تحلیل عوامل مؤثر بر قیمت مسکن در شهر تهران

مدلسازی اقتصادی

مقاله 6، دوره 9، شماره 31، مهر 1394، صفحه 103-127   

نوع مقاله: پژوهشی

نویسندگان

میرحسین موسوی^{* 1}؛ حسین درودیان²

¹استادیار اقتصاد دانشگاه الزهرا

²دکتری اقتصاد دانشگاه تهران

چکیده

چکیده در مقاله حاضر عوامل مؤثر بر نوسانات قیمت مسکن در تهران مورد بررسی قرار گرفته است. با شاخص‌سازی‌ و تلفیق برخی متغیرها، در نهایت تأثیر قیمت زمین، هزینه ساخت، نرخ بهره حقیقی، سرانه ساختمان‌های مسکونی تکمیل شده، نقدینگی و بازدهی بازارهای رقیب با استفاده از داده‌های فصلی مورد اندازه‌گیری قرار گرفت. برای تخمین، از روش سری‌های زمانی ساختاری و الگوریتم کالمن فیلتر استفاده شد تا با به‌کارگیری روش حداکثر راستنمایی پارامترهای نامعلوم برآورد شود. نتایج نشان‌دهنده معنا‌داربودن تأثیر منفی نرخ بهره حقیقی، بازدهی دارایی‌های جایگزین (طلا، ارز، سهام)، سرانه ساختمان‌های مسکونی تکمیل شده و تأثیر مثبت هزینه ساخت در کنار اثرگذاری ناچیز و غیرمعنادار رشد نقدینگی است. ارتباط قوی قیمت زمین و مسکن نیز بیشتر به همزمانی حرکات این دو متغیر مربوط است تا اثرگذاری علّی. از جمله دلالت‌های سیاستی نتایج آن است که کنترل نوسانات بازار مسکن باید معطوف به تقویت روند عرضه و کنترل هزینه‌های ساخت به عنوان دو عامل مهم درون‌بخشی مؤثر بر قیمت مسکن باشد.

کلیدواژه‌ها

طبقه‌بندی JEL: R31؛ O18 واژگان کلیدی: قیمت مسکن؛ کالمن فیلتر؛ سری‌های زمانی ساختاری؛ روند ضمنی

اصل مقاله

1. مقدمه

نوسانات گسترده قیمت‌های مسکن به وی‍ژه در شهرهای بزرگ را می­توان بارزترین خصیصه این بخش دانست. توجه به تأثیرات قیمت نوسان قیمت مسکن بر رفاه خانوار و بخش حقیقی اقتصاد، اهمیت بررسی این موضوع را نمایان می‌سازد. در این بین تحولات قیمت مسکن در شهر تهران بیشترین توجهات را به خود معطوف ساخته است. بازار مسکن در تهران دائماً با معضل صعود ناگهانی و کوتاه­مدت قیمت و توقف و ثبات نسبی قیمتهای اسمی توأم با رکود بخش مواجه بوده است. انتخاب محدوده مکانی شهر تهران به لحاظ روش­شناختی نیز صحیح­تر است، زیرا بازار مسکن در هر منطقه علاوه بر اثرپذیری از فاکتورهای ملی به طور وسیعی تحت تأثیر عوامل محلی نیز قرار می­گیرد که تحلیل عملکرد بازار مسکن در سطح منطقه­ای را موجه­تر می‌سازد (اویکارینن^[1]، 2007). در این مطالعه کوشش شده ارتباط قیمت مسکن و عوامل بنیادین تعیین­کننده آن مورد موشکافی قرار گرفته و کیفیت اثرگذاری هر یک از این عوامل بر قیمت‌های مسکن بررسی شود. ساختار مقاله به صورت زیر سازماندهی شده است که پس از بیان این مقدمه در بخش دوم به ادبیات نظری شکل­گیری قیمت­ها در بازار مسکن اشاره می­شود. در بخش سوم به طور خلاصه مطالعات تجربی داخلی و خارجی انجام شده در موضوع حاضر و نتایج آنها مرور شده است. در بخش چهارم به تصریح و برآورد مدل تجربی پرداخته و نتایج، گزارش و تفسیر شده است. در نهایت در بخش پنجم به جمع­بندی مقاله خواهیم پرداخت.

 

1. مبانی نظری شکل­گیری قیمت­ها در بازار مسکن

در این قسمت جهت تبیین مبانی نظری شکل­گیری قیمت‌ها در بازار مسکن، ابتدا به خصوصیات مسکن و بازار آن پرداخته می‌شود. هدف از این بررسی این است که ارتباطی بین خصوصیات مسکن، خصوصیات بازار مسکن و نوسانات قیمت‌ها در این بازار برقرار کرده، نشان دهیم که چگونه نوسان قیمت مسکن، به خصوصیات بازار مسکن و خصوصیات ذاتی (کالبدی) آن بازمی‌گردد.

 

2-1. خصوصیات مسکن

حیاتی بودن[2]: مسکن به عنوان سرپناه کالایی فاقد جانشین است و این خصوصیت، موجب می‌شود تقاضای مصرفی مسکن دارای روندی قابل پیش­بینی و باثبات باشد.

بادوام بودن[3]: بادوام‌‌بودن مسکن زمینه­ساز نقش یافتن آن به عنوان کالایی سرمایه­ای و نوعی از دارایی و در نتیجه تراکم تقاضای آن است.

ناهمگن بودن[4]: هیچ دو ملکی کاملاً مشابه و جانشین یکدیگر نیستند که عوامل زمینه‌ساز این عدم همگنی مربوط به ویژگی‌های کالبدی و ویژگی­های جغرافیایی (موقعیت ملک) می­باشد. ناهمگن بودن مسکن موجب تفاوت قیمتی بعضاً چشمگیر بین واحدهای مسکونی مختلف و عدم امکان تشکیل بازاری حاوی اطلاعات قیمتی شفاف و در دسترس عموم - نظیر بورس در دارایی‌های مالی- برای بازار مسکن می‌باشد.

ماهیت دوگانه مصرفی - سرمایه­ای: مسکن در عین اینکه به عنوان سرپناه، یک کالای مصرفی است، اما بادوام‌بودن و همبستگی نسبی قیمت آن با بنیان‌های اقتصادی زمینه را برای تبدیل شدن آن به یک دارایی سرمایه­ای و به عنوان شکلی از ذخیره ثروت فراهم می­آورد (چن و پاتل[5]، 1998؛ بنجامین و همکاران[6]، 2004). به عکس تقاضای مصرفی مسکن که بواسطه فقدان جانشین، باثبات و قابل پیش­بینی است، تقاضای سرمایه­ای تحت تأثیر عوامل گوناگون و پیچیده­ای قرار داشته و لذا به شدت بی­ثبات است. لذا تقاضای مسکن پرنوسان است.

تقسیم ناپذیری[7]: مسکن کالایی غیر قابل تقسیم بوده و نوعی از شرایط "همه یا هیچ" در خرید، فروش و نگهداری آن صادق است. به این دلیل، ورود به بازار مسکن نیازمند حجم قابل توجهی از سرمایه نقدی است (اویکارینن، 2007) که خود به معنای کاهش شدید امکان تنوع در سبد دارایی است.

