پراکنش فضایی قیمت مسکن و تبیین عوامل اجتماعی، اقتصادی، کالبدی و طبیعی آن، در پنج محدودۀ مطالعاتی شهر زاهدان

نوع مقاله : مقاله پژوهشی

نویسندگان

1 استادیار گروه جغرافیا و برنامه‌ریزی شهری، دانشگاه سیستان و بلوچستان، زاهدان، ایران

2 دانشیار گروه جغرافیا و برنامه‌ریزی گردشگری، دانشگاه سیستان و بلوچستان، زاهدان، ایران

3 کارشناس ارشد جغرافیا و برنامه‌ریزی شهری، دانشگاه سیستان و بلوچستان، زاهدان، ایران

چکیده

هدف تحقیق، تحلیل پراکنش فضایی قیمت مسکن و تبیین عوامل اجتماعی، اقتصادی، کالبدی و محیطی هم‌پیوند آن در زاهدان (پنج محدودۀ‌ مطالعاتی) است. این پژوهش از نوع کاربردی، با روش تحقیق توصیفی-تحلیلی است. جامعۀ هدف، شهروندان 18 ساله و بیشتر و گردآوری داده‌ها، به روش پیمایشی و نمونه‌برداری تصادفی دو‌مرحله‌ای با پرسشنامۀ محقق‌ساخته و مصاحبۀ نیمه‌ساختاریافته است. مدل‌های آماری عبارت‌اند از: کولموگروف اسمیرنف، شاپیرو ویلک، اسپیرمن، Somers’ d ، Kendall’s tau- c، مدل Phi ،کای‌دو و جداول متقاطع. روایی ابزار تحقیق، به‌وسیلۀ متخصصان و پایایی آن با آلفای کرونباخ (775/0) تأیید شد. دو فرضیه آزمون شد. فرضیۀ اول: قیمت مسکن با شاخص‌های اجتماعی دارای رابطه و معنی‌داری است. فرضیۀ دوم: قیمت مسکن با شاخص‌های کالبدی دارای ارتباط معنی‌دار است. تحلیل در دو سطح انجام شد (سطح کل شهر و سطح محدوده‌های پنج‌گانه). یافته‌ها نشان داد در کل شهر زاهدان، قیمت مسکن با شاخص‌های اجتماعی بُعد خانوار، تعداد فرزند میزان اطمینان به اهل محل و تعداد خانوار در واحد مسکونی به‌ترتیب دارای 13 درصد، 16 درصد، 14 درصد و 18 درصد همبستگی است (ناچیز و بی‌اهمیت). در تفسیر این نتیجه، به اقتصاد غیررسمی، همچنین ساختار اجتماعی نیمه‌سنتی و امکان دسترسی به ثروت بدون نیاز به تحصیلات اشاره می‌شود، اما قیمت مسکن در کل شهر زاهدان با شاخص‌های میزان امنیت در محله و کیفیت زندگی، 40 درصد و 54 درصد همبستگی داشت. این در حالی است که قیمت مسکن با سه شاخص کالبدی دسترسی به خدمات آموزش عالی، دسترسی به فروشگاه‌ها و مراکز خرید بزرگ و  پاکیزگی محیط، به‌ترتیب برابر با 68 درصد، 58 درصد و 51 درصد همبستگی دارد. هرگاه سطح تحلیل معطوف به سطح‌بندی پنجگانۀ محدوده‌های مطالعاتی شود میزان و شدت روابط میان متغیرهای اجتماعی، اقتصادی و کالبدی به شرح و تفصیل مندرجات متن تحقیق تفاوت معنی‌داری را نشان می‌دهد.

