تاثیر حمل و نقل عمومی شهری بر قیمت معاملات مسکونی: مطالعه موردی پوزنان، لهستان

هدف این مطالعه تعیین میزان و ماهیت تأثیر دسترسی حمل و نقل عمومی شهری بر ارزش املاک مسکونی در پوزنان است. این مطالعه بر اساس ۲۵۶۱ معامله مسکونی انجام شده در منطقه مورد مطالعه در سال ۲۰۲۰ انجام شد. داده های ورودی به دست آمده از هیئت ژئودزی و کاداستر شهرداری “GEOPOZ” به صورت آماری و مکانی مورد تجزیه و تحلیل قرار گرفت. بخش اصلی تحلیل فضایی و آماری با استفاده از روش قیمت‌گذاری لذت‌گرا (HPM) -OLS (حداقل مربع‌های معمولی) و WLS (حداقل مربعات وزنی) انجام شد. استفاده از ابزارهای آماری، یافتن شواهدی را برای اثبات اینکه دسترسی راحت تراموا به طور مثبت با قیمت مسکن مرتبط است، امکان پذیر کرد. این موضوع توسط تحقیقات قبلی انجام شده در سایر نقاط جهان نیز تأیید شده است. با این حال، داده های جمع آوری شده امکان شناسایی روابط معنی دار آماری بین قیمت مسکن و فاصله از ایستگاه های اتوبوس را فراهم نمی کند. این مطالعه همچنین تلاش می‌کند تا از نقشه‌های choropleth فضایی استفاده کند تا مکانیسم‌های موجود در بازار مسکن محلی را به وضوح نشان دهد.

کلید واژه ها:

رگرسیون لذت جویانه بازار ملک ; حمل و نقل عمومی ؛ نقشه قیمت

۱٫ مقدمه

۱٫۱٫ حمل و نقل عمومی شهری

سیستم‌های حمل‌ونقل عمومی، به دلیل ویژگی‌های خاص خود، یک عملکرد اساسی را انجام می‌دهند که برای توسعه تجاری، اقتصادی و اجتماعی مراکز بزرگ شهری ضروری است [ ۱ ]. حمل و نقل عمومی به طور مستقیم بر کاهش تراکم ترافیک و کیفیت زندگی جوامع محلی تأثیر می گذارد. همچنین تفاوت های اجتماعی ناشی از محدودیت های تحرک بخشی از جمعیت را کاهش می دهد. مدیران حمل و نقل عمومی شهری باید به منافع افراد فقیرتر که اغلب تحرک بسیار محدودی دارند توجه ویژه ای داشته باشند. نقش مهم حمل و نقل شهری باید پل زدن شکاف های اجتماعی باشد [ ۲ ، ۳ ، ۴]. عواملی مانند تحرک و دسترسی گسترده به حمل‌ونقل عمومی شهری بر جنبه‌های متعدد زندگی روزمره تأثیر می‌گذارد، و تعاملات اجتماعی به طور قابل‌توجهی به گنجاندن افراد با تحرک کم مانند، به عنوان مثال، افراد مسن کمک می‌کند [ ۵ ]. علاوه بر این، باید توجه داشت که توسعه بخش حمل و نقل عمومی به طور مستقیم منجر به کاهش اثرات زیست محیطی بخش حمل و نقل می شود، به عنوان مثال، زیرا تقریباً ۲۰٪ از انتشار CO _۲ از ترافیک جاده ای ناشی می شود [ ۶ ، ۷ ]]. از منظر اقتصادی، ارتباط بین دسترسی به حمل و نقل عمومی و رقابت پذیری واحدهای اقتصادی، صرف نظر از بخش اقتصادی که شرکت در آن فعالیت می کند، از اهمیت فوق العاده ای برخوردار است. عوامل مربوط به دسترسی به کار برای افراد محروم باید در تعریف سیاست حمل و نقل توسط مقامات ذیصلاح در نظر گرفته شود [ ۸ ، ۹ ]. در نهایت، دسترسی به سیستم های حمل و نقل شهری با کیفیت بالا نیز بر بازار املاک تأثیر می گذارد و نقش اساسی در فرآیند تعیین ارزش املاک ایفا می کند. زیرساخت های حمل و نقل شهری می تواند به طور قابل توجهی بر جذابیت مکان یابی املاک در نزدیکی ایستگاه ها تأثیر بگذارد و می تواند دسترسی به این مکان ها را بهبود بخشد [ ۱۰ , ۱۱ ]، ۱۲ ]. با توجه به اهمیت آن، ویژگی مربوط به دسترسی به زیرساخت های حمل و نقل از نظر تحلیل های بازار املاک، عاملی است که در سال های اخیر اهمیت یافته است و موضوع بسیاری از کارهای تحقیقاتی شده است [ ۱۳ ، ۱۴ ، ۱۵ ، ۱۶ ، ۱۷ ، ۱۸ ].

جدای از مزایای بسیاری که ذکر شد، شبکه های حمل و نقل شهری نیز محدودیت های خاصی دارند که عمدتاً به دلیل هزینه های بالای ساخت، بهره برداری و نگهداری است. به عنوان مثال، هزینه کل خط ۳٫۳ کیلومتری تراموا در پوزنان که در حال حاضر در دست ساخت است (از جمله بازسازی سیستم جاده) از ترمینال Wilczak تا ایستگاه پایانه Naramowice توسط مقامات محلی ۴۳۰ میلیون PLN برآورد شده است. بر اساس گزارش سالانه ۲۰۱۹ شرکت حمل و نقل شهرداری، کل هزینه ها، شامل، اما نه محدود به، هزینه های عملیاتی یا هزینه های مالی، به طور قابل توجهی بیش از کل درآمد، از جمله، اما نه محدود به، فروش درآمد خالص است. در نتیجه، حمل و نقل عمومی شهری ضرری ایجاد می کند که بر درک مبهم از چشم انداز توسعه آن تأثیر می گذارد. به ویژه توسط جوامع محلی معمولاً مقامات دولتی و برنامه ریزان توسعه سرمایه گذاری های مربوط به زیرساخت های حمل و نقل را با امکان جبران زیان وارده از طریق افزایش ارزش املاک مسکونی واقع در مجاورت سرمایه گذاری توجیه می کنند.۱۹ ، ۲۰ ، ۲۱ ]. اکثریت قریب به اتفاق مطالعات موجود که مربوط به حمل و نقل شهری است، به تجزیه و تحلیل هزینه های مستقیمی می پردازد که نقش مهمی در فرآیند برنامه ریزی شهری ایفا می کند. این مطالعات معمولاً مربوط به تولید آلاینده، سر و صدا و تراکم جاده ها است [ ۲۲ ، ۲۳ ، ۲۴ ، ۲۵]. از سوی دیگر، موضوع مربوط به تجزیه و تحلیل سود خارجی معمولاً در مطالعات اجتماعی و اقتصادی مربوط به این گونه سرمایه گذاری ها مورد توجه قرار نمی گیرد. از منظر مسئله ارائه شده، شناسایی ماهیت و میزان تأثیر زیرساخت های حمل و نقل بر ارزش دارایی ها موضوع بسیار مهمی است. بنابراین مهمترین سوال پژوهشی این پژوهش این بود که حمل و نقل عمومی چه تاثیری بر قیمت مسکن دارد؟

۱٫۲٫ بازار مسکن مسکونی

ارزش بازار یک ملک به چندین ویژگی فردی و خاص دارایی بستگی دارد که به طور کلی می توان آنها را به عوامل فیزیکی و اقتصادی تقسیم کرد. گروه اول شامل ویژگی هایی مانند اندازه مسکن یا توپوگرافی قطعه زمین است، در حالی که گروه دوم شامل ویژگی هایی مانند اندازه تقاضا و عرضه و ساختار اشتغال در بازار ملک محلی است. یکی از ویژگی های دارای اهمیت ویژه برای املاک مسکونی واقع در مناطق شهری، موقعیت مکانی است که با مشتق آن – همسایگی نزدیک [ ۲۶ ، ۲۷ ، ۲۸ همراه است.]. مکان معمولاً یک ویژگی بسیار مهم برای خریداران بالقوه است و معمولاً از نظر دسترسی به زیرساخت های خدماتی (مثلاً مراکز خرید و امکانات فرهنگی)، زیرساخت اجتماعی (به عنوان مثال، مهدکودک ها و مهدکودک ها) و زیرساخت حمل و نقل در نظر گرفته می شود. (به عنوان مثال، ایستگاه های اتوبوس و خطوط تراموا) [ ۲۹ ]. از نظر مکان، عواملی که کیفیت محله نزدیک را تعیین می کنند نیز مرتبط هستند. آنها شامل دسترسی به مناطق فعال بیولوژیکی هستند که به تفریح و سرگرمی فعال می‌پردازند [ ۳۰ ، ۳۱ ] و همچنین کاهش آلودگی ناشی از حمل‌ونقل جاده‌ای را تسهیل می‌کنند [ ۳۲ ، ۳۳ ، ۳۴ ]].

تجزیه و تحلیل های انجام شده در سطح بازار املاک، مربوط به هر دو فرآیند ارزش گذاری دارایی و تجزیه و تحلیل مکانیسم های موجود در این نوع بازار، با استفاده از روش های آماری اعمال شده در ریاضیات انجام می شود [ ۳۵ ، ۳۶ ، ۳۷ ، ۳۸ ، ۳۹ ] . از میان ابزارهای مورد استفاده، دو گروه اساسی از روش ها را می توان تشخیص داد: روش های پایه و پیشرفته. گروه روش‌های پیشرفته که مبنای این مطالعه را تشکیل می‌دهند، شامل تکنیک‌های زیر است: شبکه‌های عصبی مصنوعی (ANN)، روش ارزش‌گذاری مشروط (CVM)، مدل قیمت‌گذاری لذت‌بخش (HPM)، و تکنیک‌های مربوط به تحلیل‌های فضایی که اخیراً اهمیت فزاینده ای پیدا کرده اند [ ۴۰]. دو روشی که بیشتر برای شناسایی و ارزیابی کالاهای غیرقابل فروش استفاده می‌شوند عبارتند از روش قیمت لذت‌بخش (HPM) و روش ارزش‌گذاری مشروط (CVM). تفاوت اصلی بین این روش ها از این واقعیت ناشی می شود که، به عنوان بخشی از روش CVM، مقادیر عواملی که نمی توانند به طور مستقیم توسط مکانیسم بازار ارزش گذاری شوند، بر اساس نتایج نظرسنجی ها تعیین می شوند که ترجیحات را در یک گروه دقیق از پاسخ دهندگان تعریف می کنند. ۴۱]. با توجه به هدف اصلی مطالعه و ادبیات مرجع، می توان فرض کرد که ترجیحات فعالان بازار به طور مستقیم در قیمت مسکن منعکس می شود. این فرض با این واقعیت توجیه می شود که خریداران بالقوه آپارتمان هایی با قابلیت حمل و نقل راحت را ترجیح می دهند، که آنها را قادر می سازد بدون دردسر زیاد به سایر نقاط شهر برسند. بنابراین، HPM یک تکنیک تحلیلی مناسب و ضروری برای انجام تحلیل بازار املاک با در نظر گرفتن ویژگی های انتخاب شده است. لازم به ذکر است که این روش علاوه بر این شامل یکی از مهم ترین ویژگی های ناهمگونی اموال می باشد که در این نوع تحلیل بسیار خوب عمل می کند و نتایج به دست آمده را می توان به گونه ای قابل اعتماد در نظر گرفت که وضعیت واقعی بازار را منعکس می کند. همچنین این مطالعه با استفاده از تحلیل فضایی انجام شد.