مبادله ناپذیری[8]: مسکن از جمله مهمترین کالاهایی است که امکان نقل و انتقال در مورد آنها مطرح نیست. این امر موجب تمایز بازار مسکن از سایر بازارها از حیث تأثیرپذیری از تجارت خارجی و عدم امکان تنظیم بازار و کنترل قیمت‌ها از طریق واردات یا کنترل نرخ ارز می­گردد.

2-2. ویژگی‌های بازار مسکن

ویژگی­های بازار مسکن که عمدۀ آنها به خصوصیات ذاتی مسکن بازمی­گردد عبارتند از:

ناکارآمدی اطلاعاتی[9]: بازار مستغلات به لحاظ اطلاعاتی مملو از عدم تقارن­ها و نواقص است. بخشی از این عدم شفافیت و کاستی­های اطلاعاتی به نبود یک بازار عمومی حاوی اطلاعات مربوط به قیمت‌ها و مبادلات (مشابه بازار بورس) بازمی­گردد. فقدان یک بازار عمومی حاوی اطلاعات روز آمد، سیال، قابل اطمینان، در دسترس و وسیع پیرامون مبادلات و مشخصاً قیمت‌ها، منجر به هزینه­های بالای جمع­آوری اطلاعات به منظور تصمیم­گیری و زمینه‌ساز عدم تقارن اطلاعاتی بین عاملان فعال در بازار است.

بالا بودن هزینه های مبادله^[10]: هزینه­های مبادله در بازار مسکن به طور چشم‌گیری بالا و دارای پیامدهایی مهم بر عملکرد این بازار و شکل­گیری قیمت‌ها در آن است. هزینه­های مبادله موجود در بازار مسکن بر اساس یک جریان مبادلاتی در خرید یا فروش مسکن شامل هزینه­های اطلاعاتی (هرگونه هزینه نقدی یا هزینه­های اختصاص زمان به منظور جمع­آوری اطلاعات جهت برآورد ارزش صحیح جاری ملک)، هزینه ریسک (ریسک زیان سرمایه^[11] یا از دست دادن عایدی سرمایه^[12]، ریسک‌های حقوقی مربوط به رعایت حقوق مالکیت و تضمین قراردادها، ریسک تغییر قوانین و مقررات)، هزینه­های نقل مکان و جابجایی به خصوص برای مالک نشینان[13]، هزینه­های ناشی از حق­العمل­کاری[14] و انجام فرآیندهای قانونی مربوط به خرید و فروش و نقل و انتقال مالکیت (بنجامین و همکاران، 2004).     

ارزش پولی بالای ملک در کنار هزینه­های مبادله چشمگیر آن سبب کاهش تعداد معاملات و به اصطلاح رقیق[15]‌شدن بازار مسکن می­گردد. نکته قابل توجه آن که همین معاملات اندک و ضعف بازار مسکن از این حیث بر دامنه مشکلات اطلاعاتی بازار، بویژه دسترسی عاملان به قیمت‌های جاری و برآورد قیمت صحیح ملک، و در نتیجه بر هزینه­های مبادله می­افزاید.

شکل 1. خودپایداری هزینه‌های مبادله

 

 

نکته دیگر آن است که بواسطه هزینه­های بالای مبادله و کم­معامله بودن بازار، میزان نقدشوندگی[16] مسکن در مقایسه با سایر انواع دارایی بسیار پایین بوده که می­توان از آن به عنوان نقصی دیگر در بازار مسکن یاد کرد.

تعدیل کند در برابر شوک‌های وارده: از دیگر ویژگی­های بازار مسکن این است که نسبت به شوک‌های وارده به بازار واکنش کندی نشان می­دهد. عدم جریان شفاف اطلاعات و بالابودن هزینه­های مبادله و قیمت واحد مسکونی، از علل کشش­ناپذیری این بازار در برابر شوک­هاست (کامرون و همکاران، 2006). با عنایت به تعدیل کند عرضه و تقاضای مسکن در مقابل مجموعه اطلاعاتی جدید و شوک‌های وارده از یک طرف و وجود شوکهای فراوان و بعضاً متناوب از طرف دیگر، انتظار می­رود بازار مسکن بازاری عموماً در شرایط عدم تعادل بوده، و قیمت‌ها در آن دارای رفتاری سیکل­وار و به طور پیوسته در انحراف از مقدار میانگین و بلندمدت خود باشد.

پیوند وسیع با اقتصاد کلان: گستردگی بخش مسکن و تعدد فاکتورهای موثر بر عرضه و تقاضای آن موجب شده بازار مسکن با متغیرهای اقتصاد کلانی رابطه­ای متقابل و دوسویه داشته باشد. علاوه بر اختصاص بخشی از ارزش افزوده، سرمایه­گذاری و اشتغال نیروی کار به بخش مسکن، این بخش پیوندهای پسین و پیشین وسیعی با سایر بخش‌های تولیدی دارد که همین مسئله احتمال تسرّی سیکل‌های بخش مسکن به سایر بخش‌ها و در نتیجه کل اقتصاد یا روندی بالعکس را تقویت می­کند.

                                                                                                                                   

1. پیشینه تحقیق

با توجه به تعدد مطالعات انجام شده و ترجیح بر اختصار، کلیات مربوط به مهمترین مطالعات داخلی و خارجی انجام شده به طور موجز در قالب جدول زیر نشان داده شده است.

 

جدول 1. خلاصه نتایج مطالعات انجام شده

محققان	محدوده زمانی و مکانی	نوع داده	روش مورد استفاده	متغیرهای معنا­دار (با ذکر جهت تأثیرگذاری)	دیگر نتایج
منکیو و ویل (1988)	آمریکا 1985-1950	سالانه، حقیقی	GLS	تقاضا	بی‌معنا بودن تأثیر جمعیت بر تقاضای مسکن
چن و پاتل (1998)	تایوان 1994-1973	فصلی، حقیقی	علیت گرنجر (VECM)	درآمد خانوار(+)، نرخ بهره کوتاه­مدت (-)، شاخص قیمت سهام (-) ، هزینه ساخت (+)، ساختمان تکمیل شده (-)	وجود رابطه علی بین قیمت مسکن و سهام
جود و وینکلر (2002)	آمریکا 1998-1984	ماهانه تابلویی (130شهر)، حقیقی	OLS داده‌های تابلویی	رشدجمعیت(+)، تغییرات درآمد خانوار(+)، هزینه ساخت(+)، نرخ بهره(-)
میز و والاس (2003)	پاریس 1992-1987	ماهانه، حقیقی	ARDL, ECM	درآمد خانوار(+)، نرخ بهره(-)	تعدیل 31 درصدی در هر ماه
دی لاپاز (2003)	اسپانیا 1999-1989	تابلویی       (71 شهر)، حقیقی	GLS داده­های تابلویی	GDP محلی(-)، درآمد خانوار(+)، وسعت و جمعیت منطقه(+)
شن  و همکاران (2003)	پکن و شانگهای 2003- 1997	ماهانه، اسمی	علیت گرنجر (VECM)	پکن: درآمدخانوار(+)، موجودی مسکن خالی(-) شانگهای: قیمت سهام (-) ،GDP (-)	تأثیر متقابل قیمت مسکن و درآمد در پکن و قیمت مسکن و سهام در شانگهای
ابلسون و سایرین (2005)	استرالیا 2003- 1970	فصلی،حقیقی	استاک-واتسون (DOLS)	درآمدقابل تصرف(+)، CPI دوره قبل(+)، بیکاری(-)، نرخ بهره(-)، قیمت سهام(-)	تعدیل کندتر قیمتها در دوره­های افزایش قیمت
اویکارینن (2006)	هلسینکی 2006- 1975	فصلی، حقیقی	VECM	درآمدکل در شهر(+)، نسبت وام به GDP (+)	بی­معنابودن نرخ بهره در بلندمدت و معنا­داری آن در کوتاه­مدت