کلیدواژه‌ها

موضوعات

عنوان مقاله [English]

Spatial Distribution of Housing Prices and Explanation of its Social, Economic, Physical and Natural Factors in Five Study Areas of Zahedan City

نویسندگان [English]

  • Amir Shahbazi 1
  • Aboozar Paidar 2
  • Seyed Hadi Tayebnia 2
  • Soltanali Barani 3
1 Assistant Professor of Geography and Urban Planning, University of Sistan and Baluchestan, Zahedan, Iran
2 Associate Professor of Geography and Tourism Planning, University of Sistan and Baluchestan, Zahedan, Iran
3 M.Sc of Geography and Urban Planning, University of Sistan and Baluchestan, Zahedan, Iran
چکیده [English]

 
The purpose of the research is to analyze the spatial distribution of housing prices and explain the effective social, economic, physical and environmental factors in Zahedan city (five study areas). This research is of an applied type, with a descriptive-analytical research method, and its target population is the citizens of Zahedan who are 18 years old and above. Data collection was done by survey method and two-stage random sampling with researcher-made questionnaire and semi-structured interview. Statistical analysis showed that the accuracy of this leveling is about 90% consistent with reality. The validity of the research tool was confirmed by experts and its reliability was confirmed by Cronbach's alpha (78). First hypothesis: housing price has a significant relationship with social indicators. Second hypothesis: housing price has a significant relationship with physical indicators.
The findings showed; In the whole city of Zahedan, the price of a residential unit has a correlation of 13%, 16%, 14% and 18% with the social indicators of the household dimension, the number of children, the level of trust in the locals, and the number of households in the residential unit, respectively (insignificant and insignificant). However, the housing price in Zahedan was correlated with the indicators of neighborhood security and quality of life by 40% and 54%. Meanwhile, the correlation of housing price with three physical indicators of access to higher education services, access to stores and large shopping centers, quality of garbage collection and surface water, is equal to 68%, 58% and 51%, respectively.
 

کلیدواژه‌ها [English]

  • Housing price
  • Zahedan
  • Spatial distribution
  • Social factors
  • Economic factors
  • Physical factors
  • Explanation