لازم به ذکر است که HPM در بسیاری از زمینه های علمی دیگر، مانند حوزه اجتماعی [ ۴۲ ، ۴۳ ، ۴۴ ] و طبیعی [ ۴۵ ، ۴۶ ] و همچنین در تحلیل انواع دیگر بازارها استفاده می شود [ ۴۷ ]. ، ۴۸ ، ۴۹ ، ۵۰]. استفاده از این روش برای تعیین تأثیر دسترسی حمل‌ونقل بر ارزش واحدهای مسکونی یک مطالعه فوق‌العاده مهم است، اگرچه نمونه‌های زیادی از کاربرد این روش در تحلیل‌های بازار ملک وجود دارد. با توجه به این روش، این مطالعه ممکن است مرجعی برای تجزیه و تحلیل های قابل مقایسه باشد که تأثیر نزدیکی زیرساخت های حمل و نقل توسعه یافته را بر ارزش دارایی، به ویژه در لهستان تعیین می کند. با توجه به دقت ویژگی های HPM در ادبیات، مطالعه ممکن است بدیع یا بدیع در نظر گرفته نشود. با این حال، ممکن است در تعیین منافع خارجی سرمایه گذاری زیرساخت های حمل و نقل کلیدی باشد. روش تفسیر نتایج مورد استفاده در مطالعه بر اساس تحلیل فضایی همراه با تحلیل آماری،

۲٫ مواد و روشها

۲٫۱٫ سایت و داده های مطالعه

مطالعه ارائه شده در Poznań (پایتخت Wielkopolska Voivodeship) انجام شد که مساحت آن ۲۶۲ کیلومتر مربع ^است . پوزنان برای شهرداری های همسایه اهمیت اساسی دارد و مستقیماً توسعه اقتصادی و اجتماعی آنها را تعیین می کند. این شهر در غرب لهستان واقع شده است. بر اساس داده های آمار لهستان، پوزنان دارای ۵۳۳۸۳۰ نفر است که اکثریت آنها زن هستند (۲۸۴۵۸۷ نفر) و تعداد مردان ۲۴۹۲۴۳ نفر است (تا ژوئن ۲۰۲۰). افراد در سن کار یک مزیت تعیین کننده در ساختار جمعیتی (۵۹٪) هستند. ۱۴ درصد از جمعیت شهر را افراد در سنین قبل از کار (زیر ۱۵ سال) تشکیل می دهند. و ۲۶ درصد باقیمانده را افرادی در سنین پس از کار تشکیل می دهند.

در پایان سال ۲۰۱۷، طول کل خطوط ارتباطی ۱۸۷۲٫۷۰ کیلومتر بود. طول تمام خطوط تراموا ۲۲۹٫۳۳ کیلومتر بود، در حالی که خطوط اتوبوس ۱۱۱۸٫۱۴ کیلومتر در داخل شهر و ۷۵۴٫۵۶ کیلومتر در داخل متراکم بود. طول کل مسیرها ۹۰/۷۶۸ کیلومتر بوده که طول مسیرهای اتوبوسرانی درون شهری ۱۱/۳۳۹ کیلومتر و خارج از شهر ۷۹/۴۲۹ کیلومتر و طول مسیرهای تراموا ۸۵/۶۸ کیلومتر بوده است. به عنوان بخشی از حمل و نقل شهری، تراموا سریع پوزنان (PFT) نقش ویژه ای ایفا می کند که توسط ۴ خط روزانه با فرکانس بالا در ساعات شلوغی (هر ۶ دقیقه برای خطوط شماره ۱۵ و ۱۶ و هر ۱۰ دقیقه یک بار) کار می کند. برای خط شماره ۱۲ و ۱۴). مسیر PFT نیز توسط یک خط شبانه، شماره. ۲۰۱٫ طبق برنامه توسعه پایدار حمل و نقل جمعی عمومی برای شهر پوزنان برای سال ۲۰۱۴-۲۰۲۵ (از نوامبر ۲۰۱۸)، حمل و نقل عمومی سازماندهی شده توسط پوزنان دارای ۲۰ خط تراموا، ۵۳ خط اتوبوس روزانه و ۲۱ خط اتوبوس شبانه در داخل شهر است. . علاوه بر این، ۵۵ خط حومه شهر بر اساس توافقات بین شهری در این مجموعه فعالیت می کنند. شرکت کنندگان در حمل و نقل عمومی شهری که توسط سازمان حمل و نقل عمومی اداره می شود می توانند از ۲۲۳۲ ایستگاه اتوبوس استفاده کنند – تقریباً نیمی از ایستگاه ها (۱۱۶۲) در داخل شهر واقع شده اند. ایستگاه های تراموا نقش ویژه ای دارند. ۲۳۹ ایستگاه تراموا و ۵۲ ایستگاه اتوبوس / تراموا در داخل شهر وجود دارد ( ۵۵ خط برون شهری بر اساس تفاهم نامه های بین شهری در این مجموعه فعالیت می کنند. شرکت کنندگان در حمل و نقل عمومی شهری که توسط سازمان حمل و نقل عمومی اداره می شود می توانند از ۲۲۳۲ ایستگاه اتوبوس استفاده کنند – تقریباً نیمی از ایستگاه ها (۱۱۶۲) در داخل شهر واقع شده اند. ایستگاه های تراموا نقش ویژه ای دارند. ۲۳۹ ایستگاه تراموا و ۵۲ ایستگاه اتوبوس / تراموا در داخل شهر وجود دارد ( ۵۵ خط برون شهری بر اساس تفاهم نامه های بین شهری در این مجموعه فعالیت می کنند. شرکت کنندگان در حمل و نقل عمومی شهری که توسط سازمان حمل و نقل عمومی اداره می شود می توانند از ۲۲۳۲ ایستگاه اتوبوس استفاده کنند – تقریباً نیمی از ایستگاه ها (۱۱۶۲) در داخل شهر واقع شده اند. ایستگاه های تراموا نقش ویژه ای دارند. ۲۳۹ ایستگاه تراموا و ۵۲ ایستگاه اتوبوس / تراموا در داخل شهر وجود دارد (شکل ۱ ). بر اساس داده‌های مربوط به آمار شهری، تعداد کارت‌های تراکم الکترونیک پوزنان (PEKA) که حامل هزینه است، به ۷۱۴ عدد رسید. در پایان سال ۲۰۲۰، چهار هزار مورد بود. تعداد کاربران اعلام‌شده از حمل و نقل عمومی بیشتر از تعداد کل ساکنان پوزنان ممکن است نشان دهنده اهمیت بالای این نوع حمل و نقل برای ساکنان کمون های همسایه و افرادی باشد که در پوزنان ثبت نام نکرده اند.

داده‌های منبع به‌دست‌آمده از هیئت ژئودزی و کاداستر شهری در پوزنان، گروه اصلی داده‌های زیربنایی این مطالعه هستند. این داده‌ها مربوط به معاملات بازار واحدهای مسکونی است که در سال ۲۰۲۰ در پوزنان منعقد شده‌اند – در مجموع ۲۵۶۱ معامله ( شکل ۲ ).

به عنوان بخشی از تجزیه و تحلیل های اولیه، داده های به دست آمده از نظر سودمندی مورد بررسی قرار گرفتند. این فرآیند شامل حذف معاملاتی بود که تحت شرایط خاص، خاص و غیربازاری (مثلاً معاملات اموال برای مقاصد مزایده یا فروش ضابطان در مراحل اجرایی) منعقد شده بودند. داده‌های معاملاتی به‌دست‌آمده از هیئت ژئودزی و کاداستر شهرداری در پوزنان منابع قابل اعتماد و معتبری از اطلاعات در مورد وضعیت واقعی و فعلی بازار املاک هستند، زیرا از اسناد اسناد رسمی به دست می‌آیند. ویژگی های این نوع داده ها آنها را به طور گسترده در انواع تحلیل های بازار املاک قابل استفاده می کند.

اطلاعات پایه جمع آوری شده در این پایگاه شامل اطلاعات هر ملک در مورد قیمت معامله، تاریخ معامله و متراژ واحد مسکونی به همراه مساحت اتاق های جانبی و اطلاعاتی است که واحد مسکونی در کدام طبقه در ساختمان قرار دارد. یکی از مشکلات کلیدی این نوع داده ها عدم مکمل بودن آنها در مقایسه با ویژگی های جزئی ویژگی های اساسی مؤثر بر ارزش ملک است، مانند محیط نزدیک، وضعیت فنی ساختمان، یا استاندارد پایان کار. واحد مسکونی تلاش برای شناسایی و مشخص کردن ویژگی‌هایی که بر ارزش واحدهای مسکونی تأثیر می‌گذارند صرفاً بر اساس اطلاعات جمع‌آوری‌شده در این ثبت، با توجه به ماهیت منحصربه‌فرد ملک نمی‌تواند رویکردی قابل قبول فرضی در نظر گرفته شود. به موجب آن مقدار تحت تأثیر چندین ویژگی است که در ثبات تعریف نشده اند. برای کاهش این مشکل، داده های منبع با ویژگی های اضافی املاک مسکونی تجزیه و تحلیل شده، مانند جزئیات مکان یا ویژگی های همسایگی نزدیک تکمیل شد.

۲٫۲٫ مواد و روش ها

مفاهیم موفقیت آمیز مربوط به فرآیند تعیین ویژگی های چگونگی تأثیر عوامل انتخاب شده بر ارزش دارایی، که پایه و اساس آن HPM است، در اوایل قرن بیستم ظاهر شد. یک مطالعه پیشگام بر اساس HPM یک مطالعه مستند است که در آن GA Hass یک مدل قیمت زمین کشاورزی را در سال ۱۹۲۲ فرموله کرد [ ۵۱ ]. در سال‌های بعد، این روش اهمیت بیشتری پیدا کرد و در نتیجه، از جمله برای تعریف رابطه بین کاهش آلودگی هوا و قیمت املاک مسکونی استفاده شد [ ۵۲ ]. چارچوب نظری این روش توسط نویسندگانی مانند لنکستر [ ۵۳ ]، روزن [ ۵۴ ] و مکلنان [ ۵۵ ] مشخص و شرح داده شد.].

در شرایط محلی، HPM ابزار اساسی برای تعیین، به عنوان مثال، ماهیت تأثیر عوامل انتخابی مرتبط با سر و صدای تولید شده توسط ترافیک هوایی یا دسترسی به مناطق سبز شهری بر ارزش املاک مسکونی در چندین شهر بزرگ لهستان بود. مانند ورشو [ ۵۶ ، ۵۷ ]، کراکوف [ ۵۸ ، ۵۹ ] یا پوزنان [ ۶۰ ، ۶۱ ]. از سوی دیگر، از نظر مزایا (دسترسی به حمل و نقل) یا معایب (صدای منتشر شده) ناشی از دسترسی به زیرساخت های حمل و نقل عمومی بر ارزش املاک مسکونی، تجزیه و تحلیل ها عمدتاً در ایالات متحده انجام شد [ ۶۲ ، ۶۳ ،۶۴ ، ۶۵ ]، کشورهای اروپای جنوبی [ ۶۶ ، ۶۷ ] و آسیا [ ۶۸ ، ۶۹ ، ۷۰ ].

HPM روشی است که رابطه بین قیمت یک کالای معین که در این نوع بازار ملک است و مهم ترین ویژگی های آن را بررسی می کند. فعالان بازار تصمیماتی برای سرمایه گذاری می گیرند که معمولاً بر اساس ویژگی های جزئیات دارایی و تجزیه و تحلیل سودمندی آنها است. وقتی صحبت از یک واحد مسکونی به میان می‌آید، ویژگی‌هایی که اغلب جذابیت سرمایه‌گذاری آن را تعیین می‌کنند عبارتند از: مساحت طبقه قابل استفاده، تعداد اتاق‌ها، از جمله محل مرتبط، قدمت، و وضعیت فنی ساختمان، و همچنین در دسترس بودن امکانات اضافی، مانند فضای پارکینگ یا دسترسی به آسانسور مسافر [ ۴۰ ، ۷۱]. موقعیت مکانی نیز یک عامل بسیار مهم است. معمولاً از نظر دسترسی از جمله امکانات عمومی، امکانات خدماتی و امکانات تفریحی در نظر گرفته می شود [ ۵۶ ، ۷۲ ]. علاوه بر این، انواع دیگر عوامل محیطی و اجتماعی که بر اساس موقعیت مکانی و شرایط همسایگی مشخص می‌شوند، بر قیمتی که یک ملک می‌تواند در طی یک معامله بازار دریافت کند، تأثیر می‌گذارد [ ۷۳ ، ۷۴ ].