 

ادامه جدول 1. خلاصه نتایج مطالعات انجام شده

محققان	محدوده زمانی و مکانی	نوع داده	روش مورد استفاده	متغیرهای معنا­دار (با ذکر جهت تأثیرگذاری)	دیگر نتایج
جانستون و واتوا(2007)	18کلان شهر کانادا 2005-1980	تابلویی، سالانه، حقیقی	GMM	درآمد خانوار(+)، جمعیت(+)، تغییر در موجودی مسکن(-)، بیکاری(-)	بی معنا بودن ضریب نرخ بهره
گالاتیو همکاران (2011)	هلند 2009-1993	سالانه، حقیقی	OLS داده‌های تابلویی	وام رهنی (+)، نرخ بهره (-)	میل اکید قیمت‌ها به حرکت به سوی متوسط بلندمدت
پرینتیس و پاناجیوتید یس (2015)	یونان  2013-1997	ماهانه، اسمی	VECM	وام رهنی توسط سیستم بانکی (+)،
خیابانی (1382)	ایران 1381-1371	فصلی، حقیقی	ARDL, ECM	نقدینگی(+)، نرخ ارز(-)، تولید ناخالص(-)، قیمت سهام(-)	مثبت بودن اثرGDP در کوتاه مدت
عسکری، چگنی (1385)	ایران 1385-1371	تابلویی (استانی)، سالانه، اسمی	OLS تابلویی	شاخص بورس(-)، قیمت زمین (+)، ‌نرخ بهره(+)، قیمت طلا(+)، مخارج خانوار(+)، تورم دوره قبل به نمایندگی از انتظارات تورمی(+)
قرشی، پژویان (1385)	ایران 1383-1350	سالانه، حقیقی	ARDL, ECM	درآمد نفت(+)، هزینه ساخت(+)، قیمت سکه(-)، GDP (- )
هادی زاده، جعفری (1386)	ایران 1384-1373	فصلی ، اسمی	ARDL ،ECM	درآمد(+)، نقدینگی(+)، هزینه ساخت(+)، تورم(+)،قیمت سهام(-)، ساختمان تکمیل شده(- )	کشش بیشتر ضرایب در بلند مدت نسبت به کوتاه مدت
صباغ کرمانی، احمدزاده و موسوی­نیک (1389)	تهران 1385-1373	فصلی ، اسمی	VECM	قیمت زمین(+)، درآمد(+)، هزینۀ ساخت (+)، قیمت دورۀ قبل (+)، نرخ سود بانکی (-)
سوری، حیدری و افضلی (1390)	ایران 1386-1370	فصلی ، اسمی	VAR	درآمد سرانه(+)، رشد نقدینگی(+)، مجوزهای صادره (+)، نرخ سود بانکی (-)	تأثیرگذاری با وقفۀ نقدینگی بر قیمت مسکن

آورده این تحقیق در مقایسه با مطالعات فوق به موارد زیر مربوط می­شود:

1-     برقراری ارتباط بین نوسانات قیمت مسکن با ویژگی‌های بازار مسکن و ویژگی‌های ذاتی آن

2-     تشریح تئوریکی عوامل اثرگذار بر قیمت مسکن در قالب تفکیک عوامل درون­بخشی و برون­بخشی بازار

3-     نحوه ورود متغیرها در مدل؛ در وارد کردن متغیرها در مدل باید به چند نکته توجه کرد. اولین نکته این است که متغیرهایی که در مدل لحاظ می­شوند باید تماماً مانا باشند تا از بوجود آمدن نتایج کاذب جلوگیری شود. نکته دوم توجه به اصل قلت متغیرهاست. در برخی از مطالعات فوق مشاهده شده که متغیرهایی که دارای وجه مشترک اثرگذاری هستند به صورت جداگانه در مدل لحاظ شده­اند که این عمل باعث کاهش درجه آزادی و افت دقت تخمین­زنها می­شود. لذا در این مطالعه به منظور اجتناب از این کار بازارهای جایگزین بازار مسکن از طریق روش مؤلفه­های اصلی در یک شاخص ترکیبی جمع شده و به صورت یک متغیر وارد مدل شده است.

4-     مهمترین وجه تمایز این تحقیق در بخش تجربی که به نحوه مدل‌سازی مربوط بوده و در هیچیک از مطالعات به آن توجهی نشده است، نقش روند ضمنی در شکل­گیری قیمت­ها است که از طریق مدل‌های سری زمانی ساختاری می­توان اثرات آنها را در مدل لحاظ کرد (توضیح این بخش در قسمت تصریح مدل ارائه خواهد شد).

 

1. مدل تحقیق و روش برآورد

مطابق مبانی نظری، تجربی و فرضیه تحقیق که در بخش­های قبل ارائه شد، می­توان عوامل مؤثر بر تعیین سطح قیمت مسکن را در دو قالب عوامل درون­بخشی و برون­بخشی بازار مسکن دسته­بندی کرد. در بین عوامل درون­بخشی، فاکتورهای مؤثر بر قیمت تمام شده بنا شامل «قیمت زمین[17]» (LP) و «هزینه ساخت مسکن[18]» (CC) مهم تلقی شده و انتظار می­رود افزایش در این عوامل به افزایش در قیمت مسکن بینجامد. همچنین «ساختمانهای مسکونی تکمیل شده[19]» (HC) نیز به عنوان نماینده­ای از متغیر عرضه با تأثیر انتظاری منفی وارد تحلیل می­گردد. «حجم تسهیلات بانکی اعطایی خرید مسکن» (BL)[20] نیز می­تواند با افزایش توان خرید و تقاضای بازار قیمتها را متأثر کند.

در بین عوامل برون­بخشی بیش از هر چیز نقش بازارهای جایگزین دارایی با توجه به وسعت تقاضای سرمایه­ای مسکن قابل توجه است. هرقدر بازدهی سرمایه­گذاری در بازارهای رقیب بیشتر باشد انتظار می­رود از میزان تقاضای مسکن کاسته شود. بر این اساس از «بازدهی سهام» (RSPI)، «بازدهی نرخ ارز» (RER)، « بازدهی طلا» (RGP) به عنوان متغیرهایی با احتمال تأثیر منفی بر قیمت مسکن می‌توان نام برد. عامل «نرخ بهره» ( ) از طرفی به عنوان یک عامل افزایش­دهنده هزینه ساخت (هزینه سرمایه) در درون بخش مسکن، و از طرف دیگر افزایش­دهنده هزینه فرصت تقاضای مسکن، و لذا با تأثیر نهایی نامعلوم وارد مدل می­گردد. علاوه بر این عوامل با توجه به استدلال­های مربوط به اثرپذیری بازار کالاهای غیرقابل مبادله از درآمدهای پرنوسان و کنترل‌نشدۀ ارزی در کشورهای وابسته به نفت در قالب مدل­های مربوط به بیماری هلندی[21] می­توان عامل «درآمد نفت» (OI) را نیز با احتمال وجود رابطه مثبت آن با قیمت مسکن واجد اهمیت برشمرد. دو عامل دیگر، «حجم نقدینگی» (M) و «عوامل جمعیتی[22]» (D) هستند. برای تحلیل عوامل جمعیتی و تأثیر آن بر بازار مسکن از متغیر «تعداد ازدواج های ثبت شده» در تهران استفاده می‌گردد که بیانگر تشکیل خانوار جدید است. با توجه به گران­قیمت بودن مسکن و نبود وام­های خرید مسکن با درصد بالای پوشش ارزش ملک در کشور، به نظر می­رسد عامل درآمد (به عکس مطالعات خارجی پیش­گفته) اثرگذاری معنا­داری بر تقاضا و قیمت مسکن نداشته باشد. لذا صورت کلی مدل به شکل زیر خواهد بود:

