اثرات چند مقیاسی دسترسی به تسهیلات عمومی چندوجهی بر قیمت مسکن بر اساس MGWR: مطالعه موردی ووهان، چین

چیدمان تأسیسات خدمات عمومی و دسترسی به آنها از عوامل مهم تأثیرگذار بر عدالت فضایی است. مطالعات قبلی تأثیر مثبت دسترسی به تسهیلات عمومی بر قیمت خانه را تأیید کرده است. با این حال، مقیاس فضایی تأثیر دسترسی به امکانات عمومی مختلف بر قیمت مسکن هنوز مشخص نیست. این مطالعه منطقه تحلیل حمل و نقل شهر ووهان را به عنوان واحد فضایی در نظر می گیرد، دسترسی به امکانات عمومی مدارس، بیمارستان ها، فضای سبز و ایستگاه های حمل و نقل عمومی را با چهار نوع مدل دسترسی مانند نزدیک ترین فاصله، هزینه سفر در زمان واقعی، تراکم هسته اندازه گیری می کند. و حوضه آبریز شناور دو مرحله ای (۲SFCA)، و اثر چند مقیاسی دسترسی به خدمات عمومی بر قیمت خانه را با مدل رگرسیون جغرافیایی وزن دار چند مقیاسی بررسی می کند. نتایج نشان می‌دهد که اثر مقیاس متمایز نه تنها در میان دسترسی‌های مختلف تسهیلات عمومی وجود دارد، بلکه در مدل‌های دسترسی متفاوت از یک نوع تسهیلات نیز وجود دارد. این مقاله همچنین پیشنهاد می‌کند که امکانات مختلف باید مدل دسترسی مناسب خود را اتخاذ کنند. این مطالعه بینش‌هایی را درباره ناهمگونی فضایی دسترسی به امکانات خدمات عمومی شهری ارائه می‌کند، که تصمیم‌گیری در برنامه‌ریزی دسترسی برابر و تدوین سیاست برای چیدمان تسهیلات خدمات شهری سودمند خواهد بود.

کلید واژه ها:

اثر چند مقیاسی ; امکانات عمومی ؛ دسترسی _ MGWR ; قیمت مسکن ؛ ۲SFCA

۱٫ مقدمه

همراه با شهرنشینی مداوم سیاره ای، افزایش جمعیت شهری چالش بزرگی برای شهرهای جهانی برای ارائه خدمات عمومی ایمن، سالم و پایدار به ساکنان ایجاد می کند [ ۱ ]. به ویژه در کشورهای در حال توسعه، امکانات عمومی مانند آموزش [ ۲ ، ۳ ، ۴ ]، حمل و نقل [ ۵ ، ۶ ، ۷ ، ۸ ]، فضاهای سبز [ ۹ ، ۱۰ ] و مراقبت های پزشکی [ ۱۱ ، ۱۲ ]]، در حال تبدیل شدن به سیاست ها و روش های اصلی عمومی برای پل زدن شکاف رو به رشد در نابرابری اقتصادی هستند. که در آن، دسترسی به امکانات عمومی نقش مهمی در برنامه ریزی و مدیریت شهری از نظر خدمات عمومی ایفا می کند [ ۱۳ ، ۱۴ ، ۱۵ ]. از آنجایی که قیمت مسکن ممکن است منعکس کننده کیفیت خدمات عمومی نزدیک باشد، مهم است که دسترسی به امکانات خدمات عمومی مختلف را از طریق قیمت مسکن درک کنیم [ ۱۶ ، ۱۷ ، ۱۸ ].

مدل لذت‌گرا، همبستگی‌های کلاسیک بین قیمت و ویژگی‌های ساختاری، مکانی و همسایگی خواص را پیشنهاد می‌کند [ ۱۹ ]. دسترسی فضایی و کمبود امکانات توزیع شده در فضای شهری مانند مناطق تجاری، مدارس، ایستگاه‌های اتوبوس، ایستگاه‌های مترو و پارک‌ها، عوامل حیاتی هستند که بر قیمت مسکن تأثیر می‌گذارند [ ۲۰ ]. علاوه بر این، قیمت مسکن نیز تحت تأثیر همبستگی مکانی [ ۲۱ ] و ناهمگونی فضایی [ ۲۲ ] قرار می گیرد، به عنوان مثال، اثر فروپاشی فاصله تسهیلات بر قیمت مسکن شهری وجود دارد و انواع ایستگاه ها تأثیر متفاوتی بر قیمت مسکن خواهند داشت [ ۲۳ ].]. چنین معضلی را می توان تا حدی با اثر مقیاس دسترسی فضایی توضیح داد [ ۲۳ ، ۲۴ ].

اگرچه تعداد زیادی از مطالعات تأثیر دسترسی به امکانات عمومی مختلف مانند مراقبت‌های بهداشتی [ ۲۵ ، ۲۶ ]، آموزش [ ۱۶ ]، حمل‌ونقل [ ۱۵ ] و فضای سبز عمومی [ ۲۷ ] را بر قیمت مسکن مورد تجزیه و تحلیل قرار داده‌اند، هنوز آثاری باقی مانده است. عدم قطعیت در اندازه گیری دسترسی از نظر هزینه های سفر و انتخاب مدل [ ۲۸ ].

از نظر هزینه‌های سفر در مدل‌های دسترسی، مدل‌های سنتی اغلب از نزدیک‌ترین فاصله اقلیدسی، نزدیک‌ترین فاصله‌های شبکه خیابانی به عنوان موانع فضایی استفاده می‌کنند، مطالعات اخیر فرض می‌کنند که از هزینه زمان واقعی یا فاصله به عنوان هزینه فضایی بر اساس خدمات نقشه باز مانند Google Map API استفاده می‌کنند [ ۲۹ ] ، ۳۰ ]. با این حال، در حالی که API نقشه مدل‌های چند حالته را از طریق رانندگی، پیاده‌روی یا حمل‌ونقل عمومی ارائه می‌کند [ ۳۱ ]، مشخص نیست که کدام نوع فاصله باید با توجه به انواع مختلف امکانات عمومی انتخاب شود.

علاوه بر این، مدل‌های مختلفی برای اندازه‌گیری دسترسی وجود دارد، مانند مدل عرضه‌محور (SOM)، مدل فرصت تجمعی (COM)، و مدل نسبت عرضه به تقاضا (SDRM) [ ۳۲ ]. مدل‌های مختلف نزدیک‌ترین فاصله معمولاً در SOM برای اختصاص یک نقطه عرضه واحد به هر ناحیه تقاضا استفاده می‌شوند، در حالی که مدل چگالی هسته، مدل پتانسیل مبتنی بر گرانش را می‌توان به عنوان COM دسته‌بندی کرد که منابع عرضه متعدد را در نظر می‌گیرد [ ۳۳ ].]. SDRM همچنین در برنامه ریزی شهری یا سیاست گذاری، با استفاده از نسبت بین میزان تقاضا و عرضه در یک واحد فضایی خاص، محبوب است. چنین روش هایی ممکن است اثر فروپاشی فاصله و ظرفیت عرضه و تقاضا را دست کم بگیرند، منطقه حوضه شناور دو مرحله ای (۲SFCA) پیشنهاد شد و به طور گسترده در تحقیقات دسترسی به مراقبت های بهداشتی استفاده شد [ ۳۴ ، ۳۵ ]. به طور مشابه، اینکه کدام مدل باید برای نوع خاصی از امکانات عمومی انتخاب شود، ممکن است نیاز به کاوش بیشتری داشته باشد. در واقع، مطالعات بیشتر و بیشتر نشان داده اند که اندازه گیری دسترسی باید با توجه به حالت استفاده روزانه و داده های موجود از امکانات خدمات عمومی اتخاذ شود [ ۳۶ ، ۳۷ ].

