شبیه سازی ناهمگونی فضایی قیمت مسکن در ووهان، چین، با استفاده از رگرسیون دارای وزن جغرافیایی منطقه ای

رگرسیون وزن‌دار جغرافیایی (GWR) روشی مؤثر برای تشخیص ویژگی‌های غیر ساکن فضایی بر اساس فرضیه همبستگی مجاورت است. در واقع، به‌ویژه در زمینه‌های اجتماعی و اقتصادی، اشیاء پژوهشی نه تنها دارای ویژگی‌های غیر ثابت فضایی هستند، بلکه دارای ویژگی‌های ناهمگونی گسسته فضایی هستند. بنابراین، چگونگی بهبود دقت تخمین GWR در این مورد ارزش مطالعه دارد. در این مقاله، یک رگرسیون با وزن جغرافیایی منطقه ای (RGWR) پیشنهاد شده است. با استفاده از متغیرهای ساختگی ورودی، تبعیض منطقه‌بندی به تابع هسته فضایی GWR اضافه می‌شود، تابع هسته فضایی اصلاح می‌شود، وزن فضایی بهینه می‌شود و تأثیر نقاط مشاهده “نزدیک ناهمگن” کاهش می‌یابد. در این صفحه، قیمت فروش مسکونی در شهر ووهان در تجزیه و تحلیل سه جنبه به عنوان مثال در نظر گرفته شده است: عملکرد مدل، اثر برازش و عوامل تأثیرگذار. نتایج نشان می دهد که معرفی متغیرهای ساختگی منطقه بندی می تواند به طور قابل توجهی دقت مدل پهنای باند ثابت و پهنای باند تطبیقی را بهبود بخشد. تحت یک پهنای باند ثابت، در مقایسه با مدل GWR، RGWR R را افزایش می دهد^۲ و R ^۲ به ترتیب از ۰٫۶۷۷۶ و ۰٫۶۷۳۲ به ۰٫۷۷۷ و ۰٫۷۷۴۶ و معیار اطلاعات Akaike تصحیح شده (AICc) 37.4006 در مقایسه با GWR کاهش می یابد که اثربخشی روش را اثبات می کند.

کلید واژه ها:

رگرسیون وزنی جغرافیایی ; رگرسیون با وزن جغرافیایی منطقه ای ; ناهمگونی گسسته فضایی

۱٫ مقدمه

در مطالعات اولیه رگرسیون فضایی، مدل‌ها در سطح جهانی، که در آن روابط داده‌ها در کل منطقه مورد مطالعه ثابت بود، استفاده شد. با این حال، این فرضیه پایداری فضایی معمولاً برای فضاهای غیر ثابت نامعتبر است، که عموماً به صورت تغییرپذیری فضایی کنترل نشده ظاهر می شود [ ۱ ]. برای توضیح این ناهمگونی فضایی، آمار فضایی از تطبیق جهانی به یک مدل محلی تغییر کرد و بسیاری از تکنیک‌های رگرسیون محلی پیشنهاد شد. کازتی روش بسط را پیشنهاد کرد [ ۲ ]، جون مدل های چند سطحی [ ۳ ]، مک میلن و مک دونالد رگرسیون خطی محلی ناپارامتریک [ ۴ ، ۵ ]، الهورست مدل داده های تابلویی [ ۶ ] را پیشنهاد کرد.]، و Brunsdon و Fotheringham رگرسیون وزنی جغرافیایی (GWR) را پیشنهاد کردند [ ۷ ، ۸ ، ۹ ]. GWR بر اساس قانون اول معروف جغرافیایی توبلر ساخته شده است، که “همه چیز به هر چیز دیگری مربوط است، اما چیزهای نزدیک بیشتر از چیزهای دور مرتبط هستند” [ ۱۰ ]، که به طور موثر عدم ایستایی فضایی را حل می کند و ناهمگنی فضایی را تشخیص می دهد. بسیاری از مطالعات بر گسترش GWR برای تشخیص بهتر ناهمگونی فضایی متمرکز شده‌اند. لو متریک فاصله غیراقلیدسی را برای راه حل مدل GWR اعمال کرد [ ۱۱ ، ۱۲ ]، Anselin L GWR هتروسکداستیکی [ ۱۳ ]، هریس P GWR قوی [ ۱۴ ] را پیشنهاد کرد.وانگ N GWR مبتنی بر تخمین خطی محلی [ ۱۵ ] و ژائو GWR بر اساس یادگیری نیمه نظارت شده [ ۱۶ ] را پیشنهاد کرد. این مطالعات جنبه های مختلف دقت حل مدل و سناریوهایی مانند متریک فاصله انعطاف پذیر، انطباق با هتروسکداستیکی، نقاط پرت، کوواریانس و یادگیری نیمه نظارت را بهبود می بخشد. آنها همچنین تشخیص ویژگی های ناهمگن روابط فضایی را به دلیل توزیع نامنظم آنها در فضای جغرافیایی آسان تر می کنند [ ۱۷ ].

ناهمگونی فضایی یکی از ویژگی‌های مهم در پدیده‌های جغرافیایی است و باید هنگام مدل‌سازی کمی رابطه بین یک متغیر پاسخ و متغیرهای توضیحی در تجزیه و تحلیل داده‌های مکانی مورد توجه قرار گیرد [ ۱۸ ]. مشخصات ناهمگونی فضایی را می توان به ناهمگنی پیوسته و ناهمگنی گسسته طبقه بندی کرد [ ۱۹ ]. اولی مشخص می کند که چگونه ضرایب رگرسیون در فضا تغییر می کند، یا به دنبال یک فرم عملکردی از پیش تعیین شده، یا همانطور که توسط داده ها از طریق یک فرآیند تخمین محلی تعیین می شود [ ۲۰ ]]. دومی شامل مجموعه ای از پیش تعیین شده از واحدهای فضایی متمایز یا مناطق فضایی، مانند واحدهای اداری، تفاوت در تراکم جمعیت در مناطق مختلف، اقلیم یا مناطق اکولوژیکی، و توزیع انواع خاک، کاربری اراضی و پوشش زمین است [ ۲۱ ]. ، ۲۲ ]. ضرایب مدل و سایر پارامترها نیز مجاز به تغییر در بین مناطق هستند. GWR یک پارادایم اصلی برای مدل‌سازی فضایی برای آشکار کردن ناهمگنی پیوسته فضایی است. مدل‌های GWR موجود می‌توانند ناهمگنی پیوسته فضایی را تا حدی در کاربردهای عملی با استفاده از بهینه‌سازی پهنای باند شناسایی کنند، اما نمی‌توانند ناهمگنی گسسته را حل کنند [ ۲۳ ].

در حل مشکل ناهمگونی گسسته فضایی، تحقیقات موجود در زمینه تحلیل فضایی، کاوش هایی را انجام داده است. ریچ هریس اشاره کرد که دو نقطه می توانند از نظر جغرافیایی نزدیک اما از نظر اجتماعی دور باشند زیرا بافت ها (یا محله هایی) که در آن قرار دارند مشابه نیستند [ ۲۴ ].]. این کمی شبیه به ناهمگونی گسسته فضایی است. آنها یک GWR (CGWR) را با ترکیب اطلاعات متنی در ماتریس وزن‌های GWR پیشنهاد کردند. با این حال، نرخ فروپاشی فاصله فضایی ممکن است با متغیرهای زمینه ناسازگار باشد و مناطق فضایی در نظر گرفته نمی شوند. در تحلیل رگرسیون اولیه، به منظور تشخیص ناهمگونی گسسته فضایی، محققان از رگرسیون زیرمنطقه ای استفاده کردند که منطقه تحقیقاتی را با توجه به شاخص های خاصی به چندین منطقه مختلف تقسیم کرد و سپس یک مدل رگرسیون را در هر منطقه ایجاد کرد [ ۲۵ ]. برخی از محققان از متغیرهای ساختگی برای نشان دادن مناطق استفاده کردند و به مناطق مختلف مقادیر متغیر ساختگی متفاوتی داده می شود [ ۲۶ ، ۲۷ ]]. اینها به طور موثر تفاوت بین مناطق را منعکس می کنند، در حالی که یک رگرسیون جهانی در همان منطقه هنوز قادر به تشخیص ویژگی های فضایی غیر ثابت نیست.

مدل قیمت لذت‌گرا (HPM) یک رویکرد پرکاربرد برای مطالعه قیمت مسکن است [ ۲۸ ، ۲۹ ]. این یک رابطه کمی بین ویژگی ها و قیمت مسکن برقرار می کند. چنین مدل‌هایی خانه‌ها را به‌عنوان یک کالای ترکیبی در نظر می‌گیرند که از ویژگی‌های ساختاری، ویژگی‌های محله، سن ساخت و سایر ویژگی‌ها تشکیل شده است. ویژگی های ساختاری عملکردهای اساسی یک خانه را تعیین می کنند و تأثیر زیادی بر قیمت آن دارند. مساحت مسکن، سن، تعداد اتاق خواب، نسبت قطعه مسکونی، نسبت سرسبزی مسکونی و سایر عوامل به عنوان ویژگی های ساختاری در نظر گرفته می شوند [ ۳۰ ، ۳۱ ].]. ویژگی‌های همسایگی نشان‌دهنده دسترسی به امکانات رفاهی و وضعیت اجتماعی-اقتصادی جوامع است. تأثیر سوپرمارکت‌ها، مراکز خرید، مدارس ابتدایی و ایستگاه‌های اتوبوس کمک زیادی به توضیح قیمت مسکن می‌کنند [ ۳۲ ، ۳۳ ]. با این حال، ماهیت HPM در کل فضا سازگار است. از آنجایی که GWR و رگرسیون وزنی جغرافیایی و زمانی (GTWR) برای تحقیقات املاک استفاده شد، ماهیت غیر ثابت قیمت مسکن به طور گسترده آشکار شده است [ ۹ ، ۳۴ ]. تعداد فزاینده ای از مطالعات ماهیت غیر ثابت قیمت مسکن را از دیدگاه های مختلف بررسی کرده اند [ ۳۵ ، ۳۶ ، ۳۷ ، ۳۸]. در واقع قیمت مسکن نه تنها دارای ویژگی‌های غیر ثابت فضایی، بلکه ناهمگونی گسسته فضایی نیز می‌باشد. به عنوان مثال، در چارچوب سیاست “ثبت نام در نزدیکی” آموزش اجباری در چین، ثبت نام در مدارس ابتدایی و متوسطه کاملاً مطابق با منطقه مدرسه ای است که محل اقامت ثبت شده کودک در آن واقع شده است. از این رو، بسیاری از والدین مایل به پرداخت قیمت های بالای مسکن برای مدارس خوب هستند، در نتیجه منجر به افزایش قیمت “مسکن منطقه مدرسه” در حال حاضر می شود [ ۳۹ ]]. این پدیده نه تنها در چین، بلکه در سایر کشورها و مناطق نیز وجود دارد. بر اساس داده‌های وزارت آموزش بریتانیا، میانگین قیمت مسکن منطقه‌ای مدارس بیش از ۱۸۶۰۰ پوند بالاتر از مسکن غیر مدرسه‌ای در کل انگلستان است. متوسط قیمت خانه در کل انگلستان در سال ۲۰۱۶، ۲۳۳۰۰۰ پوند بود. قیمت خانه در نزدیکی ۱۰% مدارس ابتدایی با بهترین عملکرد ۸٫۰% بالاتر از قیمت در منطقه اطراف است. در نزدیکی ۱۰ درصد مدارس متوسطه غیرانتخابی با بهترین عملکرد، قیمت خانه ۶٫۸ درصد بالاتر است [ ۴۰ ]]. بنابراین ناهمگونی گسسته فضایی در حوزه قیمت مسکن وجود گسترده ای دارد. اگرچه ویژگی فضایی قیمت مسکن به طور کلی هنگام ساخت یک مدل قیمت لذت‌گرا در نظر گرفته می‌شود، مطالعات کمی به طور همزمان ویژگی‌های فضایی غیر ثابت و ناهمگنی گسسته فضایی را در عمق مورد بررسی قرار داده‌اند.

