تحلیل فضایی ارزش مبادله‌ای مسکن ‌شهری (مورد مطالعه: منطقۀ ۱۰ تهران)

نوع مقاله : مقاله پژوهشی

نویسندگان

1 کارشناس ارشد جغرافیا و برنامه‌ریزی شهری، دانشگاه خوارزمی تهران، ایران

2 دانشیار جغرافیا و برنامه‌ریزی شهری، دانشگاه خوارزمی، تهران، ایران

چکیده

مسکن یکی از عناصر مهم در برآورده‌کردن نیازهای زیستی، اقتصادی و اجتماعی هر خانوار است. رشد شهرنشینی و افزایش جمعیت شهرها، مهاجرت از روستا به شهر، استهلاک ساختمان‌های قدیمی و تخریب آنها، کوچک‌شدن بُعد خانوارها و مسائلی از این قبیل تأمین مسکن را به یکی از مشکلات بیشتر شهرها (تهران-بمبئی) به‌خصوص در کشورهای جهان سوم ازجمله کشور ایران و هندوستان تبدیل کرده است. در پژوهش حاضر به ارزش مبادله‌ای مسکن در منطقۀ 10 تهران توجه شده است. پژوهش حاضر از نظر هدف،‌ کاربردی و از نظر روش، توصیفی-تحلیلی است که به روش کمّی ‌انجام شده است. برای بررسی‌های مرتبط با پژوهش حاضر از روش‌های رگرسیون و موران استفاده شده که در آن قیمت مسکن (ویلایی، آپارتمانی) به‌عنوان متغیر وابسته و تعداد 14 شاخص به‌عنوان متغیرهای مستقل تحقیق در‌نظر گرفته شده‌ است. در این پژوهش برای تحلیل‌های فضایی از نرم‌افزار Gis Arc استفاده شده است. باتوجه به نتایج تحلیل رگرسیون چند متغیره در بین عوامل اثرگذار  اصلی بر نوسان قیمت، عامل درآمد با 17 درصد، عامل تراکم با 77 درصد، قدمت سازه با 63 درصد و نوع سازه با 31 درصد به ترتیب بیشترین تاثیر معکوس را بر نوسان های قیمت مسکن در منطقۀ 10 تهران دارند.  دسترسی به فضای درمانی بیشترین تأثیر معکوس را بر تعیین قیمت مسکن در جنوب منطقۀ 10 دارد؛ در‌حالی‌ که شاخص دسترسی به مراکز تجاری بیشترین تأثیر مستقیم را بر تبیین ارزش مبادلاتی مسکن در منطقۀ 10 تهران داشته است؛ از این ‌رو بیشترین تمرکز لکه‌های داغ (بیشترین مبادلۀ مسکن) در قسمت‌های شمالی و برخی از قسمت‌های مرکزی منطقۀ 10 تهران دیده می‌شود.

کلیدواژه‌ها

موضوعات


عنوان مقاله [English]

Spatial Analysis of Urban Housing Exchange Values (Case Study: 10th District of Tehran)

نویسندگان [English]

  • Esmail Isazadeh 1
  • Taher Prizadi 2
  • Mousa Kamanroudi Kojouri 2
1 M.S. in Geography and Urban Planning, Kharazmi University, Tehran, Iran
2 Ph.D., Associate Professor in Geography and Urban Planning, Kharazmi University, Tehran, Iran
چکیده [English]

Abstract
Housing is a fundamental component in fulfilling the biological, economic, and social requirements of every household. The rapid urbanization, burgeoning urban populations, rural-to-urban migration, degradation and demolition of aging structures, diminishing household sizes, and housing supply challenges are prevalent issues in many cities, particularly in developing nations, such as Iran and India. This study focused on the housing exchange values in the 10th district of Tehran. The research was purpose-driven and employed a descriptive-analytical approach with a quantitative methodology. Regression and Moran methods were utilized for the investigation with housing prices for villas and apartments as dependent variables and 14 indicators as independent research variables. Spatial analysis was conducted using ArcGIS software. The results of the multivariate regression analysis indicated that household income had a direct impact of 17% among economic factors, while density had a direct effect of 77% among social factors. Additionally, structure age and type accounted for 63% and 31% of the most significant negative impact on housing price fluctuations in the 10th district of Tehran, respectively. Access to medical facilities had the most adverse effect on housing prices in the southern part of District 10, whereas access to commercial centers had the most substantial direct impact on housing exchange values in the district. Consequently, the highest concentration of hot spots indicating the highest housing exchange was observed in the northern and central parts of the 10th district of Tehran.
Keywords: Exchange Value, Housing, Future Changes, Space Trap, 10th district of Tehran
Introduction
In recent years, the housing sector of Iran as a developing country has experienced significant fluctuations, resulting in widespread adverse effects on households, other economic sectors, and even the banking system. Consequently, the impact of monetary policy on the performance of housing market has become a primary concern for policymakers, necessitating appropriate responses from monetary and financial authorities due to the sector's pivotal role in the country. Housing and its market have been the subject of extensive urban studies, particularly in urban economics, over the past 4 decades. The municipality of District 10 of Tehran has undergone rapid physical and economic expansion in the last two decades accompanied by increased investment in construction. Urban management initiatives have further exacerbated this situation, leading to unbalanced spatial developments at the regional level. Weaknesses in the housing sector within the municipality of the 10th district of Tehran include the housing supply-demand gap, particularly among low-income groups, a high number of households requiring assistance, a low proportion of durable residential units, a high prevalence of non-professional constructions, and the greater profitability of land transactions compared to housing construction. Additionally, there has been a surge in trading activities, a disproportionate increase in land prices compared to construction, and an intensified expansion in recent years. Therefore, this research conducted a spatial analysis of urban housing exchange values over a 1-year period (2022). By examining the spatial analysis of housing prices and exchange values, variations in income, culture, urban infrastructures, and perceived social and environmental comfort across different areas and localities could be observed. Consequently, the findings of this study could offer valuable insights for urban planners, managers, and housing investors.
 
Materials and Methods
This study was applied in its purpose and employed a descriptive-analytical method using a quantitative approach. Multivariable regression analysis was utilized to explore the relationship between factors influencing the exchange value of housing from both consumer and producer perspectives, identifying key determinants affecting housing prices. The research findings were presented through descriptive tables, explanatory tables, and numerous maps created by the researcher. The results highlighted the components and factors with the greatest and least impact on the land and housing market in the neighborhoods of District 10 of Tehran. The study drew on documentary sources, statistical data, censuses, official information from relevant organizations, internal and external information databases, as well as comprehensive and detailed urban development maps and plans to collect theoretical foundations and extract data. Given the significance of direct observation in geographical research, the researchers’ observational method and familiarity with the study area served as the primary research tools supplemented by a researcher-designed questionnaire. The questionnaire primarily focused on gathering land and housing prices from real estate consultants for 2022. The research methodology integrated both quantitative and qualitative approaches. The theoretical framework was developed based on the subject under study and the study employed statistical description and analysis, image processing, and analysis using spatial databases and geographic information systems. Additionally, Excel, SPSS, and ArcGIS software were utilized for data preparation and processing.
 
Research Findings
One of the most notable and distinctive aspects of this study in comparison to others was the spatial analysis of housing prices in District 10. This involved the integration of geographic information system software and quantitative models, such as hot and cold spot models, Moran, Vansim, and vector map conversion to raster. These were recalculated at the level of study units (statistical blocks of the 10th district of Tehran) revealing the spatial analysis of independent (economic, social, and physical) variables. Despite the highest density of apartment buildings being in the neighborhoods of Hashemi, South Karun, South Salisbil, and North Salisbil in Tehran's 10th district, it appeared that the value of multi-story buildings in the neighborhood of South Zanjan was more influenced by land prices, household income, and employment rates. Three spatial autocorrelation patterns (clustered, scattered, and random) were observed with Moran's coefficient indicating a clustered pattern in relation to the price of villa buildings at the level of North Salisbil, South Karun, and South Karun localities. The economic factors influencing housing prices in 2022 at the level of residential blocks in Tehran's 10th district included land prices, household income, mortgages, and rents. The regression analysis conducted in Excel software revealed a 0.64% correlation between economic indicators and housing prices. The highest correlation between socio-cultural indicators and housing prices in the southern areas of Tehran's 10th district was observed in Imam Khomeini, Hashemi, Karoun, and Kimel streets, the beginning of Nematullah Shah Parori Street, and the end of Malik Ashtar Street. According to Moran's spatial autocorrelation model, the coefficient for the correlation of the indicators of access to uses and services and housing prices was 0.050658%. The highest correlation to all factors was observed in District 10 (north of the region) corresponding to Karun and North Salisbil localities. Access to urban services, military uses, and facilities like airport had led to a significant decrease in prices, while access to commercial, medical, and educational centers had a positive effect on increasing housing prices.
 
Discussion of Results & Conclusion
Housing stands as a fundamental necessity within any society and fluctuations within this sector exert a profound impact on the broader economy. Therefore, precise forecasting of housing prices holds significant importance for homeowners, investors, and other stakeholders in the housing sector. The presence of a reliable method for predicting housing prices can enhance efficiency of the housing market. The surge in urban population over recent decades coupled with limited access to resources, services, and essential infrastructure has transformed housing into a scarce and invaluable commodity. The housing predicament is a consequence of the industrial revolution and subsequent developments leading to a detachment of its exchange value from its consumption value. Its significance has continued to escalate across diverse societies. This study leveraged spatial descriptions and analyses available in geographic information systems (ArcGIS software) complemented by statistical analyses conducted using Excel and SPSS software.
 
 

کلیدواژه‌ها [English]

  • Exchange Value
  • Housing
  • Future Changes
  • Space Trap
  • 10th district of Tehran

مقدمه

بخش مسکن طی سال‌های اخیر در ایران به‌عنوان یک کشور در‌حال توسعه نوسان‌های زیادی داشته و به‌دنبال آن تأثیرات منفی گسترده‌ای را بر خانوارها و عملکرد سایر بخش‌های اقتصادی و حتی نظام بانکی بر‌جا گذاشته است؛ از این رو با‌توجه به اهمیت بخش مسکن در کشور، تأثیر سیاست پولی بر عملکرد بازار مسکن مهم‌ترین نگرانی سیاست‌گذاران است که این خود نیاز به سیاست‌گذاری و واکنش مناسب مقامات پولی و مالی دارد (قلی‌زاده و همکاران، 1402؛ عطارچی و همکاران، 1399). زیرا مسکن و بازار آن از‌جمله موضوع‌هایی است که در‌طول چهل سال گذشته حجم زیادی از مطالعات شهری به‌ویژه اقتصاد شهری را به خود اختصاص داده است؛ از این ‌رو روزن[1]، فالیس[2]، ماگبلیوگبی[3] و لینمن[4]، در مطالعات خود جمع‌بندی جامعی از پیشینه موجود در این زمینه ارائه داده‌اند. آنها ابعاد مختلف مسکن، سهم مخارج مسکن در بودجۀ خانوار، هزینه‌های ملی، سرمایه‌گذاری ثابت ناخالص ملی، عوامل مؤثر بر انتخاب نوع تصرف (سلیقه، هزینه و درآمد) را در تحلیل بازار مسکن بررسی کرده‌اند (اکبری و همکاران، ۱۳۸۳). درکشورهای پیشرفته، سهم هزینۀ مسکن در سبد هزینۀ خانوار کمتر از ۱۵ درصد و در کشور ما ۵۳ درصد است که این رقم برای دهک‌های با درآمد پایین به بیش از ۷۰ درصد و گاه به ۱۰۰ درصد نیز رسیده است (شاکری و همکاران، ۱۳۸۹). همچنین، باید تأکید کرد عرضه و تقاضا در بازار مسکن به‌طور غیرمستقیم بر قیمت مسکن تأثیر می‌گذارند (Cellmeret al., 2020; Isazade et al., 2023a). منطقۀ ۱۰ شهرداری تهران در دو دهۀ اخیر رشد کالبدی و فیزیکی شتابانی داشته و شاهد افزایش سرمایه‌گذاری در عرصۀ ساخت‌و‌سازها بوده است (دفتر برنامه‌ریزی و اقتصاد مسکن، ۱۳۹۲، ص. 34). اقدام‌های مدیریت شهری نیز به‌صورت فزآینده‌ای به چنین وضعیتی دامن زده که تحولات فضایی نامتعادل درسطح منطقه از‌جمله پیامدهای این وضعیت است. از‌جمله نقاط ضعف بخش مسکن در‌سطح منطقۀ ۱۰ شهرداری تهران می‌توان به شکاف بین عرضه و تقاضای مسکن به‌خصوص در بین گروه‌های کم‌درآمد، زیاد‌بودن حجم خانوار نیازمند، کم‌‌بودن سهم واحدهای مسکونی بادوام، حجم فراوان ساخت‌و‌سازهای غیر‌حرفه‌ای، سود‌آوری بیشتر خرید و فروش زمین در‌مقایسه با ساخت‌و‌ساز مسکن و گسترش فعالیت‌های سوداگری، رشد فراوان قیمت زمین در‌مقایسه با ساختمان و شدت گسترش آن در سال‌های اخیر اشاره کرد (دفتر برنامه‌ریزی و اقتصاد مسکن، ۱۳۹۲، ص. 45؛ عیسی‌زاده و همکاران، 1400، ص. 39). در پژوهش حاضر ارزش مبادله‌ای مسکن شهری برای منطقۀ ۱۰ شهرداری تهران تحلیل شده است. منطقۀ ۱۰ شهرداری تهران با ساختار فعلی در پانزده تیرماه ۱۳۶۴ تأسیس شد. این منطقه با ۸۱۸ هکتار مساحت، سه ناحیه و ده سرای محله دارد. جمعیت این منطقه طبق سرشماری سال ۱۳۹۵ معادل ۳۲۷۱۱۵ نفر و با تراکم ناخالص جمعیتی حدود ۴۲۰ نفر در هکتار بوده که از این حیث از پرتراکم‌ترین منطقه‌های شهر تهران در بین منطقه‌های بیست‌ودوگانه است. جمعیت منطقۀ ۱۰ تهران چهار برابر حد استاندارد و دو برابر میانگین تراکم در شهر تهران است (منطقۀ 10 شهرداری تهران، 1395). این میزان رشد در منطقۀ ۱۰ شهرداری تهران نقش تعیین‌کننده‌ای دارد؛ زیرا از یکسو بر سطح تقاضای مسکن و زمین شهری افزوده و از سوی دیگر، باعث افزایش قیمت و مبادلۀ مسکن در‌سطح این منطقه شده است. به‌دلیل این عوامل میانگین قیمت خرید و فروش یک متر مربع مسکن طی سال‌های ۱۳۹6 تا 1400 در منطقۀ ۱۰ شهرداری تهران 253016600 هزار ریال بوده که روند افزایشی داشته است. همچنین، مسئلۀ مسکن، تغییرات قیمت، ارزش مبادله‌ای مسکن و تحلیل فضایی مسکن در‌سطح ۳ ناحیۀ این منطقه نیازمند بررسی است. سه ناحیۀ منطقۀ ۱۰ شهرداری تهران به لحاظ ارزش مبادله‌ای مسکن موقعیت مناسبی ندارد؛ بنابراین محققان در پژوهش حاضر ارزش مبادله‌ای مسکن شهری را به صورت یک دورۀ یکساله (1401) تحلیل فضایی کرده‌اند؛ چون با بررسی تحلیل فضایی قیمت و ارزش مبادله‌ای مسکن می‌توان به تفاوت بین نواحی و محله‌ها به لحاظ درآمد، فرهنگ، زیر‌ساخت‌های شهری، مطبوعیت اجتماعی و محیطی پی‌برد؛ از این رو نتیجۀ این مطالعه می‌تواند برای برنامه‌ریزان، مدیران شهری و سرمایه‌گذارانی که در‌زمینۀ مسکن سرمایه‌گذاری می‌کنند، مفید باشد.

