Spatial Analysis of the Relationship between Ecological Factors and Housing Prices in Tehran

Kolyaei, Atefeh; Prizadi, Tahir; Fasihi, Habibollah

doi:10.22108/sppl.2024.142377.1802

Spatial Analysis of the Relationship between Ecological Factors and Housing Prices in Tehran

Document Type : Original Article

Authors

¹ M.A student, Department of Geography and Rural Planning, Faculty of Geographical Science, Kharazmi University, Tehran, Iran

² Associate professor, Department of Geography and Rural Planning, Faculty of Geographical Science, Kharazmi University, Tehran, Iran

10.22108/sppl.2024.142377.1802

Abstract

Abstract
Humans seek locations that offer a high quality of life, which is significantly influenced by environmental factors. Consequently, these factors play a crucial role in determining real estate values. This research aimed to explore the extent to which spatial variations in residential property prices in Tehran were affected by ecological factors. Data were collected from various sources, including real estate websites, meteorological synoptic stations, air quality monitoring stations, a GIS file of Tehran's land use, and the Information and Communication Technology Organization of Tehran Municipality. The data were integrated into a Geographic Information System (GIS), focusing on 400 points representing the geometric centers of neighborhoods in Tehran. These points served as the basis for analytical calculations with information gathered for all relevant variables. Using ArcGIS software and Spatial Analyst Tools, we generated the necessary data. The findings indicated a decreasing desirability of ecological factors from the north to the south of the city corresponding to a decline in housing prices. The correlation coefficient of +0.71 demonstrated a strong relationship between housing prices and desirability of ecological factors. Notably, there was approximately a threefold difference in average housing prices between District 1 (the northernmost district) and District 20 (the southernmost). In conclusion, despite the influence of political and economic factors and the profound changes brought about by modernity, the socio-economic gradient from north to south in Tehran remained aligned with the gradient of ecological desirability, suggesting a shift from natural environmental qualities to the role of capital in shaping real estate values.

Keywords: Housing, Ecological Factors, Spatial Correlation, Tehran.
Introduction
In many cities, houses that are nearly identical can vary significantly in price based on their neighborhood or even specific locations within the same neighborhood. People seek out areas that offer a high quality of life, which is largely influenced by environmental factors. Consequently, these factors play a crucial role in determining real estate values. The spatial variations in housing prices within a geographical area profoundly affect the distribution of socio-economic classes. Wealthier individuals typically have the freedom to choose where they live, often opting for the most desirable neighborhoods that align with favorable ecological conditions. In contrast, lower-income groups often lack this choice and are frequently confined to less desirable areas, sometimes as a result of systemic pressures that limit their options. Access to housing is a fundamental human need and understanding the spatial disparities in housing prices—along with the ecological factors that influence them—can help inform urban management strategies aimed at achieving greater equity in housing distribution. This research sought to explore the extent to which the variations in residential property prices in Tehran were influenced by ecological factors.

Materials & Methods
This study examined 8 key components that represented ecological factors: climatic elements (precipitation and temperature), green coverage, number of clean air days, river valleys, fault lines, elevation, and slope. The climatic data were collected from 8 meteorological stations. Green coverage was calculated using the land use GIS file for Tehran. The number of clean air days was obtained from data provided by 35 air quality control stations. Information regarding the locations of river valleys, fault lines, and elevation was sourced from the Information and Communication Technology Organization of Tehran Municipality. To create maps for slope and elevation, data from the Digital Elevation Model (DEM) layer were utilized. The dependent variable in this analysis was the price per square meter of residential properties (apartments) sold in March 2024 as reported by the Real Estate Website of the Ministry of Roads and Urban Development. The analysis was based on 400 points representing the geometric centers of neighborhoods in Tehran, from which housing prices were extracted. To analyze the correlation among variables, each vector layer was converted into a raster layer, allowing for the generation of point layers corresponding to the 400 housing price locations. ArcGIS software was employed, utilizing Spatial Analyst, Spatial Join, and Zonal Statistics functions to create the necessary datasets. The study encompassed the urban area of Tehran, which consisted of 22 municipal districts, covering approximately 615 km² and housing a population of 8.7 million people.

Research Findings
The findings revealed a clear trend: as one moved from the north to the south of Tehran, the desirability of ecological factors diminished, which corresponded with a decline in housing prices. District 1 located in the northern part of the city offered the most favorable ecological conditions, while District 20 in the south presented the least desirable conditions. Consequently, housing prices increased from south to north with the highest prices found in Districts 1, 2, and 3, while Districts 18, 20, and 21 exhibited the lowest prices. Notably, there was approximately a threefold difference in the average housing price between District 1 and District 20. The correlation coefficient of +0.71 indicated a strong relationship between housing prices and desirability of ecological factors. In areas of Tehran where ecological indicators were more favorable, housing prices tended to be higher. Among the independent variables, the average annual temperature, distance from river valleys, distance from fault lines, and green coverage showed the highest correlation coefficients; however, these relationships were negative, indicating an inverse correlation. This suggested that in locations with higher housing prices, the values of these ecological indicators tended to decrease. Conversely, the indicators of elevation, average annual precipitation, slope, and number of days with clean air exhibited a positive correlation with housing prices. Generally, properties with higher exchange values were situated at greater elevations, received more annual rainfall, and had more favorable slope characteristics and a higher number of clean air days per year.

Discussion of Results & Conclusion
Tehran has long been characterized by a correspondence between its geographical north and its socio-economic north. This segregation of socio-economic classes—where higher-income groups reside in the northern areas and lower-income groups are pushed to the south—has historical roots linked to the city's expansion during governmental development. Despite the significant impacts of political economy and the sweeping changes brought about by modernism, the socio-economic gradient from north to south remains aligned with the gradient of ecological desirability. This alignment suggests that the socio-economic landscape continues to be influenced by both capital and the inherent ecological characteristics of the environment, reflecting a complex interplay between economic forces and natural desirability.

Keywords

Main Subjects

Full Text

مقدمه

در اغلب شهرها خانه‌هایی که بسیار مشابه هم هستند، قیمت‌های متفاوتی در محله‌های مختلف و حتی جاهای مختلف از یک محله را دارند ( Visser et al., 2008, P. 355; Wang & Chen, 2019, P. 192). ارزش ملک تابعی از ویژگی‌های فیزیکی، مکانی و حقوقی ملک است (Irfan, 2013). در اغلب منابع عوامل تعیین‌کنندة قیمت مسکن به 5 دستة کلی تفکیک شده است که عبارت است از: ساخت‌و‌ساز و ساختار (مساحت زیربنا، تعداد اتاق‌ها، مساحت زمین)، ویژگی‌های داخلی خانه (حمام، شومینه، تهویۀ مطبوع)، امکانات رفاهی خارجی (پارکینگ، استخر، بالکن و ایوان)، عوامل محیطی-طبیعی (منظرۀ دریاچه منظرۀ اقیانوس، منظرۀ فضای سبز) و محله و مکان (موقعیت، امنیت محل، فاصله تا مرکز شهر، درخت و پوشش‌گیاهی) (Sirmans et al., 2005, P. 13). محیط‌های شهری با فراوانی آلودگی هوا و سروکار داشتن محدود با محیط‌های طبیعی مشخص می‌شود(Konig, 2024, P. 3). در بیشتر شهرها عوامل محیطی تأثیر چشمگیری بر ارزش دارایی دارد؛ زیرا انسان‌ها به‌دنبال مکان‌هایی هستند که کیفیت زندگی خوبی را دارند. عوامل محیطی عواملی است که در محیط فیزیکی اطراف ما وجود دارد و بر ما (انسان)، گیاهان و جانوران تأثیر مثبت یا منفی می‌گذارد (Blurts, 2012, P. 88). این عوامل اغلب در‌نتیجة نوع فعالیت‌هایی به وجود می‌آید که در آن محل انجام می‌شود. ارزش هر ملک تا حدود زیادی با کیفیت محیطی مرتبط است؛ بنابراین کیفیت محیط اطراف بر قیمت ملک و دارایی در بازار تأثیر می‌گذارد. ارزش املاک را می‌توان با‌وجود سایه، آب تمیز، محیط امن و کیفیت محیط افزایش داد. تفاوت‌های فضایی قیمت مسکن در یک پهنة جغرافیایی بر توزیع فضایی طبقات اجتماعی تأثیر انکارناپذیر دارد (صارمی، 1397، ص. 21). افراد طبقات بالای اجتماع در انتخاب مسکن و محل زندگی در شهر حق انتخاب دارند. اینان به‌طور معمول مطلوب‌ترین نقاط شهر را که منطبق بر مساعدترین پهنه‌های اکولوژیکی برای زیستن است، برمی‌گزینند. این در‌حالی است که افراد طبقات پایین حق انتخاب ندارد و یا در عمل، حداقل، امکان انتخاب مسکن و مکان زندگی در شهر را دارند. دور نیست اگر گفته شود که آنها از روی اجبار به جاهای معینی از شهر رانده می‌شوند(Elliott-Cooper et al., 2020, P. 501). تبیین اقتصادی طبقه‌بندی مسکونی و نابرابری محیطی دلالت بر این دارد که خانوارهای مرفه‌تر به محله‌های مطلوب‌تر و کمتر آلوده می‌روند؛ در‌حالی که خانوارهای کم‌درآمد به سمت محله‌هایی با کیفیت زیست‌محیطی پایین‌تر رانده می‌شوند؛ زیرا قیمت مسکن پایین‌تر است. در‌واقع، کالاهای زیست‌محیطی مانند درختان و فضاهای باز ارزش مسکن را افزایش می‌دهد؛ درحالی که مضرات زیست‌محیطی مانند محل دفن زباله، جاده‌ها یا نزدیکی به خطوط فشار قوی بر قیمت تأثیر منفی می‌گذارد (Bolitzer & Netusil, 2000, P. 187; Cavailhès et al ., 2009, P. 582; Sirmans, et al., 2005, P. 22).