هدف این مقاله بسط مدل سنتی GWR برای تشخیص همزمان ویژگی‌های غیر ثابت فضایی و ناهمگونی گسسته فضایی در قیمت مسکن است. این مطالعه به دنبال کمک به ادبیات موضوع از سه طریق زیر است. اول، ما رگرسیون با وزن جغرافیایی منطقه ای (RGWR) را پیشنهاد می کنیم، که از متغیرهای ساختگی برای منعکس کردن تفاوت های منطقه ای استفاده می کند. دوم، جریان الگوریتم و مراحل تخمین RGWR نشان داده شده است. سوم، ما GWR و RGWR را برای مدل‌سازی قیمت مسکن با استفاده از مطالعه موردی در شهر ووهان چین بررسی و مقایسه می‌کنیم.

این مقاله به صورت زیر سازماندهی شده است: روش های RGWR در بخش ۲ مشتق شده اند . در بخش ۳ ، آزمایشی را برای ارزیابی عملکرد روش پیشنهادی و مقایسه تجربی با GWR پایه انجام می‌دهیم. در نهایت، بحث و نتیجه گیری مقاله گزارش شده است.

۲٫ مواد و روشها

۲٫۱٫ رگرسیون وزن جغرافیایی

رگرسیون وزن جغرافیایی بسط رگرسیون خطی معمولی است. برای کاوش ویژگی‌های غیر ثابت فضایی، تعبیه موقعیت جغرافیایی در پارامترهای رگرسیون، و اجازه دادن به هر نقطه مجزا در یک مکان متفاوت برای تخمین پارامترهای رگرسیون [ ۹ ] استفاده می‌شود. مدل را می توان به صورت زیر بیان کرد:

(۱)

جایی که مختصات نقطه نمونه گیری i- ام است و پارامتر رگرسیون k- امین در نقطه نمونه برداری i است. هنگام تخمین پارامترهای رگرسیون نقطه نمونه i ، اهمیت مشاهدات در نقاط مشاهده مختلف یکسان نیست. هر چه نقطه مشاهده به نقطه i نزدیکتر باشد ، اهمیت بالاتری دارد. هر چه نقطه مشاهده دورتر باشد، اهمیت کمتری دارد. از روش حداقل مربعات وزنی محلی، تخمین پارامتر رگرسیون استفاده کرد در نقطه i با فرمول (۲):

(۲)

ماتریس وزن فضایی هسته اصلی مدل رگرسیون وزن‌دار جغرافیایی است. یک ماتریس n * n است که با تابع کاهشی یکنواخت فاصله جغرافیایی محاسبه می شود. بین نقطه رگرسیون i و سایر نقاط مشاهده j . عناصر روی خط خارج از قطر ماتریس صفر هستند و عناصر روی خط مورب وزن جغرافیایی بین نقطه رگرسیون i و نقطه مشاهده j را نشان می دهند ، یعنی: .

انتخاب تابع هسته فضایی برای تخمین صحیح پارامترها در GWR اهمیت زیادی دارد. تابع هسته فضایی کلی دو نوع است: تابع هسته ثابت و تابع هسته تطبیقی. برای هسته ثابت، فاصله ثابت است، اما تعداد نزدیکترین همسایگان متفاوت است. برای هسته تطبیقی، فاصله متفاوت است اما تعداد همسایگان ثابت می ماند [ ۳۴ ]. رایج ترین هسته یک تابع مبتنی بر واپاشی فاصله گاوسی است. شکل عملکرد آن به شرح زیر است:

(۳)

جایی که b پهنای باند نامیده می شود که یک پارامتر تضعیف غیر منفی است که با رویکرد اعتبارسنجی متقابل (CV) محاسبه می شود [ ۹ ]. هرچه پهنای باند بزرگتر باشد، وزن با افزایش فاصله کندتر کاهش می یابد و هر چه پهنای باند کمتر باشد، با افزایش فاصله، وزن سریعتر کاهش می یابد.

۲٫۲٫ رگرسیون وزنی منطقه ای و جغرافیایی

RGWR بسط GWR است که برای کشف ناهمگنی فضایی غیر ثابت و گسسته فضایی با افزودن متغیرهای ساختگی منطقه ای به GWR استفاده می شود که موقعیت جغرافیایی را در پارامترهای رگرسیون جاسازی می کند و به هر نقطه مجزا اجازه می دهد مقادیر متفاوتی برای تخمین پارامترهای رگرسیون داشته باشد. عوامل منطقه ای برای هر نقطه رگرسیون مدل را می توان به صورت زیر بیان کرد:

(۴)

جایی که مختصات نقطه نمونه گیری i- ام است و پارامتر رگرسیون k- امین نقطه نمونه‌برداری من است. در تخمین پارامترهای رگرسیون نقطه نمونه i ، عوامل منطقه ای بر اساس GWR اضافه می شوند “هر چه نقطه مشاهده به نقطه i نزدیکتر باشد ، اهمیت بالاتری دارد و بالعکس [ ۹ ]”، به طوری که وقتی نقطه مشاهده خارج از محدوده منطقه ای است، نقطه در رگرسیون شرکت نمی کند. با استفاده از روش حداقل مربعات وزنی محلی، پارامتر رگرسیون برآورد می شود در نقطه i با معادله (۵) به دست می آید:

(۵)

وزن جغرافیایی بین نقطه رگرسیون i و نقطه مشاهده j است . تابع هسته فضایی RGWR است و راه حل تابع هسته فضایی RGWR شامل انتخاب پهنای باند RGWR است.

۲٫۲٫۱٫ محاسبه تابع هسته فضایی

GWR در اصل یک رگرسیون جزئی است، یعنی از نقاط مشاهده ای در پهنای باند نقطه رگرسیون برای تخمین مقدار نقطه رگرسیون استفاده می کند. وزن فضایی به طور موثر درجه تأثیر نقطه مشاهده بر نقطه رگرسیون را با تغییر فاصله توصیف می کند. گاهی اوقات، توزیع نقاط مشاهده در منطقه مورد مطالعه یکنواخت نیست. برای اطمینان از اینکه تعداد معینی از نقاط مشاهده در برازش در طول تخمین هر نقطه رگرسیون شرکت می کنند، فوترینگهام یک پهنای باند هسته ای ثابت و یک استراتژی پهنای باند تطبیقی را پیشنهاد کرد [ ۹ ]. در استراتژی پهنای باند ثابت، پهنای باند جهانی یک مقدار ثابت است و تعداد نقاط مشاهداتی درگیر در محاسبه زمانی که هر نقطه رگرسیون تخمین زده می شود، متفاوت است.شکل ۱ a یک نمودار شماتیک از هسته های پهنای باند ثابت را نشان می دهد. رایج ترین استراتژی پهنای باند تطبیقی، تثبیت تعداد نقاط مشاهده مجاور است. یعنی تعداد نقاط مشاهده شرکت کننده در تخمین هر نقطه رگرسیون را به عنوان یک مقدار ثابت در محدوده جهانی در نظر بگیرید، سپس پهنای باند با تغییر نقطه رگرسیون تغییر می کند. شکل ۱b یک نمودار شماتیک از هسته های پهنای باند تطبیقی را نشان می دهد. اولی برای مجموعه نمونه با توزیع فضایی نسبتا یکنواخت مناسب است و دومی برای مجموعه نمونه با توزیع فضایی ناهموار مناسب است.

استراتژی محاسبه وزن GWR عامل منطقه ای را در نظر نمی گیرد. برای توصیف بهتر نقش عوامل منطقه‌ای در محاسبه وزن‌های فضایی، فرض می‌کنیم که نقاط مشاهده واقع در یک منطقه دارای ویژگی‌های منطقه‌ای یکسان هستند و نقاط مشاهده واقع در مناطق مختلف دارای ویژگی‌های منطقه‌ای متفاوتی هستند. سپس برای برازش بهتر است از نقاط مشاهده همگن استفاده شود. بنابراین، هنگام محاسبه وزن، قضاوت انتساب منطقه معرفی می شود. یعنی زمانی که نقطه مشاهده و نقطه رگرسیون در یک منطقه هستند، نقطه مشاهده در تخمین نقطه رگرسیون شرکت می کند. هنگامی که نقطه مشاهده و نقطه رگرسیون در مناطق مختلف هستند، نقطه مشاهده در تخمین نقطه رگرسیون شرکت نمی کند.شکل ۱ c یک نمودار شماتیک از RGWR با هسته های پهنای باند ثابت را نشان می دهد. شکل ۱ d یک نمودار شماتیک از RGWR با هسته های فضایی تطبیقی را نشان می دهد.

رگرسیون وزن‌دار جغرافیایی منطقه‌ای، عامل اندازه‌گیری مناطق فضایی را به روش سنتی رگرسیون وزن‌دار جغرافیایی اضافه می‌کند. در طراحی تابع وزن، اولویت با تأثیر عوامل پهنه بندی و سپس تأثیر نقاط همسایه است. مطابق با تابع هسته گاوس و تابع هسته دو مربع، بیان تابع هسته بر اساس منطقه بندی پیشنهاد شده است.