 

مبانی نظری پژوهش

در راستای موضوع پژوهش برخی مفاهیم شامل تحلیل فضایی، ارزش مبادله‌ای زمین و مسکن، پیش‌بینی در برنامه‌ریزی مسکن و دیدگاه‌های مرتبط با آنها تشریخ شده است.

 

تحلیل فضایی

کلمۀ تحلیل (Analysis) در زبان فارسی به‌طور معمول، همراه با کلمۀ تجزیه برای تجزیۀ یک ماده یا مفهوم به ساده‌ترین عناصر تشکیل‌دهندۀ آن برای درک آسان آن به کار می‌رود. موارد کاربرد این کلمه در علم شیمی بسیار رایج‌تر و فهم‌پذیر‌تر است. در جغرافیا به‌طور تقریبی، چنین معنایی مراد است که ما پراکندگی‌ها را به ساده‌ترین عناصر تشکیل‌دهندۀ آنها، یعنی قوانین و نظام فضایی تجزیه می‌کنیم (Isazade et al., 2022b; John et al., 2011). بر این اساس، مفهوم تحلیل به‌معنای فرآیند توصیف و استدلال پراکندگی‌هاست که در علم جغرافیا علاوه بر تحلیل، فضا به روش های گوناگون از موضوعات کلیدی است. فضا به‌احتمال، پر‌استنادترین واژه‌ای است که به جغرافیا هویت و کانونی وحدت‌بخش داده است. Strabo نخستین بار فضا را تعریف کرد که از آن به‌عنوان اکومن یاد کرده است؛ یعنی فضایی که انسان در آن زندگی می‌کند؛ اما گاتمن آن را محدودتر کرده است و آن را فضایی می‌داند که دستیابی به آن برای انسان میسر باشد (حسین‌زاده دلیر، 1390).

از این ‌رو، منشأ تحلیل فضایی پیشینه‌ای طولانی دارد و به زمان بطلمیوس (168 تا 90 پیش از میلاد)، جغرافیدان مصری، بر‌می‌گردد که می‌گفت برای درک پدیده‌های‌ زمین باید آنها را تجزیه کرد؛ زیرا با تجزیۀ الگوها به روابط و عناصر ساده و اولیه می‌توان ساختار و عوامل آنها را به‌دقت فهمید (Curry, 2005)

 

ارزش مصرفی و ارزش مبادلۀ زمین و مسکن

هاروی استدلال می‌کند که زمین و مسکن در اقتصاد سرمایه‌داری کالا هستند؛ ولی کالاهای معمولی نیستند. به همین دلیل، هاروی در کاربست مفاهیم ارزش مصرفی و ارزش مبادله‌ای به شش نکته اشاره کرده است و به همین اعتبار زمین و مسکن را از کالاهای دیگر متمایز می‌کند (Harvey, 2009; Isazade et al., 2022b).

  • زمین و مسکن منقول نیستند. همین امر آنها را از کالاهای دیگر همچون گندم، اتومبیل و غیره متمایز می‌‌کند. در اینجا هاروی به خاصیت ثباتی فضا اشاره می‌کند. به این ترتیب که در آنِ واحد یک مسکن در دو مکان نخواهد بود.
  • زمین و مسکن کالاهایی هستند که هیچ‌کس بدون آنها قادر به زندگی نیست. اشارۀ هاروی در اینجا بیشتر بر زمین است. به این ترتیب، وی مسکن را عاملی مهم در بقا و زندگی انسان در‌برابر هر نوعی از تهدیدات معرفی می‌کند.
  • زمین و مسکن به نسبت کم مبادله شده است بنابراین به‌ندرت دست‌به‌دست می‌شود. در اینجا هاروی دو نوع مسکن را تحلیل می‌کند. مسکن‌هایی که بیشتر ارزش مصرفی دارند و بدین منظور است که تولید می‌شوند. دوم مسکن‌ها و زمین‌هایی که تنها همسو با ارزش مبادله‌ای هستند. در‌واقع، اشاره‌های هاروی بیشتر به ثابت‌نبودن و در تعارض بودن این مقوله در مواجه با کالاهای دیگر است که تنها خاصیت مبادله‌ای دارند.
  • زمین فناناپذیر است و عمر مسکن به‌طور معمول، دراز‌مدت است. این مبحث اشاره به فناپذیری و عمر طولانی زمین و ساختمان در نسبت با دیگر کالاها دارد.
  • دربارۀ این دو کالا مشاهده می‌شود هر‌چند که مبادله در بازار در یک لحظۀ خاص انجام می‌شود، مصرف آن به‌تدریج و در‌طول زمان انجام می‌گیرد.

زمین و مسکن مصرف‌های گوناگونی دارند که هیچ یک نسبت به دیگری مانعه‌الجمع نیست؛ برای مثال، ممکن است از یک خانۀ مسکونی به منظورهای گوناگونی استفاده شود؛ البته هاروی در اینجا به برخی مسائل که در ارزش مصرفی و مبادلاتی زمین و ساختمان نسبت به دیگر کالاها تفاوت دارد، اشاره‌ای نمی‌کند. عواملی همچون کمیاب‌بودن زمین و مسکن به نسبت سایر کالاها به‌شدت متأثر از عوامل جغرافیایی همچون ناهمواری، دریا، کوه و ... است که این امر ارزش مبادلاتی زمین را تحت‌تأثیر خود قرار می‌دهد. همچنین، هاروی به تفاوت جغرافیایی اشاره ندارد، زمین و مسکن متأثر از عواملی همچون قشربندی اجتماعی، وضعیت آب‌و‌هوایی بکر، شرایط دسترسی و ... است که ممکن است قیمت زیادی پیدا کنند. این همان ارزش مبادله‌ای زمین در تعارض با کالاهای دیگر است (Isazade et al., 2023a; Harvey, 2009).

 

پیش‌بینی در برنامه‌ریزی مسکن

بخش مسکن را می‌توان یکی از مهم‌ترین بخش‌های توسعه در یک جامعه دانست. این بخش با ابعاد وسیع اقتصادی، اجتماعی، فرهنگی، زیست‌محیطی و کالبدی اثر‌های گسترده‌ای را در ارائۀ ویژگی‌های جامعه به مفهوم عام دارد. برنامه‌ریزی مسکن از یکسو اهمیت اقتصادی و اجتماعی دارد و از سوی دیگر، به‌دلیل اشتغال‌زایی این بخش و ارتباط آن با بسیاری از بخش‌های دیگر اقتصادی به‌عنوان ابزار مناسب برای تحقق سیاست‌های اقتصادی است. برنامه‌ریزی مسکن امروزه جایگاه خود را در نظام برنامه‌ریزی یافته است و نقش تعیین‌کنندۀ آن در اشتغال، سهم سرمایه‌گذاری از تولید ناخالص ملی، جایگاه آن در هدف‌های اجتماعی و عمرانی به‌خوبی روشن است(عیسی‌زاده و همکاران، 1401). یکی از مهم‌ترین بازارهای شهری که متأثر از تغییرات جمعیتی است، بازار مسکن است. رشد روز‌افزون جمعیت شهری با تأکید بر کلانشهرها از‌طرفی، سبب شده تا نیاز به مسکن در سال‌های گذشته افزایش یابد و از طرف دیگر، به‌علت اینکه عوامل و متغیرهای زیادی در بخش مسکن دخیل است، با همۀ اقدام‌های مثبت و مؤثر برنامه‌ها و قوانین هنوز شاخص‌های مسکن با کشورهای پیشرفته فاصله دارد (صارمی و ابراهیم‌پور، ۱۳۹۱).

 

نظریه‌های پژوهش

تئوری عرضه و تقاضا

تئوری عرضه بیانگر حداقل قیمتی است که بنگاه یا واحد اقتصادی حاضر به ارائۀ مقدار مشخصی از کالای خود به بازار است. به‌عبارتی، قیمت کم، پاداشی است که باعث تولید بیشتر کالا می‌شود؛ از این رو افزایش این پاداش باعث می‌شود که تولیدکننده و درنهایت، عرضه‌کننده تمایل بیشتری به کار و فعالیت از خود نشان ‌دهند.

در تئوری عرضه S تابع عرضه، P قیمت و Q مقدار کالاست. به‌طور خاص، می‌توان فرض کرد که تابع عرضۀ زمین نیز چنین وضعیتی را داشته باشد. با این فرض، هرگونه افزایش قیمت بازار، موجب افزایش عرضه و کاهش آن، موجب کاهش عرضۀ زمین خواهد شد. این امر در شرایط ثبات سایر عوامل محقق خواهد شد. در‌صورت تغییر سایر عوامل مؤثر در عرضۀ زمین مانند یارانه (کمک مالی دولت برای پایین‌آوردن قیمت مایحتاج ضروری مردم)، مالیات، میزان بهرۀ سرمایه و ... تابع به سمت راست یا چپ انتقال می‌یابد. اقتصاددانان معتقد هستند که این فرآیند دربارۀ کالاهای مختلف صادق است؛ اما زمین در این بین به ‌لحاظ ماهیتش مستثناست، زیرا  قیمت آن، ناشی از کمیابی آن است. همچنین، تئوری تقاضا بیانگر قیمتی است که مصرف‌کننده یا متقاضی برای مقدار مشخصی کالا حاضر است، بپردازد. به عبارت دیگر، قیمت در تئوری رفتار مصرف‌کننده نشان‌دهندۀ تمایل مصرف‌کننده به پرداخت است بنابراین انتظار می‌رود با کاهش قیمت، تقاضا برای کالا افزایش یابد؛ البته همانند بحث عرضه، تابع تقاضا نیز تحت‌تأثیر عوامل مختلفی است؛ تغییرات قیمت موجب حرکت بر‌روی منحنی تقاضا خواهد شد؛ در‌حالی‌ که تغییر در سایر عوامل، موجبات انتقال منحنی تقاضا را فراهم می‌آورد. به‌عبارتی، کاهش درآمد مصرف‌کننده موجب کاهش تقاضای کالا می‌شود. در بحث تقاضا نیز همانند مکانیسم عملکردی عرضه دربارۀ زمین تفاوت جدّی با سایر کالاها مشاهده می‌شود؛ از این‌ رو اگر قیمت زمین کاهش یابد، انتظار می‌رود مصرف‌کننده تقاضای بیشتری داشته باشد؛ ولی این خود نیاز به زمین را برای مسکن و تأسیسات عمومی در شهرها منتفی نمی‌‌کند (Gimeno & Martínez-Carrascal, 2010; Isazade et al., 2023b).