از آنجا که مسکن یک نیاز اساسی و در ردیف نیازهای دیگری چون غذاست و دسترسی آحاد اجتماع به مسکن در استطاعت یک هدف والای انسانی تلقی می‌شود (فصیحی، 1403، ص. 23)، پی‌بردن به تفاوت‌های فضایی قیمت مسکن در یک شهر و چگونگی تأثیرگذاری عوامل اکولوژیکی در آن برای عطف توجه برنامه‌ها و سیاست‌های مدیریت شهری در راستای برقراری عدالت زیست‌محیطی در شهر که تا حدود زیادی عدالت فضایی در توزیع مسکن را به‌عنوان یک نیاز اساسی در‌پی خواهد آورد، بسیار اهمیت دارد. عوامل محیطی تأثیرگذار بر تفاوت‌های فضایی قیمت املاک مسکونی در یک واحد سکونتگاهی شهری به شرح جدول 1 در منابع مربوط مطرح شده است.

جدول ۱: شاخص‌های تأثیرگذار بر تفاوت‌های فضایی املاک مسکونی

Table 1: Indicators affecting the spatial differences of residential properties

شاخص	پژوهش‌هایی که این شاخص را به کار برده‌اند
فاصله از ایستگاه قطار شهری	Diao, 2015 صارمی و همکاران، 1397
سیستم حمل‌و‌نقل تندرو کلانشهری	Kim & Lahr, 2014; Shyr et al., 2013
فاصله از مرکز شهر	Ersoz et al., 2018; Bitner et al., 2020; مرادی و همکاران، 1400؛ صارمی و همکاران، 1397
فاصله از مدارس ابتدایی و مهد‌کودک	Wen et al., 2014; Li, 2014; مرادی و همکاران، 1400
فاصله از مراکز خرید بزرگ	Li, 2014; Julius et al., 2020
فاصله از مراکز درمانی و بستری	مرادی و همکاران، 1400
فاصله از بوستان‌های عمومی	Wu, 2014; Bitner et al., 2020; Nikolaos et al., 2011; Chen et al., 2023; مرادی و همکاران، 1400؛ صارمی و همکاران، 1397
شبکۀ فاضلاب	Julius et al., 2020
شبکۀ آب	Julius et al., 2020; Irfan, 2013
غنای آب‌های سطحی	Bonetti et al.,2016; Cellmer et al., 2012
ارتفاع زمین	Cellmer et al., 2012
زهکشی پساب‌ها	Julius et al., 2020
پوشش شبکۀ فاضلاب	Julius et al., 2020
عرض معبر	پورمحمدی و همکاران، 1392
وضعیت ترافیکی محله	پورمحمدی و همکاران، 1392
کیفیت شبکۀ گازرسانی	وارثی و موسوی، 1389
آلودگی هوا	Julius et al., 2020; Paradinas et al., 2012; Li & Shen, 2022; Currie et al., 2013; Akhmedinova, 2020; Cai et al., 2023
آلودگی صوتی	Chiarazzo et al., 2014; Paradinaset al., 2012
پاکیزگی معابر	Paradinas et al., 2012
امنیت	Irfan, 2013; Paradinas et al., 2012; اکبری و همکاران، 1383؛ مرادی و همکاران، 1400؛ صارمی و همکاران، 1397
مخاطره‌های محیطی	Nikolaos et al., 2011

منبع: منابع موجود در جدول

پیشینۀ پژوهش

پژوهش دربارۀ ارتباط میان عوامل محیطی و قیمت مسکن چندین دهه سابقه دارد (Osland et al., 2022, P. 945).

والترز در پژوهشی با عنوان «سروصدا و قیمت» ارتباط میان آلودگی صوتی و قیمت مسکن را در شهر London بررسی کرد و به همبستگی منفی بین این دو پی برد (Walters, 1975).

پالمکوئست در پژوهشی با عنوان «اندازه‌گیری اثرات زیست‌محیطی بر ارزش املاک بدون لذت» دریافت که به موازات نزدیک‌شدن به بزرگراه از قیمت املاک مسکونی کاسته می‌شود (Palmquist, 1982).

نیکولاوس و همکاران پژوهشی با عنوان «ارزش املاک و محیط زیست: مطالعۀ موردی در مورد اثرات محیط بر ارزش املاک مسکونی» انجام دادند. محققان در این مطالعه با بررسی متون دقیق در‌حوزه‌های اروپایی و آمریکایی تأثیر عوامل محیطی نزدیک را به فضاهای سبز شهری، منابع آب، توپوگرافی غیرعادی و چشم‌انداز طبیعی و نیز تأثیر رخداد بلاها در گذشته یا احتمال تکرار آنها را در آینده در قیمت املاک بررسی کردند (Nikolaos et al., 2011).

کلمر و همکاران در پژوهشی با عنوان تأثیر عوامل محیطی بر ارزش ملک تأثیر عوامل محیطی بر قیمت املاک را در شهر Warszawa لهستان بررسی کردند. روش کار محققان مبتنی بر مدل‌سازی همبستگی‌های مکانی با تکنیک‌های آماری و آمار فضایی بوده است. سه عامل بررسی‌شده، یعنی پوشش‌گیاهی، وضعیت غنای سفره‌های آبی سطحی و ارتفاع زمین با قیمت املاک همبستگی مثبت مستقیمی دارد (Cellmer et al., 2012).

پارادیناس و همکاران پژوهشی با عنوان «محیط زیست و بازار مسکن: رخداد محیط زیست در قیمت مسکن» انجام دادند. محققان با مطالعه روی شهر Madrid از مدل رگرسیون چند‌متغیره استفاده و ارتباط و همبستگی میان قیمت ملک و چند عامل محیط زیستی مثل فضای سبز، پاکیزگی معابر، آلودگی هوا و آلودگی صوتی را تحلیل کردند. در‌مجموع، نتیجۀ تحقیق آنها چنین بود که متغیرهای کیفیت محیط با قیمت ملک همبستگی مثبت دارند (Paradinas et al., 2012).

کریسانتو و ون هارن در پژوهشی با عنوان تأثیر امکانات محیطی بر قیمت‌های مسکونی: شهر داخلی لندن برای بررسی ارتباط عوامل محیط زیستی با قیمت مسکن در شهر London 93 ناحیه در فاصلۀ حداکثر 5/5 مایلی تا ناحیۀ مرکزی لندن را انتخاب و از مدل رگرسیون OLS در تحلیل استفاده کردند. نتایج این مطالعه تأثیر مثبت فضای سبز، مناطق تفریحی، کیفیت هوا و زیبایی محیط بر قیمت مسکن را آشکار کرد (Chrysanthou & Van Haaren, 2016).

کوریه و همکاران در پژوهشی با عنوان آیا قیمت مسکن منعکس‌کنندۀ خطرات بهداشت محیطی است؟ شواهدی از بیش از 1600 باز و بسته‌شدن کارخانۀ سمی با استفاده از پایگاه‌های داده‌ایU.S. Environmental Protection Agency دربارۀ 1600 کارخانه در منطقه‌های مختلف کشور و نیز با استفاده از مدل‌‌های آماری رگرسیون دریافتند که ارزش املاک تا فاصلۀ 1 مایلی از یک کارخانۀ فعّال انتشار‌دهندة گازهای سمّی 5/1 درصد پایین می‌آید (Currie et al., 2013).

جولیوس و همکاران پژوهشی با عنوان «اثرات کیفیت محیطی بر قیمت مسکن شهری: رویکرد مدل رگرسیون خطی چندگانۀ لذت‌بخش» انجام دادند. محققان در بررسی تأثیر عوامل محیط زیستی در قیمت مسکن نشان دادند که اختلالاتی مانند آفات، گونه‌های مهاجم و آتش‌سوزی بر ارزش‌های املاک مسکونی تأثیر دارد؛ در‌حالی که اغلب اختلالات تأثیر منفی یا ناچیز برروی قیمت مسکن می‌گذارد. در برخی موارد اختلالات می‌تواند منجر به افزایش قیمت مسکن شود (Julius et al., 2020).

بیتنر و همکاران پژوهشی با عنوان «ملاحظات زیست‌محیطی در ارزیابی املاک و مستغلات» انجام دادند. محققان در این مطالعه در شهر Zakopane لهستان از روش‌های کمّی کارتوگرافیکی استفاده کردند و پی بردند که برخی ویژگی‌های زیست‌محیطی مانند بوستان‌ها، فضاهای سبز و جاهای زیبا ارزش ملک را افزایش می‌دهد؛ اما در عین حال، در بسیاری از موارد محدودیت‌هایی را برای حفاظت از محیط زیست ایجاد می‌کند که تأثیر منفی بر ارزش املاک برجا می‌گذارد(Bitner et al., 2020).