عملکرد RGWR هسته گاوس به صورت زیر است:

(۶)

جایی که b پهنای باند است، فاصله بین نقطه i و نقطه j و است متغیر ساختگی معرفی شده است: عامل نفوذ منطقه ای. وقتی i و j در یک منطقه قرار دارند، ، که GWR سنتی است. وقتی i و j در مناطق مختلف قرار دارند، ، که به این معنی است = ۰ که RGWR است.

علاوه بر این، تابع هسته دو مربع نیز یک روش معمول محاسبه وزن برای GWR است. RGWR تابع هسته دو مربعی به صورت زیر داده می شود:

(۷)

۲٫۲٫۲٫ انتخاب پهنای باند

انتخاب پهنای باند از معیار اطلاعات Akaike، تصحیح شده (AICc) [ ۹ ] استفاده می کند. پهنای باند بهینه از طریق آزمایش‌ها انتخاب می‌شود: در هر آزمایش، یک پهنای باند انتخاب می‌شود، RGWR با استفاده از پهنای باند برازش می‌شود، و سپس معیار خوبی مانند AICc محاسبه می‌شود، که در آن AICc توسط:

(۸)

جایی که انحراف استاندارد تخمینی عبارت خطا و رد ماتریس کلاه S است. پهنای باند بهینه آن چیزی است که AICc را به حداقل می رساند.

(۹)

۲٫۲٫۳٫ فرآیند الگوریتم

جریان الگوریتمی RGWR در شکل ۲ آورده شده است. تخمین RGWR به دو بخش تقسیم می‌شود: یکی انتخاب پهنای باند بهینه و دیگری تخمین پارامتر، یعنی تخمین ضرایب رگرسیون، مقادیر برازش و معیارهای ارزیابی.

داده ها شامل متغیرهای مستقل، متغیرهای وابسته، متغیرهای مکان مکانی، پهنای باند جایگزین و عوامل تاثیر منطقه ای است. روند گام به گام به شرح زیر است:

۱٫: مقداردهی اولیه داده ها محدوده مقادیر پهنای باند را تنظیم کنید.
۲٫: مراحل ۳-۷ را برای هر پهنای باند انجام دهید. در پایان مرحله ۸ را انجام دهید.
۳٫: مدل GWR را با استفاده از متغیرهای مستقل، متغیرهای وابسته، متغیرهای مکان مکانی و پهنای باند بسازید.
۴٫: یک تابع هسته فضایی برای هر مشاهده با استفاده از متغیرهای مکان مکانی و پهنای باند بسازید.
۵٫: ماتریس وزن فضایی را برای هر نقطه مشاهده محاسبه کنید.
۶٫: ماتریس کلاه را با استفاده از متغیرهای مستقل، متغیرهای وابسته و ماتریس وزن فضایی محاسبه کنید.
۷٫: مقادیر AICc مدل های مربوط به این مجموعه از پهنای باند را محاسبه کنید.
۸٫: پارامترهای مدل مربوط به حداقل مقدار AICc که پهنای باند بهینه است را انتخاب کنید.
۹٫: مدل RGWR را با استفاده از متغیرهای مستقل، متغیرهای وابسته، متغیرهای مکان مکانی و پهنای باند بهینه بسازید.
۱۰٫: با استفاده از متغیرهای موقعیت مکانی، پهنای باند و عوامل منطقه ای، یک تابع هسته فضایی با وزن جغرافیایی منطقه ای بسازید.
۱۱٫: ماتریس وزن فضایی دارای وزن منطقه ای را برای هر مشاهده محاسبه کنید.
۱۲٫: ضرایب رگرسیون مدل، مقادیر برازش و معیارهای ارزیابی را با استفاده از متغیرهای مستقل، متغیرهای وابسته و ماتریس وزن فضایی محاسبه کنید.

۳٫ تجزیه و تحلیل آزمایش

در این بخش، حوزه تحقیق و داده های تحقیق مربوطه انتخاب و پیش پردازش شد. سپس از مدل‌های GWR و RGWR برای تخمین داده‌ها تحت استراتژی‌های پهنای باند مختلف استفاده شد. سپس، بسته به نتایج برآورد، عملکرد مدل GWR و RGWR تحت استراتژی‌های پهنای باند مختلف مقایسه شد. مرحله بعدی مقایسه اثرات برازش GWR و RGWR تحت استراتژی های پهنای باند مختلف است. در نهایت، عوامل اصلی موثر بر قیمت مسکن تجاری در ووهان مورد تجزیه و تحلیل قرار گرفت.

۳٫۱٫ حوزه و داده های مطالعه

ووهان مرکز استان هوبی در مرکز چین است و مرکز سیاسی، اقتصادی و فرهنگی آن است. ووهان از سیزده منطقه اداری تشکیل شده است: Jangan، Janghan، Qiaokou، Hanyang، Wuchang، Qingshan، Hongshan، Dongxihu، Hannan، Caidian، Jangxia، Huangpi و Xinzhou. بازار مسکن یکی از فعال ترین بازارها در چین است و نقش مهمی در اقتصاد چین ایفا می کند [ ۴۱ ، ۴۲ ، ۴۳ ، ۴۴ ، ۴۵ .]. قیمت املاک ووهان با سرعت نگران کننده ای در حال افزایش است که با صنعتی شدن و شهرنشینی سریع و متعاقب آن تقاضا برای دسته های مختلف املاک همراه است. تجزیه و تحلیل ناهمگونی فضایی قیمت‌های املاک و مستغلات برای آشکار کردن مسائل عمده در توسعه بازار املاک، درک استراتژی‌های مؤثر کنترل کلان اقتصادی، و ترویج توسعه با کیفیت بالا در اقتصاد داخلی بسیار مهم است [ ۴۶ ، ۴۷ ، ۴۸ ، ۴۹ ]. این مقاله از قیمت‌های فروش مسکونی فهرست‌شده در شهر ووهان، استان هوبی، چین به عنوان داده‌های قیمت مشخصه استفاده می‌کند، یک مدل قیمت مشخصه را ایجاد می‌کند [ ۳۰ ، ۵۰ ، ۵۱ ، ۵۲، ۵۳ ، ۵۴ ]، و یک تجزیه و تحلیل تجربی انجام می دهد. مدل قیمت مشخصه برای توصیف رابطه کمی بین ویژگی‌های مسکن و قیمت مسکن استفاده می‌شود. تحقیقات نشان داده است که قیمت خانه های تجاری با عواملی مانند ساختار خانه، محیط اطراف، موقعیت جغرافیایی و زمان ساخت مرتبط است [ ۵۵ ]]. ساختار خانه شامل عواملی مانند محوطه داخلی و زمان ساخت و محیط اطراف است، مانند نسبت قطعه، میزان سبز شدن و فاصله از مدارس ابتدایی و مراکز خرید. این مقاله ۹۵۴ جامعه را در منطقه شهری ووهان به عنوان نقاط نمونه جمع آوری کرد و میانگین قیمت فهرست (یوآن/متر مربع) و زمان ساخت هر جامعه را در دسامبر ۲۰۱۹ به دست آورد. موقعیت جغرافیایی آنها در شکل ۳ نشان داده شده است. در همان زمان، داده‌های مربوط به نقاط مورد علاقه در ووهان مانند داده‌های ایستگاه‌های اتوبوس، ایستگاه‌های مترو، بیمارستان‌ها، پارک‌ها، مراکز خرید، مدارس ابتدایی، مدارس راهنمایی، دانشگاه‌ها، حفاظت از آتش‌سوزی، امنیت عمومی و غیره جمع‌آوری شد. در میان آنها، داده های مشخصه قیمت خانه از Anjuke ( https://www.anjuke.com/)(آخرین دسترسی در ۲۹ ژوئن ۲۰۲۰)، و داده های نقطه مورد علاقه از Gaode ( https://www.gaode.com/ ) هستند (آخرین دسترسی در ۱ مارس ۲۰۲۱). علاوه بر این، داده‌های نقشه پایه منطقه اداری ووهان، از جمله جاده‌های اصلی و آب‌ها، از خانه انتشارات نقشه چین، و فهرست مدارس نمونه استانی در ووهان از اداره آموزش استان هوبی آمده است. رتبه بندی عددی هر منطقه در جدول ۱ نشان داده شده است .

۳٫۲٫ پیش پردازش داده ها

ما متغیرهای منطقه‌بندی اداری، ساختاری، محله‌ای و زمانی را برای توضیح تغییرات قیمت مسکن استخراج کردیم. قبل از ساخت مدل، داده ها را با استفاده از عملیات لگاریتمی روی متغیرهای پیوسته از قبل پردازش کردیم. تحلیل همپوشانی برای به دست آوردن رابطه منطقه ای بین هر قطعه مسکونی و مناطق اداری ووهان استفاده شد. در نهایت، از تحلیل چند خطی و تحلیل رگرسیون گام به گام برای تعیین عوامل متغیر مستقل استفاده کردیم.

مروری بر متغیرهای دخیل در قیمت مسکن در جدول ۲ آورده شده است. متغیر وابسته قیمت فروش خانه است. قیمت واحد بر حسب RMB محاسبه می شود. ویژگی های ساختاری هر خانه با سه متغیر توضیح داده شده است. لگاریتم طبیعی متغیرهای توضیحی استفاده شد [ ۳۴ ، ۵۶ ، ۵۷ ]. نسبت قطعه که به آن نسبت مساحت کف (FAR) نیز می گویند، نسبت کل مساحت یک ساختمان (مساحت ناخالص طبقه) به اندازه قطعه زمینی است که روی آن ساخته شده است. FAR به صورت لگاریتمی به LnFAR تبدیل می شود. نسبت سبز نسبت فضای سبز به کل مساحت قطعه است. نسبت سبز به صورت لگاریتمی به LnGreenRatio تبدیل می شود. هزینه مدیریت ملک (به RMB/m² ) به صورت لگاریتمی به LnPropertyFees تبدیل می شود. متغیر زمانی، سن ساختمان در زمان سال ساخت آن است. ما اولین سال ساخت و ساز را به عنوان پایه شماره ۱ ثبت می کنیم و پس از آن هر سال تعداد آنها افزایش می یابد. ما فاصله هر قطعه مسکونی تا نزدیکترین مدرسه ابتدایی، ایستگاه مترو، دبیرستان راهنمایی و دانشگاه (LnPriSchool، LnSubway، LnHighSchool، LnUniversity) را محاسبه می کنیم.