علاوه بر این، تحقیقات فعلی به ندرت اثر فضایی چند مقیاسی دسترسی چندوجهی را بر قیمت مسکن در نظر می گیرد [ ۳۸ ]. اگرچه مطالعاتی در مورد ادغام مدل‌های آماری فضایی (SSM) و مدل رگرسیون وزن‌دار جغرافیایی (GWR) در مدل لذت‌گرای کلاسیک برای افزایش اثرات فضایی [ ۳۹ ، ۴۰ ] انجام شده است، مطالعات اخیر نشان داده‌اند که مدل رگرسیون وزن‌دار جغرافیایی چندمقیاس (MGWR) می تواند تفاوت مقیاس اثرات فضایی را بهتر منعکس کند [ ۴۱ ، ۴۲ ]. دانش تفاوت‌های مقیاس کمک می‌کند تا ویژگی‌های همزیستی ناهمگونی فضایی و خودهمبستگی فضایی را بهتر درک کنیم [ ۴۳ ].

بنابراین این مطالعه ووهان را به عنوان مطالعه موردی برای بررسی اثرات چند مقیاسی بر قیمت مسکن تحت تأثیر دسترسی چندوجهی به امکانات خدمات عمومی قرار می‌دهد. بر اساس اندازه‌گیری دسترسی به امکانات عمومی مدارس، بیمارستان‌ها، فضای سبز و ایستگاه‌های حمل‌ونقل عمومی با چهار نوع مدل دسترسی مانند نزدیک‌ترین فاصله، هزینه سفر در زمان واقعی، تراکم هسته و ۲SFCA، MGWR برای بررسی اثر چند مقیاسی استفاده می‌شود. دسترسی به خدمات عمومی در قیمت مسکن نتیجه، تأثیر مقیاس متفاوت دسترسی به تسهیلات عمومی و همزیستی ناهمگونی و همگنی در فضا را تأیید کرد، که ممکن است به سیاست‌گذاری برنامه‌ریزی چیدمان تأسیسات عمومی و بهبود عدالت فضایی در ارائه خدمات عمومی شهری برای دولت‌های محلی کمک کند.

۲٫ داده ها و روش ها

۲٫۱٫ منطقه مطالعه

این منطقه مورد مطالعه به عنوان منطقه شهری اصلی (MUA) ووهان، شهر پیشرو در بخش میانی کمربند اقتصادی رودخانه یانگ تسه تنظیم شده است. رودخانه یانگ تسه و رودخانه هان در مرکز شهر ووهان به هم می رسند و شهر را به سه ناحیه اصلی تقسیم می کنند: ووچانگ، هانکو و هانیانگ ( شکل ۱ ). ووچانگ در کارکردهای آموزشی مسلط است و دانشگاه های معروف زیادی دارد و هانکو بر روی کارکردهای تجاری تمرکز دارد و قبل از سال ۱۹۴۹ یک منطقه امتیاز تاریخی بوده است، در حالی که اقتصاد هانیانگ توسط صنعت خودرو هدایت می شود. از نظر محیطی، آب فراوان و کوه‌های موجود در شهر، پس‌زمینه اکولوژیکی خوبی را تشکیل می‌دهند، چنین بافت‌های مختلف جغرافیایی می‌توانند تأثیر مقیاس بالقوه را بر دسترسی تحمیل کنند.

از نمودار روند قیمت از سال ۲۰۱۳ تا ۲۰۲۰ ( شکل ۲ )، می توان دریافت که قیمت مسکن در هانیانگ نسبت به دو منطقه دیگر نسبتاً کمتر است. از سال ۲۰۱۵ تا ۲۰۱۸، قیمت مسکن در ووهان با افزایش متوسط ۹۵ درصدی به سرعت افزایش یافت و سپس روند نسبتاً ثابتی داشت. قیمت مسکن در ووچانگ به شدت در حال افزایش بوده است و در سال ۲۰۱۶ از هانکو پیشی گرفته است و در سال ۲۰۲۰ با کاهش میانگین کلی قیمت، روندی اندکی افزایشی دارد.

۲٫۲٫ پیش پردازش داده ها

سه نوع متغیر برای بررسی اثر چند مقیاسی دسترسی بر قیمت مسکن به کار گرفته شد. در آن، قیمت مسکن به عنوان متغیر وابسته با دسترسی به امکانات عمومی مختلف به عنوان متغیرهای توضیحی در نظر گرفته شد، که فراتر از آن چندین پارامتر اضافی نیز به عنوان متغیرهای کنترل گنجانده شد، مانند تراکم جمعیت، مرکزیت مکان و میانگین سن ساختمان ( شکل ۳ ) . .

(۱): قیمت مسکن و میانگین سن خانه: داده‌ها از یک پلتفرم مسکن آنلاین ( Lianjia.com ، دسترسی به ۸ آگوست ۲۰۲۱) در سال ۲۰۲۰ دریافت شدند، میانگین ارزش تمام قیمت مسکن مبتنی بر نقطه در محدوده TAZ به عنوان میانگین ارزش هر TAZ به منظور افزایش قابلیت مقایسه، مجموعه داده‌ها فقط نوع آپارتمان را حفظ می‌کند که اصلی‌ترین شکل مسکونی در چین است، و ویلا به دلیل کمیاب بودن و قیمت بسیار بالا شامل نمی‌شود.
(۲): امکانات عمومی: داده‌ها از داده‌های POI نقشه بایدو استخراج شده‌اند، که در میان آنها، تنها امکانات عمومی که اغلب توسط دولت سرمایه‌گذاری می‌شوند نگهداری می‌شوند. آموزش (مهدکودک، دبستان، راهنمایی)، حمل و نقل (ایستگاه اتوبوس، ایستگاه مترو)، فضای سبز، بیمارستان. فضاهای تجاری و تجاری (فروشگاه ها، بازارها، ادارات) نیز برای نمایندگی مراکز اشتغال مورد استفاده قرار گرفت. بیمارستان ها بیشتر غربالگری شده اند و فقط بیمارستان های عمومی باقی مانده اند. دسترسی متناظر TAZ در مدل های بعدی بر اساس مرکز TAZ محاسبه شد ( n = ۲۳۸۳).

۲٫۳٫ مواد و روش ها

۲٫۳٫۱٫ دسترسی چندوجهی

این مطالعه از چهار مدل محبوب برای محاسبه دسترسی به امکانات عمومی مختلف، نزدیک‌ترین فاصله اقلیدسی، حداقل زمان سفر چندوجهی، چگالی هسته و ۲SFCA استفاده می‌کند ( شکل ۴ ). دو مدل اول را می توان به عنوان مدل های عرضه ساده در نظر گرفت، در حالی که دو مدل دیگر را می توان به عنوان مدل های عرضه چندگانه در نظر گرفت. به طور خاص ۲SFCA اثر آستانه فضایی هم عرضه و هم تقاضا را در نظر می گیرد.

(۱): نزدیکترین فاصله اقلیدسی (NED)

این بر اساس فاصله بین مرکز TAZ و سایر امکانات عمومی تحت سیستم مختصات جغرافیایی پیش بینی شده محاسبه شد. چنین فاصله ای راه اصلی برای محاسبه دسترسی است. NED برای TAZ به عنوان فاصله تا مرکز شهری (اولین جاده حلقه‌ای ووهان)، رودخانه‌ها، مراکز اشتغال، ایستگاه‌های اتوبوس، ایستگاه‌های مترو و پارک‌ها استفاده شد.

(۲): حداقل هزینه سفر چند وجهی (MMTC)

چنین پارامتری توسط برنامه نویسی پایتون با Baidu Map API، یک سرویس نقشه وب مشابه Google Map API، برای محاسبه حداقل زمان سفر یا مسافت از طریق راه های چندگانه بهینه شامل پیاده روی، رانندگی و حمل و نقل عمومی به دست آمد. MMTC عمدتاً در دسترس‌پذیری ایستگاه‌های مترو و بیمارستان‌ها به کار می‌رفت و برای بیمارستان‌ها، هر سه نوع حالت سفر برای ایجاد هزینه بهینه ترکیب شدند، در حالی که فقط بیداری و حمل‌ونقل عمومی برای ایستگاه‌های مترو استفاده شد.