(1)                                          

در بین متغیرهای تصریح شده، رابطه دو عامل درآمد نفت و نرخ ارز بسیار نزدیک است. افزایش درآمدهای نفتی می­تواند به رونق و تورم در بازار کالاهای غیر قابل مبادله از طریق کاهش نرخ ارز حقیقی بینجامد. لذا در اینجا متغیر درآمد نفت از مدل کنار گذاشته می­شود. همچنین با توجه به همبستگی بالای حجم نقدینگی و اعتبارات بانکی صرفاً از متغیر حجم نقدینگی جهت تحلیل کیفیت تأثیر کلی سیاستهای پولی بهره برده خواهد شد. پس مدل به صورت زیر درمی‌آید:

(2)                                                       

غیر از عوامل فوق عامل مهم دیگری نیز بر قیمت مسکن اثرگذار است که در ادبیات اقتصادسنجی از آن به عنوان جزء مشاهده نشده یا روند ضمنی[23] یاد می­شود. روند ضمنی شامل کارایی فنی، ترجیحات تقاضاکنندگان و عوامل غیراقتصادی است. آثار این عوامل ممکن است در طول زمان دارای روند معینی نباشند لذا عدم مدل­سازی صحیح آنها می­تواند منجر به تورش­دار شدن نتایج گردد. بنابراین اینکه اثرات فوق چگونه در مدل لحاظ شوند، از اهمیت ویژه‌ای برخوردار است (احمدیان و همکاران[24]، 2007).

کارایی فنی یکی از عواملی است که همواره توابع تولید و تقاضای کالاها و خدمات و از آن طریق قیمت­گذاری آنها را تحت تأثیر قرار می­دهد و بایستی در مدل­سازی طرف عرضه یا تقاضا توجه ویژه­ای به آن داشت. تغییر در کارایی از طریق توسعه تکنولوژی و بهبود طرف عرضه اقتصاد یکی از عوامل مهم تعیین­کننده روند می‌باشد. تکنولوژی در حقیقت نوع مشخصی از دانش مرتبط با فعالیت‌های انسان است. بخشی از این دانش در ماشین‌آلات و بخشی در مردم، ساختارهای سازمانی و الگوهای رفتاری نهفته است. از بخش اول معمولاَ به عنوان تکنولوژی متبلور و از بخش دوم به عنوان تکنولوژی غیرمتبلور یاد می­شود. پیشرفت تکنولوژی متبلور زمانی رخ می‌دهد که ماشین­آلات و تجهیزات فرسوده با ماشین­آلات و تجهیزات جدیدتر جایگزین شود. لذا این مورد نیاز به تغییر ساختار تولید و در نتیجه سرمایه­گذاری جدید دارد. در پیشرفت تکنولوژی غیرمتبلور نیازی به جایگزینی ماشین­آلات و تجهیزات و در نتیجه تغییر سرمایه موجود نیست بلکه این مورد در دانش مصرف­کننده و تولیدکننده و رفتار تولیدی و مصرفی آنها نهفته است. منظور از دانش در این حالت، استفاده کارا از منابع و عوامل تولیدی موجود است. تغییرات تکنیکی (از هر دو نوع) دارای دو بخش برون‌زا و درون‌زا است. بخشی که به صورت برون‌زا است در طول زمان به طور مستقل صورت می­گیرد و بخش درونزای آن در اثر تغییراتی است که در سایر عوامل رخ می­دهند. با توجه به این که جزء درونزای تغییرات تکنیکی در طول زمان الزاماً با نرخ ثابتی صورت نمی‌گیرد، لذا مدل‌سازی این جزء از تغییرات تکنیکی به صورت تابع خطی از زمان روش مناسبی نخواهد بود. برخلاف جزء درون‌زا می‌توان پیشرفت تکنیکی برون‌زا را تابع خطی ساده از زمان در نظر گرفت. یک تفاوت بین پیشرفت تکنولوژی متبلور و غیرمتبلور (جزء درونزا) در نحوه واکنش آنها به تغییرات سایر عوامل موثر بر تقاضا و عرضه می­باشد. با توجه به این که هر دوی آنها در طول زمان با نرخ ثابتی توسعه می­یابند، لذا تفکیک میزان تغییرات هر یک مشکل خواهد بود.^[25] از طرفی تغییر در ترجیحات مصرف­کنندگان و عوامل غیراقتصادی نظیر جمعیت، حمل­و­ نقل، عوامل اجتماعی و جغرافیایی می­تواند مدل­سازی تقاضای مسکن و قیمت آن را تحت تأثیر قرار دهد. این عامل را می­توان در قالب جزء برون‌زای تغییرات تکنیکی غیرمتبلور نیز تحلیل کرد.

با توجه به موارد مذکور بایستی اطلاعات مربوط به پیشرفت تکنولوژیکی، ترجیحات مصرف‌کنندگان و عوامل غیراقتصادی در تابع عوامل مؤثر بر قیمت مسکن لحاظ گردد. مشکل اینجاست که از یک طرف امکان اندازه­گیری این عوامل وجود ندارد و از طرف دیگر اثر این عوامل ممکن است در طول زمان تغییر کرده و هر یک در جهات مختلفی بر قیمت اثر بگذارند. لذا برای این که بتوان اثرات عوامل مذکور را بر قیمت مسکن لحاظ کرد باید جزء روند را در مدل تعبیه و آن را به درستی مدل‌سازی نمود. هاروی و همکارانش[26] (1989) برای این منظور مدل­های سری زمانی ساختاری را به کار گرفته­اند. در این روش هر سری زمانی ترکیبی از یک جزء روند، جزء سیکلی و یک جزء نامنظم در نظر گرفته شده است. با در نظر گرفتن این عوامل شکل تبعی مدل در حالت ضمنی به صورت زیر خواهد بود:

(3)                                                   

که در آن   بیانگر جزء غیر قابل مشاهده یا روند ضمنی است. با فرض اینکه شکل تبعی مدل به صورت خطی باشد، در این صورت می­توان نوشت:

(4)                                                                                                                                                                                               

که در آن متغیر وابسته، جزء روند، بردار متغیرهای توضیحی،  پارامترهای نامعلوم و جزء تصادفی است که فرض می­شود دارای خاصیت نویز سفید است. همچنین فرض بر این است که جزء روند دارای فرآیند تصادفی به صورت زیر می­باشد:

(5)                                                                                                

که در آن دارای خاصیت نویز سفید ( و ) هستند. معادلات فوق به ترتیب، بیانگر سطح و شیب روند می­باشند. فرآیند فوق را به این صورت می­توان توصیف کرد که روند در یک دوره برابر با روند در یک دوره قبل به علاوه جزء رشد و برخی عوامل غیرقابل پیش بینی است که جزء رشد همان شیب است که در طول زمان متغیر است. واریانس­های  ابر پارامتر^[27] نامیده می‌شوند که نقش بسیار مهمی در تعیین ماهیت روند دارند.[28] حالات مختلف مدل­های سری زمانی ساختاری در جدول (2) ارائه شده است.