مهمترین مسئله هنگام استفاده از مدلی که با استفاده از HPM ساخته شده است، پاسخ به این سؤال است که چگونه عوامل انتخاب شده در مدل بر ارزش ملک مسکونی تأثیر می گذارد. ماهیت مدل HPM این فرض است که قیمت ملک با چندین ویژگی تعریف شده توضیح داده می شود. مدل به دست آمده در نتیجه تجزیه و تحلیل آماری، تعیین مقادیر عوامل تحلیل شده را که در نهایت اجزای خاصی از قیمت کل را تشکیل می دهند، ممکن می سازد. متغیرهای توضیحی ویژگی هایی هستند که در تجزیه و تحلیل گنجانده شده اند که ملک را توصیف می کنند، به عنوان مثال، منطقه و دسترسی حمل و نقل [ ۴۰ ، ۴۱ ، ۷۵ ]]. با توجه به فرض فوق می توان قیمت یک واحد مسکونی را در قالب یک معادله رگرسیون استاندارد تعیین کرد.

(۱)

جایی که p قیمت مسکن است، ضریب رگرسیون، β _۰ ثابت رگرسیون، X ویژگی ویژگی، و u خطای استاندارد است.

یک تابع رگرسیون مبتنی بر لگاریتم طبیعی بیشتر در طول تجزیه و تحلیل بازار دارایی با استفاده از HPM استفاده می شود. این نوع راه حل یک راه حل معقول برای مسئله ای ارائه می دهد که مربوط به عدم توانایی صفت انتخاب شده در تغییر مقدار متناسب با تغییرات سایر عوامل در مورد مدل خطی است. در نتیجه، مدل خطی تنها تعیین تأثیر بهبود یا زوال یک ویژگی خاص، به عنوان مثال، استاندارد فنی، را برای همه املاک مسکونی در مجموعه داده اتخاذ شده امکان پذیر می کند. متأسفانه، این مدل‌ها تأثیر افزایش یا کاهش کیفیت یک ویژگی را برای واحدهای مسکونی با مکان‌های مختلف، برای مثال، شناسایی نمی‌کنند.۵۷ ]. با توجه به شرایط ارائه شده، تحلیل های آماری حاضر بر اساس مدل لگاریتمی انجام شده است.

در این مطالعه از دو نوع اصلی رگرسیون لذت‌گرا استفاده شد: OLS (کمترین مربعات معمولی) و WLS (کمترین مربعات وزنی). در مرحله اول، رگرسیون OLS انجام شد که تحت آن رگرسیون WLS در مراحل زیر انجام شد: اجرای یک رگرسیون کمکی که در آن مربعات باقیمانده‌ها متغیرهای وابسته بودند، در حالی که متغیرهای مستقل ورودی به اضافه مربع‌های آنها، متغیرهای مستقل بودند. . در بخش بعدی این مقاله، یک سری وزن از مقادیر حاصل از رگرسیون لذت‌گرا ایجاد شد. در نهایت مدل اولیه با استفاده از روش WLS [ ۴۰ ] برآورد شد.

۲٫۳٫ متغیرها

مهمترین جنبه ای که به تحلیل بازار ملک مربوط می شود، انتخاب ویژگی های مناسب است که تأثیر تعیین کننده ای بر قیمت ملک مسکونی دارد. عدم تجانس یکی از ویژگی های اساسی ملک است; در میان چیزهای دیگر، این نتیجه به این واقعیت می‌رسد که عوامل مرتبط با یک نوع دارایی ممکن است در یک دارایی از نوع دیگر اهمیت حاشیه‌ای داشته باشند. برای واحدهای مسکونی، متغیرها را می‌توان به چهار دسته از ویژگی‌ها دسته‌بندی کرد که مستقیماً به ویژگی‌های یک مسکن، محله و محیط و همچنین به شرایط اجتماعی، اقتصادی و برنامه‌ریزی مربوط می‌شوند. با توجه به نوع واحدهای مسکونی و شرایط محلی، هر یک از گروه های تعریف شده شامل چندین ویژگی خاص است ( جدول ۱).).

با توجه به ویژگی های داده های منبع، بررسی ادبیات، و فرض اساسی تجزیه و تحلیل انجام شده در گروه اول (ویژگی های یک خانه)، ویژگی های زیر باید متمایز شوند: مساحت طبقه، محل طبقه، وجود یک زیرزمین، تعداد اتاق ها، ارتفاع ساختمان. مهم ترین متغیرهایی که برای تحلیل در بین سایر گروه ها اتخاذ شد، ویژگی های مربوط به دسترسی به حمل و نقل، مدارس و مناطق تفریحی بود. در نهایت، این مطالعه ویژگی‌های بسیار مهمی را که به ویژگی‌های مسکن مرتبط هستند، مانند استاندارد پرداخت یا نوع مسکن، شامل نمی‌شود. برای یک ویژگی که به استاندارد پایان مربوط می شود، داده های موجود راهی برای تعیین وضعیت آن ویژگی برای هر ویژگی فهرست شده در پایگاه داده ارائه نمی دهد. از سوی دیگر، ویژگی مربوط به نوع مسکن حذف شد، زیرا اکثریت قریب به اتفاق معاملات مربوط به واحدهای مسکونی واقع در ساختمان‌های چند خانواری بود، در حالی که سایر واحدهای مسکونی، به عنوان مثال، در ساختمان‌های تک‌خانواره، اهمیت حاشیه‌ای در داخل منطقه داشتند. بازار. تمام ویژگی‌هایی که می‌توانند بر قیمت تأثیر بگذارند را نمی‌توان در مدل گنجاند زیرا متغیرهای بیش از حد مورد استفاده در طول فرآیند ساخت مدل می‌تواند کیفیت شناختی آن را کاهش دهد. با این حال، از سوی دیگر، تعداد ناکافی ویژگی‌ها ممکن است منجر به عدم توجه به عواملی شود که می‌توانند به طور قابل توجهی بر قیمت ملک مسکونی تأثیر بگذارند. علاوه بر این،جدول ۱ . با توجه به مفروضات ارائه شده، تابع لذت جویانه قیمت مسکن را می توان به صورت زیر نشان داد:

ln( p ) = f (ویژگی های ساختاری، دسترسی حمل و نقل، مکان)

(۲)

بر اساس ویژگی های تعریف شده ای که برای مدل اتخاذ شد، ویژگی های املاک مسکونی تجزیه و تحلیل شده انجام شد. این بخش بعدی مطالعه را تشکیل می داد. فرآیند تعریف متغیرها بر اساس معیارهای اتخاذ شده انجام شد. این ویژگی بر اساس اطلاعات جمع آوری شده در پایگاه داده GEOPOZ به دست آمده و اندازه گیری فاصله واقعی برای ویژگی های خاص با استفاده از نرم افزار QGiS 3.16.1 و تجزیه و تحلیل های خودمان مشخص شد.

تعداد اتاق ها

این مشخصه ای است که باید در تحلیل های بازار ملک به همراه متراژ واحد مسکونی مورد توجه قرار گیرد. تعداد اتاق ها تعیین می کند که چگونه محل توسعه می یابد. اتاق های زیاد در یک منطقه قابل استفاده نسبتا کوچک ممکن است منجر به چیدمان نامطلوب اتاق ها شود که معمولاً منجر به بدتر شدن استاندارد زندگی ساکنان می شود. از سوی دیگر، تعداد کمی از اتاق ها در یک منطقه مسکونی ممکن است منجر به استفاده نادرست از قابلیت های عملکردی محل شود. در مجموعه داده تراکنش مورد تجزیه و تحلیل، متغیر دارای مقادیر متفاوتی از ۱ تا ۸ است، در حالی که میانگین تعداد اتاق ها برابر با ۲٫۹۴ است.

مساحت سطح

مساحت سطح نقش کلیدی در قیمت املاک مسکونی دارد. در اصل فرض بر این است که قیمت واحد یک واحد مسکونی (به ازای هر ۱ مترمربع ⁾ با مساحت کمتر باید نسبت به یک واحد مسکونی قابل مقایسه اما با مساحت بزرگتر باشد. با این حال، مانند سایر ویژگی ها، این متغیر تا حدی به شرایط محلی بستگی دارد. اصل فوق الذکر ممکن است تحت شرایط خاصی صحیح نباشد. اطلاعات مربوط به مساحت ملک از بانک اطلاعاتی هیئت ژئودزی و کاداستر شهرداری “GEOPOZ” به دست آمده است. با توجه به مساحت سطح واقعی املاک مسکونی در مجموعه مورد تجزیه و تحلیل، متغیر مقادیر متفاوتی از ۷۰/۱۳ مترمربع ^تا ۰۰/۲۱۲ مترمربع را ^{می گیرد.}، در حالی که سطح متوسط برابر با ۵۴٫۱۴ متر مربع ^است .

کف

قرار گرفتن یک واحد مسکونی در یک طبقه خاص در یک ساختمان از نظر ایمنی و دسترسی نقش اساسی دارد. این عوامل اغلب برای خریداران اهمیت کلیدی دارند، به این معنی که کف تا حدودی قیمت معامله را تعیین می کند. برای ساختمان هایی با ارتفاع نسبتاً کم، واحدهای مسکونی واقع در طبقات اول و میانی قیمت بالاتری دارند. با این حال، این مورد در ساختمان های بلند با دسترسی آسانسور مسافری صادق نیست. در این نوع ساختمان ها قطعا واحدهای مسکونی واقع در طبقات بالاتر ارزش بیشتری دارند یعنی قیمت بالاتری دارند. همانند سطح، کف بر اساس اطلاعات به دست آمده از پایگاه داده به دست آمده تعیین شد. در مجموعه داده معاملات اتخاذ شده، یکی از واحدهای مسکونی در تاریخ ۱۷ واقع شده ^استکف. از سوی دیگر، حداقل مقدار مشخصه برای یکی از واحدهای مسکونی واقع در طبقه زیر همکف ۱ بود. در مقابل، میانگین مقدار در کل مجموعه داده ۲٫۶۳ بود. با توجه به ویژگی های متغیر باید همراه با ارتفاع ساختمانی که واحد مسکونی در آن قرار دارد بررسی شود.

تعداد اماکن مرتبط

وجود مکان‌های مرتبط مانند زیرزمین، انباری یا گاراژ ویژگی‌ای است که همراه با ارتفاع ساختمان یا وضعیت فنی آن به گروه متغیرهایی تعلق دارد که مستقیماً با ویژگی‌های ساختمان مرتبط هستند. یک واحد مسکونی مقایسه متوازن دو واحد مسکونی قابل مقایسه که از نظر وجود مکان‌های مرتبط با هم متفاوت هستند، ممکن است توجیه‌ناپذیر باشد، که اغلب توسط قیمت تأیید می‌شود. تعداد مکان های مرتبط به دلیل اهمیت قابل توجه آن در بازار ملک محلی در تجزیه و تحلیل گنجانده شد. متغیر برای هر ملک مسکونی بر اساس داده های تراکنش جمع آوری شده مشخص شد. مقدار متوسط ویژگی ۰٫۳۷ بود. حداکثر مقدار ویژگی – ۴ محل مرتبط – برای یک واحد مسکونی شناسایی شد.