(۳): چگالی هسته (KD)

دسترسی محاسبه شده توسط چگالی هسته ( $A_{i}^{K}$ ) تحت تأثیر دو پارامتر در فرآیند، وزن و فاصله جستجو قرار می گیرد، که در آن، وزن های مناسب باید به نقاط مختلف نشان دهنده اهمیت یا ظرفیت تأسیسات عمومی اختصاص داده شود، فاصله جستجو را می توان به عنوان شعاع منطقه خدماتی در نظر گرفت. امکانات خاص چنین معادله ای را می توان به صورت زیر نوشت:

آ ک من = ۱ r 2 \sum i = ۱ n ⎛⎝ ۳ π w من (۱-_(د من r) 2) 2 ⎞⎠

(۱)

جایی که d _i فاصله از نقطه تقاضا تا نقطه عرضه i است ، r شعاع جستجو، و w _i وزن تخصیص یافته امکانات است. این محاسبه در پلتفرم ArcGIS که از پهنای باند پیش‌فرض برای شعاع جستجو استفاده می‌کند، اجرا شد.

برای ایستگاه اتوبوس و خطوط اتوبوس از وزن مساوی استفاده شد، در حالی که وزن های رتبه بندی بر اساس گزارش های کیفی مدارس به آنها اختصاص یافت.

(۴): ۲SFCA

کل محاسبه را می توان به دو مرحله تقسیم کرد، ابتدا یک مقدار متوسط عرضه از هر نقطه عرضه منفرد به نقاط تقاضای نزدیک ( k ) در شعاع خدمات آن اختصاص داده شد، سپس مقدار تخصیصی از تمام نقاط عرضه نزدیک ( j ) به هر تقاضای منفرد اختصاص یافت. نقطه بر اساس نقطه تقاضا به عنوان نتیجه دسترسی جمع می شود ( $A_{i}^{K}$ ). قابلیت دسترسی برای نقطه تقاضا i توسط ۲SFCA به صورت بیان شده است

آ اف من = \sum j ϵ {د من ج \leq د} ⎛⎝⎜⎜⎜ اس j \sum k ϵ { د k j \leq د } D ک ⎞⎠⎟⎟⎟

(۲)

جایی که d _ij فاصله بین نقطه تقاضا i و هر نقطه عرضه اطراف را با فاصله آستانه d نشان می دهد ، d _kj فاصله بین نقطه عرضه i و هر نقطه تقاضای نزدیک k است ، D _k کل جمعیت نقطه تقاضا k است ، و S _j ظرفیت عرضه j است.

با توجه به کمبود داده های بیمارستان ها، ۲SFCA تنها در فضای سبز با پارامترهای تقاضا و عرضه به ترتیب به عنوان جمعیت TAZ و مساحت پارک ها اجرا می شود. با توجه به تحقیقات دسترسی مرتبط در فضای سبز [ ۴۴ ]، ۳ کیلومتر به عنوان فاصله آستانه d استفاده شد.

۲٫۳٫۲٫ رگرسیون وزنی جغرافیایی چند مقیاسی

در این مطالعه، ابتدا از رگرسیون OLS برای آزمون اولیه همبستگی بین قیمت مسکن و متغیرهای توضیحی و انتخاب برای رگرسیون بیشتر در GWR و MGWR استفاده شد.

(۱): رگرسیون OLS

مدل لذت‌گرای سنتی را می‌توان به صورت رگرسیون OLS بیان کرد، به این معنی که برای هر مشاهده قیمت مسکن y _i ،

y _i = β _۰ + Σ β _i x _i + ε _i

(۳)

جایی که β _۰ نقطه قطع است، x _i نشان دهنده متغیر مستقل، β _i ضریب مربوطه و ε به عنوان خطا است.

(۲): رگرسیون وزنی جغرافیایی

در مقایسه با مدل رگرسیون OLS، مدل GWR بیان ناهمگونی فضایی را با افزودن پارامترهای متغیر در فضا با توجه به مختصات هر مشاهده ( u _i , v _i ) تقویت می‌کند. معادله GWR برای قیمت مسکن y _i می تواند به صورت نوشته شود

y من = β ۰ (تو من ، تو من) + \sum ک β k (تو من ، تو من) ایکس من ک + ε من

(۴)

ضریب و ضریب متغیر محلی k در مکان i کجا و هستند . x _ik k امین متغیر در مکان i است.

(۳): رگرسیون وزنی جغرافیایی چند مقیاسی:

انواع مختلف تسهیلات عمومی ممکن است مناطق خدماتی مختلفی داشته باشند که ممکن است منجر به تأثیر فضایی بر قیمت مسکن در مقیاس‌های متغیر شود، که به این معنی است که ناهمگونی فضایی و همگنی فضایی ممکن است در کنار هم وجود داشته باشند. GWR با استفاده از پهنای باند منفرد قادر به بیان چنین ویژگی هایی نیست، در حالی که MGWR می تواند با اختصاص پهنای باند خاص برای هر متغیر بر اساس تکرار، چنین مشکلاتی را کاهش دهد. MGWR به عنوان است

y من = β ب w 0 (تو من ، تو من) + \sum ک β ب w ک (تو من ، تو من) ایکس من ک + ε من

(۵)

پارامترها تقریباً مشابه GWR هستند، به جز برچسب مشخص شده bw که نشان دهنده پهنای باند متفاوت هر متغیر است.

مدل‌های OLS، GRW و MGWR می‌توانند مستقیماً از طریق نرم‌افزار MGWR [ ۴۲ ] اعمال شوند.

۳٫ نتایج

۳٫۱٫ توصیف آماری مقدماتی و آزمون همبستگی

۱۹ متغیر مستقل برای رگرسیون OLS گنجانده شد که شرح آماری در جدول ۱ نشان داده شده است. که در آن، قیمت مسکن از ۷۹۹۴ تا ۴۰۶۶۳ متغیر است و نمودار ۳ نیز نشان می‌دهد که آپارتمان‌های با قیمت بالاتر در هانکو و ووچانگ دسته‌بندی شده‌اند. سن ساختمان از ۲٫۷ تا ۲۸٫۱ متغیر بوده و حداکثر تراکم جمعیت ۱۳۷۰۱۴ نفر در کیلومتر مربع است. از نظر بیمارستان ها، حداکثر فاصله محاسبه شده توسط Realtime Map API 14639 متر است که ۵۵٪ بزرگتر از فاصله اقلیدسی است، که تفاوت های آشکاری را بین مدل های مختلف دسترسی نشان می دهد. چنین شکافی را می توان در مقایسه دسترسی ایستگاه های مترو نیز یافت، حداکثر فاصله API 118٪ بزرگتر از فاصله اقلیدسی است.

در مورد امکانات آموزشی و پارک ها، حداقل دسترسی بر اساس تراکم هسته و ۲SFCA می تواند صفر باشد، زیرا فاصله بین چنین واحدهای TAZ و امکانات فراتر از شعاع خدماتی امکانات عمومی است.

آزمون همبستگی پیرسون نشان داد که قیمت مسکن ارتباط زیادی با اکثر متغیرهای توضیحی دارد ( شکل ۵ ). که در آن قیمت مسکن با تراکم جمعیت، سن ساختمان، تراکم هسته ایستگاه‌ها و خطوط اتوبوس، مهدکودک و دبستان، منفی نسبت به فاصله تا کمربندی اول، بیمارستان‌ها، ایستگاه‌های مترو و پارک‌ها همبستگی مثبت آشکار نشان داد که به معنای نزدیک‌تر است. هر چه فاصله باشد، قیمت مسکن بالاتر می رود. همبستگی بسیار زیاد در انواع مختلف اندازه‌گیری‌های دسترسی از نظر بیمارستان‌ها و ایستگاه‌های مترو را می‌توان مشاهده کرد و همبستگی بین فاصله تا جاده کمربندی و مراکز استخدامی نیز آشکار است.

