نوع مقاله: مقاله پژوهشی

نویسندگان

1 استادیار و عضو هیئت علمی جغرافیاو برنامه‌ریزی شهری، دانشگاه تبریز

2 کارشناس ارشد جغرافیا و برنامه‌ریزی شهری، دانشگاه تبریز

چکیده

مسکن به‌عنوان یک کالای ناهمگن، بادوام، غیر‌منقول، سرمایه‌ای و مصرفی با پیامدهای جانبی، سهم زیادی از بودجة خانوارها را به خود اختصاص می‌دهد و همچنین نقش زیادی در اشتغال و ارزش افزودة کشورها دارد؛ بنابراین، تعیین و برآورد قیمت مسکن برای برنامه‌ریزان و تصمیم‌گیران، از اهمیت بسیار بالایی برخوردار است. این برآورد به‌ویژه اگر بتواند سهم عوامل تأثیر‌گذار در ارزش مسکن را به خوبی منعکس کند، می‌تواند در سیاست‌گذاری‌های شهری و منطقه‌ای مورد استفاده قرار گیرد. با توجه به اهمیت مسئله، تحقیق حاضر قصد دارد تا به بررسی عوامل تأثیر‌گذار در تعیین قیمت مسکن و برآورد قیمت مسکن شهری در کوی ولیعصر تبریز بپردازد. اغلب از روش تابع هدانیک و شبکه‌های عصبی مصنوعی به‌عنوان روش‌های رگرسیون چند متغیّره به‌منظور برآورد قیمت مسکن استفاده می‌شود. برای فراهم‌سازی متغیّرهای اثر‌گذار در قیمت مسکن، از روش دلفی بهره گرفته شد. داده‌ها نیز از طریق پیمایش و پرسشگری جمع‌آوری شدند. یافته‌ها میزان و ضریب اهمیت هر‌کدام از متغیّرها را در تابع هدانیک نشان می‌دهد. طبق یافته‌ها، نتایج تابع هدانیک در مقایسه با شبکۀ عصبی مصنوعی از دقت کمتری در برآورد و پیش‌بینی قیمت مسکن برخوردار است. نتایج تحقیق نشان داد که بین متغیّرهای فضایی و قیمت مسکن در کوی ولیعصر تبریز، همبستگی وجود دارد. این همبستگی برای متغیّر فاصله از پارک، مثبت و برای متغیّرهای فاصله از مراکز خرید، حمل‌و‌نقل، خیابان اصلی و مسجد، معکوس است. همچنین، نتایج به‌دست آمده نشان می‌دهد، شبکۀ عصبی در صورتی‌ که آموزش کافی ببیند، قابلیت بالایی در برآورد دقیق قیمت هر متر مربع مسکن دارد.

کلیدواژه‌ها

عنوان مقاله [English]

Estimation of Urban housing Price by Using Hedonic and Artificial Neural Networks; (Case Study Koye Valiaser, Tabriz)

نویسندگان [English]

  • Dr.iraj Teimoori 1
  • Navid Soltan gheys 2
  • Yaser Gholizadeh 2

چکیده [English]

--
Housing as a heterogeneous product, durable, immovable,capitalist, useable, with lateral effects has dedicated itself a large part of family budget and also has a great role in the occupation and value added of the  countries.Then prediction of the housing price has a great importance among the urban planners and decision makers. If this prediction be able to provide the main factors which affect the housing price, then it will be a good instrument for decision making. If this estimation, particularly be able to reflect suitably the share of effective factors on the housing value, then it can be used in the urban and regional policy making. With respect to the importance of the issue, this article intends to investigate the main factors which affect on the housing price of the Koye Valiaser in the Tabriz. It is common to use hedonic regression and neural networks as a multi regression methods for predicating the housing price. For providing the effective factors we got help from Delphi method and the data gathered from questioner survey. Both Hedonic and Artificial Neural network could predicate the price. But the accuracy of neural network was much better than the Hedonic. Also the research showed there is relation among the spatial factors and the price of housing in Koye Valiaser.

کلیدواژه‌ها [English]

  • Housing
  • Hedonic
  • Artificial neural network
  • Housing price prediction
  • Koye Valiaser Tabriz

اطهاری. کمال (1389) اقتصاد شهری و اقتصاد شهر در ایران، اقتصاد شهر،شهرداری تهران شماره 7، بخش ویژه، صص 56-65.

اکبری. نعمت الله، خوش اخلاق. رحمان و مردیها. سارا (1392) سنجش و ارزش‌گذاری عوامل موثر بر انتخاب مسکن با استفاده از روش انتخاب تجربی از دیدگاه خانوارهای ساکن در بافت فرسوده شهر اصفهان، فصلنامه پژوهش‌های اقتصادی، دانشگاه­تربیت مدرس، سال­سیزدهم، شماره­سوم،­صص 19-47.

اکبری. نعمت الله، عماد زاده .مصطفی و رضوی. سید علی (1383)؛ بررسی عوامل موثر بر قیمت مسکن در شهر مشهد رهیافت اقتصاد سنجی فضایی در روش هدانیک؛ پژوهش‌های اقتصادی؛ دانشگاه تربیت مدرس ، بهار و تابستان؛ شماره 4 صص 57-78.