مراجع

اکبری؛ نعمت‌‌الله، رحمان خوش‌اخلاق؛ سارا مردی‌‌ها (1392). سنجش و ارزش‌‌گذاری عوامل مؤثر بر انتخاب مسکن با استفاده از روش انتخابی تجربی از دیدگاه خانوارهای ساکن در بافت فرسودۀ شهر اصفهان، فصلنامۀ پژوهش‌های اقتصادی (رشد و توسعۀ پایدار). سال 11. شمارۀ 3. صفحات 47-19.
http://ecor.modares.ac.ir.
ایزد‌‌خواستی، حجت؛ عباس عرب‌مازار؛ خلیل احمدی (1398). تحلیل تأثیر مالیات بر نقل و انتقال املاک و مسکن بر کاهش تلاطم‌‌های بازار مسکن در مناطق شهری ایران، نشریۀ علمی (فصلنامه) پژوهش‌ها و سیاست‌‌های اقتصادی. سال 27. شمارۀ 19. صفحات 190-155.
https://sid.ir/paper/394351/fa
پورمحمدی، محمد‌‌رضا (1393). برنامه‌ریزی مسکن (چاپ یازدهم). تهران. اتشارات سمت.
تیموری، ایرج؛ هادی حکیمی؛ ویدا حسین‌‌پورشاد (1395). بررسی نقش متغیرهای کالبدی و دسترسی در تعیین قیمت مساکن آپارتمانی در شهر‌‌های جدید مطالعۀ موردی: شهر جدید سهند، نشریۀ علمی- پژوهشی جغرافیا و برنامه‌‌ریزی. سال 20. شماره 57. صفحات 95-81.
https://sid.ir/paper/203720/fa.
جعفری، فیروز؛ عادل شری‌‌زاده (1397). شناسایی عوامل کلیدی مؤثر بر قیمت مسکن با رویکرد آینده‌نگاری موردپژوهی: کلان‌شهر تبریز، نشریۀ علمی - پژوهشی جغرافیا و برنامه‌‌ریزی. سال 23. شماره 67. صفحات 89-67.
https://sid.ir/paper/390439/fa
خاکپور، براتعلی؛ رضا صمدی (1393). تحلیل و ارزیابی عوامل موثر بر قیمت زمین و مسکن در منطقه سه شهر مشهد،  جغرافیا و آمایش شهری- منطقه­ای. دوره 4. شماره 13. صفحات 38-21.
 Doi:10.22111/gaij.2014.1771
رحیمی کاکه‌جوب، آرمان؛ علی‌اصغر عیسی‌لو؛ حسن محمدیان‌مصمم؛ اکبر رحمتی (1392). بررسی عوامل موثر بر قیمت مسکن شهری با استفاده از مدل هدانیک قیمت (نمونه موردی: منطقه دو شهر سنندج)، اقتصاد و مدیریت شهری. سال 1 شماره 2. صفحات 43-33.
 SID. https://sid.ir/paper/240310/fa
رهنما، محمد‌‌رحیم؛ امیر اسدی (1394). تحلیل توزیع فضایی قیمت مسکن در شهر مشهد، فصلنامۀ تحقیقات جغرافیایی. سال 30. شماره 1. صفحات 52-37.
https://sid.ir/paper/519312/fa
صمدی، سعید؛ شهرام معینی ( 1391). تحلیل قیمت مسکن کلان شهری و محدوده رشد شهری در ایران؛ کاربرد الگوی پانل دیتا در شهرهای منتخب تهران، اصفهان و شیراز، مطالعـــات و پژوهش‌های شـــهری و منطقـــه­ای. سال 4. شماره 14. صفحات 100-83.
https://sid.ir/paper/387418/fa
عیوضلو، رضا؛ سعید اسلامی­بیدگلی؛ امیررضا خورسندی­آشتیانی (1398). مقایسه شاخص­های قیمتی تکرارشـونده BMN) و کیس ـ شیلر) در بازار مسکن شهر تهران، تحقیقات مالی، سال 21. شماره 2. صفحات 363-347.
Doi: 10.22059/frj.2019.271058.1006775
قلی‌‌زاده، علی‌‌اکبر (1387). نظریۀ قیمت مسکن در ایران، تهران: نور علم.
کی‌‌فرخ، ایمان؛ شکوفه فرهمند (1395). تحلیل تأثیر عوامل مؤثر بر قیمت مسکن مطالعۀ موردی: شهر اصفهان، فصلنامۀ اقتصاد شهری. سال اول. شماره 2. صفحات 130-117.
https://ue.ui.ac.ir/article_21041_74b92dbda29db2dac2bd73f121530e8a.pdf
نظم‌فر، حسین؛ علی عشقی ‌چهار‌‌برج؛ سعیده علوی (1396). تحلیل فضایی قیمت مسکن در شهر تبریز، برنامه‌‌ریزی و آمایش فضا. سال 21. شماره 24. صفحات 209-183.
https://sid.ir/paper/515240/fa
 