۳٫۲٫ رگرسیون OLS

از رگرسیون OLS گام به گام برای کاهش همخطی بین متغیرها استفاده شد و ۱۲ متغیر در آخرین مرحله حفظ شد ( جدول ۲ ). نتایج حاکی از آن است که متغیرهایی مانند سن ساختمان، تراکم جمعیت، فاصله تا رینگ و فضای سبز با قیمت مسکن همبستگی بسیار منفی دارند. چنین نتیجه ای ممکن است دلالت بر این داشته باشد که مکان و عوامل محیطی مهمترین نقش را ایفا می کنند، با این عقل سلیم که هر چه به مرکز شهر و فضای سبز نزدیکتر باشد، قیمت مسکن بالاتر است.

هنوز قابل توجه است که بین دسترسی های مختلف بیمارستان ها و مدارس اثرات معکوس وجود دارد. از نظر فضای سبز، تأثیر نزدیک‌ترین فاصله از ۲SFCA بیشتر بود، که نشان می‌دهد نزدیکی فضایی ممکن است مهم‌تر از ظرفیت فضایی باشد. عوامل تورم واریانس (VIF) نیز در اینجا گزارش شد، که نشان می‌دهد همخطی بین دسترسی‌های بیمارستانی باقی می‌ماند.

بر اساس نتیجه OLS، قیمت خانه در ووهان به ازای هر سال افزایش سن خانه ۱۱۴ یوان کاهش می‌یابد، به ازای هر دقیقه افزایش زمان از ایستگاه مترو، ۲۳ یوان کاهش می‌یابد، و به ازای هر متر افزایش قیمت، ۱ یوان کاهش می‌یابد. فاصله تا فضای سبز

۳٫۳٫ MGWR

۳٫۳٫۱٫ مقایسه مدل

در طول کاربرد MGWR، نتیجه GWR و MGWR هر دو توسط نرم افزار MGWR با روش جستجوی پهنای باند بازه ای تولید شدند ( جدول ۳ ). نتایج نشان می دهد که اگرچه هر دو GWR و MGWR می توانند نتیجه OLS را تا حد زیادی بهبود بخشند، دومی درجه بالاتری از تناسب اندام را نشان می دهد.

۳٫۳٫۲٫ برآورد پارامتر MGWR

در مقایسه با مقدار پهنای باند ۸۱ که توسط مدل GWR نشان داده شده است، MGWR فرض کنید که پهنای باند از ۲۰ تا ۲۳۰۰ متغیر است ( جدول ۴ ). نتایج نشان می‌دهد که به استثنای ایستگاه‌های اتوبوس و ایستگاه‌های مترو، اکثر متغیرها مقیاس محلی یا جهانی را نشان می‌دهند به جز، که در آن، همه متغیرهای محلی همبستگی در حال تغییر از منفی به مثبت را نشان می‌دهند. از نظر متغیرهای جهانی، Kdg، Msch، HosApiT و Busline تأثیر مثبتی بر قیمت مسکن نشان دادند، در حالی که Psch، G2SFCA، MetroApiT، MetroD، HosD و HosApiD رابطه منفی با قیمت مسکن داشتند.

از منظر امکانات عمومی مختلف، تأثیر امکانات آموزشی و پزشکی جهانی است، در حالی که تأثیرات حمل و نقل عمومی و فضای سبز در مقیاس متقابل است.

محاسبات بر اساس MGWR و نتایج استاندارد شده نشان می دهد که به ازای هر یک سال افزایش سن خانه، قیمت مسکن به طور متوسط ۱۹۴ یوان کاهش می یابد. به ازای هر افزایش ۱ متری فاصله اقلیدسی تا فضاهای سبز یا ایستگاه اتوبوس، قیمت مسکن به طور متوسط ۲ یوان کاهش می یابد. از نظر ایستگاه های مترو، به ازای هر متر اضافی مسافت اروپایی و مسافت سفر، قیمت مسکن به ترتیب ۴ یوان و ۵۳۳ یوان کاهش می یابد. به ازای هر دقیقه سفر به ایستگاه‌های مترو، قیمت مسکن ۵۹۵۴ یوان کاهش می‌یابد.

۳٫۳٫۳٫ اثر چند مقیاسی دسترسی‌های چندوجهی

نتایج MGWR ویژگی‌های مقیاس ضرایب همه متغیرها را نشان می‌دهد که با فضا تغییر می‌کنند و p-value آماری آن‌ها را ارائه می‌دهند که می‌تواند اطلاعات دقیق‌تری را در مورد وقوع ناهمگنی و همگنی فضایی پشتیبانی کند.

(۱): رهگیری و کنترل متغیرها

شکل ۶ ضرایب رهگیری و هر سه متغیر کنترل را نشان می دهد. بر اساس نقشه برداری از ضرایب رهگیری، توزیع فضایی قیمت مسکن تفاوت آشکاری را بین سه منطقه در ووهان نشان داد. قیمت کلی مسکن در ووچانگ به طور کلی بالاتر از دو منطقه دیگر است و تنها دو خوشه فضایی کوچک در هانیانگ و هانکو با قیمت‌های بالاتر وجود دارد. این ممکن است به این دلیل باشد که Wuchang دارای هفت دانشگاه است و به پارک صنعتی Optics Valley معروف است که دارای مزایایی در کارکردهای آموزشی، نشاط اقتصادی و تحقیقات علمی است.

از نظر متغیرهای کنترلی، BuildAge و RingD نتایج قوی‌تری نسبت به PopuDen نشان می‌دهند، زیرا PopuDen در اکثر واحدها از نظر آماری معنی‌دار نیست. چنین نتایجی ممکن است نشان دهد که مکان و سن ساختمان نقش غالب در قیمت مسکن دارند.

ضریب BuildAge در اکثر مناطق منفی است، که با این عقل متداول است که هر چه ملک جدیدتر باشد، قیمت بالاتری دارد. با این حال، MGWR هنوز دو پدیده جالب را آشکار می کند. یکی تفاوت بین TAZ ها با ضرایب متغیر قابل توجه یا ضرایب پایدار نسبی است، به عنوان مثال، بیشتر ارزش دارایی در هانیانگ مرکزی با گذشت زمان کاهش نمی یابد. مورد دیگر این است که خوشه‌های مرتبط مثبت در هانیانگ و ووچانگ وجود دارد که می‌توان آن را با ویژگی‌های چنین مکانی توضیح داد. این خوشه در Wuchang به سازمان های دولتی و مراکز تجاری نزدیک تر است. یک دلیل جایگزین احتمالی ممکن است تفاوت در محل سکونت باشد، زیرا اکثر املاک و مستغلات جدید توسعه یافته توسط نسبت مساحت طبقه بالا (FAR) محدود شده است، و ساختمان های فوق العاده بلند با نزدیک به ۳۰ طبقه را ترجیح می دهند.

(۲): امکانات آموزشی

دسترسی تراکم هسته به امکانات آموزشی نشان می‌دهد که در بخش جنوب شرقی شهر، مدارس راهنمایی و مهدکودک‌ها تأثیرات مثبتی بر قیمت مسکن اطراف دارند و نسبت به این منابع حساس‌تر هستند ( شکل ۷ ). ممکن است به دلیل قرار گرفتن چنین منطقه ای در منطقه در حال گسترش Optics Valley و پارک های صنعتی پیشرفته آن، ساکنان جدید ترجیح بیشتری برای امکانات آموزشی نشان دهند. با این حال، مدارس ابتدایی یک همبستگی منفی نشان می‌دهند، که می‌تواند مربوط به سیستم منطقه‌بندی مدارس اتخاذ شده در ووهان باشد، جایی که هر جامعه به یک مدرسه ابتدایی خاص اختصاص داده شده است و نمی‌توان آن را با الگوریتم چگالی هسته دریافت کرد.