دسترسی به حمل و نقل عمومی

این متغیر مرتبط ترین متغیر از نظر این مطالعه است. حمل و نقل عمومی مزایای بسیاری دارد. با این حال، به نظر می رسد مهم ترین آنها توانایی کاربران غیر موتوری برای سفر به هر نقطه از شهر است. علاوه بر این، این نوع حمل‌ونقل هزینه‌های پایین سفر را تضمین می‌کند و در شهرهایی با ترافیک سنگین خودرو، زمان سفر را کاهش می‌دهد. در تحلیل، دسترسی به حمل و نقل عمومی از دو جهت در نظر گرفته شد. حمل و نقل عمومی در پوزنان توسط اتوبوس های شهر و شبکه تراموا انجام می شود. بنابراین فاصله واحد مسکونی تا ایستگاه تراموا و ایستگاه اتوبوس به طور جداگانه در تحلیل اندازه گیری شد. در نتیجه این نوع تقسیم، دو متغیر در این ویژگی متمایز شدند. مقدار اندازه‌گیری‌شده هر دو متغیر نشان‌دهنده مسافت واقعی است که یک فرد برای رسیدن از واحد مسکونی به ایستگاه اتوبوس یا تراموا با استفاده از مسیرهای عابر پیاده محلی باید طی کند. برای معاملات مورد تجزیه و تحلیل، میانگین فاصله تا نزدیکترین ایستگاه اتوبوس ۲۱۰٫۹۳ متر و تا نزدیکترین ایستگاه تراموا ۶۹۰٫۶۸ متر بود. حداقل فاصله هر واحد مسکونی ۰۷/۱۵ متر و حداکثر برای ایستگاه های تراموا ۳۴/۷۱۲۵ متر و برای ایستگاه اتوبوس ۹۳/۱۱ متر و ۳۵/۱۴۲۰ متر بود.

فاصله تا رودخانه وارتا

چشم انداز طبیعی که به عنوان یک کالای عمومی تعریف می شود، می تواند درک یک فضای شهری بسیار شهری را به طور قابل توجهی بهبود بخشد. در نتیجه توسعه پویای جامعه، افراد در اکثر گروه‌های اجتماعی تلاش می‌کنند تا بر کیفیت بالای محیط‌زیست تأکید کنند و مایلند هزینه‌های بیشتری را برای حفظ یا ارتقای ارزش زیبایی‌شناختی طبیعی منظر شهری متحمل شوند. اشیاء آبی شهری، مانند رودخانه ها یا دریاچه ها، هوای تمیز و مرطوب را برای ساکنان فراهم می کنند که ضروری است، به ویژه در مواقعی که هوا بسیار گرم است. علاوه بر این، این اشیاء منظره‌ای با تراکم کم ساختمان را تضمین می‌کنند که برای از بین بردن بسیاری از عوامل استرس‌زا که نقش مضری در جوامع مدرن دارند، ضروری است. رودخانه وارتا نقش ویژه ای در منطقه مورد مطالعه دارد و دسترسی به آن در تحلیل لحاظ شده است. میانگین فاصله واقعی تا رودخانه برای املاک مسکونی مورد تجزیه و تحلیل ۲۷۲۴٫۳۲ کیلومتر بود. حداکثر فاصله برای یکی از واحدهای مسکونی ۹۳۳۰٫۰۱ کیلومتر و حداقل مقدار ۹۷٫۹۸ متر بود.

فاصله تا مدارس ابتدایی و مهدکودک

این یک ویژگی کلیدی است، به ویژه برای خانواده های جوان دارای فرزند. برای دانش‌آموزان مسن‌تر که در دبیرستان تحصیل می‌کنند، مکان واحد مسکونی آن‌ها در نزدیکی مدرسه آن‌قدر مهم نیست، زیرا می‌توانند با استفاده از وسایل نقلیه عمومی به مدرسه برسند. در مورد گروهی از دانش آموزان جوان تر، استفاده از وسایل حمل و نقل عمومی کاملاً محدود است و وسایل حمل و نقل برای آنها با تمام اقدامات احتیاطی در محل فراهم شده است. با این حال، معمولاً والدین تصمیم می‌گیرند که فرزندان خود را به تنهایی حمل کنند، که مکان واحد مسکونی را در فاصله مناسبی از مدرسه تعیین می‌کند. تجزیه و تحلیل شامل دسترسی گروه خاصی از این نوع زیرساخت است که توسط مدارس ابتدایی و مهدکودک ها تعریف شده است. میانگین فاصله واقعی تا نزدیکترین موسسه آموزشی با استفاده از ابزارهای اطلاعات جغرافیایی برای تمامی واحدهای مسکونی ۶۷۳٫۵۵ متر بود. حداقل فاصله ۶٫۰۹ متر و حداکثر مسافت ۴۳۸۷٫۴۳ متر بود.

فاصله تا مرکز پوزنان

این متغیری است که جزء یک مفهوم (موقعیت) گسترده تر است که مشتق آن نیز می باشد. می توان فرض کرد که املاک مسکونی که در مرکز شهرهای بزرگ قرار دارند در مقایسه با واحدهای مسکونی واقع در مناطق حاشیه شهرها به قیمت بسیار بالاتری می رسند. برای نوع خاصی از خریداران بالقوه، این اصل ممکن است لزوما درست نباشد، زیرا بخش خاصی از جمعیت واحدهای مسکونی را ترجیح می دهند که دور از سر و صدای مرکز اکثر شهرهای بزرگ باشد. حمل و نقل عمومی عالی که دسترسی راحت به مرکز شهر را تضمین می کند، نقش مهمی را برای این گروه از فعالان بازار ایفا می کند. این متغیر با اندازه گیری فاصله واقعی واحد مسکونی از مرکز پوزنان تعیین شد. در مجموعه داده تحلیل شده، مقدار متوسط ویژگی اندازه گیری شده ۳۶۹۹٫۱۵ متر بود. واحد مسکونی واقع در دورترین فاصله از مرکز شهر در فاصله ۱۱۳۱۱٫۷۵ متری قرار داشت. و برای یکی از واحدهای مسکونی واقع در مرکز شهر، حداقل ارزش صفت ۱۱۱٫۷۰ متر بوده است.

فاصله تا مناطق سبز شهری

در مورد شهرهای بزرگ با سطوح بالای شهرنشینی، چنین مناطقی طیف وسیعی از مزایای را برای ساکنان از نظر خدمات مهم اکوسیستمی مانند کاهش صدا، بهبود کیفیت هوا و کاهش دمای شدید فراهم می‌کنند. علاوه بر این، آنها عملکردهای مهمی را از نظر تأثیر بر سلامت و رفاه ساکنان انجام می دهند. مزیت اضافی چنین مناطقی امکان فعالیت بدنی و تفریح در طبیعت در یک چشم انداز بسیار شهری است. فضاهای سبز شهری یک کالای مشترک اجتماعی است که به ویژه در مراکز بزرگ شهری مورد توجه اکثر گروه های اجتماعی، به ویژه سالمندان، کودکان و افراد فعال از نظر فیزیکی است. میانگین فاصله تا منطقه سبز برای املاک مسکونی مورد تجزیه و تحلیل ۵۳۶٫۷۱ متر بود. حداقل فاصله ۸٫۴۷ متر بود. و حداکثر مقدار ۵۵۳۹٫۰۹ متر بود.

فاصله تا مرکز خرید

مراکز خرید در اواخر قرن بیستم در لهستان ظاهر شدند و به طور پیوسته در طول فعالیت خود اهمیت پیدا کردند. امکانات فروش بزرگ برای همیشه وارد چشم انداز شهرهای لهستان شده است و طی دو دهه اخیر افزایش شدیدی در تعداد این امکانات مشاهده شده است. پوزنان هم از نظر تعداد امکانات و هم از نظر فضای فروش در خط مقدم شهرهای لهستان قرار دارد. شایان ذکر است که مراکز خرید از همان ابتدا تکامل یافته اند و در اکثر موارد به امکاناتی تقریباً خودکفا تبدیل شده اند که می توانند تمامی نیازهای مشتریان را برآورده کرده و ساعت ها آنها را سرگرم کنند. به لطف ویژگی های آنها، آنها به همسایگی نزدیک مرتبط هستند و توسعه اقتصادی را مشروط می کنند و بنابراین مستقیماً بر بازار ملک تأثیر می گذارند. میانگین فاصله واقعی تا مرکز خرید در مجموعه املاک مورد تجزیه و تحلیل ۸۹۹٫۴۹ متر بود. حداکثر فاصله ۷۴۶۸٫۹۴ متر بود. و حداقل فاصله ۳۱٫۹۷ متر بود.

۳٫ نتایج

برای تعیین دقیق چگونگی تأثیر دسترسی بر ارزش واحدهای مسکونی، تحلیل ها در دو مرحله انجام شد. ابتدا، داده‌های جمع‌آوری‌شده در معرض تأیید اولیه بر اساس تحلیل فضایی قرار گرفتند، که فرض اصلی آن تعریف نظم‌های مکانی در رابطه با ویژگی تحلیل‌شده بود. مهم‌ترین بخش مطالعه، که تکمیل کننده تحلیل فضایی است، بر اساس تحلیل آماری چند متغیره انجام شده با استفاده از HPM بود.

۳٫۱٫ تحلیل فضایی

تجزیه و تحلیل های اولیه عمدتاً با استفاده از نرم افزار QGiS و MS Excel انجام شد که امکان تفسیر مستقیم نتایج را فراهم می کرد. با توجه به نحوه توصیف ویژگی تحلیل شده در تحقیق، این بخش از تحلیل به دو گروه تقسیم شد. در مرحله اول دسترسی به ایستگاه های اتوبوس در نظر گرفته شد. معاملات پذیرفته شده برای تجزیه و تحلیل در شش گروه طبقه بندی شدند که با مسافتی که فرد باید از یک واحد مسکونی معین تا یک ایستگاه از یک نوع معین طی کند، تعریف شده است. با توجه به ساختار ایستگاه های اتوبوس در پوزنان، معیارهای طبقه بندی زیر اتخاذ شد: <100 متر، ۱۰۰-۲۰۰ متر، ۲۰۰-۳۰۰ متر، ۳۰۰-۴۰۰ متر، ۴۰۰-۵۰۰ متر و > 500 متر ( شکل ۳ ).

برای هر یک از گروه های مورد نظر آمار توصیفی پایه مانند میانگین و انحراف معیار محاسبه شد. این آمار هم برای متغیرهای توضیحی و هم برای متغیر وابسته ( جدول ۲ ) فرموله شد.

میانگین قیمت واحدهای مسکونی در گروه‌های مورد بررسی که با معیار فاصله تعیین می‌شود، در مجموعه داده معاملات ارزیابی‌شده به‌طور قابل‌توجهی تغییر کرد و در گروه آخر به کمترین مقدار رسید ( شکل ۴ ).

مرحله دوم این بخش از مطالعه به همین ترتیب انجام شد. تنها تفاوت در روش تفسیر دسترسی حمل و نقل بود که این بار با فاصله تا ایستگاه های تراموا تعریف می شد. با توجه به کوچکتر بودن شبکه ایستگاه های تراموا در مقایسه با ایستگاه های اتوبوس، معیارهای طبقه بندی مفروض به شکل زیر اصلاح و فرموله شدند: <200 متر، ۲۰۰-۴۰۰ متر، ۴۰۰-۶۰۰ کیلومتر، ۶۰۰-۸۰۰ متر، ۸۰۰-۱۰۰۰ متر و > 1000 متر ( شکل ۵ ).

برای گروه های مورد تجزیه و تحلیل، آمار توصیفی پایه مانند میانگین و انحراف معیار تعیین شد. این آمارها هم برای متغیرهای توضیحی و هم برای متغیر وابسته ( جدول ۳ ) فرموله شد.

میانگین قیمت واحدهای مسکونی در گروه‌های مورد بررسی که با معیار فاصله تعیین می‌شود، در مجموعه داده معاملات ارزیابی‌شده به‌طور معنی‌داری تغییر کرد و به بالاترین مقدار در گروه اول رسید ( شکل ۶ ).