Adetunji, A. B., Akande, O. B., Ajala, F. A., Oyewo, O., Akande, Y. F. & Oluwadara, G (2022). House Price Prediction using Random Forest Machine Learning Technique. Journal Procedia Computer Science 199 (2022) 806-813.
 https://doi.org/10.1016/j.procs.2022.01.100
Aliprantis, Dionissi, Carroll, Daniel R, Young, Eric R (2022). What explains neighborhood sorting by income and race?, Journal of Urban Economics, , 103508.
 https://doi.org/10.1016/j.jue.2022.103508
An, Galina, Beckerو Charles, Chengو Enoch (2021). Housing price appreciation and economic integration in a transition economy: Evidence from Kazakhstan, Journal of Housing Economics, 52.
 https://doi.org/10.1016/j.jhe.2021.101765.
Brasington, D.., Hite, D (2005). Demand For Environmental Quality: A Spatial Hedonic Analysis, Regional Science and Urban Economics 35(1), 57-82.
https://doi.org/10.1016/j.regsciurbeco.2003.09.001
Chakrabarti, Sandip, Kushari, Triparnee, Mazumder, Taraknath (2022). Does transportation network centrality determine housing price? , Journal of Transport Geography, 103, 103397.
 https://doi.org/10.1016/j.jtrangeo.2022.103397.
Chen, Jiafeng, Glaeser, Edward, Wessel, David (2022). JUE Insight: The (non-)effect of opportunity zones on housing prices, Journal of Urban Economics, Available online 1 April 2022, 103451.
 https://doi.org/10.1016/j.jue.2022.103451
Daepp Madeleine I.G., bunten ,devin michelle, Hsu , Joanne W (2023). The Effect of Racial Composition on Neighborhood Housing Prices: Evidence from Hurricane Katrina-Induced Migration, Journal of Urban Economics, 134.
 https://doi.org/10.1016/j.jue.2022.103515.
Eivazlu, R.; Islami-Bidgoli, S.; Khorsandi-Ashtiani, A. (2018). Comparison of repeated price indices (BMN) and Case-Shiller) in Tehran housing market. Financial Research, 21(3), pp. 363-347,
 https://DOI: 10.22059/frj.2019.271058.1006775
Forouhar, Amir (2022). Rail transit station and neighbourhood change: A mixed-method analysis with respect to neighbourhood context, Journal of Transport Geography, Volume 102, 103389.
 https://doi.org/10.1016/j.jtrangeo.2022.103389.
Ganioglu, A., Seven, U (2021). Do regional house prices converge? Evidence from a major developing economy. Journal Central Bank Review, 21 (2021) 17e24.
  https://doi.org/10.1016/j.cbrev.2021.03.001
Greenaway-mcgrevy, R., & Sorensen, K (2021). A Time-Varying Hedonic Approach to quantifying the
effects of loss aversion on house prices. Economic Modelling, 99(March), 105491.
https://doi.org/10.1016/j.econmod.2021.03.010
Jang, M., & Kang, C. D (2015). Retail accessibility and proximity effects on housing prices in Seoul, Korea: A retail type and housing submarket approach. Habitat International, 49, 516-528.
  https://doi.org/10.1016/j.habitatint.2015.07.004
Kang, Woo Chang, Park, Sunkyoung (2023). When do homeowners feel the same as renters? Housing price appreciation and subjective well-being in South Korea, Cities, 134, 104153.
 https://doi.org/10.1016/j.cities.2022.104153.
Khakpour, b. Samadi, R. (2013). Analysis and evaluation of factors affecting the price of land and housing in the three cities of Mashhad. Geography and urban-regional analysis, number 13. Pages 21-38.
Lee, Brian, Wang, Szu-Yung, Lin, Tzu-Chin, Chang, Hung-Hao (2021). Underground pipeline explosions and housing prices: Quasi-experimental evidence from an urban city, Land Use Policy, 111.
 https://doi.org/10.1016/j.landusepol.2021.105782.
Lyu, Xueying (2022). Car restriction policies and housing markets, Journal of Development Economics, 156.
 https://doi.org/10.1016/j.jdeveco.2022.102850.
Mahfuzur R, H. I (2004). Subdivision of specific amenities and residential property values, Working Paper, May 2004, to be presented at the annual meeting of the American Agricultural Economics Association 2004
Melike Sayın, Zeynep, Elburz, Zeynep , Engin Duran, Hasan (2022). Analyzing housing price determinants in Izmir using spatial models, Habitat International, 130, 102712.
 https://doi.org/10.1016/j.habitatint.2022.102712.
Nilsson, Isabelle, Delmelle, Elizabeth C (2020). Impact of new rail transit stations on neighborhood destination choices and income segregation, Cities, 102.
 https://doi.org/10.1016/j.cities.2020.102737.