 

جدول 2. مدل سری­های زمانی ساختاری با توجه به وضعیت­های متخلف ابر پارامترها

سطح شیب
	رگرسیون بدون جزء ثابت و روند	رگرسیون با جزء ثابت و روند	رگرسیون با سطح نسبی[29]
		مدل رگرسیونی با جزء ثابت و روند	رگرسیون سطح نسبی با جزء انتقال[30]
		مدل رگرسیونی روند هموار[31]	مدل رگرسیونی با سطح و روند نسبی

منبع: هاروی و همکارانش (1989)

با توجه به جدول (2) شکل عمومی رگرسیون تصریح شده برای تبیین عوامل مؤثر بر قیمت مسکن به صورت زیر خواهد بود:

(6)             

که در آن ( ) بیانگر سرانه ساختمانهای مسکونی تکمیل شده (ساختمان مسکونی تکمیل شده به ازای هر ازدواج) است. به دلیل رعایت اصل قلت متغیرها دو متغیر تعداد ازدواج­های ثبت شده و ساختمانهای مسکونی تکمیل شده ( ) در قالب ( ) وارد مدل شده است. با توجه به اینکه متغیرهای  بیانگر بازدهی دارائی­های جایگزین برای مسکن هستند، می­توان در مدل از یک شاخص ترکیبی دارائی­های جایگزین مسکن ( ) که از طریق مؤلفه­های اصلی[32] به دست می­آیند، استفاده کرد. این روش به منظور کاهش ابعاد متغیرها جهت افزایش درجه آزادی آزادی مدل و در نتیجه دقت تخمین­زنها به­کار­گرفته می­شود که برای اولین بار توسط پیرسون[33] (1901) ارائه و بعدها توسط هاتلینگ[34] (1933) توسعه داده شد[35]. با در نظر گرفتن این موضوع مدل رگرسیونی تصریح شده در رابطه (6) به صورت زیر خواهد شد:

(7)                 

 

1. داده­های آماری و نتایج تجربی

5-1.  داده‌ها

به دلیل جمع­آوری آمارهای مربوط به قیمت خرید و فروش زمین و مسکن در مناطق شهری کشور از ابتدای سال 70، دوره زمانی تحقیق محدود به دوره 88-1370 است که به­کارگیری داده‌های فصلی علاوه بر کمک به تحلیل دقیق­تر روابط، مسئله طول نسبتاً کوتاه دوره زمانی را به طور قابل توجهی مرتفع می­کند. داده­های قیمت زمین و مسکن شامل میانگین قیمت خرید و فروش در مناطق 22 گانه شهر تهران است. برای متغیر «هزینه ساخت» از داده­های مربوط به هزینه اتمام یک متر مربع بنا در استان تهران استفاده شده است. به واسطه عدم دسترسی به آمارهای ازدواج‌های ثبت شده در شهر تهران از مقادیر مربوط به استان تهران استفاده شده است. برای قیمت طلا از قیمت روز یک عدد سکه تمام بهار آزادی استفاده شده است. از شاخص قیمت سهام در بورس تهران به صورت میانگین سه ماهه، و مقادیر نقدینگی و ارز و نرخ سود تسهیلات بانکی (نرخ بهره) به عنوان داده­هایی در سطح ملی استفاده شده است. تمامی آمارها بصورت فصلی بوده، و غیر از تعداد ازدواج که از سازمان ثبت احوال و قیمت زمین و مسکن که از وزارت راه و شهرسازی اخذ شده، منبع سایر آمارها بانک مرکزی است. لازم به ذکر است که تمامی متغیرهای اسمی مورد استفاده با استفاده از شاخص قیمت کالا و خدمات مصرفی در استان تهران به مقادیر حقیقی تبدیل شده­اند. ویژگی­های آماری متغیرهای ملحوظ در مدل در جدول (3) ارائه شده است.

 

جدول 3. ویژگی­های آماری متغیرهای ملحوظ در مدل

M	HP	CC	PHC	LP	RIR	RACI	شاخص های آماری
4/616801	16/5692	47/1255	26/0	28/6028	-75/4	04/0	میانگین
2612714	20195	2/4100	72/1	62/24719	26/7	38/0	حداکثر مقدار
8/31117	451	9/153	08/0	419	-76/36	17/0-	حداقل مقدار
4/708658	66/5870	54/1128	2/0	29/6898	12/9	08/0	انحراف معیار
3/1	15/1	12/1	81/5	31/1	-6/1	53/1	چولگی
51/3	97/2	04/3	27/43	32/3	66/5	35/7	کشیدگی
دارد	دارد	دارد	ندارد	دارد	ندارد *	ندارد	ریشه واحد در سطح	بر اساس آماره دیکی فولر تعمیم‌یافته
ندارد *	ندارد	ندارد	--	ندارد	--	--	ریشه واحد برای تقاضل مرتبه اول

منبع: یافته‌های تحقیق

با توجه به جدول (3) متغیرهای ( ) در سطح دارای ریشه واحد (نامانا) بوده ولی پس از یکبار تفاضل­گیری مانا می­شوند (انباشته از مرتبه اول ). ولی متغیرهای
( ) در سطح ریشه واحد نداشته و انباشته از مرتبه صفر  می­باشند. در مطالعات تجربی به وفور مشاهده شده که محققین به محض این که با ترکیب سری‌های  و  مواجه می­شوند سراغ روش خودرگرسیون با توزیع باوقفه ( ) رفته و حتی به تحلیل روابط هم­انباشتگی بین متغیرها می­پردازند. در حالی که صحت استفاده از این روش متوقف بر تأمین فروضی است که چنانچه برقرار نباشد بکارگیری این روش منجر به نتایج نادرست خواهد شد. یکی از این فروض، عدم همزمانی بین متغیر وابسته و متغیرهای توضیحی است. اگر همزمانی بین متغیرهای مدل وجود داشته باشد تخمین­زنها اریب­دار و ناسازگار خواهند شد. پس زمانی می‌توان این روش را به کار برد که متغیر وابسته فقط معلول متغیرهای توضیحی باشد نه علت آنها. چنانچه به این مسأله توجه نشود گویا در یک مدل سیستم معادلات همزمان پویا تک معادله­ای بدون توجه به سیستم جداگانه تخمین زده شده است. فرض دوم این است که حتی اگر همزمانی بین متغیرها وجود نداشته باشد نمی­توان ترکیبی از سری‌های  و  را در کنار هم وارد مدل کرد. البته باید بین مسأله هم­انباشتگی چندگانه[36] و این فرض تمایز قائل شد. در بحث هم انباشتگی چندگانه دسته­ای از متغیرها دارای فرآیند  و دسته­ای دیگر هستند. در این حالت می­توان یک ترکیب خطی از متغیرهای  به دست آورد که  باشد و در ترکیب با سایر متغیرهای  باقیمانده­ای با درجه انباشتگی صفر  به وجود آورد[37].