۳٫۳٫ مقایسه مدل های RGWR و GWR

۳٫۳٫۱٫ تنظیم پارامتر

ما از منطقه اداری برای محدود کردن محدوده محاسبه رگرسیون وزن‌دار جغرافیایی استفاده کردیم. برای نقاط نمونه برداری در همان مناطق، معمولاً از محاسبات رگرسیون وزنی جغرافیایی استفاده می شد. نقاط نمونه گیری متعلق به مناطق مختلف در محدوده رگرسیون وزنی جغرافیایی در نظر گرفته نشد.

با توجه به فرآیند الگوریتم شرح داده شده در بخش ۲٫۲٫۳ این مقاله، ما از روش‌های GWR و RGWR برای ایجاد مدل‌های قیمت مشخصه استفاده کردیم. ابتدا از روش AICc برای تعیین پهنای باند بهینه GWR استفاده شد. نوع ثابت ۸۵۱۶٫۹ و نوع تطبیقی ۱۵۵ بود. سپس، مدل‌های قیمت مشخصه GWR و RGWR با استفاده از پهنای باند بهینه ایجاد شدند، در حالی که آزمون‌های فرضیه برای ایستایی فضایی تحت استراتژی‌های پهنای باند مختلف انجام شد [ ۷ ، ۹ ، ۲۳ ]. مقادیر p آزمون های فرضیه همگی کمتر از ۱ درصد است که از نظر آماری معنی دار است . آزمون مشخصه غیر ساکن فضایی برای ضریب رگرسیون [ ۲۳ ] انجام شدهمانطور که در جدول ۳ نشان داده شده است ، نتایج نشان می‌دهد که هزینه‌های ملک، نرخ سبزسازی، FAR، ایستگاه مترو، دبستان و دبیرستان‌های راهنمایی همگی دارای غیرایستایی فضایی هستند. در نهایت، ضرایب رگرسیون مدل، مقادیر برازش، و شاخص‌های معیارهای ارزیابی GWR و RGWR تحت استراتژی‌های پهنای باند مختلف به‌دست آمدند. با در نظر گرفتن GWR به عنوان روش مقایسه، این آزمایش عملکرد مدل، اثر برازش مدل و عوامل مؤثر بر قیمت خانه در ووهان را تجزیه و تحلیل می‌کند.

۳٫۳٫۲٫ مقایسه عملکرد مدل

جدول ۴ مقایسه مدل RGWR با GWR را تحت استراتژی های پهنای باند ثابت و پهنای باند تطبیقی نشان می دهد. تحت استراتژی پهنای باند ثابت، R ^۲ مدل RGWR 0.7777 است که ۱۴٫۷۷٪ بیشتر از مدل GWR است، R ^۲ adj 15.06٪ است، MSE 31.07٪ است و RMSE 16.97٪ است. مقدار AICc مدل RGWR -353.0750 است که ۳۱٫۴۰۰۶ کوچکتر از GWR است. به طور کلی، تفاوت در AICc بیشتر از سه نشان می دهد که این دو مدل نیز به طور قابل توجهی متفاوت هستند. هرچه مقدار AICc کوچکتر باشد، دقت برازش مدل بالاتر است. این نشان می‌دهد که تحت استراتژی پهنای باند ثابت، مدل RGWR می‌تواند قیمت فروش ساختمان‌های مسکونی در ووهان را بهتر شبیه‌سازی کند.

۳٫۳٫۳٫ مقایسه اثرات برازش مدل

با مقایسه ارزش پیش‌بینی‌شده و ارزش واقعی قیمت مسکن در مدل‌های RGWR و GWR، می‌توان به طور شهودی اثر برازش مدل را بررسی کرد. شکل ۴ توزیع اثر برازش RGWR و GWR را تحت استراتژی های پهنای باند ثابت و تطبیقی نشان می دهد. محور X مقادیر پیش‌بینی‌شده مدل‌های مختلف را تحت استراتژی‌های پهنای باند مختلف نشان می‌دهد و محور Y نشان‌دهنده قیمت واقعی مسکن است. خط قرمز رنگ در شکل نشان می دهد که مقدار واقعی همان مقدار پیش بینی شده است. بنابراین، در شکل، هرچه توزیع نقطه مقدار پیش‌بینی‌شده و موقعیت نقطه ارزش واقعی به خط نقطه قرمز نزدیک‌تر باشد، اثر برازش مدل بهتر است.

به وضوح می توان مشاهده کرد که تحت همان استراتژی پهنای باند، توزیع نقطه ای RGWR به طور قابل توجهی بالاتر از GWR در نزدیکی خط نقطه قرمز است، که نشان می دهد اثر برازش مدل RGWR به طور قابل توجهی در مقایسه با GWR بهبود یافته است. به طور مشابه، بین استراتژی پهنای باند ثابت و استراتژی پهنای باند تطبیقی، می توان مشاهده کرد که توزیع نقطه ای پهنای باند ثابت RGWR بیشتر از پهنای باند تطبیقی در نزدیکی خط نقطه قرمز است. در همان زمان، R ^۲ارزش مدل RGWR تحت استراتژی پهنای باند ثابت ۰٫۷۷۷۷ است که ۱۸٫۶۴ درصد بیشتر از آن تحت پهنای باند تطبیقی است. این نشان می دهد که در محیط داده این مقاله، اثر برازش مدل RGWR تحت استراتژی پهنای باند ثابت بهتر از مدل RGWR تحت استراتژی پهنای باند تطبیقی است.

۳٫۴٫ تحلیل قیمت مسکن تجاری در ووهان و عوامل تاثیرگذار آن

۳٫۴٫۱٫ تحلیل قیمت مسکن تجاری در ووهان

شکل ۵ قیمت مسکن تجاری در ووهان را نشان می دهد. قیمت مسکن در منطقه مورد مطالعه انتخاب شده بین ۴۸۰۰ ¥ تا ۵۳۸۰۰ ¥ با میانگین قیمت ۱۸۵۰۰ ¥ است. شهرک مسکونی با پایین ترین قیمت مسکن در چانگلجی آیوان، منطقه شینژو، شهر ووهان، و شهرک مسکونی با گران ترین قیمت مسکن در Tiandi Yujiang، منطقه Jiangan، شهر ووهان واقع شده است. از شکل می توان دریافت که قیمت مسکن در منطقه مورد مطالعه به تدریج از محدوده حاشیه شهر به سمت هسته شهری و اطراف آن حرکت کرد و قیمت مسکن به تدریج افزایش یافت و نزدیک به محدوده هسته شهری به اوج رسید. این نشان می دهد که در جهت افقی، قیمت مسکن از مرکز شهر به سمت حاشیه روند نزولی تدریجی را نشان می دهد. در مناطقی با قیمت مسکن بالا (بیش از ۲۷۰۰۰ یوان در متر ^مربعتوزیع در منطقه Wuchang، Qiaokou District، Jianghan District و Jiangan District متمرکز شده است، که نشان می دهد قیمت بالای مسکن در منطقه مورد مطالعه تا حد زیادی تحت تاثیر عوامل منطقه مدرسه در داخل منطقه است.

۳٫۴٫۲٫ عوامل تأثیرگذار

خلاصه‌ای از برآورد ضرایب RGWR تحت استراتژی پهنای باند ثابت، شامل حداقل (دقیقه)، چارک پایین (LQ)، میانه (med)، چارک بالا (UQ)، و حداکثر (حداکثر)، در جدول ۵ ارائه شده است. همانطور که در جدول ۵ نشان داده شده است، هنگام استفاده از مدل های RGWR، هزینه های ملک با قیمت خانه همبستگی مثبت دارد.. به عبارت دیگر، با افزایش عوارض ملک یا نرخ سبز شدن، قیمت مسکن افزایش می یابد. در مقابل، وجود ایستگاه مترو با قیمت خانه همبستگی منفی دارد. با افزایش فاصله تا نزدیکترین مدرسه یا ایستگاه مترو، قیمت خانه کاهش می یابد. با این حال، بین متغیر FAR و قیمت مسکن همبستگی معنی‌داری وجود ندارد، زیرا ضرایب FAR دارای مقادیر مثبت و منفی هستند. بنابراین، FAR عوامل اصلی تأثیرگذار بر قیمت مسکن در مقیاس منطقه مورد مطالعه نیستند. با این حال، این نتیجه در این مطالعه رخ داد زیرا FAR تأثیرات متفاوتی بر قیمت مسکن در منطقه‌بندی‌های مختلف در منطقه مورد مطالعه دارد. ضرایب مدرسه (مثلاً دبستان، دوره راهنمایی) و میزان سبز شدن نیز دارای مقادیر مثبت و منفی هستند. اکثر مدارس با قیمت خانه همبستگی منفی دارند، در حالی که تعداد کمی با قیمت مسکن همبستگی مثبت دارند، در حالی که نرخ سبز شدن روند معکوس دارد که این نیز به تأثیرات متفاوت یک عامل تأثیرگذار بر قیمت مسکن در مناطق مختلف مربوط می شود. مطالعه. به طور خاص، با در نظر گرفتن نمونه‌های FAR معمولی، نرخ سبز شدن، دبیرستان و دبستان، این مقاله تأثیر قابل‌توجه عوامل مختلف بر مناطق مختلف را از طریق نقشه توزیع فضایی عوامل تأثیرگذار تحلیل می‌کند.

شکل ۶نمودار ضریب FAR منطقه مورد مطالعه است. مشاهده می شود که ضرایب FAR از همبستگی مثبت تا منفی متغیر است که نشان می دهد همبستگی معنی داری بین FAR و قیمت مسکن در منطقه مورد مطالعه کامل وجود ندارد. با این حال، به ویژه به بخش‌های مختلف اداری، می‌توان مشاهده کرد که FAR ناحیه جیانگان، منطقه جیانگان، منطقه کیائوکو، و ناحیه ووچانگ با قیمت مسکن همبستگی مثبت دارد، در حالی که بهترین مدارس راهنمایی و مدارس ابتدایی در ووهان اساساً در این‌ها متمرکز هستند. چهار منطقه نواحی و این چهار منطقه، مناطق اصلی شهری ووهان هستند، و نسبت قطعه با قیمت مسکن همبستگی مثبت دارد. یعنی هر چه نسبت قطعه بیشتر باشد قیمت مسکن نیز بیشتر می شود. در سایر زمینه های مطالعه، نسبت قطعه با قیمت مسکن همبستگی منفی دارد، یعنی هر چه نسبت قطعه بیشتر باشد، قیمت مسکن کمتر است. این همچنین به دنبال آسایش زندگی در مناطق غیر مرکزی شهری است که از منطقه مرکزی منحرف شده و عوامل منطقه مدرسه را حذف می کند.