 

تئوری ارزش مبادله‌ای John Stuart Mill (Balassa, 1959)

ارزش اقتصادی از مفاهیم مهمی است که تأثیر بنیادی بر تحلیل‌ها و تئوری‌های اقتصادی می‌گذارد. همۀ متفکران اقتصادی معتقد هستند که کالاها و خدمات ارزش دارند؛ اما نظریه‌های متفاوتی در تبیین ماهیت، علت و معیار ارزش ارائه شده است. آشکار است که ماهیت یک شیء متفاوت از واحد اندازه‌گیری آن است. پس میان ارزش یک شیء و قیمت آن تفاوت وجود دارد و نباید آنها را یکسان دانست؛ زیرا قیمت یک کالا در بازار نمایانگر ارزش آن است؛ ولی به مفهوم ارزش نیست (زاهدی و باقری، ۱۳۹۳).

John Stuart Mill نظریۀ ارزش مبادله‌ی خود را با تقسیم کالا به سه طبقۀ مشخص بررسی کرده است.

1- کالاهایی که عرضۀ آنها ثابت است.

در این حالت مانند تئور‌ی Ricardo  عرضۀ این کالاها به‌طور عمودی، ترسیم می‌شود. عرضه و تقاضا در تعیین قیمت کالا شریک هستند؛ ولی در تغییر قیمت نقش تقاضا از عرضه مهم‌تر است.

2- کالاهایی که عرضۀ آنها با هزینۀ ثابت به میزان نامحدود قابل تولید است.

این نوع کالاها مربوط به تولید‌های صنعتی می‌شود. John Stuart Mill قانون بازدۀ نزولی را در تولید این کالاها صادق نمی‌داند و معتقد است که بازدهی نزولی فقط به تولید‌ها مربوط می‌شود. با این فرض از نظر John Stuart Mill زمانی که بازدۀ تولیدی در صنعت ثابت باشد، هزینه هم ثابت می‌ماند. در تعیین قیمت، نقش تقاضا و عرضه مهم است؛ ولی در تغییر قیمت، نقش عرضه از تقاضا مهم‌تر است.

3- کالاهایی که مقدار تولید آنها با هزینۀ بیشتر قابل افزایش است.

این کالاها مربوط به تولید‌های مسکن است. در این نمونه  John Stuart Millقانون بازدۀ نزولی را صادق می‌داند. به همین دلیل، عرضۀ این کالاها را نسبت به قیمت با شیب مثبت ترسیم می‌کند. به عبارت دیگر، اگر تقاضا افزایش یابد، تولید در کوتاه‌مدت با افزایش هزینه‌های متغیر (ثابت‌ماندن هزینه‌های ثابت) قابل افزایش است. این قضیه نشان‌دهندۀ «قانون صعودی‌بودن هزینه‌های نسبی» است که قرینۀ «قانون بازدۀ نزولی» است (زاهدی و باقری، ۱۳۹۳).

 

تئوری عدالت فضایی

هاروی این تئوری را در سال 1987 براساس تجربۀ دهۀ 1980 شهرهای آمریکایی در ساخت‌و‌سازهای وسیع ارائه کرد. در دهۀ 1980 ایالات متحدۀ آمریکا ساختمان‌سازی بسیار گسترده‌ای داشت که این توسعه همسنگ با دوران پس از جنگ نبود. ارزش سرمایه‌گذاری در امر ساخت‌و‌ساز شهری در این دوره به‌طور چشمگیری افزایش یافت؛ به‌گونه‌ای که سرمایه‌گذاری بین سال‌های 1989-1980، ۲۲ درصد بیش از دهۀ 70 و به‌طور تقریبی، ۵۶ درصد بیش از دهۀ ۶۰ بود که از‌طرفی، باعث توسعه و رشد سریع شهرها و از طرف دیگر، سبب تحولات و تغییرات مهمی در شکل فضایی آنها نیز شد (هاروی، 1380). عدالت به‌معنای توزیع متناسب عملکردها و خدمات، دسترسی مناسب به مراکز خدمات‌دهی و فعالیتی بدون تبعیض و تفاوت‌گذاری بین ساکنان یک شهر و منطقۀ شهری است. مفهوم عدالت را می‌توان از‌منظرهای مختلف بررسی کرد. مفاهیمی چون عدالت اجتماعی، عدالت فضایی، عدالت جغرافیایی و عدالت محیطی متأثر از چند‌بُعدی‌بودن این مفهوم است؛ اما آنچه حائز اهمیت است، این است که اساس هرگونه تغییر در سازمان فضایی بر روابط اقتصادی، اجتماعی و توزیع درآمد در جامعه اثر مستقیم می‌گذارد (مرصوصی، 1383، ص. 91؛ قنبری و همکاران، 1401، ص. 254). منابع طبیعی و منابع انسان‌ساخت به‌طور معمول، از‌لحاظ توزیع، مکان‌یابی خاصی دارند؛ از این ‌رو یکی از اصول مسلمی که در تئوری مکان‌یابی و کنش‌های متقابل فضایی پذیرفته شده این است که قیمت محلی هر منبع تابعی از مجاورت و دسترسی مصرف‌کننده به آن است. اگر دسترسی و یا مجاورت تغییر کند، قیمت محلی منابع نیز تغییر می‌کند؛ در‌نتیجه تغییری در درآمد واقعی افراد صورت خواهد گرفت؛ بنابراین بهره‌گیری از منابع که تعریف درآمد واقعی بود، تابعی از دسترسی و مجاورت است. تغییر شکل فضایی شهر و فرآیند دائمی تخریب، نوسازی و ایجاد منبع جدید مشروط به توزیع درآمد است که می‌توانند به‌عنوان درآمد واقعی باشند (هاروی، 1380). میزان برآورد این اصل با معیارهای زیر مشخص می‌شود:

  • انصاف در تقسیم منابع شهری؛
  • تأمین امکانات (فرصت) برای همۀ اجتماعات شهری؛
  • تأمین دسترسی کافی به خدمات و تسهیلات آموزشی، بهداشتی، تفریحی و فرهنگی برای همۀ ساکنان شهر؛
  • تأمین اشتغال و مسکن به‌طور منصفانه برای افراد و ساکنان بخش‌های گوناگون شهر (ملکی، 1380).

هدف از عدالت فضایی توزیع عادلانۀ نیازهای اساسی، امکانات، تسهیلات و خدمات شهری در میان محله‌ها و منطقه‌های مختلف شهر است؛ به‌طوری که محله یا منطقه‌ای نسبت به منطقه یا محلۀ دیگر از‌نظر برخورداری برتری فضایی نداشته باشد و اصل دسترسی برابر رعایت شده باشد. Isazade et al., 2021; Harvey, 2000. در‌عمل، تفاوت‌های ناشی از زیرساخت‌های طبیعی، نوع تصمیم‌گیری و الگوی برنامه‌ریزی فضایی نباید برای عواملی که غیر جاندار هستند به کار رود. به‌علاوه، نابرابری سیمای فیزیک محله‌های شهر از‌نظر ساخت، بافت، شبکۀ معابر، مسکن‌ها و تسهیلات آن به دسترسی به خدمات گوناگون بر ناهمگونی فضای محله‌های شهری می‌افزاید (هاروی، 1376). هاروی عدالت اجتماعی و فضایی در شهرها را تخصیص عادلانۀ منابع و امکانات شهری می‌داند و معتقد است که عدالت اجتماعی و فضایی در شهر‌ها باید به‌گونه‌ای هدایت شود که افراد با حداقل شکاف و اعتراض نسبت به حقوق خود مواجه شوند تا نیازهای جمعیتی آنها در ابعاد مختلف برآورده شود (هاروی، 1380).

 

تئوری منتخب و چارچوب مفهومی

تئوری منتخب (عدالت فضایی)

در میان چارچوب‌های نظری، تئوری عدالت فضایی هاروی برای تحلیل شرایط جهان سوم و از‌جمله ایران کارآیی بیشتری دارد؛ زیرا سازمان‌دهی فضا یکی از ابعاد تعیین‌کنندۀ جوامع انسانی، بازتاب وقایع اجتماعی و محل تجلی ارتباطات اجتماعی است. تئوری عدالت فضایی ارتباط‌دهندۀ عدالت اجتماعی و فضاست؛ از این ‌رو تحلیل برهم‌کنش بین فضا و اجتماع در فهم بی‌عدالتی‌های اجتماعی و نحوۀ تنظیم سیاست‌هایی برای کاهش یا حل آنها ضروری است. دو محور برجسته در عدالت فضایی که بر آنها تأکید می‌شود، چگونگی وضعیت زندگی (محیط اجتماعی و محیط فیزیکی) و توزیع فرصت‌ها (دسترسی به زیر‌ساخت‌های اجتماعی، فیزیکی و مجازی) است. برخی عدالت فضایی را فقط دسترسی برابر به تسهیلات عمومی تعریف کرده‌اند و معیار سنجش عدالت را  میزان فاصله از خدمات تعریف کرده اند. مثل دسترسی به مدرسه، مراکز بهداشتی و یا رخدادهای فرهنگی. برخی دیگر عدالت فضایی را برابری در نحوۀ انتخاب فرصت‌ها مثل نحوۀ انتخاب کار یا انتخاب نهادهای آموزشی دردسترس، برخی دیگر عدالت فضایی را برابری در نحوۀ انتخاب فرصت‌ها مثل نحوۀ انتخاب کار یا انتخاب نهادهای آموزشی دردسترس و برخی پژوهش‌های دیگر نیز عدالت فضایی را توزیع یکسان خدمات براساس نیازها، سلیقه‌ها، اولویت‌های ساکنان و استانداردهای خدمات رسانی تعریف کرده‌اند (Liao et al., 2012).

 

چارچوب مفهومی پژوهش

مسکن از‌جمله نیازهای اساسی انسان است که درچارچوب حقوق شهروندی تک‌تک افراد جامعه می‌توان آن را تحلیل کرد. اگرچه انسان از بدو خلقت تاکنون همواره به‌دنبال یک سرپناه بوده است، تبدیل مسکن به یک مسئلۀ اجتماعی به تحولات پس از انقلاب صنعتی و شهری‌شدن جوامع (به مفهوم ساکن‌شدن بیش از 50 درصد افراد یک جامعه در شهر) مربوط می‎شود. با قرارگرفتن ایران در مرحلۀ رشد شهرنشینی سریع پس از دهۀ 1340 مسکن به یکی از مسائل حاد جامعه تبدیل شد. با پیروزی انقلاب اسلامی و فشارهای اقتصادی آن رشد فعالیت‌های اقتصادی غیر‌تولیدی (صنعت و کشاورزی)، بازار زمین و مسکن به یکی از عرضه‌های مهم اقتصادی کشور تبدیل شد. به این ترتیب، ارزش مبادلاتی مسکن بر ارزش مصرفی آن پیشی گرفت. مسکن برای دولت و شهرداری‌ها منبعی برای درآمد و رشد فعالیت‌های اقتصادی و برای بخشی از مردم نیز تبدیل به عرصه‌ای برای سرمایه‌گذاری و حفظ بلندمدت دارایی‌ها شد. مسکن در دنیای امروز علاوه‌بر ابعاد مصرفی و اقتصادی واجد ارزش اجتماعی و فرهنگی است؛ زیرا مسکن و توانایی انتخاب آن به عاملی مهم برای انعکاس جایگاه اجتماعی افراد شده است. مسکن به‌دلیل آنکه بیان‌کنندۀ یکی ازکارکردهای اساسی شهرها بوده و مهم‌ترین عنصرکالبدی اغلب شهرهاست، از جنبه‌های گوناگون می‌تواند موضوع علم جغرافیا قرار گیرد. چارچوب مفهومی پژوهش در شکل (1) نشان داده شده است.

 

 

 

شکل1: چارچوب مفهومی پژوهش (منبع: نگارندگان 1401)

Figure 1: Research conceptual framework

پیشینۀ پژوهش

در ایران از زمان مطرح‌شدن مسئلۀ مسکن یک مشکل اساسی (مسئلۀ مسکن) و بحرانی سراسر کشور، به‌ویژه شهرهای بزرگ را در‌برگرفته است. بعد از تغییرات گستردۀ سیاسی، اجتماعی، فرهنگی، فضایی و اقتصادی دهه‌های ۱۳۴۰ به بعد همواره دربارۀ جنبه‌های مختلف مسکن پژوهش‌ها و بررسی‌های زیادی در داخل و خارج از کشور انجام شده است که در راستای این پژوهش می‌توان به برخی از مطالعات زیر اشاره کرد.