با توجه به ادبیات نظری بیان شده در این مقاله بحث عدم همزمانی بین متغیر وابسته (قیمت مسکن) و متغیرهای توضیحی منتفی است، لذا فرض اول برقرار نیست. همچنین ترکیبی از سری‌های  و  در کنار هم قرار گرفته­اند، پس فرض دوم هم برقرار نیست. با توجه به این موارد برای این که از اثرات سوء رگرسیون کاذب اجتناب شود و متغیرهای لحاظ شده در مدل مانا باشند از تفاضل مرتبه اول متغیرهای  در مدل استفاده می‌شود.

 

 

5-2. برآورد مدل

از آنجا که مدل پیشنهادی از نوع مدل­های سری زمانی ساختاری و دارای جزء غیرقابل مشاهده است، لذا با روش حداقل مربعات معمولی قابل برآورد نخواهد بود. ولی چنانچه معادله رگرسیونی (10) همراه با اجزاء ( ) در شکل فضا - حالت^[38] در قالب دو معادله جداگانه وضعیت[39] و مشاهده[40] تنظیم شوند در این صورت الگوریتم کالمن فیلتر می‌تواند یک دسته معادلات بازگشتی تولید کند که پارامترهای نامعلوم (ابر پارامترها و سایر پارامترها) از طریق روش حداکثر راستنمایی برآورد شوند که با در دست داشتن مقادیر این پارامترها برآوردهای مناسب از اجزاء سطح و شیب روند ( ) توسط کالمن فیلتر ارائه می‌شود.[41]

همان طور که قبلاَ نیز گفته شد بسته به اینکه ابرپارامترها تصادفی باشند یا ثابت، ماهیت‌های متفاوتی از روند به دست خواهد آمد. به منظور انتخاب مناسب­ترین حالت از طریق آماره نسبت راستنمایی ( ) اقدام به آزمون فرضیه تصادفی بودن هر دو جزء روند در مقابل حداقل ثابت بودن یکی از آنها می­شود. آماره نسبت راستنمایی از طریق رابطه زیر به دست می آید.

 

صورت کسر مقدار حداکثر راستنمایی حاصل از برآورد مدلی است که در آن قید لحاظ شده است و مخرج آن مقدار حداکثر راستنمایی در حالت غیر مقید است. با توجه به اینکه معمولاً مقدار حداکثر راستنمایی مقید کمتر از حالت غیرمقید است، نسبت کسر کوچکتر از یک خواهد شد. حال اگر قید بار سنگینی بر دوش داده­ها باشد (قید معتبر باشد)، نسبت فوق به سمت یک متمایل می‌شود ولی در غیر این‌صورت نسبت به سمت صفر متمایل خواهد شد. برای برآورد مدل‌ها از نرم افزار [42] که بر روی نرم افزار  پیاده می­شود، استفاده شده است. با توجه به آزمون نسبت راستنمایی و بر اساس حالت­های مختلف برآورد مدل، مناسب­ ترین حالت برای ابرپارامترها تصادفی بودن سطح روند و ثابت بودن شیب آن تشخیص داده شد. یعنی ماهیت روند ضمنی در تابع قیمت مسکن از نوع روند نسبی بوده و مدل رگرسیونی مورد برازش از نوع مدل با سطح روند نسبی می­باشد. نتایج برآورد این مدل در جدول (4) گزارش شده است.

 

جدول 4. نتایج حاصل از برآورد مدل

متغیرهای توضیحی	ضرایب برآورد شده	ابرپارامترها		آزمون های تشخیصی باقیمانده‌ها
		سطح	000033/0	انحراف معیار	98/0
		شیب	0000/0		42/0
	(00/0) 47/0	جزء نامنظم	002605/0		02/2
	(13022/0) 4685/0	ماهیت روند	Local  trend		19/0-
	(0389/0) 0062/0-	معیارهای خوبی برازش			16/0
	(0000/0) 02678/0	[43]	002/0		61/5
	(0.0000)  041/0 -		67/0		91/0
	(9722/0) 001/0		6744/5-

منبع: یافته‌های تحقیق – اعداد داخل پرانتزها در ستون ضرایب برآورد شده بیانگر سطح احتمال معناداری می­باشد.

   

بررسی آزمون­های برازش خوب مدل نشان می­دهد که متغیرهای توضیحی وارد شده در مدل 67 درصد از تغییرات متغیر وابسته را توضیح می­دهند. همچنین آزمون­های تشخیصی نشان می‌دهند هیچ­گونه ناهمسانی واریانس و خودهمبستگی در باقیمانده­ها وجود نداشته و از هیچ الگوی سیستماتیکی تبعیت نمی­کنند. نمودار (1) که تابع خودهمبستگی و خودهمبستگی جزئی باقیمانده­های حاصل از برآورد مدل را نشان می­دهد، تائیدی بر این موضوع است.

 

 

 

 

شکل 2. تابع خودهمبستگی (ستون چپ) و خودهمبستگی جزئی (ستون راست) باقیمانده‌ها

 

 

با توجه به آماره باون-شنتون[44] نشانه­ای از غیرنرمال‌بودن باقیمانده­ها در مدل وجود ندارد. این آماره ترکیبی از معیارهای کشیدگی و چولگی و دارای توزیع با درجه آزادی دو است (جدول 5).

 

جدول 5. آزمون نرمال بودن باقیمانده‌های مدل 

فرمول محاسباتی آماره باون – شنتون
معیار	آماره	سطح احتمال
چولگی	50974/0	4753/0
کشیدگی	5575/1	2120/0
آماره باون – شنتون	3557/0	0673/2

منبع: یافته‌های تحقیق و خروجی نرم افزارSTAMP 8.1–m بیانگر گشتاور است.

 

یکی از مواردی که در عارضه­یابی مدل باید به آن توجه کرد آزمون پایدار و با ثبات بودن ضرایب در طول دوره مورد بررسی است. به این معنا که آیا پارامترها در طول دوره مورد بررسی تحت تأثیر تغییرات ساختاری قرار گرفته­اند یا خیر. برای این منظور می­توان به تابع نمونه‌ای ارائه‌شده توسط براون و همکاران[45] (1975) اشاره کرد. نمودار (2) مقدار این تابع را برای باقیمانده­های مدل نشان می­دهد. نتایج بیانگر آن است که مقدار تابع نمونه­ای در طول دوره مورد بررسی همواره در داخل بازه اعتماد قرار دارد که بیانگر  پایدار و باثبات بودن پارامترها است.