(۳): فضای سبز

ضرایب GreenD از منفی به مثبت متفاوت است و یک اثر فضایی محلی آشکار را نشان می دهد. که در آن، ارتباط منفی جهانی بین G2SFCA و قیمت مسکن وجود دارد ( شکل ۸ ). به طور کلی هر چه به فضای سبز نزدیکتر باشد قیمت مسکن بالاتر می رود اما در برخی خوشه ها که بیشتر آنها نزدیک به آب هستند و ممکن است فضای سبز بیشتری در این نزدیکی وجود داشته باشد اثرات مثبتی نیز دارد. از آنجایی که ارزش ۲SFCA نشان دهنده فضای سبز بالقوه برای هر ساکن است، باید به طور مثبت با قیمت مسکن مرتبط باشد. اثر منفی ممکن است ناشی از شعاع آستانه ۳۰۰۰ متری مورد استفاده در ۲SFCA باشد، به طوری که فضای سبز بیش از حد ممکن است در محاسبه دسترسی لحاظ شود و سپس بر همبستگی آن با قیمت مسکن تأثیر بگذارد.

(۴): حمل و نقل عمومی

از نظر ایستگاه‌های اتوبوس، دسترسی‌های چگالی هسته و کوتاه‌ترین فاصله، مقیاس‌های مخالف را نشان می‌دهند و پارامتر فاصله در بسیاری از واحدهای TAZ معنی‌دار نیست ( شکل ۹ ). تراکم هسته در هانیانگ معنی‌دار نیست، اما در بیشتر مناطق Wuchang و Hankou همبستگی مثبت و در منطقه شهر قدیمی در Wuchang همبستگی منفی دارد.

سه دسترسی متفاوت ایستگاه‌های مترو همبستگی قوی دارند و با قیمت مسکن ارتباط منفی دارند، یعنی هر چه فاصله نزدیک‌تر باشد، قیمت خانه بالاتر است، اما مقیاس‌ها متفاوت است ( شکل ۱۰ ). در مقایسه با اثر جهانی دو متغیر دیگر، فاصله سفر در زمان واقعی از طریق API یک اثر مزو را ارائه می‌دهد و نسبت به قیمت مسکن در مناطق مرکزی شهری حساس‌تر است.

(۵): امکانات مراقبت های پزشکی

تأثیر هر سه نوع دسترسی به بیمارستان بر قیمت مسکن زیاد نبود، زیرا مقادیر مطلق زیر ۰٫۱ هستند ( شکل ۱۱).). در میان آنها، فاصله اقلیدسی و مسافت واقعی سفر محاسبه شده توسط API همبستگی منفی ضعیفی با قیمت مسکن دارند، یعنی هر چه فاصله نزدیکتر باشد، قیمت مسکن بالاتر است. علاوه بر این، ضرایب نیز از شمال به جنوب تغییر می‌کنند، جایی که جنوب به فاصله اقلیدسی حساس است و شمال به فاصله مبتنی بر API حساس‌تر است. این را می توان با ساختار فضایی در ووهان توضیح داد، جایی که پارک های صنعتی و مناطق مسکونی جدیدتری در جنوب وجود دارد. آنچه غیرعادی است این است که زمان سفر رابطه مثبتی دارد. این امر تا حدی نشان دهنده ابهام مردم در مورد زندگی در نزدیکی بیمارستان است که امیدوارند برای تسهیل درمان پزشکی به بیمارستان نزدیک تر باشند، اما نه خیلی نزدیک برای جلوگیری از منابع بالقوه بیماری های قابل انتقال.

۴٫ بحث

هدف اصلی این مطالعه بررسی تأثیر چندمقیاسی تأثیر دسترسی چندوجهی انواع مختلف امکانات عمومی مانند حمل و نقل عمومی، مدارس، فضای سبز و امکانات پزشکی بر قیمت مسکن است. نتیجه تأیید می‌کند که اثر چند مقیاسی نه تنها در میان دسترسی‌های امکانات مختلف، بلکه در میان دسترسی چندوجهی همان تسهیلات وجود دارد. علاوه بر این، مدل MGWR قرار است برای گرفتن تأثیر پارامترهای دسترسی در مقیاس‌های فضایی مختلف مناسب‌تر باشد.

نتایج MGWR منعکس کننده حساسیت قیمت مسکن به مکان در مدل لذت‌گرای سنتی [ ۱۹ ] است، اما ویژگی چند مقیاسی تأثیر تسهیلات خدمات عمومی را به خوبی منعکس می‌کند، همبستگی فضایی را در مقیاس جهانی متمایز می‌کند، و ناهمگنی فضایی. در مقیاس محلی [ ۲۴ ]. از آنجایی که قرار بود تسهیلات عمومی تأثیر مثبتی بر قیمت مسکن داشته باشد [ ۲۰ ، ۲۱]، نتایج MGWR فقط مواردی را که در حمل و نقل عمومی و فضای سبز هستند تأیید می کند، اما همبستگی مدارس و بیمارستان ها نیاز به طبقه بندی و تجزیه و تحلیل بیشتر دارد. همانطور که بین عوامل تجاری و مرکزیت شهری هم خطی وجود دارد که با متغیر فاصله تا کمربندی اول یعنی RingD منعکس می شود.

از نظر متغیرهای کنترلی، مرکزیت شهری تأثیر غالبی بر قیمت مسکن دارد، هر چه به مرکز نزدیکتر باشد، قیمت مسکن بالاتر است که با مطالعات قبلی مطابقت دارد [ ۱۷ ]. همچنین شباهتی در تراکم جمعیت و سن خانه با یک مطالعه مرتبط بر اساس GWR وجود دارد، که نشان می‌دهد این دو متغیر ارتباط مثبت و منفی را با قیمت مسکن نشان می‌دهند [ ۴۵ ]، اما این مطالعه بیشتر نشان می‌دهد که تراکم جمعیت اثر فضایی محلی دارد. و در اکثر مناطق قابل توجه نیست. علاوه بر این، این مدل همچنین همبستگی منفی کلی سن خانه را که توسط مدل‌های قبلی GWR به چالش کشیده شده بود، اما توسط اکثر مدل‌های لذت‌گرا پشتیبانی می‌شد، دریافت کرد [ ۲۵ ]]. چنین بهبودی به این معنی است که پهنای باند انعطاف پذیر می تواند نتایج دقیق تری نسبت به پهنای باند ثابت مورد استفاده در GWR به ارمغان بیاورد.

نتایج دستیابی به تراکم هسته نشان می دهد که فقط مدارس راهنمایی و مهدکودک ها همبستگی مثبت و مدارس ابتدایی همبستگی منفی دارند. این ایده کلی را پشتیبانی نمی کند که انواع مدارس قیمت مسکن جوامع اطراف را در مطالعات قبلی افزایش می دهند [ ۴۵ ]. همچنین با مطالعه موردی مشابه در هانگژو متفاوت است، که نشان می دهد فقط مدارس ابتدایی و راهنمایی مرتبط هستند [ ۱۶ ]. نتایج MGWR معتبرتر است، زیرا ممکن است تأثیر سیاست منطقه‌بندی مدارس ابتدایی چین را بهتر منعکس کند، که باعث می‌شود تراکم مدارس ابتدایی همبستگی غیرمثبتی با قیمت مسکن نشان دهد.

اگرچه همبستگی منفی بین فاصله تا فضاهای سبز و قیمت مسکن تأیید شده است [ ۴۶ ]، نتایج MGWR نشان می‌دهد که سه در واقع یک همبستگی منفی در بیشتر مناطق است، اما همبستگی مثبت نیز وجود دارد. چنین مشاهداتی از ناهمگونی فضایی با یک مطالعه مرتبط اخیر در کره جنوبی سازگار است، که نشان می دهد ساکنان مرکز شهر و حومه ممکن است ویژگی های فضایی متفاوتی را ارزش گذاری کنند [ ۱۵ ]. مهمتر از آن، مدل‌های دسترسی مبتنی بر نزدیک‌ترین فاصله و ۲SFCA بر قیمت مسکن در مقیاس‌های فضایی مختلف تأثیر می‌گذارند.