آخمدینوا در پژوهشی با عنوان «تعیین وضعیت محیطی به‌عنوان عاملی در تمایز قیمت مسکن در نورسلطان با استفاده از فرآیند تحلیل سلسله‌مراتبی» با استفاده از روش AHP و ابزارهای مختلف GIS ارتباط عوامل محیطی با قیمت مسکن را در شهر Nur-Sultan (همان آستانۀ پایتخت قزاقستان) بررسی کرند. بر‌اساس نتایج این پژوهش وضعیت محیطی نقش ضعیفی در قیمت‌گذاری بازار املاک و مستغلات نورسلطان دارد؛ در‌حالی که پایگاه اجتماعی یک عامل مهم است. همچنین، تأثیر عامل محیطی اغلب به مشکلات زیست‌محیطی مرئی محدود می‌شود تا نامرئی (Akhmedinova, 2020).

لی و شن در پژوهشی با عنوان «آلودگی محیط زیست چگونه مسکن را تحت‌تأثیر قرار می‌دهد؟» داده‌های محیطی و سایر داده‌های اقتصادی ۲۵۸ شهر چین را از سال 2008 تا 2020 به کار گرفتند. محققان در این مطالعه با استفاده از Dubin model تأثیر آلودگی محیطی را بر قیمت مسکن بررسی کردند. این تحقیق نشان داد که افزایش انتشار دی اکسید گوگرد و دی اکسید نیتروژن به‌طور چشمگیری قیمت‌ها را کاهش می‌دهد؛ اما افزایش انتشار فاضلاب صنعتی تأثیر چشمگیری بر قیمت مسکن ندارد(Li & Shen, 2020).

چن و همکاران پژوهشی با عنوان «ارزیابی جامع ارزش‌های اکولوژیکی فضای سبز شهری از‌طریق رابطۀ فضایی قیمت مسکن و خدمات اکوسیستمی» انجام دادند. محققان در این مطالعه به کمک مدل ارزش‌گذاری هدانیک ارتباط میان خدمات اکوسیستمی و قیمت املاک مسکونی را در شهر Peking بررسی کردند. نتایج نشان داد که بهبود هر واحد از ارزش خدمات اکوسیستمی قیمت مسکن را به میزان 806 یوان در هر متر مربع افزایش می‌دهد. بوستان‌های کوچک و خرد نسبت به بوستان‌های متوسط و بزرگ تأثیر مثبت بیشتری بر قیمت مسکن دارد. تأثیر مثبت علفزار بر قیمت مسکن بیشتر از جنگل، تالاب و درختچه بوده است. همچنین، ترسیب کربن بیشترین تأثیر مثبت را بر قیمت مسکن نسبت به سایر خدمات اکوسیستمی دارد (Chen et al., 2023).

کای و همکاران پژوهشی با عنوان «اثرات اقتصادی کیفیت هوا بر قیمت مسکن: شواهدی از پکن، چین» انجام دادند. محققان در این مطالعه از مدل هدانیک و داده‌های آماری با میانگین داده‌های PM2.5 بین سال‌های 2013 و 2019 استفاده کردند. نتایج حاصل‌شده حاکی از آن است که اثر‌های منفی PM 2.5 در سراسر منطقه‌ها مهم است؛ اما متفاوت است (Cai et al., 2023).

صارمی و همکاران (1397) در پژوهشی با عنوان «تحلیل فضایی قیمت مسکن با استفاده از تکنیک رگرسیون موزون جغرافیایی: مورد مطالعه: منطقۀ دو شهرداری تهران» با استفاده از داده‌های اسنادی سرشماری سال 1395، داده‌های سامانۀ بازار املاک و به‌کارگیری رگرسیون وزنی جغرافیایی رابطۀ 11 متغیر را که 3 مورد از آنها عوامل اکولوژیکی است با قیمت مسکن در منطقۀ 2 شهرداری تهران بررسی کردند. نویسندگان نتیجه گرفتند که سه عامل اکولوژیکی ارزیابی‌شده تأثیر تعیین‌کنندة متمایزی بر قیمت مسکن ندارند.

اصغرزاده و همکاران (1399) در پژوهشی با عنوان «برآورد میزان تمایل به پرداخت برای بهبود کیفیت هوا در شهر تهران» میزان تمایل به پرداخت را برای بهبود کیفیت هوا در شهر تهران به روش ارزش‌گذاری هدانیک بررسی کردند. این تحقیق با استفاده از داده‌های معاملات انجا‌م‌شده در بازار مسکن شهر تهران در سال 1395 و براساس سه دسته ویژگی ساختاری، همسایگی و محیط زیستی انجام شده است. براین اساس، تعداد 7141 نمونه از معاملات واقعی به‌صورت نمونه‌گیری تصادفی ساده از‌میان منطقه‌های بیست‌و‌دو‌گانۀ شهر تهران جمع‌آوری شد. نتایج نشان داد که ۸۱ درصد از تغییرات لگاریتم قیمت مسکن با متغیرهای منتخب در مدل لگاریتمی دو‌طرفه توضیح داده می‌شود و بیشتر متغیرهای به‌کار گرفته شده معنا‌دار است و علامت مورد انتظار را دارد.

مرادی و همکاران (1400) پژوهشی با عنوان «اثر فضای سبز بر قیمت مسکن با استفاده از مدل ارزش‌گذاری هدونیک: مطالعۀ موردی: شهر یزد» انجام دادند. محققان در این مطالعه با روش ارزش‌گذاری هدانیک مطالعه‌ای در منطقۀ 4 شهرداری یزد نتیجه گرفتند که قیمت ملک به ازا هر متر افزایش فاصله از خیابان اصلی 19/0 درصد کاهش می‌یابد؛ اما برعکس، با نزدیکی به بوستان 7 تیر به میزان 16/0 درصد کاهش می‌یابد.

حسینی و همکاران پژوهشی با عنوان «تحلیل فضایی قیمت مسکن در شهر تهران» انجام دادند. محققان در این مطالعه از Moran Method و Interpolation /Kriging استفاده کردند. یافته‌ها نشان داد که بیشترین قیمت در شمال شهر و کمترین قیمت در قسمت جنوبی شهر تهران است. پنج محلة زعفرانیه، محمودیه، تجریش، باغ فردوس و حصار بوعلی بیشترین قیمت را داشته است. همچنین، طی دورة 1370 تا 1390 قیمت مسکن جنوب شهر تهران رشد اندکی داشته و در غرب شهر تهران با رشد بسیار زیادی همراه بوده است (Hosseini et al., 2022).

مبانی نظری پژوهش

پیشینۀ ارزش اقتصادی عوامل اکولوژیکی بیشتر به تخمین «تمایل به پرداخت افراد» برای کسب امتیاز‌های محیط زیستی یا دور‌ماندن از عوارض نامطلوب با تغییرات رفتاری مربوط می‌شود. در این زمینه سه رویکرد ارائه شده است(Baranzini & Ramirez, 2016, P. 635). اول، رویکرد «اجتناب/ هزینة مقابله» که افراد را با هزینه‌های دفاعی آنها برای اجتناب از عواقب ارزیابی می‌کند (Ito & Zhang, 2020, P. 6). با وجود این، چنین رفتاری به‌احتمال، منجر به تأثیرات ترکیبی می‌شود؛ حتی اگر انتظار برود که هزینه‌های اجتناب کمتر از هزینه‌های خسار‌ت‌های احتمالی باشد، افراد برای جلوگیری از آن خسارت‌ها هزینه خواهند کرد؛ بنابراین استفاده از هزینه‌های دفاعی به‌عنوان نماینده‌ای برای تغییرات رفاهی هنگام تخمین تمایل به خرید برای پرهیز از مخاطره‌ها و آسیب‌های محیط زیستی مشکل‌ساز به نظر می‌رسد(Cai et al., 2023, P. 900). رویکرد دوم، «اولویت شناختی» است که شامل روش‌های ارزش‌گذاری مشروط، بررسی‌های تحلیلی مشترک یا تجربه‌های انتخابی بر‌اساس ادراک ذهنی افراد می‌شود؛ برای مثال، دنگ و زنگ از روش ارزش‌گذاری ذهنی برای سنجش میزان تمایل به پرداخت عمومی برای کاهش مه‌دود در Peking استفاده کردند و دریافتند که پاسخ‌دهندگان حاضر هستند 55/0 تا 82/0 درصد از درآمد سالانۀ خود را صرف جلوگیری از مه دود کنند (Dong & Zeng, 2018). رویکرد سوم، «رویکرد قیمت‌گذاری هدانیک» است که اغلب برای تعیین ارزش اقتصادی عوامل اکولوژیکی بر‌اساس تأثیر آن بر قیمت مسکن استفاده می‌شود و در آن کالای غیر‌بازاری مانند کیفیت هوا می‌تواند در بازارهای مسکن قیمت‌گذاری شود(Freeman, 1981, P. 4; Palmquist, 2005, P. 811). در این فرض، ساکنان ترجیح می‌دهند در مکان‌هایی با شرایط محیط زیستی بهتر زندگی کنند؛ زیرا می‌خواهند خطر‌های احتمالی سلامتی ناشی از محیط زیست را به حداقل برسانند و یا از امتیاز‌های مربوط بیشتر بهره‌مند شوند که این کار بیشتر با افزایش آگاهی زیست‌محیطی صورت می‌پذیرد. به این ترتیب، خانه‌هایی که در محله‌ها با شرایط محیط زیستی بهتر قرار دارد، قیمت بیشتری نیز خواهد داشت. در این زمینه، خریداران منافع حاصل از محیط زندگی بهتر را با هزینه‌هایی که از این بابت باید پرداخت کنند، یکجا می‌سنجند. طبیعی است که تمایل به پرداخت برای محله‌ها و نقاط با شرایط محیطی بهتر بیشتر خواهد بود. مطابق این رویکرد قیمت مسکن بیشتر از ویژگی‌های مکان (فاصله از مرکز شهر)، ویژگی‌های محله (زیرساخت پیرامون)، دارایی خود مسکن و ویژگی‌های محیطی تشکیل شده است (Chen et al., 2023, P. 11). تأثیر چهار بخش فوق بر قیمت مسکن نشان‌دهندة تمایل مصرف‌کننده به پرداخت است.