 

شکل 3. نمودار تابع نمونه‌ای  برای آزمون پایداری ضرایب

 

 

5-3.  تفسیر ضرایب

بر اساس جدول (4) غیر از نرخ رشد قیمت زمین، نرخ رشد هزینه ساخت و نرخ رشد نقدینگی کلیه متغیرها در سطح احتمال 5 درصد و متغیرهای نرخ رشد قیمت زمین و نرخ رشد هزینه ساخت در سطح 10 درصد معنی­دار­ هستند. بین نقدینگی و بازدهی قیمت مسکن ارتباط معنا­دار آماری وجود ندارد اما علامت آن با نظریه سازگار است. اگر رشد نقدینگی یک درصد افزایش یابد، نرخ رشد قیمت مسکن به اندازه 001/0 درصد افزایش می‌یابد که تأثیری بسیار ناچیز است. نتایج  نشان می­دهد در بین عوامل مؤثر بر قیمت مسکن، قیمت زمین و هزینه ساخت بیشترین تأثیر را دارد. بدیهی است که تأثیرگذاری قیمت زمین بر قیمت مسکن قاعدتاً یک تأثیرگذاری باوقفه است که اثر خود بر قیمت تمام شده مسکن را پس از طی دوره ساخت و فروش نمایان می­کند. لذا رابطه نزدیک و همزمان بین قیمت زمین و مسکن بیشتر یک اثر همزمانی است تا علیت (نمودار 4). یعنی هر عاملی که قیمت زمین را افزایش دهد، به دلیل وجود یک نسبت ثابت بین قیمت زمین و مسکن در هر منطقه و تشابه عوامل بنیادین مؤثر بر قیمت آن دو، الزاماً قیمت مسکن را هم افزایش می­دهد. لذا مشابهت حرکت این دو را نباید حمل بر علیت کرد.

شکل 4. پراکنش قیمت مسکن، قیمت زمین و هزینه ساخت

 

 

در مورد نرخ بهره حقیقی نتایج نشان می‌دهد چنانچه نرخ بهره حقیقی یک درصد افزایش یابد نرخ رشد قیمت مسکن 01/0 درصد کاهش خواهد یافت. اثرگذاری این نرخ به صورت نظری به دو شکل قابل تفسیر است. اولاً نرخ بهره به معنای نرخ سود سپرده، بدیلی برای سرمایه­گذاری در خرید مسکن است و لذا انتظار رابطه منفی وجود دارد. از طرف دیگر نرخ سود تسهیلات بانکی را می­توان بخشی از هزینه تمام شده مسکن و دارای تأثیر مثبت بر قیمت مسکن دانست. مشاهده می­شود که در نتایج بدست آمده اثر منفی نرخ بهره حقیقی بر قیمت مسکن تائید شده است.

بازارهای دارایی جایگزین از دیگر عوامل مؤثر بر قیمت مسکن بود که هرقدر بازدهی آنها بیشتر باشد انتظار می­رود از میزان تقاضای مسکن کاسته شده، قیمت مسکن کاهش یابد. یافته­های تحقیق این موضوع را رد نکرده و بین شاخص ترکیبی بازدهی دارائی­های جایگزین (بازدهی نرخ ارز، بازدهی طلا و بازدهی سهام) و بازدهی مسکن رابطه منفی معنا­داری گزارش کرده است.

مطابق انتظار، سرانه ساختمانهای مسکونی تکمیل شده (شاخصی از عرضه مسکن) تأثیر منفی بر قیمت مسکن دارد. یک واحد افزایش یابد، قیمت مسکن 03/0 واحد کاهش خواهد یافت.

از دیگر نتایج مهم، تشخیص ماهیت اثرگذاری روند ضمنی بر قیمت مسکن به عنوان متغیر جانشین برای اثرات کارائی فنی، ترجیحات تقاضاکنندگان و عرضه­کنندگان و عوامل غیراقتصادی بر قیمت مسکن در نظر گرفته شد و به شیوه فضا- مکان مدل­سازی گردید. شکل (5) این روند را نشان می­دهد. نتایج حاکی از آن است که اولاً ماهیت روند نسبی بوده و ثانیاً به صورت غیرخطی است به طوری که تا سال 1381 دارای اثرات افزایشی بوده و پس از آن کاهش یافته است. پس چنانچه روند به شکل صحیح مدل­سازی نشود با توجه به عدم لحاظ اثرات انتقالی تابع قیمت مسکن پارامترهای برآورد شده تورش­دار خواهد بود که در اینجا از این خطا اجتناب شده است.

 

شکل 5. تاثیر روند ضمنی بر تغییرات قیمت مسکن در طول دوره مورد مطالعه

 

 

1. جمع بندی و نتیجه‌گیری

نوسانات قیمتی از مهم‌ترین چالش­های اقتصادی بخش مسکن است. در این مقاله عوامل موجد این نوسانات با رویکرد منطقه­ای و تمرکز در محدوده مکانی شهر تهران مورد بررسی قرار گرفت. در ادبیات نظری موضوع توجه اصلی معطوف به ویژگی­های ذاتی مسکن بود و نشان دادیم خصوصیات بازار مسکن ریشه در ویژگی­های ذاتی آن دارد. سپس استدلال شد چگونه ویژگی­های ذاتی مسکن و بازار آن، الگوی خاصی از نوسانات قیمتی در این بازار را به وجود می­آورد. در مدل تجربی عوامل مؤثر بر قیمت مسکن به دو دسته درون­بخشی و برون­بخشی تفکیک شد. پس از تلخیص مدل و تلفیق متغیرها در نهایت قیمت زمین، هزینه ساخت، نرخ بهره حقیقی، سرانه ساختمان‌های مسکونی تکمیل شده، نقدینگی و بازدهی بازارهای رقیب به عنوان عوامل مؤثر بر قیمت مسکن در نظر گرفته شد. به‌علاوه یک جزء مشاهده­نشده یا روند ضمنی (دربردارندۀ کارایی فنی، ترجیحات و عوامل غیراقتصادی) نیز در مدل لحاظ شد که عدم توجه به آن می­تواند ضرایب تورش­داری ارائه دهد. برای این منظور از مدل سری­های زمانی ساختاری بهره گرفته شد. برآورد مدل روی تفاضل مرتبه اول متغیرها صورت گرفت. تصریح معادله رگرسیونی در شکل فضا- حالت در قالب دو معادله جداگانه وضعیت و مشاهده، و به­کارگیری الگوی کالمن فیلتر از طریق تولید معادلات بازگشتی، پارامترهای نامعلوم را به روش حداکثر راستنمایی قابل برآورد ساخت. مناسب­ترین حالت برای ابر پارامترها تصادفی بودن سطح روند و ثابت بودن شیب آن تشخیص داده شد. نتایج نشان داد رشد متغیرهای نرخ بهره حقیقی، بازدهی دارایی­های جایگزین (طلا، ارز، سهام) و سرانه ساختمان‌های مسکونی تکمیل شده به طور منفی، و هزینه ساخت (در سطح 10 درصد) بطور مثبت قیمت مسکن را تحت تأثیر قرار می­دهد. ضریب بالای قیمت زمین نیز به همزمانی و تشابه عوامل بنیادین مؤثر بر قیمت زمین و مسکن منتسب شد. بین متغیر نقدینگی و قیمت مسکن به لحاظ آماری ارتباط معنا­داری وجود ندارد. برآورد روند ضمنی ماهیت نسبی و غیرخطی از آن را نشان می­دهد به طوری که تا سال 1381 دارای اثرات افزایشی بوده و پس از آن کاهش یافته است که به این ترتیب از به وجود آمدن تورش در ضرایب جلوگیری شده است.