شکل ۷ نمودار ضرایب میزان سبز شدن در منطقه مورد مطالعه است. مشاهده می شود که نرخ سبز شدن به طور کلی همبستگی مثبت دارد. با افزایش نرخ سبز شدن، قیمت مسکن افزایش می یابد. این امر به ویژه در ناحیه مرکزی منطقه مورد مطالعه برجسته است. منطقه مرکزی متراکم با فضای سبز کمتر ساخته شده است، بنابراین نرخ سبز شدن تأثیر بیشتری بر قیمت مسکن دارد. در ناحیه حاشیه ای منطقه مورد مطالعه، نرخ سبز شدن دارای ضریب تأثیرگذاری ۰٫۰۸۸۴-۰٫۰۰۰۳- است که اکثر آنها دارای همبستگی منفی ضعیف و نزدیک به صفر هستند. این به این دلیل است که ساخت و ساز کلی مسکونی در حومه شهر نسبتاً بالا است. پراکنده است و از درجه سبز شدن بالایی برخوردار است، بنابراین تأثیر نرخ سبز شدن بر قیمت مسکن تقریباً ناچیز است.

شکل ۸نمودار ضرایب دبیرستان های دوره اول و دوم در منطقه مورد مطالعه است. مشاهده می شود که فاصله نقطه نمونه برداری بین مدارس راهنمایی و دبیرستان تأثیرات متفاوتی بر قیمت مسکن در بخش های مختلف اداری ووهان دارد. در میان آنها، در منطقه Wuchang، قیمت کلی مسکن بالا است و فضای کمی برای افزایش قیمت مسکن وجود دارد. بسیاری از مدارس راهنمایی کلیدی در این منطقه وجود دارد و منطقه کوچک است. مدارس راهنمایی نمایشی کلیدی منطقه وسیعی را پوشش می دهند، بنابراین قیمت کمتر تحت تأثیر مدارس راهنمایی و دبیرستان قرار می گیرد. قیمت کلی مسکن در منطقه جیانگگان، منطقه کیائوکو، منطقه هانیانگ و منطقه دونگشیهو به مناطق میانی و پایین‌تر ووهان تعلق دارد. تعداد مدارس راهنمایی نمایشی کلیدی در منطقه از ۲ تا ۴ متغیر است. قیمت مسکن تا حد زیادی تحت تاثیر مدارس راهنمایی و دبیرستان است و قیمت کلی مسکن همبستگی منفی دارد. قیمت کلی مسکن در منطقه جیانگ آن و منطقه چینگشان متعلق به مناطق متوسط و مرتفع ووهان است. قیمت مسکن در این منطقه با مدارس راهنمایی و دبیرستان همبستگی منفی دارد و قیمت مسکن بیشتر تحت تأثیر مدارس راهنمایی و دبیرستان است. مناطق دیگر در مناطق حاشیه ای ووهان واقع شده اند. مدارس راهنمایی نمایشی در استان کم است یا اصلاً وجود ندارد و منطقه بزرگ است و مدارس راهنمایی باکیفیت ندارد، بنابراین فاکتور فاصله بین مدارس راهنمایی و دبیرستان تأثیر چندانی بر قیمت مسکن ندارد. قیمت کلی مسکن در منطقه جیانگ آن و منطقه چینگشان متعلق به مناطق متوسط و مرتفع ووهان است. قیمت مسکن در این منطقه با مدارس راهنمایی و دبیرستان همبستگی منفی دارد و قیمت مسکن بیشتر تحت تأثیر مدارس راهنمایی و دبیرستان است. مناطق دیگر در مناطق حاشیه ای ووهان واقع شده اند. مدارس راهنمایی نمایشی در استان کم است یا اصلاً وجود ندارد و منطقه بزرگ است و مدارس راهنمایی باکیفیت ندارد، بنابراین فاکتور فاصله بین مدارس راهنمایی و دبیرستان تأثیر چندانی بر قیمت مسکن ندارد. قیمت کلی مسکن در منطقه جیانگ آن و منطقه چینگشان متعلق به مناطق متوسط و مرتفع ووهان است. قیمت مسکن در این منطقه با مدارس راهنمایی و دبیرستان همبستگی منفی دارد و قیمت مسکن بیشتر تحت تأثیر مدارس راهنمایی و دبیرستان است. مناطق دیگر در مناطق حاشیه ای ووهان واقع شده اند. مدارس راهنمایی نمایشی در استان کم است یا اصلاً وجود ندارد و منطقه بزرگ است و مدارس راهنمایی باکیفیت ندارد، بنابراین فاکتور فاصله بین مدارس راهنمایی و دبیرستان تأثیر چندانی بر قیمت مسکن ندارد.

شکل ۹نمودار ضرایب مدارس ابتدایی منطقه مورد مطالعه است. مشاهده می شود که فاصله کلی بین نقطه نمونه برداری و مدرسه ابتدایی در ووهان با قیمت مسکن همبستگی منفی دارد. یعنی هر چه از نزدیکترین دبستان دورتر باشد قیمت مسکن کمتر می شود. این امر به ویژه در مرکز منطقه مورد مطالعه، به ویژه در ناحیه Wuchang، منطقه Jiang’an، و منطقه Qiaokou برجسته است. از آنجایی که بهترین مدارس ابتدایی شهر ووهان در این سه منطقه متمرکز هستند، فاصله بین مدارس ابتدایی در این بخش اداری به عامل مهمی در قیمت مسکن تبدیل شده است. از آنجایی که حاشیه منطقه مورد مطالعه در حومه شهر قرار دارد، منابع آموزشی نسبتاً متعادل است و کمبود مدارس ابتدایی با کیفیت بالا وجود دارد.

۴٫ بحث

۴٫۱٫ عملکرد مدل در کاوش ناهمگونی مکانی-زمانی

این مقاله قیمت فروش مسکن در ووهان را به عنوان مثال برای انجام یک تحلیل تجربی می‌گیرد که اثربخشی معرفی عوامل منطقه را ثابت می‌کند. این مطالعه نشان داد که در مدل قیمت فروش مسکن ووهان، تحت استراتژی‌های پهنای باند ثابت و تطبیقی، دقت مدل پس از در نظر گرفتن عوامل منطقه بهبود می‌یابد که نشان می‌دهد تقسیم اداری تأثیر قابل‌توجهی بر قیمت فروش مسکن در ووهان دارد. ترسیم نقشه توزیع قیمت بر اساس نتایج برآورد مدل های RGWR و GWR، شکل ۵ قیمت واقعی مسکن را نشان می دهد، در حالی که شکل ۱۰a،b، به ترتیب، قیمت‌های پیش‌بینی‌شده مسکن GWR و قیمت‌های پیش‌بینی‌شده مسکن RGWR را نشان می‌دهند. اولاً، روند فضایی توزیع قیمت مسکن در سه رقم اساساً یکسان است و قیمت‌ها از ناحیه مرکزی شهر به سمت بیرون گسترش می‌یابند که روند نزولی تدریجی را نشان می‌دهد. این نشان می دهد که دو مدل رگرسیونی RGWR و GWR به وضعیت واقعی در برآورد روند جهانی نزدیک هستند و می توانند به طور عینی قانون تغییرات قیمت مسکن در ووهان را آشکار کنند. ثانیاً، در مناطقی با قیمت مسکن بالا (بالاتر از ۲۴۰۰۰ یوان در متر مربع) ^.نتایج پیش‌بینی‌شده RGWR در ناحیه جیانگان، ناحیه جیانگگان و منطقه ووچانگ توزیع شده است. علاوه بر مناطق ذکر شده در بالا، نتایج پیش‌بینی GWR شامل منطقه Qiaokou، منطقه Hanyang و منطقه Hongshan نیز می‌شود. هنگام مقایسه قیمت های واقعی مسکن در شکل ۱۰ ، RGWR به توزیع قیمت واقعی مسکن نزدیک تر است. سوم، در مناطق اطراف منطقه اداری، مقادیر پیش‌بینی‌شده RGWR و GWR کاملاً متفاوت است. به عنوان مثال، در ناحیه مرزی منطقه جیانگ شیا، ووهان، محدوده نتیجه پیش‌بینی‌شده RGWR زیر ۱۴۰۰۰/m2 ^است که نزدیک به مقدار واقعی است، در حالی که مقادیر GWR بین ۱۵۰۰۰ تا ۱۹۰۰۰/m2 است ^.، و نتیجه پیش بینی شده نسبتاً بالا است. به طور مشابه، وضعیت مشابهی در مناطق مرزی منطقه کایدیان و ناحیه دونگشیهو وجود دارد، زیرا منطقه جیانگان، ناحیه جیانگان، منطقه کیائوکو، و منطقه ووچانگ مناطق اصلی ووهان هستند و قیمت مسکن نسبتاً بالا است، منطقه هانیانگ در مجاورت کیائوکو قرار دارد. ناحیه و ناحیه وچانگ؛ GWR هنگام تخمین قیمت مسکن در منطقه هانیانگ از مناطق برای غربالگری نقاط نمونه استفاده نکرد. انتخاب نقاط نمونه در منطقه Wuchang و Qiaokou برای استفاده در برآورد منجر به نتایج کلی بالا شد. RGWR از مناطق برای غربالگری نقاط نمونه استفاده می کند و نتایج پیش بینی شده عموماً نزدیک به قیمت واقعی مسکن است. مدل RGWR معنادار است.

۴٫۲٫ تاثیر بر پهنای باند تطبیقی و ثابت

تحت استراتژی پهنای باند ثابت، مدل RGWR 14.77٪، R ^۲ adj با ۱۵٫۶٪، MSE با ۳۱٫۰۷٪، و RMSE با ۱۶٫۹۷٪ بهبود یافته است. تحت استراتژی پهنای باند تطبیقی، مدل RGWR 3.8 درصد بهتر از مدل GWR R2 ^است . R ^۲adj 3.88%، MSE 6.48% و RMSE 3.31% افزایش یافت. از طریق مقایسه، می توان دریافت که مدل RGWR تحت استراتژی پهنای باند ثابت بسیار بهتر از مدل RGWR تحت استراتژی پهنای باند تطبیقی است. زیرا انتخاب نقاط نمونه برداری در منطقه مورد مطالعه، ویژگی های مناطق شهری متراکم هسته ای و مناطق پراکنده پیرامونی را ارائه می دهد. هنگامی که استراتژی پهنای باند تطبیقی اتخاذ می شود، به دلیل اینکه نقاط نمونه برداری در ناحیه مرکزی متراکم هستند، پهنای باند کوچک است و نقاط نمونه برداری در نواحی لبه پراکنده هستند و انتخاب پهنای باند بزرگتر خواهد شد. این امر تا حدی با ویژگی‌های تقسیمات اداری کوچک در مناطق مرکزی شهری منطقه مورد مطالعه و تقسیمات اداری بزرگ در مناطق حاشیه‌ای مطابقت دارد. در نتیجه مشارکت نقاط نمونه برداری بین منطقه ای در برآورد کاهش می یابد. در استراتژی پهنای باند ثابت، از همان پهنای باند در منطقه تحقیق استفاده می شود و تعداد بالایی از نقاط نمونه برداری متقابل منطقه ای در برآورد شرکت می کنند. بنابراین، مدل RGWR تحت استراتژی پهنای باند ثابت بیشتر از استراتژی پهنای باند تطبیقی بهبود می‌یابد.