روش‌شناسی پژوهش

محدودۀ مطالعه‌شده

محدودة شهری تهران که متشکل از 22 منطقۀ شهرداری با حدود 615 کیلومتر مربع مساحت (شهرداری تهران، 1403) و 7/8 میلیون نفر جمعیت (مرکز آمار ایران، 1395) است، محدودة جغرافیایی این پژوهش است. تهران شهری پایکوهی است که بر‌روی مخروط‌افکنه‌های البرز در‌میان رودهای کرج و جاجرود و در جایی که این رودها به دشت راه می‌گشایند، به‌وجود آمده است. نشیمنگاه شهر تهران شیب ملایم شمالی-جنوبی دارد و ارتفاع آن از سطح دریا از 900 تا 1800 متر متغیر است. به‌لحاظ محیط ‌زیست و طبیعت سرزمینی که در آن هستة نخستین شهر از حدود 5 قرن قبل شکل گرفته و با رشد شتابان خود از زمان انتخاب به پایتختی در حدود دو قرن قبل در آن گسترش یافته است، مکانی خوش آب‌وهوا بوده که از منابع آب سطحی دو رودخانۀ مهم و سفره‌های آبی غنی که 34 رشته قنات را به جریان می‌انداخته، بهره‌مند می‌شده است. این سرزمین باغ‌های وسیع و پوشش گسترده از درخت داشته است. چنان که Pietro Della Valle که در سال 1028 هـ.ق به ایران سفر کرده در سفرنامۀ خود دربارۀ تهران عصر صفوی بیان کرده که تمام این شهر از باغ‌های بسیار بزرگی پوشیده شده است. خیابان‌ها پر از درخت چنار است که همه پر‌برگ و قطور و زیباست. باید تهران را شهر چنار بنامم (دلاواله، 1400، ص. 165). آب گواراتر، پاکیزه‌تر و فراوان‌تر قنات‌ها، پوشش سبز و باغ‌های زیاد و بهره‌مندی از نسیم خنک کوه‌های البرز امتیاز‌های اکولوژیکی ویژگی‌ها دیرین شمال شهر بوده که موجب کوچ طبقات مرفه به سمت شمال شهر شده و توانمندی مالی طبقات اجتماعی نیز مزید بر علت شده است تا کالبد شهر در شمال نیز چهره‌ای متفاوت از جنوب به خود بگیرد (دپلانول، 1358، ص. 592).

شکل 1: موقعیت جغرافیایی محدودۀ مطالعه‌شده (منبع: ترسیم نگارندگان با استفاده از فایل‌های جی آی اس، 1403)

Figure 1: Geographical location of the study area

داده و روش کار

روش پژوهش حاضر توصیفی-تحلیلی است. ۸ مؤلفه شامل عناصر اقلیمی بارش و دما، نسبت پوشش سبز زمین، تعداد روزهای با هوای پاک، روددره‌ها، خطوط گسل، ارتفاع از سطح دریا و نسبت شیب سطح‌ها معرّف عوامل اکولوژیکی است. داده‌های آماری عناصر اقلیمی از اندازه‌گیری‌های ۸ ایستگاه هواشناسی (ایستگاه‌های سینوپتیک هواشناسی پارک‌شهر، امین‌آباد، سعدآباد، نارمک، نمایشگاه، دوشان‌تپه، مهرآباد و ژئوفیزیک) سطح شهر به دست آمده است. نسبت پوشش سبز با استفاده از شیپ فایل کاربری اراضی شهر تهران محاسبه شده است. تعداد روزهای پاک از اطلاعات 35 ایستگاه کنترل کیفیت هوا در‌سطح شهر تهران به دست آمده است. داده‌ها و اطلاعات موقعیت رود‌دره‌ها و مسیل‌های آبی، خطوط گسل و ارتفاع از سطح دریا برگرفته از آمار و محاسبات سازمان فاواست (سازمان فناوری اطلاعات و ارتباطات شهرداری تهران، 1401). نگارندگان نقشۀ شیب‌بندی سطح‌های شهر تهران را از داده‌های رقومی-ارتفاعی (نقشۀ ارتفاع از سطح دریا) تهیه و تولید کرده‌اند. متغیر وابستة پژوهش قیمت یک متر مربع ملک مسکونی (آپارتمان) معامله‌شده در اسفند سال 1402 بوده که از سامانۀ املاک وزارت راه و شهرسازی (www.amlak.mrud.ir) برداشت شده است.

جدول 2: مؤلفه‌ها و شاخص‌های پژوهش

Table 2: The components and indicators of the research

عناصر آب‌‌و‌هوا	میانگین دمای سالانه
عناصر آب‌‌و‌هوا	میانگین بارش سالانه
عوامل محیط زیستی	نسبت زمین پوشش سبز زمین
	تعداد روزهای با هوای پاک
	فاصله از رود‌دره‌ها
عوامل زمین‌ساختی-توپوگرافیک	فاصله از گسل
	ارتفاع از سطح دریا
	شیب زمین

منبع: نگارندگان، 1403

در این مطالعه 400۰ نقطه به مرکزیت هندسی محله‌های شهر تهران مبنای استخراج قیمت ملک (متغیر وابسته) بوده که برای انجام‌دادن محاسبات و تجزیه‌و‌تحلیل دریافت میزان ارتباط و همبستگی متغیرها هر‌کدام از لایه‌های وکتوری با انجام‌دادن عملیاتInterpolation-IDW به لایة رستر تبدیل و نقشۀ پهنه‌بندی مربوط تولید شده است تا برای هر‌کدام یک لایۀ نقطه‌ای با مختصاتی منطبق بر ۴۰۰ نقطه لایۀ اعتبار مسکن فراهم آید. سپس اطلاعات آماری مربوط به نقاط با مختصات واحدی برای هر‌کدام از متغیرها استخراج شده و پایۀ محاسبات و تحلیل‌های بعدی قرار گرفته است. برای تولید داده‌های لازم در قالب لایه‌های رقومی از نرم‌افزار ArcGIS و توابعSpatial analyst ،Spatial Join ، Zonal Statisticاستفاده شده است.

مدل‌های تحلیلی مشتمل بر رگرسیون وزنی جغرافیایی (Geography Weighted Regression) و رگرسیون حداقل مربعات (Ordinary Least Square) است. رگرسیون وزنی جغرافیایی یک تکنیک آماری است که اندیشمندان و محققان زیادی آن را توسعه داده‌اند. این تکنیک به مدل‌سازی در فرآیندهایی که در فضای متفاوت ایجاد می‌شود، توجه زیادی نشان می‌دهد (Charlton et al., 2005, P. 12). رگرسیون وزنی جغرافیایی (محلی) مزایای زیادی نسبت به رگرسیون خطی(عمومی) دارد. با اینکه محل و ارتباط عوامل جغرافیایی مانند آب‌و‌هوا و منابع طبیعی اغلب بر‌روی فعالیت‌های انسانی تأثیر می‌گذارد، رویکردهای سنتی مانند رگرسیون خطی محدودیت‌هایی در بررسی الگوهای جغرافیایی دارد. رگرسیون وزنی جغرافیایی برخلاف رگرسیون خطی به ضریب متغیرهای تعیین‌شده برای اختلاف محلی (با دادن ارتباط وزنی بیشتر به مشاهده‌های جغرافیایی) توجه ویژه دارد. رگرسیون وزنی جغرافیایی به‌آسانی الگوهای فضایی را ترسیم می‌‌کند و در محاسبه و ارزیابی فرضیه‌های فضایی مفید واقع می‌شود (Wheeler & Paez, 2010, P. 3). دلیل استفاده از این مدل وابستگی فضایی قیمت مسکن به بسیاری از شاخص‌هاست. نخست اینکه قیمت مسکن بی‌ثبات است و با عوامل زیادی ارتباط دارد. از‌منظر دیگر، قانون ارزیابی بازار فروش به‌عنوان روش قیمت‌گذاری سنتی بسیار به مدل اخیر نزدیک بوده است؛ به‌طوری که می‌تواند وابستگی فضایی را منعکس کند. علاوه بر این، نمایش با نقشه مزیت دیگر حاصل از مدل رگرسیون وزنی جغرافیایی است؛ زیرا می‌تواند توزیع قیمت مسکن را نمایش دهد (Liu et al., 2024, P. 24).