Peng, Ying, Tian, Chuanhao, Wen, Haizhen (2021). how does school district adjustment affect housing prices: An empirical investigation from Hangzhou, China, China Economic Review, 69.
 https://doi.org/10.1016/j.chieco.2021.101683.
Polloni, Stefano (2019). Traffic calming and neighborhood livability: Evidence from housing prices in Portland, Regional Science and Urban Economics, Volume 74, 18-37.
 https://doi.org/10.1016/j.regsciurbeco.2018.11.004.
Rahimi Kake Job, A; Isa Lu, A; Mohammadian Mesamim, H. and Rahmati, A. (2012). Investigating the influencing factors on the price of urban housing using the hedonic price model of a case study: Sanandaj two cities, Quarterly Journal of Urban Economics and Management, (3), 33-43.
https://sid.ir/paper/240310/fa.
Redfearn, C. L (2009). How informative are average effects? Hedonic regression and amenity capitalization in complex urban housing markets. Regional Science and Urban Economics, 39, 297-306.
 https://doi.org/10.1016/j.regsciurbeco.2008.11.001
Sánchez-Moral, Simón, Arellano, Alfonso, Díez-Pisonero, Roberto (2022), Understanding the role of neighbourhood characteristics and distance to workplace in the residential location patterns of knowledge workers in large cities, Cities, 127.
 https://doi.org/10.1016/j.cities.2022.103764.
Sisman. S., Aydinoglu, A.C (2022). A modelling approach with geographically weighted regression methods for determining geographic variation and influencing factors in housing price: A case in Istanbul, Land Use Policy, 119.
 https://doi.org/10.1016/j.landusepol.2022.106183.
Tang, Cheng Keat. Le, Thao (2023). Crime risk and housing values: Evidence from the gun offender registry, Journal of Urban Economics, 134, 103526.
 https://doi.org/10.1016/j.jue.2022.103526.
Tchatoka, Firmin Doko, Varvaris, Vanessa (2022). Neighbourhood, school zoning and the housing market: Evidence from New South Wales, Journal of Housing Economics, 54, 101790.
 https://doi.org/10.1016/j.jhe.2021.101790Get rights and content
To be presented at the annual meeting of the American Agricultural Economics Association 2004
Wei, G., Zhu, H., Han, Sh., J Chen, J. & Shi, L (2021). Impact of house price growth on mental health: Evidence from China. Journal SSM - Population Health, 13 (2021) 100696.
 https://doi.org/10.1016/j.ssmph.2020.100696
Wen, Haizhen, Li, Shuyuan, Hui, Eddie C.M., Jia, Shijun, Li, Xiaojing (2022) what accounts for the migrant-native housing price distribution gap? Unconditional quantile decomposition analysis in Guangzhou, China, Habitat International, 128.
 https://doi.org/10.1016/j.habitatint.2022.102666.
Woo, Ayoung. Yu, Chia-Yuanو Lee, Sugie (2019). Neighborhood walkability for subsidized households: Revisiting neighborhood environments of Housing Choice Voucher and Low-Income Housing Tax Credit households, Cities, 89, 243-251.
https://doi.org/10.1016/j.cities.2019.03.002Get
Xu, X, Zhang, Y (2021). House price forecasting with neural networks. Journal Intelligent Systems with Applications, 12 (2021) 200052.
 https://doi.org/10.1016/j.iswa.2021.200052
Yang, L., Chu, X., Gou, Z., Yang, H., Lu, Y., & Huang, W (2020). Accessibility and proximity effects of bus rapid transit on housing prices: Heterogeneity across price quantiles and space. Journal of Transport Geography, 88, [102850].
 https://doi.org/10.1016/j.jtrangeo.2020.102850
Yuan, F. Yehua Dennis, W, Y. Wu, J (2020). Amenity effects of urban facilities on housing prices in China: Accessibility, scarcity, and urban spaces. Contents lists available at Science Direct Cities. Cities 96 (2020).
 https://doi.org/10.1016/j.cities.2019.102433
Zhang, M., Chen, J (2018). Unequal school enrollment rights, rent yields gap, and increased inequality: the case of Shanghai. China Econ. Rev. 49, 229–240.
 https://doi.org/10.1016/j.chieco.2017.04.007
Zhou, T., Clapp, J. M., & Lu-andrews, R (2021). Is the behavior of sellers with expected gains and losses relevant to cycle’s in house prices? Journal of Housing Economics, 52(May 2020), 101750.
 https://doi.org/10.1016/j.jhe.2021.101750
 

فایل ها

سابقه مقاله

  • تاریخ دریافت: 16 خرداد 1402
  • تاریخ بازنگری: 28 شهریور 1402
  • تاریخ پذیرش: 05 مهر 1402

هم رسانی

ارجاع به این مقاله

آمار