به طور مشابه، اگرچه فاصله تا ایستگاه اتوبوس به طور کلی با قیمت مسکن همبستگی منفی دارد، که ممکن است توسط اکثر مطالعات پشتیبانی شود [ ۶ ]، اما در طول فضا نیز تغییر می کند. چنین پدیده ای با مطالعه موردی اخیر در ملبورن [ ۴۷ ] سازگار است، که رابطه متغیر فضایی بین قیمت مسکن و تسهیلات حمل و نقل را تأیید می کند. با این حال، نتیجه در اینجا بیشتر نشان می دهد که اثر فضایی محلی دارد و در بیشتر مناطق ناچیز است. نتیجه تراکم هسته اساساً با مطالعه اخیر سازگار است که نشان می دهد یک رابطه مثبت بین تراکم ایستگاه های اتوبوس و قیمت مسکن [ ۴۶ ]]، و همچنین اشاره می کند که ممکن است خوشه هایی با همبستگی منفی وجود داشته باشد که تأثیر مقیاس فضایی میانی را نشان می دهد.

در مورد ایستگاه‌های مترو و بیمارستان‌ها، هر سه نوع دسترسی در مقیاس فضایی جهانی هستند که نشان‌دهنده اثرات فضایی ناهمگون بین مرکز شهری و منطقه جدید در حال توسعه است [ ۱۹ ]. جالب اینجاست که همه ضرایب ایستگاه های مترو منفی هستند، در حالی که ضرایب برای بیمارستان ها متفاوت است. دسترسی بر اساس زمان سفر کاملاً برعکس دو مورد دیگر است. این نتیجه ممکن است از نتیجه یک مطالعه موردی اخیر در شنژن حمایت کند که کوتاه‌ترین فاصله مهم‌تر از دسترسی به فواصل مبتنی بر زمان در قیمت مسکن است [ ۴۸ ].

MGWR نه تنها می تواند اثرات فضایی چند مقیاسی عوامل موثر بر قیمت خانه را منعکس کند، بلکه واحدهای فضایی از نظر آماری ناچیز را نیز شناسایی می کند و به درک بهتر همزیستی همگنی و ناهمگونی در فضای شهری کمک می کند. این نتیجه گیری همچنین مرجع خاصی برای مقایسه مدل های دسترسی تسهیلات خدمات عمومی ارائه می دهد که نشان می دهد از نظر مدل های دسترسی ایستگاه اتوبوس، مدل تراکم هسته ممکن است مناسب تر از مدل کوتاه ترین فاصله باشد. برای مدل دسترسی فضای سبز، مدل کوتاه‌ترین فاصله بهتر از ۲SFCA است که باید پس از تحلیل حساسیت فاصله آستانه استفاده شود. اگرچه هر دو کوتاه ترین مسافت، هزینه سفر در زمان واقعی را می توان برای مترو و بیمارستان ها استفاده کرد، مکانیسم زمان سفر بر قیمت مسکن هنوز نیاز به تحلیل بیشتری دارد. به طور کلی، اثر فضایی دسترسی های مختلف بسته به روش محاسبه مربوطه، از جهانی به محلی متفاوت است.

۵٫ نتیجه گیری ها

این مطالعه به مقایسه اثرات چند مقیاسی دسترسی‌های مختلف تسهیلات مختلف بر قیمت مسکن می‌پردازد و بینش‌هایی را درباره مقیاس فضایی برای درک قیمت مسکن و دسترسی ارائه می‌کند. ممکن است تصمیم گیری برای ارزیابی و برنامه ریزی چیدمان تاسیسات عمومی در فرآیند برنامه ریزی شهری مفید باشد. با این حال، هنوز کاستی هایی در این مطالعه وجود دارد. اول، به دلیل محدودیت های داده، همه مدل های دسترسی برای همه انواع امکانات اعمال نمی شوند. دوم، زمان سفر API فقط از مقدار بهینه بر اساس ترکیب حالت‌های سفر متعدد مانند پیاده‌روی، رانندگی و حمل‌ونقل عمومی استفاده می‌کند که باید جداگانه محاسبه و مقایسه شود. علاوه بر این، فاصله آستانه و مدل فروپاشی فاصله مورد استفاده در ۲SFCA باید با پارامترهای بیشتری بررسی شود.