تجزیه و تحلیل فضایی امکان مشاهده رابطه اولیه بین قیمت معامله و دسترسی به زیرساخت حمل و نقل را فراهم می کند. با این حال، بر اساس این نوع تحلیل، هیچ نتیجه‌گیری آماری معنی‌داری در رابطه با تاثیر در دسترس بودن زیرساخت‌های حمل‌ونقل بر قیمت مسکن نمی‌توان گرفت، زیرا سایر ویژگی‌های مهمی که می‌تواند به طور قابل توجهی قیمت یک واحد مسکونی را در منطقه تعیین کند در نظر نمی‌گیرد. بازار املاک

۳٫۲٫ تحلیل آماری

ویژگی‌های مشخصه مورد تجزیه و تحلیل در این مطالعه شامل ویژگی‌های ساختاری واحد مسکونی (تعداد اتاق‌ها، مساحت طبقه، طبقه، و دسترسی به مکان‌های مرتبط) و ویژگی‌های مربوط به موقعیت واحد مسکونی (دسترسی به مدارس، دسترسی به مناطق سبز شهری، فاصله تا مرکز پوزنان، فاصله تا مرکز خرید و فاصله تا رودخانه وارتا). با توجه به هدف تحقیق، مدل یک ویژگی مربوط به دسترسی حمل و نقل را در نظر گرفت که توسط دو متغیر تعریف شده است: فاصله تا ایستگاه تراموا و فاصله تا ایستگاه اتوبوس. متغیرهای اتخاذ شده برای مدل بر اساس در دسترس بودن داده ها و ویژگی های بازار ملک محلی انتخاب شدند. در مرحله اول، متغیرهای فرضی برای امکان استفاده از آنها در مدل تعریف شدند ( جدول ۴).).

ابتدا متغیرهای پذیرفته شده در مدل برای همبستگی بین آنها تحلیل شدند. هدف از این تجزیه و تحلیل بررسی چند خطی بودن بین ویژگی های تحلیل شده بود. اگرچه برخی از ضرایب به مقادیر بالایی رسیدند، اما حداکثر مقدار از ۷۰٪ تجاوز نکرد که ممکن است نشان دهنده عدم وجود چند خطی در پایگاه داده اتخاذ شده باشد ( جدول ۵ ).

در مرحله تحلیل بعدی، ارزیابی پارامترهای اتخاذ شده برای مدل با استفاده از نرم افزار IBM SPSS Statistics انجام شد. لگاریتم طبیعی قیمت مسکن، متغیر وابسته، در حالی که متغیرهای توضیحی، ویژگی های اتخاذ شده برای مدل بودند. تجزیه و تحلیل با استفاده از دو نوع رگرسیون انجام شد: OLS و WLS ( جدول ۶ ).

هر دو در OLS و WLS، اکثر متغیرهای مورد استفاده در مدل از نظر آماری معنی دار بودند. تفاوت بین دو مدل تنها در مورد متغیر مربوط به فاصله ملک از مناطق سبز شهری رخ داد که در مدل OLS در مقادیر احتمال p از نظر آماری ناچیز بود.کمتر از ۰٫۰۵ متغیرهای F1 و R1 از هر دو مدل به دلیل عدم وجود تنوع در تغییرپذیری در پایگاه داده تحلیل شده حذف شدند. اکثریت قریب به اتفاق پارامترها دارای نشانه های مورد انتظار ضرایب (به جز ویژگی مربوط به مکان های مرتبط) و ترتیب بزرگی پیش بینی شده بودند. مدل تخمین زده شده توسط WLS دقت بالاتری را نشان داد، ۷۰٪ از تغییرپذیری را توضیح داد، و بنابراین برای ارزیابی پارامترهای خاص و تهیه کارتوگرام های مربوط به این ویژگی ها استفاده شد: پارامترهای دسترسی به ایستگاه های تراموا و قیمت متوسط.

پارامترهای ساختاری واحد مسکونی که از نظر آماری تأثیر بسزایی در ارزش ملک داشته است عبارتند از R2، R3 و مساحت. ارزش توجه به آخرین پارامتر را دارد. تجزیه و تحلیل یک رابطه مشاهده شده در طول بررسی ادبیات را تأیید کرد که هر چه مساحت کف قابل استفاده یک واحد مسکونی معین بیشتر باشد، احتمالاً قیمت واحد در طول معامله در بازار کمتر خواهد بود.

ویژگی هایی که مستقیماً با موقعیت واحد مسکونی مرتبط است تأثیر بسزایی در ارزش آن دارد. از جمله ویژگی های متعلق به این گروه از متغیرها می توان به DW، DCC و DSC اشاره کرد. علائم منفی در کنار متغیرهای DCC و DSC از تأثیر مثبت این عامل بر ارزش خبر می دهد. در مقابل، علائم مثبت در کنار متغیر DW از تاثیر منفی این ویژگی خبر می دهد. هر چه فاصله تا مرکز پوزنان و مرکز خرید بیشتر باشد، قیمت معامله کمتر است. نتایج، میانگین ترجیحات شرکت‌کنندگان بازار را در مورد شهرهای بزرگ‌تر، مرتبط با زندگی روزمره در قلب شهر در مکانی با دسترسی راحت به زیرساخت‌های خدماتی بسیار توسعه‌یافته تأیید می‌کند.

با عطف به مهم‌ترین مشخصه مرتبط با هدف این مطالعه، متغیر مربوط به دسترسی به ایستگاه اتوبوس از نظر آماری ناچیز بود ( ص-value = 0.718). ایستگاه‌های اتوبوس توزیع فضایی نسبتاً یکنواختی در پوزنان دارند که می‌تواند منجر به این شود که آن‌ها نقش اساسی در تصمیم‌گیری‌های سرمایه‌گذاری فعالان بازار نداشته باشند. در مورد ویژگی مربوط به دسترسی، متغیر مربوط به فاصله از ایستگاه تراموا از نظر مکانیسم‌های بازار بسیار مهم است. بر اساس ضریب این ویژگی، ممکن است نتیجه بگیریم که از بین دو واحد مسکونی قابل مقایسه، قیمت واحد به طور قابل توجهی بالاتر (حدود ۱۵٪ در هر کیلومتر) توسط واحد مسکونی واقع در فاصله کمتری از ایستگاه تراموا به دست می آید. نتایج به‌دست‌آمده از مدل تا حدی نتایج تحلیل فضایی اولیه را تأیید می‌کند که براساس آن واحدهای متعلق به گروه ۱ (کمتر از ۲۰۰ متر تا ایستگاه تراموا) بالاترین میانگین قیمت معامله واحد را داشتند. در آخرین مرحله از تجزیه و تحلیل،شکل ۷ ).

واحدهای مسکونی واقع در مجاورت خطوط تراموا دارای مقدار کمتری از پارامتر بودند که مستقیماً بر مقدار بالاتر آنها تأثیر می گذارد. این مدل امکان محاسبه میانگین مقادیر تخمینی را در مناطق خاص پوزنان و در نتیجه نشان دادن توزیع میانگین قیمت‌ها به روش مصنوعی برای کل منطقه شهر را فراهم می‌کند ( شکل ۸ ).

۴٫ بحث

بازار ملک چندین ویژگی خاص دارد که یکی از مهمترین آنها ناقص بودن و در نتیجه کارایی پایین و عدم شفافیت بازار است. در نتیجه این پدیده، شرکت کنندگان متوسط بازار دسترسی بسیار محدودی به اطلاعات در مورد روندهای فعلی بازار دارند. این محدودیت‌ها از یک سو به خود قیمت‌های معاملاتی که معمولاً در پایگاه‌های اطلاعاتی بسته ثبت می‌شوند و از سوی دیگر به عواملی که به‌طور قابل توجهی قیمت را تعیین می‌کنند، مربوط می‌شود. ارائه تحلیل‌های بازار در قالب کارتوگرام‌های موضوعی ساده، ارائه موضوع تحلیل‌شده به صورت مکانی، ممکن است اطلاعات قابل اعتماد و لازم زیادی را در اختیار فعالان بازار قرار دهد که در تصمیم‌گیری سرمایه‌گذاری مفید باشد. این اطلاعات می تواند نه تنها برای خریداران و فروشندگان، بلکه برای گروه های حرفه ای تخصصی فعال در بازار املاک، یعنی ارزش گذاران، نمایندگان و مدیران املاک مفید باشد. در نتیجه، ادغام عملیات ساده ریاضی و ابزارهای GIS می تواند مزایای ملموس بسیاری را به همراه داشته باشد.

مطالعه ما یکی از اولین مطالعاتی است که تأثیر حمل و نقل عمومی را بر ارزش املاک مسکونی در لهستان تحلیل کرد. انتخاب عوامل مناسب برای تجزیه و تحلیل اغلب با شرایط محلی و دانش کافی از بازار محلی تعیین می شود. تحلیل‌ها تأثیر دسترسی حمل‌ونقل عمومی شهری را بر ارزش واحدهای مسکونی تعریف کردند. استفاده از مدل‌های لذت‌گرا (OLS و WLS) تأثیر ساختاری و انواع دیگر ویژگی‌های مکان را تعیین می‌کند. نقشه میانگین قیمت‌های پیش‌بینی‌شده بر اساس مدل WLS به طور مصنوعی ماهیت تأثیر مکان و عوامل فضایی و محیطی را بر ارزش جمع‌آوری می‌کند. با این حال،

نتایج تحلیل‌های ما امکان انتخاب ویژگی‌های آماری معنی‌دار را فراهم کرد و مزیت بزرگ این مطالعه قابلیت اطمینان آن است زیرا تجزیه و تحلیل‌ها مربوط به داده‌هایی بود که مستقیماً از بازار می‌آمدند. این نوع تحلیل ممکن است کاربردهای بسیار گسترده‌تری نسبت به مطالعات مبتنی بر داده‌های بازار اجاره داشته باشد [ ۵۶]. با این حال، با وجود مزایای ارائه شده از تجزیه و تحلیل ما، راه حل پیشنهادی کاملاً بدون برخی محدودیت ها نیست، که ابتدا در ارتباط با در دسترس بودن داده ها به طور قابل اعتماد و دقیق واحد مسکونی داده شده را توصیف می کند. در زمینه ویژگی های فیزیکی واحدهای مسکونی، ویژگی هایی مانند عملکرد و استاندارد پرداخت نقش تعیین کننده ای دارند. اما به طور معمول، این متغیرها به دلیل نبود فرصت واقعی برای ثبت این اطلاعات، حتی با گزارش های تخصصی، نمی توانند در این نوع تحلیل گنجانده شوند. گنجاندن تمام ویژگی های مربوطه مطمئناً دقت مدل ساخته شده را تا حد قابل توجهی افزایش می دهد. محدودیت های روش ارائه شده ممکن است مربوط به ماهیت بازار املاک باشد که تغییرات محلی قابل توجهی را نشان می دهد. از این رو، نتایج به‌دست‌آمده در یک حوزه معین ممکن است برای سایر موضوعات تحقیقاتی اعمال نشود. همچنین شایان ذکر است که اندازه یک بازار معین اغلب می تواند این روش را تعیین کند. در غیاب تعداد زیادی از معاملات، ممکن است در برآورد مدلی که مکانیسم های بازار را به طور قابل اعتماد توصیف می کند، مشکلاتی ایجاد شود.

با توجه به محدودیت های ارائه شده، باید مطالعات مشابهی در شهرها یا مناطق بزرگتر کشور انجام و به تدریج به روز شود. استفاده از روش ها و تکنیک های قابل مقایسه به طور همزمان در چندین مطالعه، فرصتی را برای مقایسه نتایج و نتیجه گیری معنادارتر فراهم می کند. در مورد دسترسی حمل و نقل، غنی سازی روش تحقیق، به عنوان مثال، شامل عواملی که در مطالعه ما در تجزیه و تحلیل جنبه های اضافی پذیرفته نشده اند، مانند شاخص فرصت ترانزیت [ ۱۰۵ ، ۱۰۶ ]، می تواند به طور قابل توجهی کیفیت را افزایش دهد.