در‌ادامه، از ابزار Raster Calculate استفاده شد و به‌کمک آن لایه‌های رستری که با ابزار میان‌یابی IDW تولید و با ابزار Reclassify کلاس‌بندی دوباره شده بودند، (لایه‌های رستری میانگین دمای سالانه، میانگین بارش سالانه، نسبت زمین پوشیده از فضای سبز، تعداد روزهای با هوای پاک، مطلوبیت اکولوژیکی با‌توجه به فاصله از رود‌دره‌ها، خطر زمین‌لرزه با‌توجه به فاصله از گسل، ارتفاع از سطح دریا و میزان شیب زمین) با یکدیگر ترکیب شدند تا نقشة واحد پهنه‌بندی میانگین عوامل اکولوژیکی ترسیم شود. سپس برای محاسبة همبستگی میان عوامل اکولوژیکی (متغیر وابسته) و قیمت مسکن (متغیر مستقل) از تابع Spatial Analyst Tools و ابزار Fuzzy Overlay استفاده شد. در انتها نیز برای محاسبة ضریب همبستگی و کوواریانس میان متغیر وابسته و متغیرهای مستقل از تحلیلگر Band Collection Statistic که جزء تحلیلگرهای Multi Variate (چند‌متغیره) است، استفاده شد.

معادلۀ مدل رگرسیون وزنی جغرافیایی به شرح رابطۀ 1 است (Ima, 2016, P. 24).

رابطۀ (1).

مختصات فضای نمونه ، مقدار در تابع پیوسته است. اگر برای همۀ محل‌ها یکسان باشد، آن یک مدل رگرسیون عمومی خواهد بود. در مدل ذکر‌شده در بالا وزن یک مشاهده با نزدیکی به تعریف می‌شود؛ از این‌ رو وزن یک مشاهده همراه با تغییر تغییر می‌کند. معادله به‌صورت زیر دنبال می‌شود:

رابطۀ (2).

درحالی که

رابطۀ (3)

مقدار برآورد‌شده از ، تعداد نمونه‌ها، تعداد متغیرها، وزنی از مطابق است.

معادلۀ رگرسیون وزنی جغرافیایی را به‌صورت زیر می‌توان ساده کرد:

رابطۀ (4)

در معادلۀ بالا متغیر وابسته، ضریب همبستگی، متغیر مستقل و خطای تصادفی است.

یافته‌های پژوهش و تجزیه‌و‌تحلیل

نقشه‌های 8-1 از شکل 2 پهنه‌بندی هر‌کدام از متغیرهای مستقل را نشان داده و در نقشۀ 9 از شکل 2 پهنه‌بندی وضعیت میانگین تمامی 8 متغیر مستقل نمایان است. همچنین، در نقشۀ 10 شکل 2 پهنه‌بندی فضایی قیمت مسکن در محدودة مطالعاتی نشان داده شده است.

شکل 2: نقشه‌های پهنه‌بندی متغیر مستقل و متغیر وابسته و مؤلفه‌های مربوط ( منبع: یافته‌های پژوهش، 1403)

Figure 2: Zoning maps of the dependent and independent variables and the relative components

نقشه‌های پهنه‌بندی میانگین دما و بارش سالانه (عناصر آب‌وهوا) (نقشۀ 1 و ۲ از شکل 2) با استفاده از آمارهای ۸ ایستگاه سینوپتیک هواشناسی شهر تهران ترسیم شده است. میانگین دمای سالانۀ شهر تهران برابر ۶۱/۱۵ درجه سلسیوس با انحراف معیار ۳۹/۱ است. بیشترین دما در سال به‌طور تقریبی در‌برگیرندة بخش‌های مرکزی رو‌به جنوب و به‌ترتیب مربوط به ایستگاه‌های دوشان تپه (°C ۱۷)، مهرآباد (°C ۸۹/۱۶) و پارک‌شهر (°C ۳۹/۱۶) است. درمقابل، کمترین‌ دما به‌طور تقریبی شامل مناطق شمالی تهران (بخشی از منطقۀ ۱ و ۳) است که دو ایستگاه سعدآباد (°C ۱۹/۱۳) و نمایشگاه (°C ۸/۱۳) در آن قرار دارد.

میانگین بارش سالانه در شهر تهران ۷/۲۷۳ میلی‌متر با انحراف معیار ۴۶/۷۳ است. بیشترین میزان بارندگی به‌طور تقریبی شامل منطقه‌های شمالی تهران (بخشی از منطقۀ ۱ و ۳) و مربوط به دو ایستگاه سعدآباد (mm ۳۸۸) و نمایشگاه (mm ۸۹/۳۵۷) است. کمترین میزان بارندگی نیز به ایستگاه‌های امین‌آباد (mm ۱۸۰) در قسمت جنوبی تهران و پارک‌شهر (mm ۲۱۵) تعلق دارد. نقشة پهنه‌بندی میانگین بارش سالانه نشان‌دهندة آن است که هر‌چه به سمت مناطق شمالی تهران پیش می‌رویم، بارش سالیانه افزایش پیدا می‌کند.

نسبت زمین پوشیده از فضای سبز یکی دیگر از شاخص‌های متغیر مستقل (عوامل محیط‌زیستی) است. نقشة 3 از شکل 2 بیانگر تباین فضایی زیاد در محدودة مطالعاتی است؛ به‌طوری که فضای سبز در حواشی شهر به‌جزء قسمت شرقی آن وضعیت به مراتب مطلوب‌تری نسبت به بخش مرکزی و شمالی شهر دارد. کاربری فضای سبز و بوستان به‌طور میانگین ۵/۶ درصد سطح شهر را به خود اختصاص داده است. در‌میان منطقه‌های شهرداری منطقۀ 2 با 33/88 درصد، منطقۀ 22 با 36/84 درصد، منطقۀ 5 با ۲۹/۷۷ درصد و منطقۀ 4 با ۹/۷۵ درصد به‌ترتیب با بیشترین نسبت زمین پوشیده از فضای سبز هستند. در‌مقابل، منطقه‌های 13 با 25/0 درصد، منطقۀ 8 با 69/1 درصد، منطقۀ 11 با 06/2درصد و منطقۀ 7 با ۱/۲ درصد به‌ترتیب چهار منطقۀ شهرداری هستند که کمترین میزان پوشش سبز را دارند.

نقشة پهنه‌بندی، تعداد روزهای با هوای پاک (نقشه 4 از شکل 2) که با استفاده از آمارهای دریافتی از 35 ایستگاه کنترل کیفیت هوا در شهر تهران ترسیم شده میانگین ۳۷/۸ روز با انحراف معیار ۴۷/۶ را برای کل شهر نمایان کرده است. از این نظر چهار ایستگاه سوهانک واقع در منطقۀ ۱ (با ۳۳ روز)، ایستگاه شهرداری منطقۀ 22 (با ۱۸ روز)، ایستگاه شهرداری منطقۀ 2 (با ۱۷ روز) و ایستگاه امام‌خمینی واقع در منطقۀ ۱۲ (با ۱۶ روز) به‌ترتیب بیشترین تعداد روزهای با هوای پاک را در سال ثبت کرده‌اند. در‌مقابل، چهار ایستگاه پارک شکوفه (در منطقۀ ۱۴)، ایستگاه شهرداری منطقۀ 19، پارک سلامت (واقع در منطقۀ ۱۹) و ایستگاه شهرداری منطقۀ 21 به‌طور مشابه کمترین تعداد روز‌های پاک را با تعداد ۱ روز دارند.

نقشة پهنه‌بندی مطلوبیت اکولوژیکی با‌توجه به فاصله از رود‌دره‌ها (نقشة ۵ از شکل ۲) که با‌توجه به آمار و محاسبات سازمان فناوری اطلاعات و ارتباطات شهرداری تهران (1401) ترسیم‌شده گویای موقعیت 9 رود‌درة اصلی شهر تهران (کن، حصارک، فرحزاد، درکه، ولنجک، دربند، گلاب‌دره، دارآباد، لارک و مسیل تهران پارس) است که در‌مجموع 2/244 کیلومتر طول دارند. روددره‌های اخیر به تبعیت از شیب شمال به جنوب شهر جهتی شمالی-جنوبی دارند (زهرایی‌پور و جعفرپور، ۱۴۰۰، ص. ۸). دره‌های متعدّدی در محدودة شمالی شهر تهران وجـود دارد کـه از دامنة جنوبی البرز به درون بافـت شـهر تهـران امتداد یافته است و آبی که از نزولات جوّی در بیشتر مواقع سال حاصل می‌شود، سبب ایجاد رود‌دره‌هایی شده است که از کوه‌های شمالی ایران شـروع و پـس از عبور از شـهر تهـران بـه بیابان‌های جنـوبی شـهر سـرازیر می‌شود. ایــن رود‌دره‌ها از اصلی‌ترین تفرجگـاه‌هـای شـهروندان تهرانـی است (مؤذنی و همکاران، ۱۳۹۸، ص. ۷۵). نقشة ۵ از شکل 2 نشان می‌دهد که لبة غربی شهر که منطبق بر غرب منطقه‌های شهرداری 21 و 22 است و بخش عمده از سطح منطقه‌های شهرداری 17 و 19 و پاره‌ای از سطح منطقه‌های 16، 11 و 12 است، نامطلوب‌ترین وضعیت را داشته است.

از نقشة خطر زمین‌لرزه با‌توجه به فاصله از گسل (نقشة ۶ از شکل ۲) که با استفاده از آمارها و اطلاعات سازمان فناوری اطلاعات و ارتباطات شهرداری تهران ترسیم ‌شده است، برداشت می‌شود که مجموع طول خطوط گسل در شهر تهران 8/112 کیلومتر است. این خطوط بیشتر در حواشی شمالی (از شرق به غرب) و جنوبی شهر استقرار دارد. به‌دلیل مجاورت شهر تهران با چندین گسل فعّال با پتانسیل خطر بالای لرزه‌ای نظیر گسل مشا، گسل شمال تهران، گسل ری شمالی و جنوبی (صفاری و پولادوند، ۱۳۹۶، ص. ۱۱۰) روشن است که گسترۀ وسیعی از شهر در محدودۀ خطر زمین‌لرزه قرار دارد. به‌طور طبیعی، هر‌چه یک کاربری از گسل دورتر باشد، به همان نسبت ایمنی نسبی زیادتری از زمین‌لرزه دارد.