منابع

داداش پور، ح. رستمی، ف. علیزاده، ب. آیا نابرابری در توزیع امکانات شهری ناعادلانه است؟ بررسی روشی برای شناسایی نابرابری فضایی در یک شهر ایران. شهرها ۲۰۱۶ ، ۵۲ ، ۱۵۹-۱۷۲٫ [ Google Scholar ] [ CrossRef ]
رودریگز پوز، آ. استورپر، ام. مسکن، رشد شهری و نابرابری: محدودیت‌های مقررات زدایی و منطقه‌سازی در کاهش نابرابری اقتصادی و فضایی. مطالعه شهری. ۲۰۲۰ ، ۵۷ ، ۲۲۳-۲۴۸٫ [ Google Scholar ] [ CrossRef ]
فرانسمن، تی. یو، دی. فقر چند بعدی در آفریقای جنوبی در ۲۰۰۱-۲۰۱۶٫ توسعه دهنده اس افر. ۲۰۱۹ ، ۳۶ ، ۵۰–۷۹٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
ویلسون، دی. بریج، جی. انتخاب مدرسه و شهر: جغرافیاهای تخصیص و تفکیک. مطالعه شهری. ۲۰۱۹ ، ۵۶ ، ۳۱۹۸–۳۲۱۵٫ [ Google Scholar ] [ CrossRef ]
گرگ، KL; رابینز، طبیعت مترو AST، سلامت محیطی و ارزش اقتصادی. محیط زیست چشم انداز سلامتی ۲۰۱۵ ، ۱۲۳ ، ۳۹۰-۳۹۸٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
یانگ، ال. ژو، جی. Shyr، OF; Huo, D. آیا دسترسی به اتوبوس بر قیمت ملک تأثیر می گذارد؟ شهرها ۲۰۱۹ ، ۸۴ ، ۵۶–۶۵٫ [ Google Scholar ] [ CrossRef ]
ژائو، سی. نیلسن، TAS؛ اولافسون، ع. کارستنسن، TA; منگ، X. شکل شهری، همبستگی های جمعیتی و اجتماعی-اقتصادی پیاده روی، دوچرخه سواری، و دوچرخه سواری الکترونیکی: شواهدی از هشت محله در پکن. ترانسپ سیاست ۲۰۱۸ ، ۶۴ ، ۱۰۲-۱۱۲٫ [ Google Scholar ] [ CrossRef ]
چیا، جی. لی، جی. Kamruzzaman، M. پیاده روی به حمل و نقل عمومی: بررسی تغییرات بر اساس وضعیت اجتماعی و اقتصادی. بین المللی J. Sustain. ترانسپ ۲۰۱۶ ، ۱۰ ، ۸۰۵-۸۱۴٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
لیو، ال. ژونگ، ی. آئو، اس. وو، اچ. بررسی ارتباط فضای سبز و بیماری های همه گیر بر اساس داده های تابلویی در چین از سال ۲۰۰۷ تا ۲۰۱۶٫ بین المللی. جی. محیط زیست. Res. بهداشت عمومی ۲۰۱۹ ، ۱۶ ، ۲۵۵۱٫ [ Google Scholar ] [ CrossRef ] [ PubMed ] [ نسخه سبز ]
جین، پی. گائو، ی. لیو، ال. پنگ، ز. Wu، H. سلامت مادر و فضاهای سبز در چین: تجزیه و تحلیل طولی MMR بر اساس مدل پانل فضایی. بهداشت و درمان ۲۰۱۹ ، ۷ ، ۱۵۴٫ [ Google Scholar ] [ CrossRef ] [ PubMed ] [ نسخه سبز ]
کروک، من؛ لزلی، اچ. ورگوئت، اس. امباروکو، جنرال موتورز؛ آدانو، RMK؛ لانگر، الف. کیفیت عملکردهای اساسی مراقبت از مادر در مراکز بهداشتی پنج کشور آفریقایی: تحلیلی از نظرسنجی های سیستم بهداشت ملی. Lancet Glob. Health ۲۰۱۶ , ۴ , E845–E855. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
سایتو، ای. گیلمور، اس. یونئوکا، دی. گوتام، GS; رحمان، م.م. Shrestha، PK; Shibuya، K. نابرابری و نابرابری در استفاده از مراقبت های بهداشتی در نپال شهری: یک مطالعه مشاهده ای مقطعی. طرح سیاست سلامت ۲۰۱۶ ، ۳۱ ، ۸۱۷-۸۲۴٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
ژانگ، دبلیو. کائو، ک. لیو، اس. Huang, B. یک رویکرد بهینه‌سازی چند هدفه برای مشکلات تخصیص مکان مرکز مراقبت‌های بهداشتی در شهرهای بسیار توسعه‌یافته مانند هنگ کنگ. محاسبه کنید. محیط زیست سیستم شهری ۲۰۱۶ ، ۵۹ ، ۲۲۰-۲۳۰٫ [ Google Scholar ] [ CrossRef ]
چن، ی. بوفرگن، ا. شن، YH; الحسین، ام. ارزیابی اثربخشی خدمات مبتنی بر دسترسی (ABSEV) و برابری اجتماعی برای حمل و نقل اتوبوس شهری: دیدگاه پایداری. حفظ کنید. جامعه شهرها ۲۰۱۹ ، ۴۴ ، ۴۹۹-۵۱۰٫ [ Google Scholar ] [ CrossRef ]
سئو، دبلیو. نام، هنگ کنگ رابطه مبادله بین دسترسی به حمل و نقل عمومی و اقتصاد خانوار: تجزیه و تحلیل مقادیر دسترسی به مترو بر اساس اندازه مسکن. شهرها ۲۰۱۹ ، ۸۷ ، ۲۴۷–۲۵۸٫ [ Google Scholar ] [ CrossRef ]
ون، اچ. شیائو، ی. Hui، ECM اثر کمی تسهیلات آموزشی بر قیمت مسکن: آیا خریداران مسکن با قیمت بالاتر برای منابع آموزشی هزینه بیشتری می پردازند؟ شهرها ۲۰۱۹ ، ۹۰ ، ۱۰۰–۱۱۲٫ [ Google Scholar ] [ CrossRef ]
D’Acci, L. کیفیت منطقه شهری، فاصله از مرکز شهر و ارزش مسکن. مطالعه موردی در مورد ارزش املاک و مستغلات در تورین. شهرها ۲۰۱۹ ، ۹۱ ، ۷۱–۹۲٫ [ Google Scholar ] [ CrossRef ]
لی، اچ. وانگ، کیو. دنگ، ز. شی، دبلیو. وانگ، اچ. هزینه های عمومی محلی، دسترسی به خدمات عمومی، و قیمت مسکن در شانگهای، چین. امور شهری Rev. ۲۰۱۹ , ۵۵ , ۱۴۸–۱۸۴٫ [ Google Scholar ] [ CrossRef ]
شپرد، اس. تجزیه و تحلیل لذت بخش از بازار مسکن. هندب Reg. اقتصاد شهری ۱۹۹۹ ، ۳ ، ۱۵۹۵-۱۶۳۵٫ [ Google Scholar ]
یوان، اف. وی، وای. Wu, J. اثرات رفاهی تسهیلات شهری بر قیمت مسکن در چین: دسترسی، کمبود و فضاهای شهری. Cities ۲۰۲۰ , ۹۶ , ۱۰۲۴۳۳٫ [ Google Scholar ] [ CrossRef ]
بارکا، ا. کورتو، آر. رولاندو، دی. جنب و جوش شهری: یک عامل نوظهور که از نظر فضایی بر بازار املاک و مستغلات تأثیر می گذارد. پایداری ۲۰۲۰ ، ۱۲ ، ۳۴۶٫ [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
گنگ، بی. بائو، اچ. لیانگ، ی. مطالعه تأثیر ایستگاه راه آهن پرسرعت بر تغییرات فضایی قیمت مسکن بر اساس مدل لذت‌بخش. Habitat Int. ۲۰۱۵ ، ۴۹ ، ۳۳۳-۳۳۹٫ [ Google Scholar ] [ CrossRef ]
دای، ایکس. بای، ایکس. شو، ام. تأثیر ایستگاه های انتقال ریلی پکن بر قیمت مسکن اطراف. Habitat Int. ۲۰۱۶ ، ۵۵ ، ۷۹-۸۸٫ [ Google Scholar ] [ CrossRef ]
گائو، اف. لانگویل، سی. کرزازی، ک. گوهل، م. بوکبوس، بی. کارایی مقیاس ظریف و رگرسیون فضایی در مدل‌سازی ارتباط بین دسترسی فضایی خدمات مراقبت‌های بهداشتی و استفاده از آنها. بین المللی J. Health Geogr. ۲۰۲۱ ، ۲۰ ، ۲۲٫ [ Google Scholar ] [ CrossRef ]
لی، اچ. وی، وای. وو، ی. تیان، جی. تجزیه و تحلیل قیمت مسکن در شانگهای با داده های باز: امکانات رفاهی، دسترسی و ساختار شهری. شهرها ۲۰۱۹ ، ۹۱ ، ۱۶۵–۱۷۹٫ [ Google Scholar ] [ CrossRef ]
کورتس، ی. Iturra، V. بازار در مقابل تأمین عمومی کالاهای محلی: تحلیلی از ارزش رفاهی در منطقه متروپولیتن سانتیاگو دی شیلی. شهرها ۲۰۱۹ ، ۸۹ ، ۹۲-۱۰۴٫ [ Google Scholar ] [ CrossRef ]
وانگ، جی. Dane، GZ; Timmermans، HJP انتخاب محله تسهیل کننده اشتراک خودرو: یک مدل لاجیت ترکیبی. جی. هاوس. محیط ساخته شده ۲۰۲۱ ، ۳۶ ، ۱۰۳۳-۱۰۵۴٫ [ Google Scholar ] [ CrossRef ]
Wang, F. چرا بهداشت عمومی به GIS نیاز دارد: مروری بر روش شناختی. ان GIS ۲۰۲۰ ، ۲۶ ، ۱-۱۲٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
کاستا، سی. ها، ج. Lee, S. نابرابری فضایی دسترسی مبتنی بر درآمد در شهرهای برزیل: کاربرد API Google Maps. J. Transp. Geogr. ۲۰۲۱ ، ۹۰ ، ۱۰۲۹۰۵٫ [ Google Scholar ] [ CrossRef ]
ژانگ، جی. یو، دبلیو. فن، پ. Gao, J. اندازه گیری دسترسی به فضاهای سبز عمومی در مناطق شهری با استفاده از خدمات نقشه وب. Appl. Geogr. ۲۰۲۱ ، ۱۲۶ ، ۱۰۲۳۸۱٫ [ Google Scholar ] [ CrossRef ]
وانگ، اف. Xu, Y. برآورد ماتریس زمان سفر O-D توسط Google Maps API: پیاده سازی، مزایا، و مفاهیم. ان GIS ۲۰۱۱ ، ۱۷ ، ۱۹۹-۲۰۹٫ [ Google Scholar ] [ CrossRef ]
Wang, F. روش‌ها و کاربردهای کمی در GIS ; CRC Press: Boca Raton، FL، USA، ۲۰۰۶; جلد ۶۰، ص ۴۳۴–۴۳۵٫ [ Google Scholar ]
وانگ، اف. اندازه‌گیری، بهینه‌سازی و تأثیر دسترسی به مراقبت‌های بهداشتی: بررسی روش‌شناختی. ان دانشیار صبح. Geogr. ۲۰۱۲ ، ۱۰۲ ، ۱۱۰۴-۱۱۱۲٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
Wang, F. روش حوضه آبریز شناور معکوس دو مرحله ای برای اندازه گیری شلوغی تاسیسات. پروفسور Geogr. ۲۰۱۸ ، ۷۰ ، ۲۵۱-۲۶۰٫ [ Google Scholar ] [ CrossRef ]
وانگ، اف. از ۲SFCA تا i2SFCA: ادغام، اشتقاق و اعتبارسنجی. بین المللی جی. جئوگر. Inf. علمی ۲۰۲۱ ، ۳۵ ، ۶۲۸-۶۳۸٫ [ Google Scholar ] [ CrossRef ]
طهماسبی، بی. منصوریان فر، محمدحسن; حق شناس، ح. کیم، I. ارزیابی برابری مبتنی بر دسترسی چندوجهی توزیع امکانات عمومی شهری. حفظ کنید. جامعه شهرها ۲۰۱۹ ، ۴۹ ، ۱۰۱۶۳۳٫ [ Google Scholar ] [ CrossRef ]
کارپنتیری، جی. گیدا، سی. معصومی، HE دسترسی چندوجهی به خدمات بهداشتی اولیه برای سالمندان: مطالعه موردی ناپل، ایتالیا. پایداری ۲۰۲۰ ، ۱۲ ، ۷۸۱٫ [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
لان، اف. وو، کیو. ژو، تی. دا، اچ. اثرات فضایی دسترسی به امکانات خدمات عمومی بر قیمت مسکن: مطالعه موردی شیان، چین. Sustainability ۲۰۱۸ , ۱۰ , ۴۵۰۳٫ [ Google Scholar ] [ CrossRef ][ Green Version ]
یانگ، اچ. فو، ام. وانگ، ال. تانگ، اف. ارزیابی کاربری مختلط زمین و تأثیر آن بر قیمت مسکن در پکن بر اساس داده‌های بزرگ چند منبعی. Land ۲۰۲۱ , ۱۰ , ۱۱۰۳٫ [ Google Scholar ] [ CrossRef ]
سلمر، آر. سیچولسکا، ا. Bełej، M. تحلیل فضایی قیمت مسکن و فعالیت بازار با رگرسیون وزن‌دار جغرافیایی. ISPRS Int. J. Geo-Inf. ۲۰۲۰ ، ۹ ، ۳۸۰٫ [ Google Scholar ] [ CrossRef ]
یو، اچ. Fotheringham، AS; لی، ز. اوشان، تی. کانگ، دبلیو. استنتاج Wolf، LJ در رگرسیون وزن‌دار جغرافیایی چند مقیاسی. Geogr. مقعدی ۲۰۲۰ ، ۵۲ ، ۸۷-۱۰۶٫ [ Google Scholar ] [ CrossRef ]
اوشان، TM; لی، ز. کانگ، دبلیو. ولف، ال جی. Fotheringham، AS mgwr: پیاده‌سازی پایتون از رگرسیون وزن‌دار جغرافیایی چند مقیاسی برای بررسی ناهمگونی و مقیاس فضایی فرآیند. ISPRS Int. J. Geo-Inf. ۲۰۱۹ ، ۸ ، ۲۶۹٫ [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
مولالو، ع. واحدی، ب. Rivera، مدل‌سازی فضایی مبتنی بر KM GIS نرخ بروز COVID-19 در قاره ایالات متحده. علمی کل محیط. ۲۰۲۰ , ۷۲۸ , ۱۳۸۸۸۴٫ [ Google Scholar ] [ CrossRef ]
دی ناردو، اف. ساول، آر. لا توره، جی. مناطق سبز و نتایج سلامت: مروری نظام مند از ادبیات علمی. ایتالیایی J. بهداشت عمومی ۲۰۱۰ ، ۷ ، ۴۰۲-۴۱۳٫ [ Google Scholar ]
یوان، اف. وو، جی. وی، وای. وانگ، ال. تغییر سیاست، امکانات رفاهی، و پویایی مکانی و زمانی قیمت مسکن در نانجینگ، چین. سیاست کاربری زمین ۲۰۱۸ ، ۷۵ ، ۲۲۵-۲۳۶٫ [ Google Scholar ] [ CrossRef ]
وانگ، سی.-اچ. چن، ن. یک رویکرد رگرسیون وزن‌دار جغرافیایی برای بررسی اثرات محیطی ساخته شده محلی بر قیمت مسکن در رکود مسکن، بهبود، و افزایش‌های بعدی. جی. هاوس. محیط ساخته شده ۲۰۲۰ ، ۳۵ ، ۱۲۸۳-۱۳۰۲٫ [ Google Scholar ] [ CrossRef ]
لی، کیو. وانگ، جی. کالانان، جی. لو، بی. Guo، Z. رابطه فضایی متغیر بین خدمات شبکه قطار و ارزش املاک مسکونی در ملبورن، استرالیا. مطالعه شهری. ۲۰۲۱ ، ۵۸ ، ۳۳۵-۳۵۴٫ [ Google Scholar ] [ CrossRef ]
هو، ال. او هست.؛ هان، ز. شیائو، اچ. سو، اس. ونگ، ام. Cai, Z. نظارت بر قیمت‌های اجاره مسکن بر اساس رسانه‌های اجتماعی: رویکردی یکپارچه از الگوریتم‌های یادگیری ماشینی و مدل‌سازی لذت‌گرا برای اطلاع‌رسانی به سیاست‌های عادلانه مسکن. سیاست کاربری زمین ۲۰۱۹ ، ۸۲ ، ۶۵۷-۶۷۳٫ [ Google Scholar ] [ CrossRef ]