منابع

محمودی، ر. شتاب-بوشهری، SN; حجازی، س.ر. امروز نژاد، ع. تعیین اهمیت نسبی معیارهای ارزیابی پایداری شبکه حمل و نقل شهری. حفظ کنید. جامعه شهرها ۲۰۱۹ ، ۴۷ ، ۱۰۱۴۹۳٫ [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
لوکاس، ک. حمل و نقل و طرد اجتماعی: اکنون کجا هستیم؟ ترانسپ سیاست ۲۰۱۲ ، ۲۰ ، ۱۰۵-۱۱۳٫ [ Google Scholar ] [ CrossRef ]
گیوفریدا، ن. اینتوری، جی. کاپری، اس. اسپیکا، اس. Ignaccolo، M. تاثیر یک خط حمل و نقل سریع اتوبوس بر دسترسی فضایی و برابری حمل و نقل: مورد کاتانیا. در زیرساخت ها و سیستم های حمل و نقل ; CRC Press: لندن، انگلستان، ۲۰۱۷; صص ۷۵۳-۷۵۸٫ [ Google Scholar ] [ CrossRef ]
کوری، جی. ریچاردسون، تی. اسمیت، پی. ولا-برودریک، دی. هاین، جی. لوکاس، ک. استنلی، جی. موریس، جی. کینیر، آر. Stanley, J. بررسی پیوندهای بین ضرر حمل و نقل، طرد اجتماعی و رفاه در ملبورن – نتایج به روز شده. Res. ترانسپ اقتصاد ۲۰۱۰ ، ۲۹ ، ۲۸۷-۲۹۵٫ [ Google Scholar ] [ CrossRef ]
وانگ، RCP; Szeto، WY; یانگ، ال. لی، YC; اقدامات سیاست حمل و نقل عمومی Wong، SC برای بهبود تحرک سالمندان. ترانسپ سیاست ۲۰۱۸ ، ۶۳ ، ۷۳-۷۹٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
پوجانی، د. استد، D. حمل و نقل شهری پایدار در جهان در حال توسعه: فراتر از ابرشهرها. پایداری ۲۰۱۵ ، ۷ ، ۷۷۸۴-۷۸۰۵٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
بوکانان، م. مزایای حمل و نقل عمومی. نات. فیزیک ۲۰۱۹ ، ۱۵ ، ۸۷۶٫ [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
جانسون، دی. ارکولانی، م. مکی، پی. تحلیل اقتصاد سنجی پیوند بین دسترسی به حمل و نقل عمومی و اشتغال. ترانسپ سیاست ۲۰۱۷ ، ۶۰ ، ۱-۹٫ [ Google Scholar ] [ CrossRef ]
سیف، م. زفره، م.م. Torok، A. دسترسی به حمل و نقل عمومی: بررسی ادبیات. عادت زنانه. پلی تک. ترانسپ مهندس ۲۰۱۹ ، ۴۷ ، ۳۶-۴۳٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
دبرزیون، جی. پلز، ای. Rietveld، P. تاثیر حمل و نقل ریلی بر قیمت املاک: تحلیل تجربی بازار مسکن هلند. مطالعه شهری. ۲۰۱۱ ، ۴۸ ، ۹۹۷-۱۰۱۵٫ [ Google Scholar ] [ CrossRef ]
خو، تی. ژانگ، ام. Aditjandra، PT تأثیر حمل و نقل ریلی شهری بر ارزش دارایی تجاری: شواهد جدید از ووهان، چین. ترانسپ Res. بخش A سیاست سیاست. ۲۰۱۶ ، ۹۱ ، ۲۲۳-۲۳۵٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
پاگلیارا، اف. پاپا، ای. سرمایه گذاری در سیستم های ریلی شهری: تحلیلی از تأثیرات بر ارزش املاک و مکان ساکنان. J. Transp. Geogr. ۲۰۱۱ ، ۱۹ ، ۲۰۰-۲۱۱٫ [ 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 ]
Berawi، MA; معراج، پ. ساروجی، جی. ساری، م. تأثیر نزدیکی ایستگاه ترانزیت ریلی به قیمت املاک تجاری: استفاده از داده های بزرگ در املاک شهری. J. Big Data ۲۰۲۰ , ۷ , ۷۱٫ [ Google Scholar ] [ CrossRef ]
Lieske، SN; ون دن نوولانت، آر. هان، جی اچ. پتیت، سی. یک رویکرد مدل‌سازی قیمت لذت‌گرایانه جدید برای تخمین تأثیر زیرساخت‌های حمل‌ونقل بر قیمت ملک. مطالعه شهری. ۲۰۲۱ ، ۵۸ ، ۱۸۲-۲۰۲٫ [ Google Scholar ] [ CrossRef ]
تروجانک، آر. اثر فضایی و زمانی مترو بر قیمت ملک. جی. هاوس. محیط ساخته شده ۲۰۱۸ ، ۳۳ ، ۳۵۹-۳۸۴٫ [ Google Scholar ] [ CrossRef ]
یانگ، ال. Chau، KW; Szeto، WY; کوی، ایکس. وانگ، ایکس. دسترسی به حمل و نقل، از طریق حمل و نقل و قیمت ملک: روابط متفاوت فضایی. ترانسپ Res. قسمت D Transp. محیط زیست ۲۰۲۰ , ۸۵ , ۱۰۲۳۸۷٫ [ Google Scholar ] [ CrossRef ]
یانگ، ال. ژو، جی. Shyr, OF آیا دسترسی به اتوبوس بر قیمت ملک تأثیر می گذارد؟ شهرها ۲۰۱۹ ، ۸۴ ، ۵۶–۶۵٫ [ Google Scholar ] [ CrossRef ]
اینجا، DR. جک، دی. Salon, D. آیا سرمایه گذاری های حمل و نقل عمومی باعث توسعه اقتصادی شهری می شود؟ شواهدی از حمل و نقل سریع اتوبوس در بوگوتا، کلمبیا. حمل و نقل ۲۰۱۴ ، ۴۱ ، ۵۷-۷۴٫ [ Google Scholar ] [ CrossRef ]
بنیستر، دی. Thurstain-Goodwin، M. کمی سازی مزایای غیر حمل و نقل ناشی از سرمایه گذاری ریلی. J. Transp. Geogr. ۲۰۱۱ ، ۱۹ ، ۲۱۲-۲۲۳٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
نتو، ESV؛ پریرا، RH; de Oliveira Trindade، AG ارزیابی ارزش دارایی در ریودوژانیرو: اثرات سرمایه گذاری های حمل و نقل. ANPET 2019. در دسترس آنلاین: https://bibliotecadigital.fgv.br/dspace;/bitstream/handle/10438/29485/Property%20Value%20Assessment.pdf (در ۳۰ سپتامبر ۲۰۲۱ قابل دسترسی است).
زی، آر. وی، دی. هان، اف. لو، ی. نیش، جی. لیو، ی. وانگ، جی. تأثیر تراکم ترافیک بر آلودگی دود: شواهدی از شهرهای چین. تکنولوژی پیش بینی. Soc. تغییر ۲۰۱۹ ، ۱۴۴ ، ۴۲۱-۴۲۷٫ [ Google Scholar ] [ CrossRef ]
جاسینا، م. واسیاک، م. لوچوک، ک. Karoń, G. آلودگی صوتی و محیطی ناشی از حمل و نقل: مشکلات تعیین کننده در توسعه سیستم های حمل و نقل کارآمد از نظر زیست محیطی. J. Vibroengineering ۲۰۱۷ , ۱۹ , ۵۶۳۹–۵۶۵۵٫ [ Google Scholar ] [ CrossRef ]
پیترزاک، ک. پیترزاک، O. اثرات زیست محیطی حرکت الکتریکی در حمل و نقل عمومی شهری پایدار. پایداری ۲۰۲۰ ، ۱۲ ، ۱۰۵۲٫ [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
دیائو، ام. به سوی حمل و نقل شهری پایدار در سنگاپور: ابزارهای سیاست و روندهای تحرک. ترانسپ سیاست ۲۰۱۹ ، ۸۱ ، ۳۲۰-۳۳۰٫ [ Google Scholar ] [ CrossRef ]
Abidoye، RB; چان، AP مدل سازی مقادیر ویژگی در نیجریه با استفاده از شبکه عصبی مصنوعی. J. Prop. Res. ۲۰۱۷ ، ۳۴ ، ۳۶-۵۳٫ [ Google Scholar ] [ CrossRef ]
کوردرا، آر. کیاراتزو، وی. اوتومانلی، م. دل اولیو، ال. Ibeas، A. تاثیر عوامل خارجی نامطلوب بر ارزش املاک مسکونی: مدل‌های رگرسیون فضایی و یک مطالعه تجربی. ترانسپ سیاست ۲۰۱۹ ، ۸۰ ، ۱۷۷-۱۸۷٫ [ Google Scholar ] [ CrossRef ]
چن، ی. یزدانی، م. مجتهدی، م. نیوتن، اس. تأثیر بر ارزیابی املاک مسکونی محله یک پروژه حمل و نقل عمومی جدید پیشنهاد شده: مطالعه موردی مترو شمال غربی سیدنی. ترانسپ Res. بین رشته ای. چشم انداز ۲۰۱۹ ، ۳ ، ۱۰۰۰۷۰٫ [ Google Scholar ] [ CrossRef ]
پوتگلو، دی. مائو، اچ. وانگ، ی. اورفورد، اس. تأثیر زیرساخت های حمل و نقل عمومی بر ارزش زمین مسکونی: استفاده از تحلیل فضایی برای کشف فرآیندهای مرتبط با سیاست. در عمل تجزیه و تحلیل فضایی ; Springer: Cham، سوئیس، ۲۰۱۹; ص ۲۷۵-۲۹۳٫ [ Google Scholar ] [ CrossRef ]
کوندو، ام سی؛ Fluehr, JM; مک کئون، تی. براناس، فضای سبز شهری سی سی و تأثیر آن بر سلامت انسان. بین المللی جی. محیط زیست. Res. بهداشت عمومی ۲۰۱۸ ، ۱۵ ، ۴۴۵٫ [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
ریچرز، ام. بارکمن، جی. Tscharntke، T. ادراک خدمات اکوسیستم فرهنگی از سبز شهری. اکوسیستم. خدمت ۲۰۱۶ ، ۱۷ ، ۳۳-۳۹٫ [ Google Scholar ] [ CrossRef ]
ویرا، جی. ماتوس، پی. مکزیا، تی. سیلوا، پ. لوپس، ن. فریتاس، سی. کوریا، او. سانتوس-ریس، ام. برانکوینیو، سی. Pinho, P. فضاهای سبز برای ارائه خدمات تصفیه هوا و تنظیم آب و هوا یکسان نیستند: مورد پارک های شهری. محیط زیست Res. ۲۰۱۸ ، ۱۶۰ ، ۳۰۶-۳۱۳٫ [ Google Scholar ] [ CrossRef ] [ PubMed ]
ساکیه، ی. جعفری، س. احمدی، م. دانکار، ع. سبز و آرام: مدل سازی روابط بین انتشار آلودگی صوتی و الگوهای فضایی سازه های شهری و پوشش های سبز. شهری برای. سبز شهری. ۲۰۱۷ ، ۲۴ ، ۱۹۵-۲۱۱٫ [ Google Scholar ] [ CrossRef ]
هویت، CN; اشورث، ک. MacKenzie، AR استفاده از زیرساخت سبز برای بهبود کیفیت هوای شهری (GI4AQ). Ambio ۲۰۲۰ ، ۴۹ ، ۶۲-۷۳٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