ون و ژینیوان پژوهشی با عنوان «مدل‌سازی قیمت مسکن در ایالات متحدۀ آمریکا براساس شاخص‌های اصلی قیمت املاک و اقتصاد» انجام دادند. در این پژوهش روند قیمت مسکن و متغیرهای مرتبط با استفاده از مدل‌های جنگل تصادفی و پیش‌بینی خطی تحلیل شده است. همچنین، با شناسایی موفقیت آمیز متغیر های کلیدی مربوط به قیمت مسکن، پیش بینی قیمت مسکن خارج از پیش بینی نمونه استفاده شد. مدل‌های ارائه‌شده در این مطالعه ابزارهای ارزشمندی برای ارزیابی روند بازار مسکن است که به‌دلیل سهولت و کارایی استفاده از آنها می‌توان آنها را به‌راحتی در‌طول زمان گسترش داد (Yen et al., 2022).

لو و زیو پژوهشی با عنوان «پیش‌بینی فضایی قیمت مسکن در پکن با استفاده از الگوریتم‌های یادگیری ماشین» انجام دادند. هدف از این پژوهش بررسی ویژگی‌های مهم توضیحی و تعیین مکانیزم دقیق پیش‌بینی فضایی قیمت مسکن در پکن با ذکر تکنیک‌های یادگیری ماشین از‌جمله XGBoost، رگرسیون خطی، رگرسیون جنگل تصادفی، مدل ریج و لاسو، کیسه‌بندی و تقویت است. نتایج این پژوهش نشان داد که روش‌های خطی در‌مقایسه با روش سنتی هدونی و روش‌های یادگیری ماشین که زمان‌بر هستند، بهبود چشمگیری را در دقت برآورد دارد (Lu & Ziyue, 2020).

 ژانگ و همکاران پژوهشی با عنوان «تحلیل خودکارآمد فضایی و مدل‌سازی قیمت مسکن در شهر تورنتو» انجام دادند. در این مطالعه یک چارچوب سیستماتیک‎تر برای تجزیۀ قیمت مسکن از قیمت زمین ارائه و با فرم ساخته‌شده ویژگی‌های اقتصادی-اجتماعی محله و شرایط فیزیکی مسکن مشخص شد. در این مطالعه متغیر‌های مرتبط با تحلیل رگرسیون از‌ جمله در نظر گرفتن تأخیرهای فضایی و توسعۀ مدل قیمت مسکن با استفاده از الگوریتم جنگل‌های‌ تصادفی (Random forests) (RF) آزمایش شد. همچنین، در این پژوهش از پایگاه داده جامع سری زمانی داده‌های معاملات مسکن برای شهر تورنتو استفاده شد. نتایج مدل‌سازی نشان داد که عوامل اجتماعی و اقتصادی محله بیشترین نقش را در قیمت مسکن دارند (Zhang et al., 2021).  

رهنما و اسدی (۱۳۹۴) پژوهشی با عنوان «تحلیل توزیع فضایی قیمت مسکن در شهر مشهد» انجام دادند. نتایج نشان داد که متوسط قیمت هر متر مربع از واحدهای آپارتمانی در شهر مشهد ۹۰۰۰۰۰۰ ریال، متوسط قیمت هر متر مربع از منازل ویلایی۹۳۵۰۰۰۰ ریال و متوسط قیمت هر مترمربع از واحدهای مسکونی برابر با ۹۱۷۰۰۰۰ ریال است. تحلیل فضایی قیمت مسکن در شهر مشهد براساس تکنیک موران نشان‌دهندۀ توزیع ناهمگون ارزش مسکن در منطقه‌های مختلف شهر است.

پوراحمد و همکاران (۱۳۹۵) پژوهشی با عنوان «تحلیل شاخص‌های کمّی و کیفی و برنامه‌ریزی مسکن شهر زنجان» انجام دادند. نتایج این پژوهش بیانگر روند روبه‌رو رشد وضعیت شاخص‌های کمّی و کیفی در شهر زنجان به‌ویژه پیشرفت به‌نسبت مناسب شاخص‌های کمّی و کیفی در دهۀ ۱۳۹۰- ۱۳۷۵ است.

طالبلو و همکاران (1396) پژوهشی با عنوان «تحلیل انتشار فضایی تغییرات قیمت مسکن در استان‌های ایران: رویکرد اقتصاد‌سنجی فضایی» انجام دادند. محققان در این پژوهش با تحلیل انتشار فضایی تغییرات قیمت مسکن در استان‌های ایران به این نتیجه رسیدند که اثر‌های فضایی متغیر مخارج خانوار اثر معناداری بر قیمت مسکن داشته و سایر متغیرها از‌جمله قیمت زمین، هزینۀ ساخت و اجاره واحد مسکونی به‌صورت مستقیم و در قالب سریزهای فضایی اثر‌های معناداری بر قیمت مسکن در استان‌های ایران داشته است.

خندان و همکاران (1398) پژوهشی با عنوان «تحلیل عوامل مؤثر بر افزایش اجاره‌بهای زمین شهری در منطقۀ یک کلانشهر تهران» انجام دادند. محققان در این پژوهش در‌یافتند که در بخش مدیریتی، مؤلفۀ تراکم ساختمانی، در بخش اقتصاد، مؤلفۀ قیمت زمین و مسکن و در بخش اجتماعی، مؤلفۀ رشد سریع جمعیت جزء اثرپذیرترین مؤلفه‌ها در افزایش رانت است؛ زیرا باعث ناپایداری در مدیریت و برنامه‌ریزی شهری منطقۀ یک کلانشهر تهران شده است.

عزت‌پناه و همکاران (1401) پژوهشی با عنوان «تحلیل فضایی عوامل اثرگذار بر قیمت مسکن در کلانشهر تهران» انجام دادند. نتایج آنها نشان داد که ضریب خودهمبستگی فضایی شوک نوسانی قیمت وارد بر یک منطقه به دیگر منطقه‌های کلانشهر تهران نیز سرایت کرده است. به عبارت دیگر، در ضریب خودهمبستگی فضایی 521556 واحد کاربری مسکونی در‌سطح محله‌ها و منطقه‌های کلانشهر تهران مشاهده می‌شود که نوسان قیمت و دامنۀ آن به‌شدت تابعی از عامل توپوگرافی و کلیشۀ بالاشهر-پایین‌شهر در نظریۀ عامیانۀ اقتصاد شهری است.

وجه تمایز این مطالعه در این است که پژوهش‌های قبلی در‌سطح کشوری و بین استانی و به‌صورت مقایسه‌ای صورت گرفته است و از همین جهت، دقت کمتری را دارد. محققان در بیشتر موارد فوق تنها به یک بُعد از ابعاد کالبدی، فضایی، اجتماعی و یا عوامل اقتصادی اثرگذار بر ارزش مبادلاتی مسکن تأکید داشته‌اند و به تقسیم‌بندی رویکردهای موجود در‌زمینۀ عوامل مؤثر بر نوسان قیمت مسکن شهری توجهی نکرده‌اند؛ از این ‌رو آنچه پژوهش‌ حاضر را نسبت به دیگر پژوهش‌ها متفاوت و جدید نشان داده این است که محققان در این پژوهش همبستگی بین شاخص‌های ابعاد اقتصادی، اجتماعی-فرهنگی وکالبدی مؤثر بر مبادلۀ‌ مسکن شهری یا قیمت مسکن (آپارتمانی، ویلایی و کلنگی) را با استفاده از روش‌های تحلیل فضایی و آماری تحلیل فضایی کرده‌اند و دوم اینکه برای آگاهی از نوسان‌های بازار مسکن درآینده به مدل‌سازی تغییرات آتی قیمت مسکن تا سال ۱۴۰۴ پرداخته شده است.

 

محدودۀ پژوهش

منطقۀ 10 شهرداری تهران در بخش جنوب غربی شهر تهران قرار دارد و با منطقه‌های ۱۷، ۱۱، ۹ و ۲ هم‌مرز است. این منطقه با بیش از 38 سال سابقۀ شکل‌گیری از شمال به خیابان آزادی، از شرق به بزرگراه شهید نواب صفوی، از جنوب به خیابان قزوین و از غرب به خیابان شهیدان، هرمزگان و پادگان جی محدود می‌شود که در شکل (2) نشان داده شده است. این منطقه ۳ ناحیۀ خدمات شهری و ۱۰ محلۀ قدیمی را دارد و از منطقه‌های پر‌جمعیت شهر تهران است. قدیمی‌ترین محله‌های منطقه به سال ۱۳۰۴ و جدیدترین آنها به سال ۱۳۵۳ بر‌می‌گردد (شهرداری منطقۀ 10 تهران، 1395). مساحت منطقه معادل ۸۱۷ هکتار است که حدود ۳۴۰ هزار‌ نفر را در خود جای داده است. همچنین، با تراکم ۴۲۰ نفر در هکتار جزء پرتراکم‌ترین منطقه‌های شهر تهران و جمعیت آن چهار برابر حد استاندارد و دو برابر میانگین تراکم در شهر تهران است. این منطقه ۲۷ بوستان با وسعتی بیش از بیست هکتار دارد. این منطقه گلوگاه دسترسی به فرودگاه بین‌المللی امام‌خمینی (ره) در جنوب، ترمینال غرب، فرودگاه مهرآباد در غرب و بازار تهران در شرق است. همچنین، از منطقه‌های قدیمی شهر تهران است که حدود یک قرن پیش شکل گرفته و تراکم زیاد جمعیت از ویژگی‌های بارز این منطقه است.

شکل 2: نقشه موقعیت محدوده پژوهش در استان و شهرستان (منبع: نگارندگان 1401)

Figure 2: location map of the research area in the province and city

 

روش‌شناسی پژوهش

پژوهش حاضر از‌نظر هدف، کاربردی و ازنظر روش، توصیفی-تحلیلی است که به روش کمّی اجرا شده است. در این پژوهش ابتدا با استفاده از رگرسیون چند‌متغیره ارتباط بین عوامل اثرگذار بر ارزش مبادلاتی مسکن از دو بُعد مصرف‌کننده و تولیدکننده بررسی و سپس عواملی معرفی شده است که قیمت و ارزش مسکن تابع آنهاست. نتایج حاصل از پژوهش حاضر در قالب جدو‌ل‌های توصیفی و اطلاعاتی و نقشه‌های متعدّد محقق‌ساخته ارائه شد. یافته‌های حاصل از این پژوهش نشان داد که چه مؤلفه‌ها و عواملی بیشترین و چه عواملی کمترین تأثیر را بر بازار زمین و مسکن در محله‌های منطقۀ 10 تهران دارند. در این پژوهش با مراجعه به منابع اسنادی برای گردآوری مبانی نظری و فیش‌برداری از منابع، آمارنامه، سرشماری‎ها و اطلاعات رسمی سازمان‌ها و اداره‌های مربوط، شبکه‌ها، پایگاه‌های اطلاع‌رسانی داخلی و خارجی، نقشه و طرح‌های توسعۀ شهری (جامع و تفصیلی) داده و اطلاعات گردآوری شده است. از آن جهت که مهم‌ترین ابزار مطالعه در جغرافیا مشاهدۀ عینی و مستقیم محقق است، روش مشاهده‌ای و آشنایی محقق بر منطقۀ مطالعه‌شده اصلی‌ترین ابزار مطالعه خواهد بود. به همین جهت از پرسشنامۀ محقق‌ساخته استفاده شده است. اصلی‌ترین بخش پرسشنامه‌ای در پژوهش حاضر برداشت قیمت زمین و مسکن سال جاری (1401) از مشاوران املاک بوده است. جامعۀ آماری پژوهش حاضر 240 نقطه از مسکن‌ها (ویلایی و آپارتمانی) در‌سطح محله‌های منطقۀ 10 شهرداری تهران است. روش انجام‌دادن پژوهش تلفیقی از روش‌های کمّی و کیفی است. مبانی نظری پژوهش با‌توجه به موضوع مطالعه‌شده تدوین شده است. همچنین، در این پژوهش از فنون توصیف و تحلیل آماری، پردازش تصاویر، توصیف و تحلیل مبتنی بر پایگاه‌های داده‌های مکانی و سامانه‌های اطلاعات جغرافیایی بهره گرفته است. به‌علاوه، برای آماده‌سازی و پردازش داده‌های لازم از نرم‌افزارهای Excel، Spss و Arc GIS استفاده شده است.

1- مدل نقاط سرد و گرم (Getis‑OrdGi) (Hot and cold spots model)

در این مدل منطقه‌ها با بیشترین میزان بروز به‌عنوان منطقه‌های داغ شناسایی شد (Mondal et al., 2015). تجزیه‌و‌تحلیل نقطۀ داغ می‌تواند در مطالعۀ شواهد الگوهای فضایی قابل شناسایی مفید باشد. این تکنیک که در نرم‌افزار ArcGIS پیاده‌سازی شده است، دسته‌های فضایی معنادار آماری را با ارزش بیشتر (نقاط داغ) و ارزش کمتر (نقاط سرد) مشخص می‌کند. در مدل Getis-Ord Gi اهمیت و شدت خوشه‌بندی بر‌اساس سطح اطمینان و نمره‌های Z ارزیابی می‌شود. همچنین این مدل امتیاز‌های z مثبت و نمره‌های Z بالاتر بسیاری از خوشه های شدید (نقاط داغ) را نشان می‌دهد؛ اگر Z-score منفی شود، نقاط سرد را نشان خواهد داد (Rashmi et al., 2009). درادامه، آمارۀ Getis-Ord-J براساس رابطۀ 1، 2 و 3 محاسبه شده است.