۴٫۳٫ توزیع فضایی و ناهمگونی گسسته قیمت مسکن تجاری در ووهان

قیمت کلی فروش مسکن در شهر ووهان روند کاهش تدریجی را از مرکز شهر به سمت حاشیه در جهت افقی نشان می‌دهد که قیمت مسکن در نواحی مرکزی شهری و قیمت مسکن پایین در مناطق پیرامونی شهر ثابت است. با مطالعات قبلی [ ۵۸ ]. هزینه های ملک با قیمت مسکن همبستگی مثبت دارد، مقیاس فضایی جهانی دارد و عامل اصلی تاثیرگذار بر قیمت فروش مسکن در کل منطقه مورد مطالعه است: هر چه هزینه ملک بیشتر باشد، قیمت خانه بالاتر می رود، که نشان دهنده اثر فضایی ناهمگون بین هسته است. و مناطق تازه توسعه یافته شهر [ ۵۹]. برای مناطق مختلف اداری در ووهان، مناطق با قیمت بالای مسکن در مرکز شهر ووهان متمرکز شده‌اند و توزیع چند مرکزی واضحی را در نواحی مرکزی مناطق ووچانگ، کیائوکو، جیانگ‌هان و جیانگان نشان می‌دهند که اساساً با موارد قبلی سازگار است. مطالعات [ ۶۰] که نشان می دهد توزیع فضایی قیمت مسکن در شهر ووهان یک الگوی چند مرکزی «سه منطقه با قیمت بالا و یک منطقه با قیمت پایین» با تجمع فضایی آشکار است. در عین حال، در مناطق گران قیمت، نرخ FAR و سبز شدن با قیمت مسکن همبستگی مثبت دارد که از عوامل اصلی تأثیرگذار بر قیمت فروش مسکن در این مناطق هستند. ساکنان این منطقه بیشتر از ساکنان منطقه مرکزی شهری به دنبال راحتی زندگی هستند، بنابراین FAR با قیمت خانه همبستگی منفی دارد، یعنی هر چه FAR بالاتر باشد، قیمت خانه کاهش می یابد. این مشاهدات ناهمگونی فضایی با مطالعه اخیر مطابقت دارد که نشان می دهد ساکنان مناطق مرکزی و حومه شهر ممکن است ویژگی های فضایی متفاوتی را ارزش گذاری کنند [ ۶۱]. با توجه به مدارس به‌عنوان یک عامل تأثیرگذار، دیدگاه کلی مطالعات قبلی این است که همه انواع مدارس قیمت خانه‌ها را در محله‌های مسکونی اطراف افزایش می‌دهند [ ۶۲ ]، در حالی که برخی از محققان استدلال می‌کنند که فقط مدارس ابتدایی و متوسطه اول در سطح جهانی با قیمت خانه همبستگی دارند. ۶۳ ]، و همچنین یک مطالعه اخیر وجود دارد که از MGWR برای تجزیه و تحلیل قیمت خانه در ووهان استفاده کرد و نشان داد که فقط دبیرستان های راهنمایی و مهدکودک ها همبستگی مثبت دارند، و مدارس ابتدایی همبستگی منفی دارند [ ۶۴ ].]. نتایج این مقاله با مطالعات قبلی متفاوت است، زیرا مدارس ابتدایی و دبیرستان‌ها با قیمت مسکن در مناطق با قیمت بالا همبستگی منفی دارند و یکی از عوامل اصلی مؤثر بر قیمت فروش مسکن در منطقه هستند: نزدیک‌تر به مدرسه، قیمت خانه بالاتر است. با این حال، آنها تأثیر کمی بر قیمت خانه در مناطق ارزان قیمت دارند، که توسط سیاست منطقه مدرسه چین تعیین می شود. از آنجایی که تعداد کمی مدارس ابتدایی و متوسطه با کیفیت بالا در مناطق اداری ارزان قیمت وجود دارد، قیمت خانه در این منطقه کمتر تحت تأثیر مدارس قرار می گیرد. در این راستا، RGWR می‌تواند ناهمگونی گسسته فضایی را بهتر توضیح دهد و تأثیر سیاست منطقه‌بندی مدارس ابتدایی و متوسطه چین را بهتر منعکس کند، جایی که مدارس با کیفیت بالا باعث افزایش شدید قیمت خانه‌های اطراف می‌شوند.

۵٫ نتیجه گیری ها

در دو دهه اخیر، فناوری GWR به طور مداوم توسعه یافته و تکامل یافته است، که ناهمگونی پیوسته در روابط فضایی ناشی از توزیع نامنظم در فضا را بهتر حل کرده است، اما نمی تواند ناهمگنی گسسته را حل کند. این مقاله یک مدل RGWR را برای استفاده از تأثیر منطقه‌بندی، اصلاح عملکرد هسته فضایی و بهینه‌سازی وزن فضایی پیشنهاد می‌کند. مدل پیشنهادی می‌تواند مدل سنتی GWR را گسترش دهد و تأثیر نقاط مشاهده «ناهمگن» را روی نقاط رگرسیون برای تشخیص ویژگی‌های غیر ثابت فضایی و ناهمگنی گسسته فضایی در همان زمان تضعیف کند.

ما از نتایج تجربی مطالعه موردی قیمت مسکن ووهان استفاده می‌کنیم تا نشان دهیم که دقت مدل‌سازی RGWR بهتر از مدل GWR است. دومی فقط با عدم ایستایی فضایی سروکار دارد، در حالی که اولی مشکل ناهمگونی گسسته قیمت مسکن در ووهان را حل می کند و دقت مدل را بهبود می بخشد. در مقایسه با مدل GWR، RGWR می تواند R2 ^و R2 ^adj را از ۰٫۶۷۷۶ و ۰٫۶۷۳۲ به ۰٫۷۷۷ و ۰٫۷۷۴۶ افزایش دهد و MSE و RMSE را به ترتیب از ۰٫۰۳۳۸ و ۰٫۱۸۳۸ به ۰٫۰۲۳۲ و ۰٫۰۲۳۲ کاهش دهد. استاندارد AICc نیز ۳۷٫۴۰۰۶ کمتر از GWR است. آزمون‌های آماری نشان می‌دهند که بین RGWR و GWR تفاوت معناداری وجود دارد، بنابراین نتیجه می‌گیریم که گنجاندن عوامل منطقه‌بندی در مدل GWR معنی‌دار است.

اگرچه RGWR از مطالعه قیمت خانه نشات گرفته است، تجزیه و تحلیل در این مقاله برای بررسی پدیده های مختلف در پارتیشن های فضایی، مانند دینامیک منظر، جرم و جنایت و کیفیت هوا مناسب است [ ۶۵ ، ۶۶ ، ۶۷ ].]. همچنین در مطالعه موردی ما محدودیت هایی وجود دارد. برای مثال، مشخص نیست که آیا RGWR هنگام اعمال روی داده‌هایی که مشاهدات بیشتری را پوشش می‌دهند، بهتر عمل می‌کند یا اینکه آیا این مدل در مواجهه با روش‌های پارتیشن و مقیاس‌های پارتیشن مختلف هنوز دقت بهتری نسبت به GWR دارد. “منطقه بندی” پیشنهادی در این مقاله فقط منطقه بندی اداری نیست. اینکه آیا مدل RGWR هنوز دقت بهتری نسبت به GWR دارد، در صورت انتخاب روش‌های منطقه‌بندی و مقیاس‌های منطقه‌بندی مختلف و با مشکلات تحقیقاتی متفاوت، نیاز به مطالعه بیشتر دارد.

بنابراین، تحقیقات آینده بر روی استفاده از RGWR برای داده‌های مشاهدات بیشتر و مقیاس‌های منطقه‌بندی مختلف تمرکز خواهد کرد. در عین حال، کاوش بیشتر برای عوامل منطقه‌بندی به منظور بهبود دقت تشخیص ناهمگنی گسسته انجام خواهد شد. در نهایت، با افزایش مقدار داده ها، تفسیر فاکتورهای پارتیشن بین مناطق مختلف دقیق تر می شود. تحقیقات بیشتری باید در مورد گلوگاه بازده محاسباتی RGWR انجام شود، که همچنین یکی از مسیرهای تحقیقاتی داغ آینده برای GWR است [ ۱۷ ]. اینها باید در کارهای بعدی مورد مطالعه قرار گیرند.