قربانی، س. افقه، اس ام پیش بینی قیمت مسکن شهر اهواز: مقایسه مدل های شبکه عصبی لذت بخش و مصنوعی. J. شهری اقتصاد. مدیریت ۲۰۱۷ ، ۵ ، ۲۹-۴۴٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
شیائو، ی. چن، ایکس. لی، کیو. یو، ایکس. چن، جی. Guo, J. بررسی عوامل تعیین کننده قیمت مسکن در پکن: یک رگرسیون لذت جوی پیشرفته با داده های POI دسترسی باز. ISPRS Int. J. Geo-Inf. ۲۰۱۷ ، ۶ ، ۳۵۸٫ [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
هونگ، جی. چوی، اچ. کیم، WS ارزیابی قیمت مسکن بر اساس رویکرد جنگل تصادفی: ارزیابی انبوه املاک مسکونی در کره جنوبی. بین المللی جی. استراتژی. پروپ. ۲۰۲۰ ، ۲۴ ، ۱۴۰-۱۵۲٫ [ Google Scholar ] [ CrossRef ]
چویالکوفسکی، سی. Zydroń، A. ویژگی های اجتماعی-اقتصادی و فضایی پارک ملی Wielkopolski: کاربرد روش قیمت گذاری لذت بخش. پایداری ۲۰۲۱ ، ۱۳ ، ۵۰۰۱٫ [ Google Scholar ] [ CrossRef ]
ماتور، اس. تأثیر ایستگاه های حمل و نقل بر قیمت مسکن در کل طیف قیمت: یک رویکرد رگرسیون چندکی. خط مشی استفاده از زمین ۲۰۲۰ , ۹۹ , ۱۰۴۸۲۸٫ [ Google Scholar ] [ CrossRef ]
تروجانک، آر. تاناس، ج. رسلاناس، س. Banaitis، A. تاثیر صدای هواپیما بر قیمت مسکن در پوزنان. پایداری ۲۰۱۷ ، ۹ ، ۲۰۸۸٫ [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
پارک، جی اچ. لی، DK; پارک، سی. کیم، اچ جی; یونگ، تی. دسترسی کیم، اس. پارک بر قیمت مسکن در سئول تأثیر می گذارد. پایداری ۲۰۱۷ ، ۹ ، ۱۸۵٫ [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
کیسیالا، دبلیو. راکا، اول. تحلیل فضایی و آماری فقر شهری برای توسعه پایدار شهر. Sustainability ۲۰۲۱ , ۱۳ , ۸۵۸٫ [ Google Scholar ] [ CrossRef ]
ناکامورا، اس. Avner, P. توزیع فضایی دسترسی به شغل، اجاره مسکن و فقر: مورد نایروبی. جی. هاوس. اقتصاد ۲۰۲۱ ، ۵۱ ، ۱۰۱۷۴۳٫ [ Google Scholar ] [ CrossRef ]
علام، ح. بلیمل، ام. اسپیتری، ال. بلوستاین، جی. علی حسن، ح. بکارگیری مفهوم لذت‌گرایانه چند بعدی انگیزش درونی بر ابزارهای برچسب‌گذاری اجتماعی: یک مدل نظری و اعتبار تجربی. بین المللی J. Inf. مدیریت ۲۰۱۹ ، ۴۵ ، ۲۱۱-۲۲۲٫ [ Google Scholar ] [ CrossRef ]
فقیر، PJ; Pessagno، KL; پل، RW بررسی ارزش لذت‌گرایانه کیفیت آب محیطی: مطالعه مبتنی بر حوضه آبخیز محلی. Ecol. اقتصاد ۲۰۰۷ ، ۶۰ ، ۷۹۷-۸۰۶٫ [ Google Scholar ] [ CrossRef ]
مور، ام آر. دوبک، جی پی؛ خو، اچ. Cardinale، BJ Hedonic قیمت برآورد کیفیت آب دریاچه: ویژگی ارزشی، متغیرهای ابزاری، و مزایای اکولوژیکی-اقتصادی. Ecol. اقتصاد ۲۰۲۰ , ۱۷۶ , ۱۰۶۶۹۲٫ [ Google Scholar ] [ CrossRef ]
ربلو، جی. لورنسو-گومز، ال. گونسالوز، تی. کالداس، جی. تحلیل قیمت لذت‌بخش برای بازار شراب پرتغالی: آیا کانال توزیع اهمیت دارد؟ J. Appl. اقتصاد ۲۰۱۹ ، ۲۲ ، ۴۰-۵۹٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
فدرکه، جی دبلیو. لی، کی. هنر در آفریقا: تجزیه و تحلیل قیمت لذت بخش از بازار حراج هنرهای زیبا آفریقای جنوبی، ۲۰۰۹-۲۰۱۴٫ اقتصاد مدل. ۲۰۲۰ ، ۸۴ ، ۸۸-۱۰۱٫ [ Google Scholar ] [ CrossRef ]
وانگ، اف. ژنگ، ایکس. تحلیل عملکرد سرمایه‌گذاری در نقاشی‌های رنگ روغن چینی بر اساس مدل رگرسیون لذت‌گرای شاخص قیمت. امور مالی چین کشیش بین المللی ۲۰۱۷ ، ۷ ، ۳۲۳-۳۴۲٫ [ Google Scholar ] [ CrossRef ]
چن، اچ. او، ز. هونگ، دبلیو. لیو، جی. ارزیابی قیمت کنده و شاخص قیمت جنگل‌های چوب صنوبر چینی در جنوب چین با استفاده از مدل قیمت لذت‌بخش. Forests ۲۰۲۰ , ۱۱ , ۴۳۶٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
کولول، پی اف. دیلمور، جی. اولین کسی که بود؟ بررسی یک مطالعه لذت‌گرای اولیه. اقتصاد زمین ۱۹۹۹ ، ۷۵ ، ۶۲۰-۶۲۶٫ [ Google Scholar ] [ CrossRef ]
Coulson, E. Monograph on Hedonic Estimation and Housing Markets ; دانشگاه ایالتی پن: کالج ایالتی، PA، ایالات متحده آمریکا، ۲۰۰۸٫ [ Google Scholar ]
لنکستر، کی جی رویکردی جدید به نظریه مصرف کننده. ج. اقتصاد سیاسی. ۱۹۶۶ , ۷۴ , ۱۳۲٫ [ Google Scholar ] [ CrossRef ]
روزن، اس. قیمت لذت و بازارهای ضمنی: تمایز محصول در رقابت خالص. ج. اقتصاد سیاسی. ۱۹۷۴ ، ۸۲ ، ۳۴-۵۵٫ [ Google Scholar ] [ CrossRef ]
Maclennan, D. برخی از افکار در مورد ماهیت و هدف از مطالعات قیمت خانه. مطالعه شهری. ۱۹۷۷ ، ۱۴ ، ۵۹-۷۱٫ [ Google Scholar ] [ CrossRef ]
تروجانک، آر. گلوساک، م. تاناس، ج. تأثیر فضاهای سبز شهری بر قیمت خانه در ورشو. بین المللی جی. استراتژی. پروپ. ۲۰۱۸ ، ۲۲ ، ۳۵۸-۳۷۱٫ [ Google Scholar ] [ CrossRef ]
Trojanek, R. تأثیر صدای هواپیما بر ارزش خانه ها – مورد فرودگاه شوپن ورشو در لهستان. J. Int. گل میخ. ۲۰۱۴ ، ۷ ، ۱۵۵-۱۶۱٫ [ Google Scholar ] [ CrossRef ] [ PubMed ]
زیگمونت، آر. Gluszak، M. تأثیر مجاورت جنگل بر ارزش های زمین توسعه نیافته: یک مطالعه لذت جوی فضایی. برای. سیاست اقتصاد. ۲۰۱۵ ، ۵۰ ، ۸۲-۸۹٫ [ Google Scholar ] [ CrossRef ]
تومال، ام. مدل سازی اجاره مسکن با استفاده از رگرسیون وزنی جغرافیایی خودرگرسیون فضایی: مطالعه موردی در کراکوف، لهستان. ISPRS Int. J. Geo-Inf. ۲۰۲۰ ، ۹ ، ۳۴۶٫ [ Google Scholar ] [ CrossRef ]
تروجانک، آر. تاناس، ج. Trojanek, M. تأثیر حق انتفاع دائمی بر قیمت خانه های تک خانواده در پوزنان. J. Int. گل میخ. ۲۰۱۹ ، ۱۲ ، ۲۱۲-۲۲۱٫ [ Google Scholar ] [ CrossRef ] [ PubMed ]
Trojanek, R. تاثیر مناطق سبز بر قیمت مسکن: مورد شهر پوزنان. انترپ اتوبوس. اقتصاد Rev. ۲۰۱۶ , ۴ , ۲۷-۳۵٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
ژانگ، بی. لی، دبلیو. لونز، ن. ژانگ، سی. برآورد اثرات نزدیکی به حمل و نقل عمومی بر ارزش‌های املاک مسکونی: یک تحلیل تجربی برای مناطق هارتفورد و استمفورد، کانکتیکات. ISPRS Int. J. Geo-Inf. ۲۰۲۱ ، ۱۰ ، ۴۴٫ [ Google Scholar ] [ CrossRef ]
Ransom، MR اثر خدمات حمل و نقل ریلی سبک بر ارزش اموال مجاور: شواهد شبه تجربی از سیاتل. J. Transp. کاربری زمین ۲۰۱۸ ، ۱۱ ، ۳۸۷-۴۰۴٫ [ Google Scholar ] [ CrossRef ]
ژونگ، اچ. لی، دبلیو. سرمایه گذاری ترانزیت ریلی و ارزش ملک: داستان قدیمی بازگو شده. ترانسپ سیاست ۲۰۱۶ ، ۵۱ ، ۳۳-۴۸٫ [ Google Scholar ] [ CrossRef ]
پیلگرام، کالیفرنیا؛ حق بیمه محو شدن غرب، جنوب شرقی: تأثیر راه آهن سبک بر ارزش املاک مسکونی در مینیاپولیس، مینه سوتا. Reg. علمی اقتصاد شهری ۲۰۱۸ ، ۶۹ ، ۱-۱۰٫ [ Google Scholar ] [ CrossRef ]
گالو، ام. تأثیر سیستم‌های حمل‌ونقل شهری بر ارزش‌های دارایی: مدل و برخی شواهد از شهر ناپل. J. Adv. ترانسپ ۲۰۱۸ ، ۲۰۱۸ ، ۱۷۶۷۱۴۹٫ [ Google Scholar ] [ CrossRef ]
مارتینز، ال.ام. Viegas، JM اثرات دسترسی به حمل و نقل بر ارزش های املاک مسکونی: مدل قیمت لذت بخش در لیسبون، پرتغال، منطقه شهری. ترانسپ Res. ضبط ۲۰۰۹ ، ۲۱۱۵ ، ۱۲۷-۱۳۷٫ [ Google Scholar ] [ CrossRef ]
Li، Z. تاثیر دسترسی مترو بر ارزش املاک مسکونی: یک تحلیل تجربی. Res. ترانسپ اقتصاد ۲۰۱۸ ، ۷۰ ، ۵۲-۵۶٫ [ Google Scholar ] [ CrossRef ]
سرورو، آر. اثرات حمل و نقل سریع اتوبوس Kang، CD بر کاربری ها و ارزش زمین در سئول، کره. ترانسپ سیاست ۲۰۱۱ ، ۱۸ ، ۱۰۲-۱۱۶٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
ما، ال. بله، آر. Titherridge، H. اثرات سرمایه گذاری ترانزیت ریلی و حمل و نقل سریع اتوبوس بر ارزش املاک مسکونی در یک اقتصاد رو به رشد: شواهدی از پکن. ترانسپ Res. ضبط ۲۰۱۴ ، ۲۴۵۱ ، ۱۳۹-۱۴۸٫ [ Google Scholar ] [ CrossRef ]
اسکوبدو، اف جی. آدامز، دی سی؛ Timilsina، N. اثرات ساختار جنگل شهری بر ارزش دارایی. اکوسیستم. خدمت ۲۰۱۵ ، ۱۲ ، ۲۰۹-۲۱۷٫ [ Google Scholar ] [ CrossRef ]