رابطۀ 1                                                     

در این فرمول Xj مقدار مشخصه برای عارضۀ j است. Wij وزن فضایی بین عارضه و i، j، و n تعداد عوارض جمع‌آوری‌شده است.

رابطۀ 2                                                                   

رابطۀ 3                                                      

از آنجایی که Gi خود یک نوع Z-score است، نیازی به محاسبۀ مجدد نیست.

2- خودهمبستگی فضایی (Global Moran’s I) (Spatial autocorrelation)

تجزیه‌و‌تحلیل خودهمبستگی فضایی (Global Moran's I)، همبستگی بین مقدار‌ها و متغیرهای یکسان را در مکان‌های مختلف نشان می‌دهد. خودهمبستگی مکانی قوی زمانی رخ می‌دهد که مقدار‌ها به‌طور تصادفی در فضا توزیع شود و هیچ رابطه‌ای بین آنها وجود نداشته باشد (Du et al., 2020). تجزیه‌و‌تحلیل همبستگی فضایی به‌عنوان خودهمبستگی فضایی (Global Moran's I) با رابطۀ 4 محاسبه می‌شود.

رابطۀ 4                                               

3- رگرسیون چندمتغیره (مدل خطی عمومی) (Multivariate regression)

مدل خطی عمومی یک مدل خطی آماری است که براساس رابطۀ 5 محاسبه می‌شود.

رابطۀ 5                                                              

در جایی که A یک ماتریس با ردیف‌هایی از اندازه‌گیری‌های چند‌متغیره است، X ماتریسی است که نمی‌تواند ماتریس طراحی باشد. B ماتریسی حاوی واریانس‌هایی است که بیشترتخمین زده می‌شود و U ماتریسی حاوی خطاها و نویز است. اگر خطاها با توزیع نرمال چند‌متغیره مطابقت نداشته باشد، از مدل خطی تعمیم‌یافته برای منطقی‌تر‌کردن فرضیه‌های Y و U استفاده می‌شود.

در پژوهش حاضر اطلاعات مربوط به قیمت مسکن‌ها (آپارتمانی و ویلایی) و عوامل اثرگذار بر‌مبنای چارچوب نظری و مدل مفهومی پژوهش در منطقۀ 10 تهران با مصاحبه از صاحبان املاک و بلوک‌های آماری به دست آمد که در جدول (1)، (2) و (3) در سه بُعد اقتصادی، اجتماعی و کالبدی ارائه شده‌ است.

جدول1: میانگین قیمت مسکن‌های آپارتمانی، ویلایی و کلنگی در‌سطح محله‌های منطقۀ 10 تهران (متغیرهای وابسته)

Table 1: The average price of apartment, villa and shanty houses at the level of neighborhoods in the 10th district of Tehran (Dependent variables)

ساختمان‌های ویلایی

آپارتمان‌های بیش از 5 سال ساخت

آپارتمان‌های زیر 5 سال ساخت

اسامی محله‌ها

47800000

38200000

41200000

زنجان جنوبی

50300000

37200000

41900000

کارون شمالی

43000000

38400000

42500000

سلسبیل شمالی

48700000

35000000

36000000

هاشمی

46700000

35300000

37700000

کارون جنوبی

40000000

37600000

39500000

سلسبیل جنوبی

38500000

26200000

31600000

شبیری-جی

44400000

28500000

31500000

سلیمانی-تیموری

38700000

30200000

32200000

هفت‌چنار

37700000

30400000

31800000

بریانک

منبع: نگارندگان، 1401

 

 

جدول 2: شاخص‌های بُعد اقتصادی و اجتماعی در‌سطح محله‌های منطقۀ 10 تهران (متغیرهای مستقل)

Table 2: Indicators of economic and social dimensions at the level of neighborhoods in the 10th district of Tehran (independent variables)

درآمد خانوار/ ریال

رهن-اجاره‌بها/ ریال

قیمت زمین / ریال

میزان ازدواج / درصد

مهاجران / درصد

بُعدخانوار / درصد

تراکم جمعیت / درصد

اسامی محله‌ها

810000000

2960000000

471000000

74/54

89/5

76/2

4/300

زنجان جنوبی

905000000

3040000000

472000000

13/53

11/3

72/2

8/439

کارون شمالی

987000000

3630000000

451000000

15/56

23/7

66/2

1/356

سلسبیل جنوبی

1050000000

4740000000

468000000

28/53

9/8

82/2

01/429

هاشمی

920000000

2800000000

473000000

05/61

19/6

74/2

4/485

کارون جنوبی

802500000

2600000000

341000000

14/43

61/6

68/2

5/458

سلسبیل جنوبی

795000000

2240000000

237000000

14/42

15/9

92/2

8/338

شبیری-جی

672000000

200000000

422000000

45/48

99/14

84/2

13/416

سلیمانی-تیموری

640000000

1800000000

369000000

83/52

35/11

88/2

86/407

هفت‌چنار

617000000

2400000000

375000000

6/54

25/10

84/2

6/390

بریانک

منبع: نگارندگان، 1401

 

جدول3: شاخص‌های بُعد کالبدی در‌سطح محله‌های منطقۀ 10 تهران (متغیرهای مستقل)

Table 3: Indicators after Kalbadi at the level of neighborhoods in the 10th district of Tehran (independent variables)

کیفیت ساخت (نوساز)

قدمت ساختمان به سال

نوع سازۀ اسکلت بتنی

سرانۀ کاربری‌های آموزشی

سرانۀ کاربری درمانی

سرانۀ کاربری تجاری

سرانۀ کاربری فضای سبز

اسامی محله‌ها

23/0

29

80/21

34/1

05/0

82/1

03/0

زنجان جنوبی

20/0

26

41/17

03/2

09/0

01/1

01/0

کارون شمالی

19/0

29

92/16

10/2

04/0

55/0

15/0

سلسبیل شمالی

15/0

32

48/14

89/1

07/0

09/0

51/0

هاشمی

12/0

28

28/14

17/1

02/0

37/0

08/0

کارون جنوبی

15/0

30

84/10

89/0

01/0

34/0

14/0

سلسبیل جنوبی

17/0

32

65/8

35/0

0

24/1

09/0

شبیری-جی

10/0

32

50/80

38/0

0

8/0

92/0

سلیمانی-تیموری

8/0

32

61/7

40/0

01/0

34/0

52/2

هفت‌چنار

6/0

30

46/5

44/0

04/0

73/0

02/0

بریانک

منبع: نگارندگان، 1401

 

تجزیه‌و‌تحلیل یافته‌های پژوهش

شاید مهم‌ترین و متمایزترین ویژگی پژوهش حاضر در‌مقایسه با سایر پژوهش‌ها بخش تحلیل فضایی قیمت مسکن در منطقۀ 10 است که با ترکیب نرم‌افزارهای سیستم‌اطلاعات جغرافیایی و مدل‌های کمّی همچون مدل‌های لکۀ‌ گرم و سرد، موران و نسیم، تبدیل نقشه‎های وکتوری به رستری (سلولی) و محاسبه‌های مجدد آنها در واحدهای مطالعاتی (بلوک‌های آماری منطقۀ 10 تهران) انجام گرفته است که در این میان، تحلیل فضایی متغیرهای مستقل (اقتصادی، اجتماعی و کالبدی) نمایان شده است.

 

همبستگی قیمت مسکن‌های آپارتمانی و ویلایی با متغیرهای بُعد اقتصادی

با‌وجود اینکه بیشترین تراکم از ساختمان‌های آپارتمانی در محله‌های هاشمی، کارون جنوبی، سلسبیل جنوبی و سلسبیل شمالی منطقۀ 10 تهران است، به نظر می‌رسد که ارزش ساختمان‌های چند‌طبقه در محلۀ زنجان جنوبی تأثیری بیشتری از قیمت زمین، درآمد خانوارها و میزان اشتغال گرفته است. می‌توان نزدیکی محله با بیشترین دسترسی به حمل‌و‌نقل عمومی، مراکز تجاری، خدماتی و ... را مهم‌ترین عامل افزایش قیمت زمین در این محله در‌نظر گرفت. با‌توجه به شواهد موجود، محلۀ زنجان جنوبی بیشترین رهن-اجاره‌بهای ساختمان‌های آپارتمانی 5 سال ساخت را دارد که در شکل (3) دیده می‌شود.

شکل3: نقشۀ همبستگی قیمت مسکن‌های آپارتمانی و ویلایی با متغیرهای بُعد اقتصادی در‌سطح منطقۀ 10 تهران (منبع: نگارندگان، 1401)

Figure3: Correlation map of the price of apartment, villa, and housing with the variables of the economic dimension at the level of the 10th district of Tehran

 

باتوجه به سه الگوی خودهمبستگی فضایی (خوشه‌ای، پراکنده و تصادفی) می‌توان دریافت که ضریب موران با قیمت ساختمان‌های ویلایی الگوی خوشه‌ای را در‌سطح محله‌های سلسبیل ‌شمالی، کارون‌جنوبی و زنجان جنوبی دارد و متغیرهای اقتصادی که پیشتر از این ذکر شد، ارتباط مثبتی با قیمت مسکن‌های آپارتمانی و ویلایی دارند؛ از این ‌رو ضریب موران برای منزل‌های ویلایی برابر 190822/0 درصد است که در جدول (4) ارائه شده است. همچنین، میانگین قیمت منزل‌های ویلایی در‌سطح محله‌های منطقۀ 10 تهران در شکل (4) نشان داده شده است.

جدول 4: برآورد الگوی قیمت مسکن با متغیرهای بُعد اقتصادی در منطقۀ 10 تهران

Table 4: Estimation of the housing price pattern with the variables of the economic dimension in the 10th district of Tehran

Global Moran’s I summary

190822 . 0

Moran’s Index

009816 . 0

Variance

191628. 2

z-score

028406. 0

p-value

clustered

pattern

منبع: نگارندگان، 1401

 

 

شکل4: خودهمبستگی فضایی قیمت مسکن (منبع: نگارندگان، 1401)

Figure 4: Spatial autocorrelation of housing prices

 

تحلیل ارتباط بین قیمت مسکن و عوامل اقتصادی در منطقۀ 10 تهران

عوامل اقتصادی مؤثر بر قیمت مسکن در سال 1401 در‌سطح بلوک‌های مسکونی منطقۀ 10 تهران شامل قیمت زمین، درآمد خانوار، رهن-اجاره‌بهاست. میزان وابستگی قیمت مسکن به شاخص‌های اقتصادی طی یک رگرسیون چندگانه در نرم‌افزار Excel محاسبه و در جدول (5) مطرح شده است.

 

 

جدول 5: ضریب تأثیر و نوع رابطۀ متغیرهای اقتصادی

Table 5: Impact factor and relationship type of economic variables

قیمت آپارتمان‌ها

شاخص‌های اقتصادی

ضریب رگرسیون

نوع ارتباط

درصد تأثیر

قیمت زمین

14/0

مستقیم

21/6

درآمد خانوار

17/0

مستقیم

24/5

رهن-اجاره‌بها

9/0

مستقیم

10/3

قیمت منزل‌های ویلایی

قیمت زمین

8/0

مستقیم

36/4

درآمدخانوار

11/0

مستقیم

32/3

رهن-اجاره‌بها

7/0

مستقیم

11/2

منبع: نگارندگان، 1401

 

تأثیرگذاری هر‌یک از شاخص‌های اقتصادی بر‌روی قیمت مسکن در منطقۀ 10 تهران به‌طور جداگانه، طی محاسبه‌های رگرسیون در نرم‌افزار  Excelو سپس در نرم‌افزار Gis Arc صورت گرفته و خروجی آنها به‌صورت زیر تهیه شده است.

 

شکل5: رگرسیون ارتباط بین متغیرهای اقتصادی و قیمت مسکن (منبع: نگارندگان، 1401)

Figure 5: Regression of the relationship between economic variables and housing prices

 

رگرسیون‌های حاصل از بررسی همبستگی شاخص‌های اقتصادی به قیمت مسکن در نرم‌افزار Excel برابر 64/0 درصد است. نتایج شاخص‌ها در‌سطح محله‌های منطقۀ 10 تهران نشان داد که ارتباط مثبت و معناداری بین شاخص‌های اقتصادی و نوسان‌ قیمت مسکن در محله‌های منطقۀ 10 شهر تهران وجود دارد. طبق رگرسیون چند‌متغیره ارتباط بین محله‌ها به‌گونه‌ای است که با دور‌شدن از محله‌های پایین‌دست منطقۀ 10 شهر تهران با افزایش قیمت مسکن روبه‌رو خواهیم شد. روابط به وجود آمده بین شاخص‌های اقتصادی و مسکن در شکل (5) نمایش داده شده است.