نقشه‌های پهنه‌بندی ارتفاع از سطح دریا و میزان شیب زمین (عوامل زمین‌ساختی- توپوگرافیک) ( نقشه‌های ۷ و ۸ از شکل 2) نیز با استفاده از آمار و محاسبات سازمان فناوری اطلاعات و ارتباطات شهرداری تهران (1401) ترسیم شده است. میانگین ارتفاع شهر تهران از سطح دریا ۲/۱۵۰۹ متر است. با‌توجه به نقشه با حرکت از سمت جنوب به‌سوی بخش‌های شمالی تهران ارتفاع بیشتر شده است که به‌دنبال آن وضعیت آب‌و‌هوا نیز تغییر خواهد کرد. میزان شیب زمین نیز با میانگین 09/15 درصد که از مدل رقومی ارتفاعی تهیه شده گواه آن است که شیب با افزایش ارتفاع نیز افزایش پیدا کرده است؛ بنابراین منطقه‌های شمالی شهر ارتفاع و نیز شیب بیشتری دارد.

نقشة پهنه‌بندی میانگین عوامل اکولوژیک (نقشة 9 از شکل ۲) ترکیب تمام شاخص‌های اکولوژیکی (متغیر وابسته) است. باتوجه به این نقشه نیمة شمالی تهران مطلوبیت اکولوژیک برتری دارد؛ اما از شمال به جنوب شهر از مطلوبیت عوامل اکولوژیکی کاسته می‌شود. به این ترتیب، منطقۀ 1 شهرداری در شمال تهران برترین و منطقۀ 20 (به‌عنوان جنوبی‌ترین منطقۀ شهرداری تهران) بدترین منطقه از‌نظر دارا‌بودن شرایط مناسب اکولوژیکی هستند.

نقشۀ پهنه‌بندی قیمت مسکن به‌عنوان متغیر وابسته (نقشه ۱۰ از شکل 2) بیانگر آن است که از جنوب به سمت شمال قیمت مسکن افزایش می‌یابد. در زمان دریافت آمار (اسفند 1402) میانگین یک متر آپارتمان مسکونی در شهر تهران 878/۱۰21 میلیون ریال با انحراف معیار 16/۵۰1 میلیون ریال بوده است. بیشترین قیمت مسکن به‌ترتیب به منطقه‌های 1 (۱۱/۳۲۹۴ میلیون ریال)، 2 (۸۸/۲۷۰۵ میلیون ریال) و 3 (۹۴/۲۳۵۲ میلیون ریال) تعلق داشته و منطقه‌های 21 (23/148 میلیون ریال)، 18 (9۴/152 میلیون ریال) و 20 (94/292 میلیون ریال) به‌ترتیب پایین‌ترین قیمت ملک مسکونی را در‌میان منطقه‌های شهرداری داشته است. به بیان دیگر، میان منطقة 1 به‌عنوان شمالی‌ترین منطقة شهرداری که قیمت یک مترمربع زیربنای مسکونی در آن به‌طور متوسط 98/1734 میلیون ریال است و منطقة 20 شهرداری که جنوبی‌ترین منطقه بوده و رقم مشابه برای آن 12/575 میلیون ریال است، حدود سه برابر تفاوت وجود دارد. در جدول 3 میزان همبستگی میان متغیر وابسته با مؤلفه‌های متغیر مستقل آمده است.

جدول ۳: میزان همبستگی میان مؤلفه‌های متغیر مستقل با متغیر وابسته

Table 3: The correlation coefficient between the components of dependent and independent variables

میزان شیب زمین	ارتفاع از سطح دریا	فاصله از گسل	فاصله از رو‌د‌دره‌ها	تعداد روزهای با هوای پاک	نسبت پوشش سبز (درصد)	میانگین بارش سالانه	میانگین دمای سالانه	میانگین شاخص‌های اکولوژیکی	شاخص
۴۲/0	۷۶/0	۴۶/0-	۵۵/0-	۲۸/0	۱۸/0-	۷۴/0	۷۵/0-	۷۱/0	قیمت یک متر مربع ملک مسکونی

منبع: یافته‌های پژوهش، 1403

با‌توجه به اطلاعات جدول 3 رقم همبستگی 71/0+ نشان می‌دهد که میان قیمت ملک و مطلوبیت عوامل اکولوژیکی در‌سطح بالایی ارتباط وجود دارد. در منطقه‌هایی از شهر تهران که شاخص‌های اکولوژیکی وضعیت مطلوب‌تری دارد، ارزش مبادلاتی مسکن نیز بیشتر است. از مؤلفه‌های متغیر مستقل به‌ترتیب میانگین دمای سالانه، فاصله از رود‌دره‌ها، فاصله از گسل و پوشش سبز زمین بیشترین رقم همبستگی را نشان می‌دهد که البته در این موارد ضریب همبستگی منفی است و گویای رابطۀ معکوس است. به عبارت دیگر، در شهر تهران در جاهایی که قیمت مسکن بیشتر است در اغلب موارد رقم شاخص‌های اشاره‌شده تنزل دارد. بیشترین رقم همبستگی را به‌ترتیب شاخص‌های ارتفاع از سطح دریا، میانگین بارش سالانه، میزان شیب زمین و تعداد روزهای با هوای پاک نشان می‌دهد که همبستگی در این موارد مستقیم است. به عبارت دیگر، مسکن‌هایی که ارزش مبادلاتی بیشتری را دارند، در ارتفاعات بیشتری واقع شده‌اند، بارش سالیانه در آنها بیشتر است و از‌نظر شیب زمین و تعداد روزهای با هوای پاک در سال نیز رقم بیشتری دارند.

شکل 3: نقشۀ پهنه‌بندی همبستگی متغیر مستقل و وابسته (منبع: یافته‌های پژوهش، 1403)

Figure 3: Zoning map of correlation coefficient between the dependent and independent variable

شکل 3 نمایانگر آن است در شمال شهر تهران که شامل بخش وسیعی از منطقه‌های 1، 2 و 3 شهرداری می‌شود، پهنه‌هایی که بیشترین رقم همبستگی میان متغیر مستقل (وضعیت اکولوژیکی) و متغیر وابسته (قیمت مسکن) را دارند در مجاورت پهنه‌هایی قرار دارند که کمترین رقم همبستگی میان این دو متغیر را دارند. به‌طور کلی، با حرکت از مرکز شهر به سمت لبه‌های شمالی شهر تهران بر‌خلاف منطقه‌های جنوبی و غربی آن میزان همبستگی بین دو عامل قیمت مسکن و عوامل اکولوژیکی افزایش پیدا می‌کند. در منطقه‌های شهرداری قسمت جنوبی و غربی تهران (منطقه‌های 19، 20 و 21) لکه‌هایی دیده می‌شود که نشان‌دهندۀ کمترین میزان همبستگی با سایر پهنه‌هاست.

نتیجه‌گیری

از گذشته‌های دور در تهران شمال جغرافیایی منطبق بر شمال اقتصادی-اجتماعی بوده است. منشأ جدایی‌گزینی اجتماعی-اقتصادی در شهر تهران که با سکنی‌گزینی خانوارهای طبقات بالا در شمال شهر و رانده‌‍شدن خانوارهای طبقات پایین به جنوب شهر نمایان است به زمانی بازمی‌گردد که تهران به پایتختی انتخاب شده و دستگاه‌های حکومتی در آن استقرار یافته‌ است. شمال جغرافیایی تهران از گذشته منطقه‌ای پایکوهی و برخوردار از نسیم ملایم کوهستان و بهره‌مند از چشم‌انداز طبیعی به‌صورت رودها، روددره‌ها، چشمه‌سارها و پوشش سبز قابل توجه بوده است. از سوی دیگر، سالیانی دراز آب شرب مسکن‌ها، اماکن و باغ‌ها از قنات‌ها تأمین می‌شده است. این قنات‌ها به تبعیت از شیب زمین که جهت شمال به جنوب داشته و در شمال شهر که فاصله‌های کوتاه‌تر تا مادرچاه‌ها وجود داشته، آب گواراتر، فراوان‌تر و پاکیزه‌تری عرضه می‌شده است. این قنات‌ها به موازات پیش‌رفتن در جنوب شهر آلوده و کم‌آب می‌شدند؛ از این رو اراضی شمال شهر از دیرباز موطن طبقاتی از دست‌اندرکاران حکومت، تحصیلکردگان، نظامیان و صاحبان سرمایه‌های پولی کلان شده است. این زمینه‌های اکولوژیکی در گذر زمان تضعیف شده است؛ برای مثال، تأمین آب شرب از سدها و گسترش شبکۀ آب‌رسانی مدرن نقش قنات‌ها و آب‌انبارها را زایل کرده و باغ‌ها و چشم‌اندازهای سبز خصوصی و نیمه‌خصوصی شهر نیز به کاربری‌های شهری دیگر مبدل شده است. با ساخت و سازهای مرتفع نقش اکولوژیک چشم‌انداز کوهستان نیز از بین رفته است؛ با این حال خشت بنیادین جدایی‌گزینی اقشار-اجتماعی-اقتصادی در گذر زمان با بازیگری سرمایه و رویه‌های سرمایه‌داری بازتولید شده است. نتایج این پژوهش نشان داد که با‌وجود نقش‌آفرینی اقتصاد سیاسی و دگرگونی‌های عمیقی که با ورود و تجلی مدرنیسم در کالبد شهر ایجاد شده، هنوز هم شیب اقتصادی-اجتماعی شمال به جنوب شهر با شیب مطلوبیت اکولوژیکی که با جایگزینی اقتصاد سیاسی و بازیگری سرمایه در جای مطلوبیت طبیعی محیط بازتولید می‌شود، انطباق دارد. نتایج این پژوهش با یافته‌هایCellmer et al. (2012) دربارۀ شهرهای لهستان،Chrysanthou & Van Haaren (2016) دربارۀ London، Bitner et al.(2020) دربارۀ شهر Zakopane لهستان،Chen et al. (2023) دربارۀ شهر Peking، صارمی و همکاران (1397) دربارۀ تهران همسان بوده است؛ اما با یافته‌هایAkhmedinova (2020) دربارۀ شهرNur-Sultan مغایرت داشته است.