ون، اچ. شیائو، ی. Zhang، L. اثر فضایی چشم انداز رودخانه بر قیمت مسکن: یک مطالعه تجربی در کانال بزرگ در هانگژو، چین. Habitat Int. ۲۰۱۷ ، ۶۳ ، ۳۴-۴۴٫ [ Google Scholar ] [ CrossRef ]
رهادی، ره. Wiryono، SK; Koesrindartoto، DP; ویژگی های Syamwil، IB بر ارزش و قیمت محصول مسکن در منطقه شهری جاکارتا تأثیر می گذارد. Procedia-Soc. رفتار علمی ۲۰۱۳ ، ۱۰۱ ، ۳۶۸-۳۷۸٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
Aluko، O. اثرات مکان و ویژگی های محله بر ارزش مسکن در کلانشهر لاگوس. اتیوپ جی. محیط زیست. گل میخ. مدیریت ۲۰۱۱ ، ۴ ، ۶۹-۸۲٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
دامز، MN; Sijtsma، FJ; Van der Vlist، AJ اثر فضای طبیعی بر قیمت املاک مجاور: حسابداری برای جذابیت درک شده. اقتصاد زمین ۲۰۱۶ ، ۹۲ ، ۳۸۹-۴۱۰٫ [ Google Scholar ] [ CrossRef ]
چه، م. کلیبردا، م. لیسک، ا. باجات، ب. برآورد عملکرد جنگل تصادفی در مقابل رگرسیون چندگانه برای پیش‌بینی قیمت آپارتمان‌ها. ISPRS Int. J. Geo-Inf. ۲۰۱۸ ، ۷ ، ۱۶۸٫ [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
لیو، تی. هو، دبلیو. آهنگ، ی. ژانگ، آ. بررسی اثرات سرریز زمین‌های زیست‌محیطی: مدل قیمت لذت‌گرایانه فضایی چندسطحی بازار مسکن در ووهان، چین. Ecol. اقتصاد ۲۰۲۰ , ۱۷۰ , ۱۰۶۵۶۸٫ [ Google Scholar ] [ CrossRef ]
وو، اچ. جیائو، اچ. یو، ی. لی، ز. پنگ، ز. لیو، ال. Zeng, Z. عوامل تأثیرگذار و مدل رگرسیونی قیمت مسکن شهری بر اساس داده‌های دسترسی باز اینترنت. پایداری ۲۰۱۸ ، ۱۰ ، ۱۶۷۶٫ [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
Ko، HJ; یون، کیلوبایت؛ شیم، وای جی؛ Hwang، HY تاثیر یک پارک بومگردی بر قیمت واحد آپارتمان مجاور با استفاده از مدل لذت‌بخش. جی کره ای هاوس. دانشیار ۲۰۱۱ ، ۲۲ ، ۴۷-۵۷٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
Szczepańska، A.; سنترا، ا. Wasilewiczh، M. تأثیر نویز ترافیک بر قیمت آپارتمان در نمونه ای از تراکم شهری اروپا. پایداری ۲۰۲۰ ، ۱۲ ، ۸۰۱٫ [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
Ooi، JT; Le، TT; لی، نیوجرسی تاثیر کیفیت ساخت و ساز بر قیمت خانه. جی. هاوس. اقتصاد ۲۰۱۴ ، ۲۶ ، ۱۲۶-۱۳۸٫ [ Google Scholar ] [ CrossRef ]
مورانو، پی. تاجانی، ف. ارزیابی مالکیت برهنه. مدل قیمت لذت‌گرا در مقابل شبکه عصبی مصنوعی. بین المللی اتوبوس جی. هوشمند حداقل داده ۲۰۱۳ ، ۸ ، ۳۴۰٫ [ Google Scholar ] [ CrossRef ]
Ottensmann، JR; پیتون، اس. Man, J. مکان شهری و قیمت مسکن در یک مدل لذت‌گرا. J. Reg. مقعدی سیاست ۲۰۰۸ , ۳۸ . [ Google Scholar ] [ CrossRef ]
Tomal, M. تاثیر عوامل کلان بر قیمت آپارتمان در شهرستان های لهستان: یک رویکرد رگرسیون فضایی چند مرحله ای. مدیریت املاک. ارزش گذاری ۲۰۱۹ ، ۲۷ ، ۱-۱۴٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
زنکانلا، پ. برتولدی، پ. Boza-Kiss، B. بهره وری انرژی، ارزش ساختمان ها و ریسک پیش فرض پرداخت . دفتر انتشارات اتحادیه اروپا: لوکزامبورگ، ۲۰۱۸٫ [ Google Scholar ]
جاسینسکا، ای. Preweda، E. مدل‌سازی آماری ارزش بازار مسکن، در نمونه شهر کراکوف. Sustainability ۲۰۲۱ , ۱۳ , ۹۳۳۹٫ [ Google Scholar ] [ CrossRef ]
ساح، وی. کانروی، اس جی. ناروولد، الف. برآورد اثرات مجاورت مدرسه بر قیمت مسکن: اهمیت کنترل‌های فضایی قوی در برآورد لذت‌گرا. جی. امور مالی املاک و مستغلات. اقتصاد ۲۰۱۶ ، ۵۳ ، ۵۰-۷۶٫ [ Google Scholar ] [ CrossRef ]
کوردرا، آر. کاپولا، پی. دل اولیو، ال. ایبیاس، Á. تأثیر دسترسی به وسیله حمل و نقل عمومی بر ارزش املاک: مقایسه ای بین شهرهای رم و سانتاندر ترانسپ Res. بخش A سیاست سیاست. ۲۰۱۹ ، ۱۲۵ ، ۳۰۸-۳۱۹٫ [ Google Scholar ] [ CrossRef ]
هیمن، AV; قانون، اس. Berghauser Pont, M. موقعیت مکانی در ارزش گذاری مسکن چگونه اندازه گیری می شود؟ بررسی سیستماتیک مشخصات دسترسی در مدل‌های قیمت لذت‌بخش. علوم شهری ۲۰۱۹ ، ۳ ، ۳٫ [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
سیکورسکا، دی. Łaszkiewicz، E. کراوزه، ک. Sikorski, P. نقش فضاهای سبز غیررسمی در کاهش نابرابری در دسترسی به فضای سبز شهری برای کودکان و سالمندان. محیط زیست علمی سیاست ۲۰۲۰ ، ۱۰۸ ، ۱۴۴-۱۵۴٫ [ Google Scholar ] [ CrossRef ]
Kopsch, F. هزینه صدای هواپیما-آیا با سر و صدای جاده تفاوت دارد؟ یک متاآنالیز J. Air Transp. مدیریت ۲۰۱۶ ، ۵۷ ، ۱۳۸-۱۴۲٫ [ Google Scholar ] [ CrossRef ]
ویتوفسکی، دی. هوکولد، جی. ولش، جی. اشتایر، ام. قیمت مسکن مسکونی: تأثیر ویژگی‌های مسکن، دسترسی و آپارتمان‌های همسایه – مطالعه موردی دورتموند، آلمان. طرح شهری. ترانسپ Res. ۲۰۲۰ ، ۸ ، ۴۴-۷۰٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
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 ]
Łaszkiewicz، E. چمبروفسکی، پ. کروننبرگ، جی. آیا نزدیکی به فضاهای سبز شهری یک امر تجملی محسوب می شود؟ طبقه‌بندی کالای غیرقابل تجارت با استفاده از روش قیمت‌گذاری لذت‌گرا. Ecol. اقتصاد ۲۰۱۹ ، ۱۶۱ ، ۲۳۷-۲۴۷٫ [ Google Scholar ] [ CrossRef ]
پیرسون، LJ; تیسدل، سی. Lisle، AT تأثیر پارک ملی نوسا بر ارزش اموال اطراف: کاربرد روش قیمت لذت‌بخش. اقتصاد مقعدی سیاست ۲۰۰۲ ، ۳۲ ، ۱۵۵-۱۷۱٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
شیائو، ی. هوی، EC؛ ون، اچ. اثرات سطح کف و مجاورت چشم‌انداز بر قیمت مسکن: تحلیل لذت‌گرایانه در هانگژو، چین. Habitat Int. ۲۰۱۹ ، ۸۷ ، ۱۱-۲۶٫ [ Google Scholar ] [ CrossRef ]
چن، جی. هائو، کیو. یون، سی. اندازه گیری هزینه رفاهی آلودگی هوا در شانگهای: شواهدی از بازار مسکن. جی. محیط زیست. طرح. مدیریت ۲۰۱۸ ، ۶۱ ، ۱۷۴۴-۱۷۵۷٫ [ Google Scholar ] [ CrossRef ]
مونرو، ک. Tolley, G. ارزش دارایی و نرخ مالیات نزدیک به ذخیره سازی سوخت هسته ای مصرف شده. سیاست انرژی ۲۰۱۸ ، ۱۲۳ ، ۴۳۳-۴۴۲٫ [ Google Scholar ] [ CrossRef ]
لای، CF اثرات ساختار جمعیتی و سیاست های مالیاتی بر قیمت املاک و مستغلات. Appl. اقتصاد مالی ۲۰۱۶ ، ۳ ، ۸۸-۹۶٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
دینگ، دبلیو. ژنگ، اس. Guo, X. ارزش دسترسی به مشاغل و امکانات رفاهی: شواهدی از املاک مسکونی جدید در پکن. Tsinghua Sci. تکنولوژی ۲۰۱۰ ، ۱۵ ، ۵۹۵-۶۰۳٫ [ Google Scholar ] [ CrossRef ]
Perdomo، JA یک پیشنهاد روش شناختی برای برآورد تغییرات در ارزش ملک مسکونی: مطالعه موردی توسعه یافته در بوگوتا. Appl. اقتصاد Lett. ۲۰۱۱ ، ۱۸ ، ۱۵۷۷-۱۵۸۱٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
Feng، Z. درآمد خانوار، محل دارایی و ارزش املاک: شواهدی از REITs. مکان یابی دارایی. ارزش املاک Evid. REITs ۲۰۲۱ . [ Google Scholar ] [ CrossRef ]
Md، A.; شیخ، اچ. اندازه گیری مقرون به صرفه بودن گروه درآمد متوسط برای قیمت خانه های مسکونی در بخش املاک و مستغلات راجشاهی، بنگلادش. صبح. آکادمی علمی Res. J. Eng. تکنولوژی علمی ۲۰۲۱ ، ۸۲ ، ۱-۱۰٫ [ Google Scholar ]
حسین، ت. عباس، ج. وی، ز. نورونبی، م. تأثیر برنامه ریزی شهری پایدار و نابسامانی زاغه بر ارزش املاک مسکونی مجاور: کاربرد مدل قیمت گذاری لذت در ارزیابی قیمت اجاره. پایداری ۲۰۱۹ ، ۱۱ ، ۱۱۴۴٫ [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
برتولاکچینی، ک. لونز، NE; Mamun، SA اندازه گیری و نقشه برداری فرصت ترانزیت: گسترش و کاربرد شاخص فرصت ترانزیت. J. Transp. Geogr. ۲۰۱۸ ، ۷۱ ، ۱۵۰-۱۶۰٫ [ Google Scholar ] [ CrossRef ]
مامون، SA; لونز، NE; Osleeb، JP; برتولاکچینی، ک. روشی برای تعریف فضای فرصت حمل و نقل عمومی. J. Transp. Geogr. ۲۰۱۳ ، ۲۸ ، ۱۴۴-۱۵۴٫ [ Google Scholar ] [ CrossRef ]