 

بررسی همبستگی بین متغیرهای بُعد اجتماعی-فرهنگی بر پراکنش فضایی قیمت مسکن

براساس شکل (6) بیشترین همبستگی بین شاخص‌های اجتماعی-فرهنگی و قیمت مسکن در نواحی جنوبی محله‌های منطقۀ 10 تهران منطبق بر خیابان‌های امام‌خمینی، هاشمی، کارون، کیمل، ابتدای خیابان نعمت‌الله شاه پروری و انتهای خیابان مالک اشتر است. هرچه از این نواحی به‌سمت مرکزی و جنوبی منطقۀ 10 تهران پیش رویم از تأثیر شاخص‌های اجتماعی-فرهنگی بر قیمت مسکن کاسته می‌شود؛ به‌طوری محله‌های سلسبیل‌جنوبی، بریانک، هفت‌چنار و سلیمانی تیموری (جنوب منطقه) کمترین تأثیر را از این شاخص‌ها می‌گیرند.

شکل6: نقشۀ همبستگی قیمت مسکن‌های آپارتمانی و ویلایی با متغیرهای بُعد اجتماعی در‌سطح منطقۀ 10 تهران (منبع: نگارندگان،1401)

Figure 6: Correlation map of apartment and villa housing prices with social dimension variables in the 10th district of Tehran

 

باتوجه به مقدار ضریب موران (644667/ 0) به دست آمده از شکل (6) میان قیمت مسکن (ویلایی و آپارتمانی) با شاخص‌های اجتماعی-فرهنگی به‌خصوص تراکم جمعیت در هر‌یک از بلوک‌های آماری منطقۀ 10 تهران رابطۀ مثبت وجود دارد که باعث به‌ وجود آمدن یک خوشۀ طولی در جنوب و شمال محله‌های زنجان جنوبی، هاشمی، کارون شمالی و جنوبی شد. نتایج آن در جدول (6) ارائه شده است.

جدول 6: نتایج بررسی خودهمبستگی فضایی شاخص‌های اجتماعی-فرهنگی و قیمت مسکن

Table 6: Results of spatial autocorrelation of socio - cultural indicators and housing prices

Global Moran’s I summary

644667 . 0

Moran’s Index

006425 . 0

Variance

077787. 8

z-score

028406. 0

p-value

clustered

pattern

منبع: نگارندگان، 1401

 

 

شکل7: خودهمبستگی فضایی شاخص‌های اجتماعی-فرهنگی و قیمت مسکن (منبع: نگارندگان، 1401)

Figure 7: Spatial autocorrelation of socio-cultural indicators and housing prices

 

میزان وابستگی قیمت مسکن به شاخص‌های اجتماعی-فرهنگی طی یک رگرسیون چندگانه محاسبه و در جدول (7) ارائه شده است. همچنین، رگرسیون و همبستگی مهم‌ترین شاخص‌های اجتماعی-فرهنگی با قیمت مسکن سنجیده شده است.

جدول 7: ضریب تأثیر و نوع ارتباط متغیرهای اجتماعی

Table 7: Impact factor and relationship type of social variables

شاخصهای اجتماعی و فرهنگی

شاخص‌های اجتماعی-فرهنگی

ضریب رگرسیون

نوع ارتباط

درصد تأثیر

میزان ازدواج

38/0

مستقیم

99/2

تراکم جمعیت

77/0

مستقیم

07/7

بُعد خانوار

40/0

مستقیم

56/5

مهاجران

47/0-

معکوس

90/1

منبع: نگارندگان، 1401

هر‌یک از مؤلفه‌های مطالعه‌شده بر‌روی قیمت مسکن در منطقۀ 10 تهران به‌طور جداگانه طی محاسبه‌های رگرسیون در نرم‌افزار Excel صورت گرفته و سپس نتیجۀ خروجی آن در نرم‌افزار Arc Gis به‌صورت زیر تهیه شده است؛ از این ‌رو رگرسیون حاصل از بررسی شاخص‌ ویژگی‌های فرهنگی و جمعیتی در نرم‌افزارGis برابر با 72/ 0 است که نتیجۀ آن در شکل (8) نمایش داده شده است.

نتایج شاخص‌های بُعد اجتماعی-فرهنگی در‌سطح محله‌های منطقۀ 10 تهران نشان داد که همۀ شاخص‌های فوق تا حد زیادی برگرفته از جمعیت هستند؛ زیرا جمعیت منطقۀ 10 تهران به لحاظ اندازه و به‌دلیل ترکیب سنی و جابه‌جایی آن در محله‌های مختلف بر تقاضای مسکن تأثیر فراوان داشته است. به عبارت دیگر، افزایش جمعیت به‌صورت کلی تقاضای مسکن را افزایش داده و باعث افزایش قیمت مسکن در‌سطح محله‌های منطقۀ 10 شهر تهران شده است؛ از این رو تراکم جمعیت در‌سطح محله‌های هاشمی، کارون و سلسبیل جنوبی بین ۴۲1 تا ۴45 نفر در هکتار است. همچنین، میزان ازدواج در‌سطح این محله‌ها بین 9۴/۴۳ تا 25/۴۴ درصد است. تعداد زیاد مراکز آموزشی در‌سطح محله‌های مرکزی و شمالی منطقۀ 92 تهران باعث افزایش قیمت مسکن شده است. مهاجر‌پذیر‌بودن محله‌های جنوبی منطقۀ 10 تهران، بُعد خانوار را در این محله‌ها افزایش داده که این خود باعث ایجاد نا امنی در‌سطح این محله‌ها شده است؛ از این رو نا‌امنی موجود در‌سطح این محله‌ها بین 43/6 تا 23/15 درصد است که تأثیرات بسیار زیادی را از‌لحاظ شاخص‌های اجتماعی–فرهنگی بر‌روی قیمت مسکن داشته است. نتیجه در شکل (8) نمایش داده شده است.

 

شکل8: رگرسیون ارتباط بین شاخص‌های اجتماعی و قیمت مسکن (منبع: نگارندگان،1401)

Figure 8: Regression of the relationship between social indicators and housing prices

 

تحلیل ارتباط بین قیمت مسکن و عوامل فضایی و کالبدی در منطقۀ 10 تهران

میزان وابستگی قیمت مسکن به شاخص‌های کالبدی طی یک رگرسیون چندگانه در نرم‌افزار Gis محاسبه و در جدول (8) ارائه شده است. برای تحلیل عوامل فضایی و دسترسی‌ها پس از محاسبۀ فاصله‌ها و میزان دسترسی، رگرسیون و همبستگی مهم‌ترین کاربری‌ها با قیمت مسکن سنجیده شده است که نتیجۀ حاصل از آن به شرح ذیل است.

جدول 8: ضریب تأثیر و نوع ارتباط روابط کالبدی

Table 8: Effect coefficient and relationship type of physical relationships

دسترسی به کاربری‌ها

 

شاخص‌های مطالعه‌شده

ضریب رگرسیون

نوع ارتباط

درصد تأثیر

کاربری تجاری

14/0

مستقیم

91/1

کاربری درمانی

21/0-

معکوس

73/1

آموزشی

02/0-

معکوس

04/0

فضای سبز و باز

02/0

معکوس

03/0

عوامل کالبدی

قدمت سازه

08/0

معکوس

63/0

کیفیت بنا

40/0

مستقیم

14/0

نوع سازه

06/0-

معکوس

31/0

منبع: نگارندگان، 1401

 

شکل9: همبستگی بین شاخص‌های دسترسی به خدمات و قیمت مسکن (منبع: نگارندگان، 1401)

Figure 9: Correlation between indicators of access to services and housing prices

 

باتوجه به شکل (9) بیشترین همبستگی به شاخص‌های دسترسی به خدمات و قیمت مسکن در غرب منطقۀ 10 تهران منطبق بر خیابان‌های سبحانی، مالک‌اشتر، جیحون، امام‌خمینی، هاشمی، دامپزشکی و ابتدای خیابان قصرالدشت و انتهای رودکی است. هرچه از این نواحی به سمت مرکز و شرق منطقۀ 10 تهران پیش رویم از تأثیر عامل دسترسی به خدمات و کاربری‌ها بر قیمت مسکن کاسته می‌شود؛ به‌طوری که محله‌های مرکزی و غربی کمترین تأثیر را از این عامل می‌گیرند.

نتایج براساس مدل خودهمبستگی‌ فضایی موران نشان داد که ضریب موران برای همبستگی شاخص‌های دسترسی به کاربری‌ها، خدمات و قیمت مسکن برابر 050658. 0 درصد است. بر این اساس، الگوی پراکنش مکانی شاخص‌های دسترسی به خدمات و قیمت مسکن در‌سطح محله‌های منطقۀ 10 تهران به‌صورت خوشه‌ای و بیشتر در قسمت‌های غرب و شمال منطقۀ 10 (شامل محله‌های کارون شمالی، زنجان جنوبی، هاشمی و شبیری-جی) دیده می‌شود که نتایج آن به‌طورکامل در جدول (9) ارائه شده است.

جدول9: نتایج بررسی خودهمبستگی فضایی شاخص‌های دسترسی به خدمات و قیمت مسکن

Table 9: Results of spatial autocorrelation of indicators of access to services and housing prices

Global Moran’s I summary

050658 . 0

Moran’s Index

000253 . 0

Variance

362258. 3

z-score

000773. 0

p-value

clustered

pattern

منبع: نگارندگان، 1401

 

 

شکل10: خودهمبستگی فضایی شاخص‌های دسترسی به خدمات و قیمت مسکن (منبع: نگارندگان، 1401)

Figure 10: Spatial autocorrelation of indicators of access to services and housing

 

نتیجۀ حاصل از بررسی رگرسیون همبستگی بین شاخص‌های دسترسی به خدمات و قیمت مسکن برابر با 94/ 0 است که نتیجۀ آن در‌سطح محله‌های منطقۀ 10 تهران در شکل (11) نمایش داده شده است.

 

شکل11: رگرسیون ارتباط بین شاخص‌های دسترسی به خدمات و قیمت مسکن (منبع: نگارندگان،1401)

Figure 11: Regression of the relationship between indicators of access to services and housing prices

 

با‌توجه به شکل (11) در قسمت‌های مرکز، غرب، شمال، شمال شرق و شرق منطقۀ ۱۰ تهران نسبت به قسمت‌های مرکز، جنوب و جنوب شرقی لکه‌های داغ بیشتری دیده می‌شود که این خود باعث ایجاد خوشه‌های فضایی داغ شده است؛ از این رو هر‌چه از جنوب منطقۀ ۱۰ تهران به سمت شمال منطقه حرکت می‌کنیم، مبادلۀ مسکن افزایش می‌یابد. در قسمت‌های جنوبی به‌ویژه محله‌های بریانک، هفت‌چنار، سلیمانی-تیموری و سلسبیل ‌جنوبی عامل قدمت سازه با بیشترین تأثیر منفی بر قیمت (63/ 0 درصد) و سپس عامل کیفیت بنا (14/0 درصد) از‌جمله عواملی است که با کم‌شدن کیفیت آنها تأثیرشان بر ارزش مبادلاتی مسکن در‌سطح محله‌های فوق کاسته شده است. این معضل باعث شده که علاوه‌بر لزوم تأمین مسکن برای خانواده‌های جدید ۴۸ درصد از ساختمان‌های موجود به‌دلیل فرسودگی به جایگزینی نیاز پیدا کنند. همچنین، نادیده‌گرفتن ضوابط ساخت‌و‌ساز و کمبود نظارت کامل شهرداری موجب شده است که برخلاف صرف مواد و مصالح و انجام‌دادن هزینه، عمر مفید ساختمان‌ها کوتاه شود و در‌مقابل سوانحی نظیر زلزله، سیل یا آتش‌سوزی نیز مقاومت لازم را نداشته باشند؛ از این رو قیمت مسکن در قسمت‌هایی از شمال و مرکز منطقۀ ۱۰ تهران به‌ویژه محله‌های زنجان جنوبی، کارون شمالی، کارون جنوبی و هاشمی به‌دلیل تغییر کاربری مسکونی به کاربری‌های سودآورتر (کاربری تجاری) همواره با رشد روبه‌رو بوده است و همین موضوع سبب ایجاد انگیزه‌های نوسازی قطعاتی شده است. درنهایت، این مسئله بیشتر منجر به تغییر کاربری یا افزایش تراکم ساختمانی در این محله‌ها شده است.

 

 

 

شکل 12: همبستگی بین شاخص‌های کالبدی و قیمت مسکن (منبع: نگارندگان، 1401)

Figure 12: Correlation between physical indicators and housing prices

 

براساس الگوی پراکنش مکانی، همبستگی بین شاخص‌های کالبدی و قیمت مسکن در منطقۀ 10 تهران با استفاده از مدل موران محلی به‌صورت پراکنده و بیشتر درسطح محله‌های زنجان جنوبی، کارون شمالی، هاشمی، سلسبیل‌شمالی است. مقدار ضریب موران برابر با 034872. 0 درصد و ضریب اسکور برابر با 764470. 1 درصد است که نتایج آن در جدول (10) ارائه شده است.