References

منابع

اصغرزاده، احسان، هژبرکیانی، کامبیر، امامی میبدی، علی، و عسگری، فرید (1399). برآورد میزان تمایل به پرداخت برای بهبود کیفیت هوا در شهر تهران. فصلنامۀ علوم و تکنولوژی محیط زیست، 22(12)، 118-131.

https://sanad.iau.ir/Journal/jest/Article/838171

اکبری، نعمت‌اله، عمادزاده، مصطفی، و رضوی سیدعلی (1383). بررسی عوامل مؤثر بر قیمت مسکن در شهر مشهد: رهیافت اقتصاد‌سنجی فضایی در روش هدانیک. پژوهش‌های رشد و توسعۀ پایدار (پژوهش‌های اقتصادی)، 4(11-12)، 78-57. https://sid.ir/paper/86451/fa

پورمحمدی، محمدرضا، قربانی، رسول، و تقی‌پور، علی‌اکبر (1392). بررسی عوامل مؤثر بر قیمت مسکن در شهر تبریز با استفاده از مدل هدانیک. آمایش جغرافیایی فضا، 3(9)، 83-105.

https://gps.gu.ac.ir/article_6286.html

دپلانول، گزاویه (1358). مطالعاتی دربارة جغرافیای انسانی شمال ایران (سیروس سهامی، مترجم). انتشارات دانشگاه مشهد. (اثر اصلی منتشر شده در 1958)

دلاواله، پیترو (1400). سفرنامۀ پیترودلاواله (شجاع‌الدین شفا، مترجم). مؤسسة انتشارات علمی-فرهنگی، چاپ هفتم. (اثر اصلی منتشر شده در 1658)

زهرایی‌پور، نسیم، و جعفرپور، رضا (1400). جایگاه روددره‌های تهران به‌عنوان مهم‌ترین لبه‌های طبیعی شهر در سند بالادستی (طرح جامع) شهر. باغ‌نظر، 18(۹۷)، 5-16.

https://doi.org/10.22034/bagh.2020.195110.4234

سازمان فناوری اطلاعات و ارتباطات شهرداری تهران (1401). آمار‌نامۀ سال 1401 شهر تهران.

https://tmicto.tehran.ir

شهرداری تهران (1403). دربارۀتهران. [وب سایت] https://www.tehran.ir/

صارمی، حمیدرضا، حیدری، محمد، و آقایی، فاطمه (1397). تحلیل فضایی قیمت مسکن با استفاده از تکنیک رگرسیون موزون جغرافیایی (مورد مطالعه: منطقۀ دو شهرداری تهران). اقتصاد شهری، 3(2)، 19-38.

https://doi.org/10.22108/ue.2018.109447.1056

صفاری، حمید، و پولادوند، محمد‌حسین (1396). ریز پهنه‌بندی لرزه‌ای شهر تهران بر‌اساس تحلیل خطر قطعی و شاخص‌های لرزه‌ای مناطق همجوار گسل. مهندسی سازه و ساخت، 4(۳)، 109-128.

https://doi.org/10.22065/jsce.2017.79793.1112

فصیحی، حبیب‌اله (1403). مسکن شهری و سیاست دولت‌ها. انتشارات دانشگاه خوارزمی.

مرادی، غلامحسین، دهقان بنادکوکی، فرناز، و اپرا جونقانی، الهام (1400). اثر فضای سبز بر قیمت مسکن با استفاده از مدل ارزش‌گذاری هدونیک (مطالعۀ موردی: شهر یزد). فصلنامۀ محیط‌شناسی، 47(4)، 413-428.

https://doi.org/10.22059/jes.2021.331811.1008237

مرکز آمار ایران (1395). شیپ فایل بلوک‌های آماری سرشماری عمومی نفوس و مسکن سال 1395 شهر تهران. مرکز آمار ایران.

مؤذنی، کیمیا، رفیعیان، مجتبی، و ایزدی، محمد سعید (1398). ارزش‌گذاری مؤلفه‌ها و شاخص‌های بازآفرینی پایدار رود‌دره‌های شهری تهران (مطالعۀ موردی: رود‌دره درکه). شهر پایدار، 2(۴)، 65-82.

https://www.jscity.ir/article_104846.html

وارثی، حمیدرضا، و موسوی، میرنجف (1389). بررسی عوامل مؤثر بر قیمت مسکن با استفاده از مدل هدانیک قیمت (مورد مطالعه: منطقۀ سه شهر یزد). جغرافیا و مطالعات محیطی، 1(3)، 5-12.

https://sid.ir/paper/186436/fa

References

Akbari, N., Emadzadeh, M., & Razavi, S.A. (2004). Investigating factors affecting housing prices in the city of Mashhad using a spatial econometric approach in the hedanik method. Sustainable Growth and Development Research (Economicresearch), 4(11,12), 57-78. https://sid.ir/paper/86451/fa [In Persian].

Akhmedinova, K. (2020). Determining the environmental situation as a factor in the differentiation of housing prices in Nur-Sultan by using the Analytic Hierarchy process. In E3S Web of Conferences (Vol. 169, p. 02017). EDP Sciences. https://doi.org/10.1051/e3sconf/202016902017

Asgharzadeh, E., Hojabr Kiani, K., Emami Meibodi, A., & Asgari, F. (2020). Estimation of willingness to pay for air quality improvement in Tehran. Environmental Science and Technology Quarterly, 22(12), 118-131. https://sanad.iau.ir/Journal/jest/Article/838171 [In Persian].

Baranzini, A., & Ramirez, J. (2016). Paying for quietness: The impact of noise on Geneva rents. Urban Studies, 42(4), 633-644. https://doi.org/10.1080/00420980500060186

Bitner, A., Król, K., Frosik, M., & Furczoń, M. (2020). Ecological considerations in real estate valuation. Journal of Ecological Engineering, 21(5), 47-55. https://doi.org/10.12911/22998993/122193

Blurts, B. (2012). What are environmental factors. Journal of Environment and Earth Science, 3(1), 86-97. https://B2n.ir/w96593

Bolitzer, B., & Netusil, N. (2000). The impact of open spaces on property values in portland oregon. Journal Of Environmental Management, 59(3), 185-193. https://doi.org/10.1006/jema.2000.0351

Bonetti, F., Corsi, S., Orsi, L., & Noni, I. (2016). Canals vs streams: To what extent do water quality and proximity affect real estate values? A hedonic approach analysis. Water, 8(12), 8-12. https://doi.org/10.3390/w8120577

Cai, Y., Smit, M., & Helbich, M. (2023). Economic effects of air quality on housing prices: Evidence from beijing China. Journal of Housing and The Built Environment, 122, 885-908. https://doi.org/10.1007/s10901-023-10108-z

Cavailhès, J., Brossard, T., & Foltête, J. (2009). GIS-Based hedonic pricing of landscape. Environmental And Resource Economics, 44, 571-590. https://doi.org/10.1007/s10640-009-9302-8

Cellmer, R., Senetra, A., & Szczepan, A. (2012). The effect of environmental factors on property value. FIG Working Week. https://B2n.ir/p65583

Charlton, M., Fotheringham, S., & Brunsdon, C. (2005). CRM methods review papers, NCRM/006: Geographically weighted regression. [Unpublished working paper]. https://eprints.ncrm.ac.uk/id/eprint/90

Chen, Y., Liu, G., Yan, N., Yang, Q., Gao, H., Su, L., & Santagata, R. (2023). Omprehensive evaluation of urban greenspace ecological values marketability uthrogh the spatial relationship between housing price and ecosystem services. Ecological Modelling, 484, 1-23. https://doi.org/10.1016/j.ecolmodel.2023.110482

Chiarazzo, V., Coppola, P., Dell’Olio, L., Ibeas, A., & Ottomanelli, M. (2014). The effects of nvironmental quality on residential choice location. Procedia — Social and Behavioral Sciences, 162, 178-187. https://doi.org/10.1016/j.sbspro.2014.12.198

Chrysanthou, A., & Van Haaren, J. (2016). The effect of environmental amenities on residential prices: The inner city of London. Erasmus University. https://thesis.eur.nl/pub/34028/BA-scriptie-Chrysanthou-A..pdf

Currie, J., Davis, L., Greenstone, M., & Walker, R. (2013). Do housing prices reflect environmental health risks? Evidence from more than 1600 toxic plant openings and closings. MIT Energy initiative and MIT sloan school of management. https://ceepr.mit.edu/wp-content/uploads/2021/11/2013-001.pdf

de Planhol, X. (1999). Etudes sur la géographie humaine du nord de l'Iran (S. Sahami, Trans.). Ferdowsi university. (Original work published in 1958) [In Persian].