شکل ۱٫ موقعیت ووهان و منطقه شهری اصلی آن (MUA).

شکل ۲٫ قیمت مسکن ووهان از ۲۰۱۳ تا ۲۰۲۱ (MUA). منبع داده: https://www.anjuke.com/ (دسترسی در ۱ ژانویه ۲۰۲۲).

شکل ۳٫ نگاشت متغیرهای قیمت مسکن و سایر متغیرهای کنترلی.

شکل ۴٫ دسترسی چندوجهی به امکانات عمومی.

شکل ۵٫ دسترسی چندوجهی به امکانات عمومی. توجه: *** ، ** ، * به ترتیب در سطوح ۰٫۰۰۱، ۰٫۰۱، ۰٫۰۵ معنی دار هستند.

شکل ۶٫ متغیرهای قیمت مسکن و سایر متغیرهای کنترلی. ( الف ) فاصله از MGWR نشان دهنده تغییرات مکانی در قیمت مسکن است، ( ب ) سن آپارتمان های ساکن، ( ج ) تراکم جمعیت، ( د ) فاصله تا جاده کمربندی ۱٫

شکل ۷٫ اثر جهانی دسترسی به امکانات آموزشی. ( الف ) تراکم هسته مهدکودک ها، ( ب ) تراکم هسته مدارس ابتدایی، ( ج ) تراکم هسته مدارس راهنمایی.

شکل ۸٫ اثر چند مقیاسی دسترسی به فضای سبز. ( الف ) فاصله تا نزدیکترین فضای سبز، ( ب ) دسترسی به فضای سبز محاسبه شده توسط ۲SFCA.

شکل ۹٫ اثر چند مقیاسی دسترسی به ایستگاه های اتوبوس. ( الف ) تراکم هسته ایستگاه‌های اتوبوس، ( ب ) فاصله تا نزدیک‌ترین ایستگاه اتوبوس.

شکل ۱۰٫ اثر چند مقیاسی دسترسی به ایستگاه مترو. ( الف ) فاصله تا نزدیکترین ایستگاه مترو، ( ب ) مسافت سفر تا ایستگاه‌های مترو محاسبه‌شده توسط Baidu Map API، ( ج ) زمان سفر به ایستگاه‌های مترو محاسبه‌شده توسط Baidu Map API.

شکل ۱۱٫ اثر جهانی دسترسی به بیمارستان. ( الف ) فاصله تا نزدیکترین بیمارستان، ( ب ) مسافت سفر تا نزدیکترین بیمارستان محاسبه شده توسط Baidu Map API، ( ج ) زمان سفر تا نزدیکترین بیمارستان محاسبه شده توسط Baidu Map API.

ونوس نصیرفام

4 ژانویه 2023

مقالات