تحقیقات کاربردی علوم جغرافیایی

تحقیقات کاربردی علوم جغرافیایی

بررسی عوامل مؤثر بر قیمت مسکن در محله پارک لاله تهران

نویسندگان
علی شماعی 1
مهسا دلفان نسب 2
محمد پوراکرمی 3
1 دانشیار گروه جغرافیا و برنامه ریزی شهری دانشگاه خوارزمی
2 کارشناسی ارشد جغرافیا و برنامه ریزی شهری دانشگاه خوارزمی
3 کارشناسی ارشد جغرافیا و برنامه ریزی شهری دانشگاه تهران
10.29252/jgs.20.59.173
چکیده
طی دو دهه اخیر، اقتصاد ایران شاهد پرنوسان‌ترین تغییرات در قیمت مسکن بوده است و رکود و رونق شدید بخش مسکن، آثار زیان باری بر این بخش و دیگر بخش‌های اقتصادی به‌جای گذاشته است. هدف اصلی این مطالعه بررسی عوامل مؤثر بر قیمت مسکن در محله پارک لاله تهران می‌باشد. در این پژوهش از اطلاعات کلیه املاک معامله‌شده در شش ماه نخست سال 1395 در محدوده موردمطالعهاستفاده‌شده است.اطلاعات مربوط به ویژگی‌های فیزیکی واحدهای مسکونی معامله‌شده، از سامانه اطلاعات بازار املاک ایران گردآوری‌شدهو برای به دست آوردن اطلاعات مربوط به ویژگی‌های دسترسی واحدهای مسکونی معامله‌شده از نرم‌افزارARC GISاستفاده‌شده است.همچنین برای بررسی عوامل مؤثر بر قیمت مسکن از روش تحلیل رگرسیون چند متغیره استفاده‌شده است. نتایج حاصل از این تحقیق نشان داد که عوامل فیزیکی مسکن تأثیر بیشتری نسبت به عوامل دسترسی در قیمت مسکن در این محله دارند. به‌طوری‌که در میان ویژگی‌هایانتخاب‌شده، متغیرهای مساحت واحد مسکونی، پارکینگ و نوع اسکلت بیشترین تأثیر مثبت را بر قیمت مسکن در محدوده موردمطالعه داشتند. از طرف دیگر بعضی از ویژگی‌ها مانند فاصله واحد مسکونی تا نزدیک‌ترین خیابان اصلی، فاصله واحد مسکونی تا نزدیک‌ترین کاربری آموزشی، فاصله واحد مسکونی تا نزدیک‌ترین کاربری بهداشتی درمانی و قدمت واحد مسکونی تأثیر منفی بر قیمت مسکن در محله پارک لاله داشتند.
کلیدواژه‌ها
رگرسیون چند متغیره
قیمت مسکن
محله پارک لاله تهران
نرم‌افزارARC GIS

عنوان مقاله English

Investigating of the Effective Factors on Housing Prices in district of Laleh Park, Tehran

نویسندگان English

ali shamai 1
mahsa delfannasab 2
mohammad porakrami 3
1 Associate Professor of Geography and Urban Planning of Kharazmi University, Tehran, Iran.
2 Master of Geography and Urban City University of Kharazmi University, Tehran, Iran.
3 Master of Geography and Urban Planning of Tehran University, Tehran, Iran.
چکیده English

The purpose of this study was to investigate the factors affecting housing prices in the Laleh Park district of Tehran. In this study, the data of all real estate traded in the first six months of the year 2016 was used in the study area. Information about the physical properties of the residential units trained is collected from the Real Estate Market Information System of Iran and is used to obtain information on the accessibility features of residential units traded using ARC GIS software. Multivariate regression analysis has also been used to investigate the factors affecting housing prices. The results of this study showed that the physical factors of housing are more effective than the access factors in the housing prices in this district . Among the selected features, the variables of residential area, parking, and skeletal type had the most positive effect on the price of housing in the area under study. On the other hand, some of the features, such as the distance from the residential unit to the nearest main street, the residential unit to the nearest educational user, the residential unit distance to the nearest health care provider, and the residential unit's age, had a negative effect on the housing price in the Laleh Park district .