جدول 10: نتایج بررسی خودهمبستگی فضایی شاخص‌های کالبدی و قیمت مسکن

Table 10: Results of spatial autocorrelation of physical indicators and housing prices

Global Moran’s I summary

034872 . 0

Moran’s Index

000303 . 0

Variance

764470. 1

z-score

077653. 0

p-value

Dispersed

pattern

منبع: نگارندگان، 1401

 

شکل 13: خودهمبستگی فضایی شاخص‌های کالبدی و قیمت مسکن (منبع: نگارندگان، 1401)

Figure 13: Spatial autocorrelation of physical indicators and housing prices

 

با بررسی قیمت مسکن و تهیۀ رگرسیون از عوامل کالبدی مؤثر در جدول (8)t  عدد 99. 0 درصد را نشان داد که بیشترین پراکندگی این همبستگی و تأثیر در جنوب منطقۀ 10 تهران ناشی از قرارگیری بافت فرسوده و میانی منطقه و کم‌توجهی مسئولان، شهروندان و فعّالان ساخت‌و‌ساز به این نواحی است.

 

شکل 14: رگرسیون ارتباط بین شاخص‌های کالبدی و قیمت مسکن (منبع: نگارندگان،1401)

Figure 14: Regression of the relationship between physical indicators and housing prices

 

خروجی نهایی تمام شاخص‌های مؤثر برارزش مبادلاتی مسکن

با‌توجه به خروجی نهایی، تمام شاخص‌های مؤثر بر ارزش مبادلاتی مسکن در شکل (15) منطبق بر محلات شمالی  منطقه 10 شهر تهران بوده که شامل محله‌های کارون و سلسبیل شمالی می‌شود. با نگاهی گذرا به این محله‌ها می‌توان ارزش را در املاک آن نسبت به سایر محله‌های منطقه دریافت که عوامل تاثیرگذار در این پدیده طبق پژوهش حاضر به‌صورت زیر است. در بین عوامل اقتصادی عامل میزان اشتغال کل و درآمد خانوار بیشترین تأثیر مثبت را در تفاوت قیمت داشته است. پس از آن، عامل تراکم جمعیت از تأثیرگذارترین عوامل اجتماعی در‌سطح محله‌های منطقۀ 10 تهران است. در بین شاخص دسترسی به خدمات شهری، دسترسی و مجاورت به کاربری‌های نظامی و کاربری‌هایی همچون فرودگاه موجب کاهش شدید قیمت شده و در مقابل، عامل دسترسی به کاربری‌های تجاری، درمانی و مراکز آموزشی تأثیر مثبتی بر افزایش قیمت مسکن داشته است. در بین عوامل کالبدی، عامل تعداد طبقات بیشترین تأثیر مثبت و مستقیم را بر مسکن داشته و در مقابل، شاخص قدمت بنا عامل مهمی در نزول قیمت مسکن بوده است.

شکل 15: همبستگی تمام شاخص‌های مؤثر بر ارزش مبادلاتی مسکن در منطقۀ 10 تهران (منبع: نگارندگان، 1401)

Figure 15: Correlation of all indicators affecting the exchange value of housing in the 10th district of Tehran

 

نتیجه‌گیری

مسکن نیاز اساسی هر جامعه‌ای است که تحول در این بخش، تأثیر فراوانی بر سایر بخش‌های اقتصاد دارد؛ از این ‌رو پیش‌بینی دقیق قیمت مسکن برای صاحبان خانه‌ها، سرمایه‌گذاران و سایر مشارکت‌کنندگان در بخش مسکن حائز اهمیت است؛ بنابراین وجود یک روش برای پیش‌بینی قیمت مسکن می‌تواند موجب بهبودی کارایی بازار مسکن شود.

ارزش مبادلاتی علاوه‌بر آنکه استفاده از مسکن را به‌عنوان یکی از حقوق اساسی هر شهروند مایۀ مبادله، بازتولید و سرمایه‌داری قرار می‌دهد، به‌شدت موجب تفکیک و تمایز اقشار و طبقات اجتماعی مختلف در شهر شده است؛ زیرا ساکنان شهری براساس توان مالی خود قادر به انتخاب مسکن در محله‌های مختلف هر شهر هستند.

ارزش مبادلاتی مسکن در منطقۀ 10 تهران تابع میزان ارزش افزوده است. از آنجا که محله‌های مرفّه منطقۀ 10 (محله‌های شمالی) ارزش افزودۀ بیشتری را در ساخت‌وساز دارند، جاذب سرمایۀ بیشتری نیز هستند؛ اما در محله‌های فقیرنشین (محله‌های جنوبی) به‌دلیل پایین‌بودن ارزش افزوده، رغبت مالکان به بازسازی و نوسازی کمتر بوده است؛ در‌نتیجه محله‌های فقیرنشین در تله‌هایی از فقر و فرسودگی گرفتار شده‌اند؛ از این ‌رو منطقۀ 10 تهران شاهد افزایش سرمایه‌گذاری در عرصۀ ساخت‌و‌سازها بوده است. عواملی همچون رکود تورمی، گسترش فعالیت‌های سوداگری، نگاه سرمایه‌ای غیرمولد، احتکار زمین با دلالان زمین، زد‌و‌بند‏های میان بنگاه‌‏های املاک و سوداگران، توسعه‌نیافتگی شهرهای جدید به‌دلیل مشکلات حمل‌و‌نقل و سرکوب تقاضای مسکن طبقات فرودست با سرمایۀ سوداگر باعث افزایش قیمت و کاهش تقاضای مسکن در‌سطح منطقۀ ۱۰ شهرداری تهران شده‌ است. به این ترتیب، کاهش تقاضا در بازار مسکن منطقۀ 10 تهران مانع افزایش قیمت‏‌ها نشده است، بلکه تداوم این روند به‌معنای کاهش سرمایه‏‌گذاری در مسکن است که خود عاملی در راستای افزایش قیمت‏‌هاست؛ از این ‌رو مسکن منطقۀ 10 تهران ارزش مصرفی خود را از دست داده و به کالایی شبیه دیگر کالاهای تولید سرمایه‌‌داری تبدیل شده است.

تبدیل‌شدن مسکن از یک کالای مصرفی به یک کالای سرمایه‌‏ای مهم‏ترین پیامد روندهای طی‌شده در بازار مسکن منطقۀ 10 تهران بوده است. حاصل این روند بروز معضلات اقتصادی، اجتماعی و سیاسی گوناگون، ظهور پدیدۀ خانه‌‏های خالی (حدود 15 هزار در‌حال حاضر)، افزایش روزافزون هزینۀ مسکن در سبد خانوارهای منطقۀ 10 تهران (در مواردی تا ۷۰ درصد)، افزایش تعداد مستأجران شهری در عرض ۲۰ سال از ۲۱ درصد به 43 درصد بین سال‏های 1380 تا 1400، کاهش کیفیت ساخت مسکن، افزایش نسبت نقدینگی مسکن به کل سرمایه‏‌گذاری در اقتصاد (به‌طور متوسط ۳۰ درصد در سال‏‌های پس از انقلاب و  بین ۵۰ تا ۶۴ درصد در سال‏‌های رونق‌بخش مسکن) و ورود بخش عمده‏‌ای از این نقدینگی به بازار مسکن دست دوم و کاهش رشد سرمایه‌گذاری در صنعت، افزایش شدید شکاف طبقاتی، بروز احساس ناامنی اجتماعی در میان اقشار وسیعی از جامعه، گسترش بدمسکنی و افزایش روزافزون خانه‏‌های اشتراکی، ماشین‌خوابی و پشت بام فروشی، امکان‏‌یابی هرچه بیشتر شورش‏‌های شهری، ظهور سلاطین مسکن است که طبق گزارش‌‏های مسئولان (نمایندگان مجلس، وزیر مسکن و غیره) برخی از آنها از 30 تا 500 مسکن را فقط در منطقۀ 10 تهران در مالکیت خود دارند.

به این ترتیب، کم‌درآمدها از تلۀ طبقاتی که در آن قرار داشتند، به تلۀ فضایی نیز گرفتار می‌شوند. وقتی تلۀ فضایی ایجاد شود، قشر کم برخوردار حتی از پایین‌ترین امکانات شهروندی نیز کم‌بهره می‌شوند و سپس تلۀ فضایی اجازه نمی‌دهد کم‌درآمدها از تلۀ طبقاتی خارج شوند.

باتوجه به روند به‌ کار گرفته شده در این مطالعه و دستاوردهای پژوهش موارد زیر را می‌توان برای بهبود و کاراتر‌بودن مطالعات آتی بیان کرد.

1- قیمت مسکن در منطقۀ 10 تهران متأثر از عوامل محیطی و سطح دسترسی به خدمات شهری است؛ بنابراین لازم است در مطالعات اقتصادی مسکن، تهیۀ طرح‌ها و برنامه‌های مرتبط با آن در کنار متغیرهای کلان اقتصادی به متغیرهای ذکر‌شده نیز توجه شود.

2- توجه به عوامل فضایی و روابط همسایگی در سطح برنامه‌ریزی محلی، باعث تعدیل قیمت مسکن، افزایش کیفیت محیطی آن و به‌تبع آن هدایت جریان‌های نوسازی به درون بافت محله‌های منطقۀ 10 تهران شده است.

3- برای دستیابی به هدف‌های طرح‌های مسکن منطقۀ 10 تهران در‌مقیاس‌های ملی و منطقه‌ای، توجه به ابعاد فضایی-کالبدی همچون دسترسی به خدمات شهری در‌مقیاس محلی ضروری است.

4- ایجاد یک سازمان مشخص برای نظارت بر بازار زمین و مسکن در منطقۀ 10 تهران و جلوگیری از افزایش بی‌رویۀ قیمت آن با افرادی چون دلالان، بورس‌بازان زمین و مسکن و بنگاه‌های معاملاتی که نقش زیادی در نوسان‌های قیمت زمین و مسکن داشته‌اند.

5- کوچک‌تر‌کردن قطعات زمین در منطقۀ 10 تهران می‌تواند قدرت خرید مردم را افزایش دهد و رضایت آنها را برای پرداخت بیشتر کند. در هر دو گروه واحدهای آپارتمانی و ویلایی با زیاد‌شدن مساحت زمین از قیمت مسکن کاسته شده است.

 