منابع

Fotheringham، AS; Brunsdon، C. اشکال محلی تحلیل فضایی. Geogr. مقعدی ۱۹۹۹ ، ۳۱ ، ۳۴۰-۳۵۸٫ [ Google Scholar ] [ CrossRef ]
Casetti, E. تولید مدل‌ها با روش بسط: کاربردها در تحقیقات جغرافیایی. Geogr. مقعدی ۱۹۷۲ ، ۴ ، ۸۱-۹۱٫ [ Google Scholar ] [ CrossRef ]
جونز، ک. تعیین و برآورد مدل های چند سطحی برای تحقیقات جغرافیایی. ترانس. Inst. برادر Geogr. ۱۹۹۱ ، ۱۶ ، ۱۴۸-۱۵۹٫ [ Google Scholar ] [ CrossRef ]
مک میلن، DP یکصد و پنجاه سال ارزش زمین در شیکاگو: یک رویکرد ناپارامتریک. J. شهری اقتصاد. ۱۹۹۶ ، ۴۰ ، ۱۰۰-۱۲۴٫ [ Google Scholar ] [ CrossRef ]
مک میلن، DP; مکدونالد، جی اف تحلیل ناپارامتریک تراکم اشتغال در یک شهر چند مرکزی. J. Reg. علمی ۱۹۹۷ ، ۳۷ ، ۵۹۱-۶۱۲٫ [ Google Scholar ] [ CrossRef ]
Elhorst، JP مشخصات و تخمین مدل های داده پانل فضایی. بین المللی Reg. علمی Rev. ۲۰۰۳ , ۲۶ , ۲۴۴-۲۶۸٫ [ Google Scholar ] [ CrossRef ]
براندون، سی. Fotheringham، AS; چارلتون، ME رگرسیون وزن‌دار جغرافیایی: روشی برای کاوش غیرایستایی فضایی. Geogr. مقعدی ۱۹۹۶ ، ۲۸ ، ۲۸۱-۲۹۸٫ [ Google Scholar ] [ CrossRef ]
فاثرینگهام، اس. چارلتون، ام. براندون، سی. جغرافیای پارامتر فضای: بررسی عدم ایستایی فضایی. بین المللی جی. جئوگر. Inf. سیستم ۱۹۹۶ ، ۱۰ ، ۶۰۵-۶۲۷٫ [ Google Scholar ] [ CrossRef ]
براندون، سی. فاثرینگهام، اس. چارلتون، ام. رگرسیون وزنی جغرافیایی. JR Stat. Soc. سر. آمار D ۱۹۹۸ ، ۴۷ ، ۴۳۱-۴۴۳٫ [ Google Scholar ] [ CrossRef ]
Tobler, WR یک فیلم کامپیوتری شبیه سازی رشد شهری در منطقه دیترویت. اقتصاد Geogr. ۱۹۷۰ ، ۴۶ ، ۲۳۴-۲۴۰٫ [ Google Scholar ] [ CrossRef ]
لو، بی. چارلتون، ام. هریس، پی. Fotheringham، AS رگرسیون وزنی جغرافیایی با متریک فاصله غیر اقلیدسی: مطالعه موردی با استفاده از داده های قیمت خانه لذت بخش. بین المللی جی. جئوگر. Inf. علمی ۲۰۱۴ ، ۲۸ ، ۶۶۰-۶۸۱٫ [ Google Scholar ] [ CrossRef ]
لو، بی. چارلتون، ام. براندون، سی. هریس، پی. رویکرد مینکوفسکی برای انتخاب متریک فاصله در رگرسیون وزن‌دار جغرافیایی. بین المللی جی. جئوگر. Inf. علمی ۲۰۱۶ ، ۳۰ ، ۳۵۱-۳۶۸٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
Lesage، JP خانواده ای از مدل های رگرسیون وزن دار جغرافیایی. در پیشرفت در اقتصاد سنجی فضایی ; Springer: برلین/هایدلبرگ، آلمان، ۲۰۰۴; ص ۲۴۱-۲۶۴٫ [ Google Scholar ]
هریس، پی. Fotheringham، AS; Juggins، S. رگرسیون وزنی جغرافیایی قوی: تکنیکی برای کمی کردن روابط فضایی بین بارهای حیاتی اسیدی شدن آب شیرین و ویژگی های حوضه. ان دانشیار صبح. Geogr. ۲۰۱۰ ، ۱۰۰ ، ۲۸۶-۳۰۶٫ [ Google Scholar ] [ CrossRef ]
وانگ، ن. می، سی. Yan, X. برآورد خطی محلی مدل‌های ضریب متغیر فضایی: بهبود تکنیک رگرسیون وزن‌دار جغرافیایی. محیط زیست طرح. A ۲۰۰۸ , ۴۰ , ۹۸۶-۱۰۰۵٫ [ Google Scholar ] [ CrossRef ]
یانگ یانگ، ز. جیپینگ، ال. Shenghua، X. فوهائو، ز. یی، ی. روش رگرسیون وزنی جغرافیایی بر اساس یادگیری نیمه نظارت شده. Acta Geod. کارتوگر. گناه ۲۰۱۷ ، ۴۶ ، ۱۲۳٫ [ Google Scholar ]
لو، بی. Ge، Y. Qin، K. ژنگ، جی. مروری بر رگرسیون وزن‌دار جغرافیایی. Geomat. Inf. علمی دانشگاه ووهان ۲۰۲۰ ، ۴۵ ، ۱۳۵۶-۱۳۶۶٫ [ Google Scholar ]
لی، دی. می، سی. وانگ، ن. آزمون‌های وابستگی فضایی و ناهمگنی در مدل‌های ضریب متغیر خودرگرسیون فضایی با کاربرد آنالیز قیمت خانه بوستون. Reg. علمی اقتصاد شهری ۲۰۱۹ ، ۷۹ ، ۱۰۳۴۷۰٫ [ Google Scholar ] [ CrossRef ]
Anselin, L. سی سال اقتصاد سنجی فضایی. پاپ Reg. علمی ۲۰۱۰ ، ۸۹ ، ۳-۲۵٫ [ Google Scholar ] [ CrossRef ]
Casetti، E. روش بسط، مدل سازی ریاضی، و اقتصاد سنجی فضایی. بین المللی Reg. علمی Rev. ۱۹۹۷ , ۲۰ , ۹-۳۳٫ [ Google Scholar ] [ CrossRef ]
Anselin، L. وابستگی فضایی و ناپایداری ساختاری فضایی در تحلیل رگرسیون کاربردی. J. Reg. علمی ۱۹۹۰ ، ۳۰ ، ۱۸۵-۲۰۷٫ [ Google Scholar ] [ CrossRef ]
وانگ، جی. ژانگ، تی. فو، ب. اندازه گیری ناهمگنی طبقه بندی شده فضایی. Ecol. اندیک. ۲۰۱۶ ، ۶۷ ، ۲۵۰-۲۵۶٫ [ Google Scholar ] [ CrossRef ]
ژونگ، QW نظریه‌های پایه و تحقیقات کاربردی در مورد رگرسیون وزن‌دار جغرافیایی. Ph.D. پایان نامه، دانشگاه تونگجی، شانگای، چین، ۲۰۰۷٫ [ Google Scholar ]
هریس، آر. دونگ، جی. ژانگ، دبلیو. با استفاده از رگرسیون R دارای وزن جغرافیایی متنی برای مدل سازی ناهمگونی فضایی قیمت زمین در پکن، چین. ترانس. GIS ۲۰۱۳ ، ۱۷ ، ۹۰۱-۹۱۹٫ [ Google Scholar ] [ CrossRef ]
Paez, RMHA تحلیل آماری کاربردی داده های جغرافیایی تفصیلی با تاکید بر اثرات فضایی. Ph.D. پایان نامه، دانشگاه توهوکو، سندای، ژاپن، ۲۰۰۰٫ [ Google Scholar ]
ون، اچ. جین، ی. ژانگ، L. ناهمگونی فضایی در قیمت های ضمنی مسکن: شواهدی از هانگژو، چین. بین المللی جی. استراتژی. پروپ. ۲۰۱۷ ، ۲۱ ، ۱۵-۲۸٫ [ Google Scholar ] [ CrossRef ]
Dai, J. Dummy Variable Regression و کاربرد آن. آمار تصمیم می گیرد. ۲۰۱۹ ، ۳۵ ، ۷۷–۸۰٫ [ Google Scholar ]
لنکستر، کی جی رویکردی جدید به نظریه مصرف کننده. ج. اقتصاد سیاسی. ۱۹۶۶ ، ۷۴ ، ۱۳۲-۱۵۷٫ [ Google Scholar ] [ CrossRef ]
روزن، اس. قیمت لذت‌بخش و بازارهای ضمنی: تمایز محصول در رقابت خالص. ج. اقتصاد سیاسی. ۱۹۷۴ ، ۸۲ ، ۳۴-۵۵٫ [ Google Scholar ] [ CrossRef ]
پائز، آ. لانگ، اف. فاربر، اس. رویکردهای پنجره متحرک برای تخمین قیمت لذت‌گرا: مقایسه تجربی تکنیک‌های مدل‌سازی. مطالعه شهری. ۲۰۰۸ ، ۴۵ ، ۱۵۶۵-۱۵۸۱٫ [ Google Scholar ] [ CrossRef ]
شن، ی. کریمی، ک. ارزش اقتصادی خیابان ها: تعامل فضایی-عملکردی ترکیبی و الگوهای قیمت مسکن. Appl. Geogr. ۲۰۱۷ ، ۷۹ ، ۱۸۷-۲۰۲٫ [ Google Scholar ] [ CrossRef ]
دوان، جی. تیان، جی. یانگ، ال. ژو، تی. پرداختن به عوامل تعیین کننده اقتصاد کلان و لذت جویانه قیمت مسکن در منطقه شهری پکن، چین. Habitat Int. ۲۰۲۱ , ۱۱۳ , ۱۰۲۳۷۴٫ [ Google Scholar ] [ CrossRef ]
هوانگ، ز. چن، آر. خو، دی. ژو، دبلیو. تحلیل فضایی و لذت جویانه قیمت مسکن در شانگهای. Habitat Int. ۲۰۱۷ ، ۶۷ ، ۶۹-۷۸٫ [ Google Scholar ] [ CrossRef ]
هوانگ، بی. وو، بی. Barry, M. رگرسیون وزن‌دار جغرافیایی و زمانی برای مدل‌سازی تغییرات مکانی-زمانی قیمت مسکن. بین المللی جی. جئوگر. Inf. علمی ۲۰۱۰ ، ۲۴ ، ۳۸۳-۴۰۱٫ [ Google Scholar ] [ CrossRef ]
لیو، جی. یانگ، ی. خو، اس. ژائو، ی. وانگ، ی. Zhang، F. یک رویکرد رگرسیون وزنی جغرافیایی با فاصله سفر برای تخمین قیمت مسکن. Entropy ۲۰۱۶ , ۱۸ , ۳۰۳٫ [ Google Scholar ] [ CrossRef ]
لیو، جی. ژائو، ی. یانگ، ی. خو، اس. ژانگ، اف. ژانگ، ایکس. شی، ال. Qiu، A. یک رگرسیون ترکیبی وزن‌دار جغرافیایی و زمانی: بررسی تغییرات مکانی-زمانی از دیدگاه‌های جهانی و محلی. Entropy ۲۰۱۷ ، ۱۹ ، ۵۳٫ [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
وو، سی. رن، اف. هو، دبلیو. Du، Q. رگرسیون وزن‌دار جغرافیایی و زمانی چند مقیاسی: بررسی عوامل تعیین‌کننده مکانی-زمانی قیمت مسکن. بین المللی جی. جئوگر. Inf. علمی ۲۰۱۹ ، ۳۳ ، ۴۸۹-۵۱۱٫ [ Google Scholar ] [ CrossRef ]
یائو، جی. استوارت فاثرینگهام، الف. مدل‌سازی مکانی-زمانی محلی قیمت خانه: یک رویکرد مدل ترکیبی. پروفسور Geogr. ۲۰۱۶ ، ۶۸ ، ۱۸۹-۲۰۱٫ [ Google Scholar ] [ CrossRef ]
ون، اچ. شیائو، ی. هوی، ECM؛ Zhang، L. کیفیت آموزش، دسترسی، و قیمت مسکن: آیا ناهمگونی فضایی در سرمایه گذاری آموزش وجود دارد؟ Habitat Int. ۲۰۱۸ ، ۷۸ ، ۶۸-۸۲٫ [ Google Scholar ] [ CrossRef ]
اداره آموزش و پرورش قیمت خانه و مدارس: آیا خانه های نزدیک به مدارس با عملکرد بیشتر هزینه بیشتری دارند؟ در دسترس آنلاین: https://assets.publishing.service.gov.uk/government/uploads/system/uploads/attachment_data/file/600623/House_prices_and_schools.pdf (در ۱۱ دسامبر ۲۰۲۱ قابل دسترسی است).
سولار، PM تولید ناخالص داخلی چین: برخی اصلاحات و راه رو به جلو. جی. اکون. تاریخچه ۲۰۲۱ ، ۸۱ ، ۹۴۳-۹۵۷٫ [ Google Scholar ] [ CrossRef ]
هارتن، جی جی. کیم، AM; Brazier، JC داده های واقعی و جعلی در بازار مسکن اجاره ای غیررسمی شانگهای: داده های واقعی که از اینترنت استخراج شده است. مطالعه شهری. ۲۰۲۱ ، ۵۸ ، ۱۸۳۱-۱۸۴۵٫ [ Google Scholar ] [ CrossRef ]
الم، ج. لای، دبلیو. لی، ایکس. مقررات بازار مسکن و تمایل به طلاق استراتژیک در چین. جی پوپول. اقتصاد ۲۰۲۱ . [ Google Scholar ] [ CrossRef ]
اشنایدر، آ. Woodcock، CE فشرده، پراکنده، تکه تکه، گسترده؟ مقایسه رشد شهری در بیست و پنج شهر جهانی با استفاده از داده های سنجش از دور، معیارهای الگو و اطلاعات سرشماری مطالعه شهری. ۲۰۰۸ ، ۴۵ ، ۶۵۹-۶۹۲٫ [ Google Scholar ] [ CrossRef ]
گونگ، پی. لیانگ، اس. کارلتون، ای جی; جیانگ، کیو. وو، جی. وانگ، ال. Remais، JV شهرسازی و سلامت در چین. Lancet ۲۰۱۲ ، ۳۷۹ ، ۸۴۳-۸۵۲٫ [ Google Scholar ] [ CrossRef ]
دانسکی، آر.ام. Follain، JR; Giertz، SH Pricing ریسک اعتباری برای وام مسکن: گسترش ریسک اعتباری و ناهمگونی در بازارهای مسکن. اقتصاد املاک و مستغلات. ۲۰۲۱ ، ۴۹ ، ۹۹۷-۱۰۳۲٫ [ Google Scholar ] [ CrossRef ]
استاکهامر، ای. Bengtsson، E. اثرات مالی در مصرف تاریخی و توابع سرمایه گذاری. بین المللی Rev. Appl. اقتصاد ۲۰۲۰ ، ۳۴ ، ۳۰۴-۳۲۶٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
Qu، Y. جیانگ، جی. لی، ز. شانگ، آر. ژو، دی. درک ویژگی های مورفولوژیکی چند بعدی زمین بیکار شهری: مرحله، موضوع، و ناهمگونی فضایی. Cities ۲۰۲۰ , ۹۷ , ۱۰۲۴۹۲٫ [ Google Scholar ] [ CrossRef ]
کابراس، آی. سونز، اف. کاندولا، جی. تامز، اس. خانه های عمومی و قیمت خانه در بریتانیای کبیر: تحلیل پانل. یورو طرح. گل میخ. ۲۰۲۱ ، ۲۹ ، ۱۶۳-۱۸۰٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
سلیم، H. عوامل تعیین کننده قیمت خانه در ترکیه: رگرسیون لذت در مقابل شبکه عصبی مصنوعی. سیستم خبره Appl. ۲۰۰۹ ، ۳۶ ، ۲۸۴۳-۲۸۵۲٫ [ Google Scholar ] [ CrossRef ]
Redfearn, CL اثرات متوسط چقدر آموزنده است؟ رگرسیون لذت‌گرا و سرمایه‌گذاری رفاهی در بازارهای مسکن شهری پیچیده Reg. علمی اقتصاد شهری ۲۰۰۹ ، ۳۹ ، ۲۹۷-۳۰۶٫ [ Google Scholar ] [ CrossRef ]
سلیم، س. عوامل تعیین کننده قیمت مسکن در ترکیه: یک مدل رگرسیون لذت‌گرا. Doğuş Üniv. Derg. ۲۰۱۱ ، ۹ ، ۶۵-۷۶٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
فاربر، اس. ییتس، ام. مقایسه مدل‌های رگرسیون محلی در زمینه قیمت خانه لذت‌بخش. می توان. J. Reg. علمی ۲۰۰۶ ، ۲۹ ، ۴۰۵-۴۲۰٫ [ Google Scholar ]
پترسون، اس. Flanagan، A. مدل‌های قیمت‌گذاری لذت‌گرایانه شبکه عصبی در ارزیابی انبوه املاک و مستغلات. J. Real Estate Res. ۲۰۰۹ ، ۳۱ ، ۱۴۷-۱۶۴٫ [ Google Scholar ] [ CrossRef ]
یانگ، ی. لیو، جی. خو، اس. ژائو، ی. یک رویکرد رگرسیون نیمه نظارت شده گسترده با آموزش مشترک و رگرسیون وزنی جغرافیایی: مطالعه موردی قیمت مسکن در پکن. ISPRS Int. J. Geo-Inf. ۲۰۱۶ ، ۵ ، ۴٫ [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
میان، ع. صوفی، الف. قیمت مسکن، استقراض مبتنی بر سهام خانه، و بحران اهرمی خانوار ایالات متحده. صبح. اقتصاد Rev. ۲۰۱۱ , ۱۰۱ , ۲۱۳۲-۲۱۵۶٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
لیسی، جی. مدل‌های قیمت‌گذاری لذت‌گرا و نوسانات باقی‌مانده قیمت مسکن. Lett. تف کردن منبع. علمی ۲۰۱۹ ، ۱۲ ، ۱۳۳-۱۴۲٫ [ 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 ]
شپرد، اس. تجزیه و تحلیل لذت بخش از بازار مسکن. هندب Reg. اقتصاد شهری ۱۹۹۹ ، ۳ ، ۱۵۹۵-۱۶۳۵٫ [ Google Scholar ]
لین، ی. وانگ، ال. لیو، ی. گونگ، ی. Xu, J. الگوی توزیع قیمت مسکن شهری بر اساس داده های بزرگ چندگانه: مطالعه موردی پکن، شانگهای، گوانگژو، و ووهان. J. Landsc. Res. ۲۰۲۱ ، ۱۳ ، ۵۷-۶۶٫ [ Google Scholar ]
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 ]
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 ]
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 ]
لیو، ال. یو، اچ. ژائو، جی. وو، اچ. پنگ، ز. وانگ، آر. اثرات چند مقیاسی دسترسی به تسهیلات عمومی چندوجهی بر قیمت مسکن بر اساس MGWR: مطالعه موردی ووهان، چین. ISPRS Int. J. Geo-Inf. ۲۰۲۲ ، ۱۱ ، ۵۷٫ [ Google Scholar ] [ CrossRef ]
پل، جی دی. رابرتز، جی جی. White, N. چشم انداز آفریقا از طریق فضا و زمان. تکتونیک ۲۰۱۴ ، ۳۳ ، ۸۹۸-۹۳۵٫ [ Google Scholar ] [ CrossRef ]
براندون، سی. کورکوران، جی. هیگز، جی. تجسم فضا و زمان در الگوهای جرم: مقایسه روش‌ها. محاسبه کنید. محیط زیست سیستم شهری ۲۰۰۷ ، ۳۱ ، ۵۲-۷۵٫ [ Google Scholar ] [ CrossRef ]
او، س. Huang، B. نقشه برداری ماهواره ای از PM2.5 زمینی با وضوح بالا روزانه در چین از طریق مدل سازی رگرسیون فضا-زمان. سنسور از راه دور محیط. ۲۰۱۸ ، ۲۰۶ ، ۷۲-۸۳٫ [ Google Scholar ] [ CrossRef ]