کلیدواژه‌ها English

: Multivariate regression
Housing Prices
Laleh district of Tehran
ARC GIS software
Abelson, P, Joyeux, R., Milunovich, G. and Chung, D. (2005). Explaining House Prices in Australia: 1970-2003 , Economic Record, 81(1)
Bajari, P., Chan, P., Krueger D. & D. Miller (2010), "A Dynamic Model of Housing Estimation and Policy Implications", NBER Working Paper Series, No. 15955 Baltagi, B. (2005), Econometric Analysis of Panel Data, John Wiley and Sons Ltd, Third Edition.
Benjamin,John D, Chinloy,Peter,Jud G. Donald (2004),Why Do Household Concentrate Their Wealth in Housing?. Journal of Real Estate Research, 26(4).
Borsch-Supan, A., Heiss, F. & M. Seko (2001), "Housing Demand in Germany and Japan", Journal of Housing Economics, Vol. 10, PP. 229–252.
Freeman, A. MYRICK (1993), The Measurement of environmental and resource values theory and method, Washington D.C. Resource for future.
Galati, Gabriele; Teppa, Federica; Alessie, Rob (2011). Macro and micro drivers of house price dynamics: An application to Dutch data. DNB Working Paper, Working Paper No. 28
Gallin, J. (2006), "The Long-Run Relationship Between House Prices and Income: Evidence from Local Housing Markets", Real State Economics, Vol. 34, No. 3, PP. 417-438.
Goodman, A. & T. Thibodeau (2008), "Where Are the Speculative Bubbles in US Housing Market?",Journal of Housing Economics, Vol 17, PP. 117-137.
Hill, R. J., Melser, D., & Syed, I. (2009).Measuring a boom and bust: The Sydney housing market 2001–2006. Journal of Housing Economics, 18(3), 193-205.
Karlik, B., & Olgac, A. V. (2011). Performance analysis of various activation functions in generalized MLP architectures of neural networks. International Journal of Artificial Intelligence and Expert Systems, 1(4), 111-122.
Kenny, G. (1999), "Modelling the Demand and Supply Sides of the Housing Market: Evidence From Ireland, Economic Modelling, Vol. 16, PP. 389-409.Malpezzi, S. (2003). Hedonic pricing models: a selective and applied review. Section in Housing Economics and Public Policy: Essays in Honor of Duncan Maclennan, 67-74.Mankiw, G. & D. Weil (1989), "The Baby Boom, the Baby Bust and the Housing Market", Regional Science and Urban Economics, Vol. 19, PP. 235–258Meen, G. (2002), "The Time-Series Behavior of House Prices: A Transatlantic Divide?" Journal of Housing Economics, Vol. 11, PP. 1-23Meen, G. (2003), Housing Random Walks Complexity and the Macroeconomy, in Housing Economics and Public Policy edited by T. O’Sullivan and K. Gibb, Blackwell Publishing, PP. 90-109
Munroe, D. K., Southworth, J., & Tucker, C. M. (2004). Modeling spatially and temporally complex land-cover change: the case of western Honduras*. The Professional Geographer, 56(4), 544-559.
Munroe, D. K., & Müller, D. (2007). Issues in spatially explicit statistical land-use/cover change (LUCC) models: Examples from western Honduras and the Central Highlands of Vietnam. Land use policy, 24(3), 521-530.
Selim, H. (2009). Determinants of house prices in Turkey: Hedonic regression versus artificial neural network. Expert Systems with Applications, 36(2), 2843-2852..
Wallbaum, H., Ostermeyer, Y., Salzer, C., & Escamilla, E. Z. (2012). Indicator based sustainability assessment tool for affordable housing construction technologies. Ecological Indicators, 18, 353-364.