امامی میبدی علی، اعظمی آرش، حق دوست احسان ( 1388)؛ بررسی عوامل زیست محیطی موثر بر قیمت منازل مسکونی تهران به روش هدانیک، تحقیقات اقتصادی، دانشگاه تهران  ، تابستان، 44(87) :273-52.

پور محمدی. محمد رضا و اسدی، احمد (1393) ارزیابی سیاست‌های دولتی تأمین مسکن در مورد گروه‌های کم درآمد شهری (مطالعه موردی شهر زنجان) فضای جغرافیایی، دانشگاه آزاد­اسلامی واحد اهر، دوره 14، شماره 45 صص 111 تا 128.

پور محمدی، محمد رضا (1384)، برنامه ریزی مسکن، چاپ سوم، سمت، تهران.

خلیلی عراقی سید منصور، نوبهار الهام (1390)؛ پیش بینی قیمت مسکن در شهر تبریز: کاربرد مدل‌های قیمت هدانیک و شبکه عصبی مصنوعی، پژوهش‌ها و سیاست‌های اقتصادی، معاونت امورد اقتصادی  وزارت امور اقتصادی و دارایی ، زمستان؛  19(60) :113-138. 

رحمانی، احد (1384)، کارکرد پانزده ساله بخش مسکن در برنامه‌های اول، دوم و سوم توسعه اقتصادی بعد از انقلاب، اطلاعات سیاسی اقتصادی،موسسه اطلاعات، شماره 217 و 218؛ صص 184-189.

سازمان فضائی ایران (1393) تصویر ماهواره ای لندست شهر تبریز 1390.

سید نورانی. سید محمد رضا (1392) برآورد عوامل موثر بر عرضه مسکن ایران؛ کاربرد مدل رشد تک مرکزی با روش GMM، فصلنامه پژوهش‌های اقتصادی، دانشگاه تربیت مدرس ، سال سیزدهم، شماره سوم، صص 161-175.

شهرداری تبریز (1393) آمارنامه شهرداری تبریز، http://fava.tabriz.ir .

عسگری علی، قادری جعفر (1381)؛ مدل هدانیک تعیین قیمت مسکن در مناطق شهری ایران، پژوهش‌های اقتصادی ، دانشگاه تربیت مدرس ، بهار 2(4) :91-108.

منهاج، محمد باقر (1388) مبانی شبکه‌های عصبی؛ جلد اول، چاپ ششم، دانشگاه صنعتی امیر کبیر، تهران.

نشاط. اکبر، نیکنائی. مجید و شریف زادگان. محمد حسین (1392) پیش بینی مسکن گروه‌های کم درآمد با تحلیل طرف عرضه و تقاضا؛ مطالعه موردی شهر دامغان، پژوهش‌های جغرافیای انسانی، دانشگاه تهران ، دوره 45، شماره 3 صص 147-168.

 

Baranzini. Andre, Ramirez, Jose, Schaerer. Caroline & Thalmann. Philippe( 2008) Hedonic Methods in Housing Markets, Springer, first edition.

Curry Bruce, Morgan Peter, Silver Mick (2002) Neural networks and non-linear statistical methods: an application to the modelling of price–quality relationships, Computers & Operations Research, Volume 29, Issue 8, July 2002, Pages 951-969.

Dorsey. Robert, Hu. Haixin, Mayer.Walter.J& Wang. Hui-chen(2010) Hedonic versus repeat-sales housing price indexes for measuring the recent boom-bust cycle, Journal of Housing Economics, Vol. 19 , pp 75-93.

Hamilton. Jacqueline.M. (2007) Costal Landscape and the Hedonic Price of Accommodation, Ecological Economics, Vol62, pp. 594-602.

Harvey. David (2009) Social Justices and the City, The University of Georgia Press, second edition, London .

Helbich, Marco, Jochem Andreas, Mucke. Werner & Hofle. Bernhard(2013) , Boosting the predictive accuracy of urban hedonic house price models through airborne laser scanning, Computers, Environment and Urban Systems, Volume 39, May 2013, Pages 81-92 .

Luke M. Brander, Mark J. Koetse(2011) The value of urban open space: Meta-analyses of contingent valuation and hedonic pricing results,Journal of Environmental Management, Volume 92, Issue 10, October 2011, Pages 2763-2773.

Panduro. Toke & Veie. Kathrine(2013) Classification and valuation of urban green spaces—A hedonic house price valuation, Landscape and Urban Planning, Volume 120, December, Pages 119-128.

Selim. Hassan(2009) , Determinants of house price in Turkey: Hedonic Regression Versus Artifical Nural Network, Expert systems with application, Vol36, issue 2 ,pages 2843-2852.

Sheppard. Stephen (1999) Hedonic analysis of Housing Markets, Hand Book of Regional & Urban Economics , Chapter 41, Vol. 3, pp 1595-1635.

Sunding. David L & Swoboda. Aaron (2010) Hedonic analysis with locally weighted regression: An application to the shadow of housing regulation in Southern California, Regional Science and Urban Economics, Vol. 40, pp. 550-573.

Wen-Chi Liao, Xizhu Wang(2012) Hedonic house prices and spatial quantile regression, Journal of Housing Economics, Volume 21, Issue 1, Pages 16-27.