شکل ۱٫ ( الف ) GWR با هسته های فضایی گاوسی ثابت. ( ب ) GWR با هسته های فضایی گاوسی تطبیقی. ( ج ) RGWR با هسته‌های فضایی گوسی ثابت. ( د ) RGWR با هسته های فضایی گاوسی تطبیقی.

شکل ۲٫ فرآیند الگوریتم RGWR.

شکل ۳٫ توزیع نقاط نمونه برداری در ووهان.

شکل ۴٫ توزیع اثر برازش GWR و RGWR. ( الف ) ارزش پیش‌بینی‌شده و ارزش واقعی قیمت مسکن در مدل‌های GWR تحت استراتژی‌های پهنای باند ثابت؛ ( ب ) ارزش پیش‌بینی‌شده و ارزش واقعی قیمت مسکن در مدل‌های RGWR تحت استراتژی‌های پهنای باند ثابت. ( ج ) ارزش پیش‌بینی‌شده و ارزش واقعی قیمت مسکن در مدل‌های GWR تحت استراتژی‌های پهنای باند تطبیقی. ( د ) ارزش پیش‌بینی‌شده و ارزش واقعی قیمت مسکن در مدل‌های RGWR تحت استراتژی‌های پهنای باند تطبیقی.

شکل ۵٫ قیمت مسکن تجاری در ووهان.

شکل ۶٫ نقشه ضرایب FAR منطقه مورد مطالعه.

شکل ۷٫ نقشه ضرایب نرخ سبز شدن منطقه مورد مطالعه.

شکل ۸٫ نقشه ضرایب دوره متوسطه اول منطقه مورد مطالعه.

شکل ۹٫ نقشه ضرایب مدارس ابتدایی منطقه مورد مطالعه.

شکل ۱۰٫ قیمت های پیش بینی شده مسکن در مدل های مختلف. ( الف ) قیمت مسکن پیش بینی شده از مدل GWR. ( ب ) قیمت مسکن پیش بینی شده از مدل RGWR.

ونوس نصیرفام

5 ژانویه 2023

مقالات

شبیه سازی ناهمگونی فضایی قیمت مسکن در ووهان، چین، با استفاده از رگرسیون دارای وزن جغرافیایی منطقه ای

کلید واژه ها:

۱٫ مقدمه