[1] . Rozen

[2] . Fallis

[3] . Magboliogbi

[4] . Linman

منابع
اکبری، نعمت‌اله، عماد‌زاده، مصطفی، و رضوی، علی (1383). بررسی عوامل مؤثر بر قیمت مسکن در شهر مشهد رهیافت اقتصاد سنجی فضایی در روش هدانیک. پژوهشهای اقتصادی، 4(11)، 57-78.
پوراحمد، احمد، زیاری، کرامت‌اله، یوسفی، رشید، و حاجیلو، مهدی (1395). تحلیل شاخص‌های کمّی و کیفی و برنامه‌ریزی مسکن شهر زنجان. آمایش محیط، 33(9)، 1-23.
حسین‌زاده دلیر، کریم (1390). برنامه‌ریزی ناحیه‌ای. سازمان مطالعه و تدوین کتب علوم انسانی دانشگاه‌ها.
خندان، مینا، جهانشاهلو، لعلا، و ذبیحی، حسین (1398). تحلیل عوامل مؤثر بر افزایش اجاره‌بهای زمین شهری در منطقۀ یک کلانشهر تهران. جغرافیا (برنامهریزی منطقهای)، 9(34)، 239-255.
دفتر برنامه‌ریزی و اقتصاد مسکن (1392). چکیدۀ مطالعات طرح جامع مسکن در استان تهران.
 http://news.mrud.ir
رهنما، محمدرحیم، و اسدی، امیر (1394). تحلیل توزیع فضایی قیمت مسکن در شهر مشهد. فصلنامۀ تحقیقاتجغرافیایی، 30(1)، 37-52.
زاهدی وفا، محمدهادی، و باقری، علی (1393). تحلیلی بر نظریه ارزش و توزیع در اقتصاد. مطالعات اقتصاد اسلامی، 7(1)، 57-86.
شاکری، مجتبی، فیروز زارع، علی، و برجی، معصومه (1389). مباحثی در اقتصاد شهری با تأکید بر شهر مشهد (ج. 1). مدیریت توسعه و پژوهش‌ گروه تحقیقات اقتصاد شهری.
صارمی، حمیـد رضـا، و ابـراهیم‌پـور، مـریم (1391). بررسـی شـاخص‌هـای مسـکن ایـران و جهان (مطالعـۀ موردی: ایران، انگلیس و فرانسه). هویت شهر، 10(6)، 91-102.
https://sanad.iau.ir/Journal/hoviatshahr/Article/795520
طالبلو، رضا، محمدی، طاهر، و پیردایه، حسن (1396). تحلیل انتشار فضایی تغییرات قیمت مسکن در استان‌های ایران (رویکرد اقتصاد‌سنجی فضایی). تحقیقات اقتصاد، 17(66)، 55-95.
عزت‌پناه، بختیار، حاجی حیدری، احمد، و مشکینی، ابوالفضل (1401). تحلیل فضایی عوامل اثرگذار بر قیمت مسکن در کلانشهر تهران. فصلنامۀ علمی برنامهریزی منطقه‌ای، 12(48)، 171-188.
عطارچی، سارا، پوررحیمی، مجتبی، و عیسی‌زاده، وحید (1399). مقایسۀ عملکرد شاخص‌های طیفی با طبقه‌بندی شی‌ءگرا در استخراج مناطق ساخته‌شده در مناطق شهری (مطالعۀ موردی: شهر تهران و شهر گرگان). پژوهش‌های جغرافیای برنامه‌ریزی شهری، 8(1)، 23-43.
عیسی‌زاده، اسماعیل، پریزادی، طاهر، و عیسی‌زاده، وحید (1401). توانمندسازی محلات دارای فقر شهری (مطالعۀ موردی: محلۀ اسماعیل‌آباد، منطقۀ 19 شهرداری تهران). جغرافیا و برنامهریزی، 26(81)، 151-171.
عیسی‌زاده، وحید، قنبری، ابوالفضل، و ولی‌زاده، خلیل (1400). ارزیابی شاخص‌های طیفی و استخراج عوارض ساخته شده و ساخته‌نشدۀ شهری و مقایسۀ آن با دمای سطح زمین با استفاده از تصاویر ماهواره‌ای لندست ۷ و ۸ (مطالعۀ موردی: شهر تهران). مجلۀ آمایش جغرافیایی فضا، 11(42)، 23-39.
قلی‌زاده، علی‌اکبر، صمدی‌پور، شهلا، و سپهر دوست، حمید (1402). بررسی ‌اثر مؤلفه‌های رفتاری بر قیمت مسکن در ایران. فصلنامۀ مطالعات اقتصادی کاربردی ایران، 12(46)، 241-274.
10.22084/AES.2023.27055.3531
قنبری، ابوالفضل، عیسی‌زاده، وحید، علی بیگی بنی، زهرا (1401). تحلیل عدالت فضایی در برخورداری از تسهیلات شهری با استفاده از مدل های کمی، فضایی و خودهمبستگی موران (منطقه مورد مطالعه: اصفهان). فصلنامۀ علمی و پژوهشی پژوهش و برنامه‌ریزی شهری، 13(50)، 240-254.
مرصوصی، نفیسه (1383). تحلیل فضایی عدالت اجتماعی در شهر تهران. ماهنامۀ پژوهشی-آموزشی شهرداریها، 2(14)، 59-83.
ملکی، سیامک (1380). راهبردهای توسعۀ فضایی مجموعۀ شهری تهران مبتنی بر توسعۀ پایدار [پایان‌نامۀ کارشناسی ارشد، دانشگاه شهید بهشتی]. کتابخانۀ دانشگاه هنر اصفهان.
منطقۀ 10 شهرداری تهران (1395). گزارش جمعیت.  https://www.tehran.ir
هاروی، دیوید (1380). گفتوگو دربارۀ کتاب هفده تناقض و پایان سرمایهداری. سازمان شهرداری‌های کشور و راه‌دان.
هاروی، دیوید (1376). عدالت اجتماعی و شهر (فرخ حسامیان، محمدرضا حائری و بهروز منادی‌زاده، مترجم). شرکت پردازش و برنامه‌ریزی شهری وابسته به شهرداری تهران. (اثر اصلی منتشر شده در 1973).
 
References
Akbari, N., Emadzadeh, M., & Razavi, A. (2013). Investigating factors affecting housing prices in the city of Mashhad, Spatial Econometric Approach in The Hedanic Method. Economic Research, 4(11), 57-78. https://www.sid.ir/paper/86451/fa ]In Persian].
Attarchi, S., Pourrahimi, M., & Isazadeh, V. (2019). Comparing the performance of spectral indices with object-oriented classification in the extraction of built-up areas in urban areas (Case study: Tehran and Gorgan). Urban Planning Geography Research, 8(1), 23-43. 10.22059/JURBANGEO.2020.299492.1249 ]In Persian].
Bureau of housing planning and economics (2014). Summary of studies on comprehensive housing plan in Tehran province. http://news.mrud.ir [In Persian].
Balassa, B. A. (1959). Karl Marx and John Stuart Mill. Weltwirtschaftliches Archiv, 147-165.‏ https://www.jstor.org/stable/40434585.
Cellmer, R., Cichulska, A., & Bełej, M. (2020). Spatial analysis of housing prices and market activity with the geographically weighted regression. ISPRS International Journal of Geoinformation, 9(6), 380. https://doi.org/10.3390/ijgi9060380
Curry, M. R. (2005). Toward a geography of a world without maps: Lessons from Ptolemy and postal codes. Annals of the Association of American Geographers, 95(3), 680-691. https://www.jstor.org/stable/3693963.
District 10 of Tehran municipality (2016). Population. https://www.tehran.ir. ]In Persian].
Du, Y., Tu, L., Zhu, P., Mu, M., Wang, R., Yang, P., ... & Xu, G. (2020). Clinical features of 85 fatal cases of COVID-19 from Wuhan. A retrospective observational study. American journal of respiratory and critical care medicine201(11), 1372-1379. https://doi.org/10.1164/rccm.202003-0543OC
Ezzat Panah, B., Haji Heydari, A., & Meshkini, A. (2023). Spatial analysis of factors affecting housing prices in Tehran metropolis. Regional Planning Scientific Quarterly, 12(47), 48-79. 10.30495/JZPM.2021.26895.3814 ]In Persian].
Ghanbari, A., Iszadeh, V., & Alibeigi Bani, Z. (2023). Analysis of spatial justice in the enjoyment of urban facilities using moran's quantitative, spatial and autocorrelation models (Study area: Isfahan). Research and Urban Planning, 13(50), 240-254. 10.30495/JUPM.2022.5555 ]In Persian].
Gimeno, R., & Martínez-Carrascal, C. (2010). The relationship between house prices and house purchase loans: The Spanish case. Journal of Banking & Finance, 34(8), 1849-1855. https://doi.org/10.1016/j.jbankfin.2009.12.011
Harvey, D. (2000). Justice nature and the geography of difference. Blackwell publishers. https://archive.org/details/justicenaturegeo0000harv/page/n3/mode/2up
Harvey, D. (2009). Social justice and the city. University of georgia press. https://ugapress.org/book/9780820334035/social-justice-and-the-city
Harvey, D. (1997). Social justice and the city (F. Hassamian, M. R. Haeri, & B. Manadizadeh, Trans). Urban processing and planning company affiliated with Tehran municipality. (Orginal work publish in 1973). [In Persian].
Harvey, D. (2001) Discussion about the book seventeen contradictions and the end of capitalism. Organization of the municipalities of Iran and Rahdan. [In Persian].
Hosseinzadeh Dalir, K. (2019). Regional planning. Organization for studying and compiling humanities books of universities. [In Persian].
Isazade, V., Qasimi, A. B., Parizadi, T., & Isazade, I. (2023a). Evaluating land use plans in line with climate change adaptation policies in the Semnan Urban Region. Intercontinental Geoinformation Days, 7(34), 271-274. https://publish.mersin.edu.tr/index.php/igd/article/view/1485
Isazade, V., Qasimi, A. B., & Isazade, E. (2023b). Environmental dust effect phenomenon on the sustainability of urban areas using remote sensing data in GEE. Safety In Extreme Environments, 5(1), 59-67. https://doi.org/10.1007/s42797-022-00067-z
Iszadeh, I., Prizadi, T., & Iszadeh, V. (2023c). Empowerment of neighborhoods with urban poverty (Case study: Ismail abad neighborhood, district 19 of Tehran municipality). Scientific Journal of Geography and Planning, 26(81), 151-171. 10.22034/GP.2022.48146.2896 ]In Persian].
Isazadeh, V., Ghanbari, A., & Valizadeh, Kh. (2022a). Evaluation of spectral indices and extraction of built and unbuilt urban features and comparing it with the temperature of the earth's surface using landsat 7 and 8 satellite images, (Case study: Tehran). Journal Of Geographical Survey of Space, 11(42), 23-39. 10.30488/GPS.2021.243118.3283 ]In Persian].
Isazade, V., Qasimi, A. B., Seraj, K., & Isazade, E. (2022b). Spatial modeling of air pollutant concentrations using GWR And ANFIS models in Tehran city. Environ Contam Rev, 5(2), 72-78. http://doi.org/10.26480/ecr.02.2022.78.84.
Isazade, V., Qasemi, A. B., & Kaplan, G. (2021). Investigation of the effects of salt dust caused by drying of Urmia Lake on the sustainability of urban environments. Journal Clean WAS, 5(2), 78-84. 10.26480/jcleanwas.02.2021.78.84
John, A., Agnew, D., & Livingstone, N. (2011). The SAGE hand book of geographic knowledge. SAGE Publications. https://philpapers.org/rec/AGNTSH
Khandan, M., Jahanshahlou, L., & Zabihi, H. (2018) Analysis of factors affecting the increase in the rent of urban land in area one of Tehran metropolis. Geography (Regional Planning), 9(34), 239-255. https://www.jgeoqeshm.ir/article_89038.html ]In Persian].
Liao, W-Ch., & Wang, X. (2012). Hedonic house prices and spatial quantile regression. Housing Economics, 21(1), 234-258. https://doi.org/10.1016/j.jhe.2011.11.001
Lu, Z., & Ziyue, Y. (2020). Spatial prediction of housing prices in beijing. Machinelearningalgorithms, 8(6), 64-71. https://doi.org/10.1145/3409501.3409543
Maleki, S. (2018) Spatial development strategies of Tehran urban complex based on sustainable development [Master thesis, Shahid Beheshti University]. Library of Isfahan art university.  https://library.aui.ac.ir/inventory/108/5992.htm. ]In Persian].
Marsoosi, N. (2013). Spatial analysis of social justice in Tehran. Research And Education Monthly of Municipalities, 2(14), 59-83. ]In Persian].
Mondal, B., Das, D. N., & Dolui, G. (2015). Modeling spatial variation of explanatory factors of urban expansion of Kolkata: A geographically weighted regression approach. Model Earth Syst Environ, 1(4), 1–13. https://doi.org/10.1007/s40808-015-0026-1
Pourahmad, A., Ziari, K., Yousefi, R., & Hajilo, M. (2016). Analysis of quantitative and qualitative indicators and housing planning in Zanjan city. Amayesh Mohit, 33(9), 1-23. https://sanad.iau.ir/Journal/ebtp/Article/988243 [In Persian].
Qolizadeh, A. A., Samadipour, Sh., & Sepehr Dost, H. (2023). The effect of behavioral components on housing prices in Iran. Scientific Quarterly of Applied Economic Studies of Iran, 12(46), 241-274. 10.22084/AES.2023.27055.353 [In Persian].
Rahnama, M. R., & Asadi, A. (2014). Analysis of the spatial distribution of housing prices in Mashhad. Geographical Research Quarterly, 30(1), 37-52. https://georesearch.ir/article-1-259-fa.html [In Persian].
Rashmi, K., Garg, P. K., & Gar, R. D (2009) Health GIS and HIV/ AIDS studies: Perspective and retrospective. J Biomed Inf, 42(4), 748–755. https://doi.org/10.1016/j.jbi.2009.04.008
Saremi, H. R., & Ebrahimpour, M. (2012). Survey of Iran and world housing indexes (Case study: Iran, England and France). Hoviat shahr, 10(6), 91-102. https://sanad.iau.ir/Journal/hoviatshahr/Article/7955 [In Persian].
Shakeri, M., Firoz Zare, A., & Borji, M. (2009) Discussions in urban economy with emphasis on Mashhad city (V. 1). Development management and research group of urban economy. [In Persian].
Taleblo, R., Mohammadi, T., & Pirdayeh, H. (2016). Spatial diffusion analysis of housing price changes in the provinces of Iran; spatial econometric approach. Economics Research, 17(66), 55-95. https://doi.org/10.22054/joer.2017.8202 [In Persian].
Yen, W., Zheng, X., & Zhu, X. (2020, August). Predictive Modeling of US Housing Prices Reveals Key Indicators of Real Estate Prices and Economic Health. In 2020 International Conference on Computing and Data Science (CDS) (pp. 405-410). IEEE. 10.1109/CDS49703.2020.00085
Zahedi Vafa, M. H., & Bagheri, A. (2013). An analysis of the theory of value and distribution in economics, scientific research. Journal Of Islamic Economic Studies, 7(1), 57-86. 10.30497/IES.2014.1599 [In Persian].
Zhang, Y., Zhang, D., & Miller, E. J. (2021). Spatial autoregressive analysis and modeling of housing prices in city of Toronto. Journal of Urban Planning and Development147(1), 05021003. https://doi.org/10.1061/(ASCE)UP.1943-5444.0000651.