Della Valle, P. (2021). Carnet de voyage pietro della valle (S. Shafa, Trans.) Scientific-Cultural publishing house. The seventh edition. (Original work published in 1658) [In Persian].

Diao, M. (2015). Selectivity spatial autocorrelation and the valuation of transit accessibility. Urban Studies, 52(1), 159-177. https://doi.org/10.1177/0042098014523686

Dong, K., & Zeng, X. (2018). Public willingness to pay for urban smog mitigation and its determinants: A case study of Beijing China. Atmospheric Environment, 173, 355-363. https://doi.org/10.1016/j.atmosenv.2017.11.032

Elliott-Cooper, A., Hubbard, P., & Lees, L. (2020). Moving beyond Marcuse: Gentrification displacement and the violence of un-homing. Progress In Human Geography, 44(3), 492-509. https://doi.org/10.1177/0309132519830511

Ersoz, F., Ersoz, T., & Soydan, M. (2018). Research on factors affecting real estate values by data mining. Journal Of Real Estate Economics and Construction Management, 6(1), 239-220. https://intapi.sciendo.com/pdf/10.2478/bjreecm-2018-0017

Fasihi, H. (2024). Urban housing and government policy. Kharazmi university Press. [In Persian].

Freeman, A. (1981). Hedonic prices property values and measuring environmental benefits: A survey of the Issues. The Scandinavian Journal of Economics, 81(2), 154-173. https://doi.org/10.2307/3439957

Hosseini, S., Bahadori, B., & Charkhan, S. (2022). Spatial analysis of housing prices in Tehran city. International Journal of Housing Markets and Analysis, 17(2), 1-24. https://doi.org/10.1108/IJHMA-06-2022-0087

Ima, K. (2016). Linear regression. Princeton university publication. https://imai.fas.harvard.edu/teaching/files/regression.pdf

Information and communication technology organization of Tehran municipality. (2022). Statistics of 2022 of Tehran city. https://tmicto.tehran.ir [In Persian].

Iranian statistic Center. (2016). GIS files of the 2016 Iranian public census of population and housing. Iranian statistic center. [In Persian].

Irfan, M. (2013). Do open sewers lead to a reduction in housing prices? Evidence from rawalpindi pakista. South asian network for development and environmental economic (SANDEE).

Ito, K., & Zhang, S. (2020). Willingness to pay for clean air: Evidence from air purifier markets in China. Journal Of Political Economy, 128(5), 1-18. https://doi.org/10.1086%2F705554

Julius, M., Sanderson, A., Pierre, L., Simion, M., & Zenzile, M. (2020). Effects of environmental quality on urban housing prices: A hedonic multiple linear regression model approach. Journal of Environmental Assessment Policy and Management, 22(1-2), 1-14. https://doi.org/10.1142/S146433322250003X

Kim, K., & Lahr, M. (2014). The impact of hudson bergen llight rail on residential ppoperty appreciation. Papers in Regional Sciences, 93, 79-97. https://doi.org/10.1111/pirs.12038

Konig, C. (2024). Neighborhood structure and environmental quality: A fine-grained analysis of spatia inequalities in urban Germany. Urban Studies, 61(10), 1-22. https://doi.org/10.1177/00420980231224224

Li, Y., & Shen, Y. (2022). How does environmental pollution affect housing?. Highlights In Science, Engineering and Technology, 25, 420-432. https://doi.org/10.54097/hset.v25i.3589

Liu, J., Farahani, H., & Serota, R. (2024). Exploring distributions of house prices and house price indices. Economies, 12(2), 47-58. https://doi.org/10.3390/economies12020047

Moazzeni, K., Rafieian, M., & Izadi, M.S. (2019). Valuing the components and indicators of sustainable regeneration of Tehran's urban valleys (A case study: Darakeh river. sustainable city magazine). Sustainable City, 2(4), 65-82. https://www.jscity.ir/article_104846.html [In Persian].

Moradi, G., Dehghan Banadkooki, F., & Apra Jooneghani, E. (2021). The effect of green spaces on housing prices using the hedonic valuation model (Case study: Yazd city). Environmental Quarterly, 47(4), 413-428. https://doi.org/10.22059/jes.2021.331811.1008237 [In Persian].

Nikolaos, K., Dimitra, V., & Agapi, X. (2011). Real estate values and environment: A case study on the effects of the environment on residential real estate value. International Journal of American Research, 3(1), 861-868. https://B2n.ir/g42908

Osland, L., Östh, J., & Nordvik, V. (2022). House price valuation of environmental amenities: An application of GIS-derived data. Reg Sci Policy Pract, 14(3), 939-961. https://doi.org/10.1111/rsp3.12382

Palmquist, R. (1982). Measuring environmental effects on property values without hedonic. Journal of Urban Economics, 11(3), 333-347. https://doi.org/10.1016/0094-1190(82)90079-1

Palmquist, R. (2005). Handbook of environmental economics (M. Karl-Goran, R. Vincent Jeffrey, Ed). Science Direct.

Paradinas, J., Pacheco, G., & Pérez, E. (2012). Environment and housing market: Incident of the environment in the price of the dweling. International Virtual Conference Advanced Research in Scientific Areas Section 6: Psychology Sociology And Pedagogy Social Science, Madrid. https://oa.upm.es/22813/1/INVE_MEM_2012_154834.pdf

Poormohammadi, M., Ghorbani, R., & Taghipour, A. (2013). Investigating factors affecting housing prices in Tabriz city using the hedonic model. Space Geographic Survey, 3(9), 83-104. https://gps.gu.ac.ir/article_6286.html [In Persian].

Safari, H., & Pouladvand, M. H. (2016). Seismic micro-zoning of Tehran city based on definite risk analysis and seismic indicators of adjacent fault areas. Structural Engineering and Construction, 4(3), 109-128. https://doi.org/10.22065/jsce.2017.79793.1112 [In Persian].

Saremi, H., Heidari, M., & Aghaei, F. (2018). Spatial analysis of housing prices using the geographically weighted regression technique study area: Tehran municipality. Urban Economy, 3(2), 19-38. https://doi.org/10.22108/ue.2018.109447.1056 [In Persian].

Shyr, O., Andersson, D., Wang, J., Huang, T., & Liu, O. (2013). Where do home buyers pay most for relative transit accessibility? Hong Kong taipei and kaohsiung compared. Urban Studies, 50(12), 2553-2568. https://doi.org/10.1177/0042098012474510

Sirmans, S., Macpherson, D., & Zietz, E. (2005). The composition of hedonic pricing models. Journal Of Real Estate Literature, 13(1), 1-44. https://doi.org/10.1080/10835547.2005.12090154

Tehran municipality. (2024). About Tehran. [website]. https://www.tehran.ir/ [In Persian].

Visser, P., Van Dam, F., & Hooimeijer, P. (2008). Residential environment and spatial variation in house prices in the netherlands. Tijdschrift Voor Economische En Sociale Geografie, 99(3), 348-360. https://doi.org/10.1111/j.1467-9663.2008.00472.x

Walters, A. (1975). Noise and prices. Journal of Behavioral Economics, 5(1), 195-198. https://doi.org/10.1016/S0090-5720(76)80013-7

Wang, P., & Chen, M. (2019). The impact of environmental factors on housing prices: A case study of taipei housing transactions. International Journal of Information and Management Sciences, 30(2), 185-202. https://www.airitilibrary.com/Common/Click_DOI?DOI=10.6186%2fIJIMS.201906_30(2).0006

Waresi, H., & Moosavi, M. (2020). Investigating factors affecting housing prices using the hedonic price model (Case study: Three cities of Yazd). Journal of Geography and Environmental Studies, 1(3), 5-12. https://sid.ir/paper/186436/fa [In Persian].

Wen, H., Zhang, Y., & Zhang, L. (2014). Do educational facilities affect housing price? An empirical study in hangzhou China. Habitat International, 42, 155-163. https://doi.org/10.1016/j.habitatint.2013.12.004

Wheeler, D., & Paez, A. (2010). Geographically weighted regression. In M. Fischer, A. Getis. (Eds.), Handbook of applied spatial analysis. https://doi.org/10.1007/978-3-642-03647-7_22

Wu, J. (2014). Urban ecology and sustainability: The state-of-the-science and future directions. Landscape and Urban Planning, 125, 209-221. https://doi.org/10.1016/j.landurbplan.2014.01.018

Zahraipour, N., & Jafarpour, R. (2021). The position of rivers and streams of Tehran as the most important natural edges of the city in the upstream Sindh (master plan) of the city. Bagh Nazar, 18(97), 5-16. https://doi.org/10.22034/bagh.2020.195110.4234 [In Persian].

Spatial Analysis of the Relationship between Ecological Factors and Housing Prices in Tehran

Full Text

References

Volume 14, Issue 4 - Serial Number 55
June 2025
Pages 103-124

Files

History

Share

How to cite

Statistics

Spatial Analysis of the Relationship between Ecological Factors and Housing Prices in Tehran

Full Text

References

Volume 14, Issue 4 - Serial Number 55June 2025Pages 103-124

Files

History

Share

How to cite

Statistics

Volume 14, Issue 4 - Serial Number 55
June 2025
Pages 103-124