google Scholar ]
  37. گریفیث، DA خود همبستگی فضایی و توابع ویژه ماتریس وزن های جغرافیایی همراه با داده های جغرافیایی ارجاع شده. می توان. Geogr./Le Géogr. می توان. 1996 ، 40 ، 351-367. [ Google Scholar ] [ CrossRef ]
  38. گریفیث، DA خودهمبستگی فضایی و فیلتر فضایی. کسب درک از طریق تئوری و تجسم ; Springer: Berlin/Heidelberg, Germany, 2003. [ Google Scholar ] [ CrossRef ]
  39. گریفیث، دی. Chun, Y. خودهمبستگی فضایی و فیلتر فضایی بردار ویژه. در کتابچه راهنمای علوم منطقه ای ; Springer: برلین/هایدلبرگ، آلمان، 2014; ص 1477-1507. [ Google Scholar ] [ CrossRef ]
  40. بیتس، دی. ماچلر، ام. بولکر، بی. واکر، اس. برازش مدل‌های خطی با جلوه‌های ترکیبی با استفاده از lme4. J. Stat. نرم افزار 2015 ، 67 ، 1-48. [ Google Scholar ] [ CrossRef ]
  41. درای، اس. لژاندر، پ. Peres-Neto، PR مدل‌سازی فضایی: چارچوبی جامع برای تحلیل مختصات اصلی ماتریس‌های همسایه (PCNM). Ecol. مدل. 2006 ، 196 ، 483-493. [ Google Scholar ] [ CrossRef ]
  42. موراکامی، دی. اسپموران: مدل‌های رگرسیون فضایی مبتنی بر بردار ویژه موران. بسته R نسخه 0.2.2.2. 2022. در دسترس آنلاین: https://CRAN.R-project.org/package=spmoran (در 18 مارس 2022 قابل دسترسی است).
  43. پنگ، ز. داده‌های اجاره منطقه شهری اینو، R. توکیو. مندلی داده; V1. 2022. در دسترس آنلاین: https://data.mendeley.com/datasets/fjtbpb628j/1 (در 18 مارس 2022 قابل دسترسی است).
Ijgi 11 00283 g001 550
شکل 1. منطقه مورد مطالعه و توزیع داده های اجاره آپارتمان.
Ijgi 11 00283 g002 550
شکل 2. توزیع ضرایب متغیر مکانی برآورد شده توسط RE-ESF-SVC. ( الف ) زمان رسیدن به نزدیکترین ایستگاه. ( ب ) دسترسی به ایستگاه های اصلی. ( ج ) اندازه آپارتمان. ( د ) سن آپارتمان.
Ijgi 11 00283 g003 550
شکل 3. توزیع ضریب برای سن آپارتمان برآورد شده توسط RE-ESF-SVC و ESF-SVC. ( الف ) RE-ESF-SVC. ( ب ) ESF-SVC کامل. ( ج ) ESF-SVC انتخاب شده.

مقالات داخلی و بین المللی

مطالب مرتبط ...

بدون دیدگاه

دیدگاهتان را بنویسید