دستاوردهای تجربی فوق بیانگر آن است که سیاست­های کنترل نوسانات بازار مسکن باید دربرگیرنده تقویت روند عرضۀ واحد مسکونی و کنترل هزینه­های ساخت باشد، ضمن این که کاهش نرخ سود بانکی با استدلال کاهش هزینه­های تولید نمی­تواند در جهت کنترل قیمت مسکن عمل کرده بلکه تأثیر افزایش­دهنده نرخ بهره پایین و منفی بر قیمت مسکن بر تأثیر آن بر کاهش هزینه­های ساخت غالب است.

---

[1] Oikarinen

[2] Necessity

[3] Durability

[4] Heterogeneity

[5] Chen and Patel

[6] Benjamin et al.

[7] Indivisibility

[8] Non-Tradability

[9] Information Inefficiency

[10] High Transaction Cost

[11] Capital Loss

[12] Capital Gain

[13] Owner-Occupier اشاره به افرادی است که در مسکن تحت تملک خود سکونت دارند.

[14] Commission Brokage

[15] Thin

[16] Liquidity

[17]  Land Price

[18]  Construction Cost

[19]  House Completion

[20] Bank Loan

[21] Dutch Disease

[22] Demographics

[23] Underlying Trend

[24] Ahmadian et al.

[25] جهت مطالعه بیشتر به منبع چیت نیس، 1384 رجوع گردد.

[26] Harvey

[27] Hyper Parameter

[28] Dimitropoulos & et al, 2004

[29] Local Level Model

[30] Local Level Model With Drift

[31] Smooth Trend Model

[32] Principal Component

[33] pearson

[34] hotelling

[35] برای توضیحات بیشتر به Johnson and Wichtern, (1992) مراجعه شود.

[36] Multi Cointegration

[37] جهت اطلاع بیشتر به محمدی (1390) مراجعه شود.

[38] State space

[39] State

[40] Observation

[41] جهت مطالعه بیشتر به Harvey, A.C. (1989) و Harvey, A.C. and S.J. Koopman (1992) رجوع گردد.

[42] Structural Time Series Analyzer, Modeler, Predictor

[43] Prediction Error Variance

[44] Bowman - Shenton

[45] Brown et al.

مراجع

منابع

-      جعفری صمیمی، احمد، علمی، زهرا، هادی­زاده آرش (1386). عوامل مؤثر بر تعیین رفتار شاخص قیمت مسکن در ایران، فصلنامه پژوهش‌های اقتصادی ایران، 9 (32): 53-31.

-      چیت نیس، مونا (1384). اثر سیاست قیمت گذاری بنزین بر رفاه اجتماعی در ایران، رساله دکتری، دانشکده اقتصاد دانشگاه تهران.

-      خیابانی، ناصر (1382). عوامل تعیین کننده قیمت مسکن در ایران. فصلنامه اقتصادمسکن، (34): 46-52.

-      درودیان حسین، محمدی شاپور، متوسلی محمود (1389). تحلیل تسری نوسانات قیمت مسکن  بین مناطق مختلف شهر تهران با استفاده از الگوی خود رگرسیون فضایی تلفیقی (SAR Panel) و الگوی تصحیح خطای برداری (VECM). پژوهشهای اقتصادی. 10 (1): 131-113.

-      رفیعی، مینو (1382). سرمایه گذاری در مسکن در مناطق مختلف کشور. فصلنامه اقتصاد مسکن. (34): 45-28.

-      سوری امیررضا، حیدری حسن، افضلی حسین (1391). بررسی رابطه متغیرهای طرف تقاضا و عرضه مؤثر بر بخش مسکن بر قیمت مسکن در ایران. پژوهشهای اقتصادی. 12 (1): 140-113.

-      صباغ کرمانی مجید، احمدزاده خالد، موسوی­نیک سیدهادی (1389). عوامل تعیین کننده قیمت مسکن با رویکرد روابط علیتی در مدل تصحیح خطای برداری: مطالعه موردی تهران. پژوهشنامه اقتصادی. 10 (37): 293-267.

-      عسگری، علی و قادری، جعفر (1381). مدل هدانیک قیمت مسکن. مجله پژوهشهای اقتصادی. (4):91-108.

-      عسکری، حشمت­الله و الماسی اسحاق (1388). بررسی عوامل مؤثر بر قیمت مسکن در مناطق شهری کشور به روش داده­های تابلویی. پژوهشنامه اقتصادی. 11 (2): 224-201.

-      عسگری، حشمت ا... و چگنی، علی (1385). تعیین عوامل مؤثر بر قیمت مسکن در استانهای کشور. فصلنامه اقتصادمسکن، (40): 19-43.

-      قرشی، منیره سادات (1385). بررسی تأثیر درآمدهای بخش نفت بر قیمت و سطح فعالیت مسکن در ایران. رساله دوره کارشناسی ارشد اقتصاد دانشگاه علامه طباطبایی.

-      محمدی، تیمور (1390). خطای متداول در کاربرد مدل­های سری زمانی: کاربرد نادرست مدل خودرگرسیونی و توزیع با وقفه. فصلنامه تحقیقات اقتصادی. (47): 183-163.

-      وزارت مسکن و شهرسازی، فصلنامه اقتصادمسکن، شماره­های مختلف.

-      بانک مرکزی، گزارش اقتصادی و ترازنامه، سال­های 1387 و 1388.

-      مرکز آمار ایران، سالنامه آماری کشور، 1389.

-     Abelson, P, Joyeux, R., Milunovich, G. and Chung, D. (2005). Explaining House Prices in Australia: 1970-2003 , Economic Record, 81(1).

-     Ahmadian, M, Chitnis, M and Lester C Hunt (2007). Gasoline Demand, Pricing Policy and Social Welfare in Iran. SEEDS, Discussion Paper Series. NO.117

-     Benjamin,John D, Chinloy,Peter,Jud G. Donald (2004),Why Do Household Concentrate Their Wealth in Housing?. Journal of Real Estate Research, 26(4).

-     Brown, R.L., Durbin, J., Evans, J.M. (1975). Techniques for testing the constancy of regression relationships over time. Journal of the Royal Statistical Society, 37, 149-163.

-     Cameron Gavin, Muellbauer John and Murphy Anthony (2006). Was There a British House Price Bubble? Evidence from a Regional Panel, University of Oxford.

-     Campbell,John Y and Cocco,Joao F (2004). How Do House Price Affect Consumption? Evidence from Micro Data. Harvard Institue of Economic Research .Discussion Paper No.2045

-     Capozza,Denis R. Hendershott,Patric H. Mack,Charlotte and Mayer Christopher J (2002). Determinants of Real House Price Dynamics. NBER working Papers, No.9262

-     Case,Karl E, Quigley,John M. and Shiller,Robert J.(2001). Comparing Wealth Effects: The Stock Market Versus The Housing Market. NBER working Papers,8606.

-     Chen, Ming-Chi and Patel, Kanak (1998). House Price Dynamics and Granger Causality:An Analysis of Taipei New Dwelling Market, Journal of Asian Real Estate Society, 1(1), 121-137.

-     Clapp J .M , Dolde.W and Titiroglu D.(1995). Imperfect Information and Investor Inferences from Housing Price Dynamics. Real Estate Economics, 23(3), 239.

-     De La paz ,PalomaTaltavul (2003), Determinants of Housing Prices in Spanish Cities, Journal Investment and Finance, vol.21(2),109-137.

-     Dimitropoulos, John, Hunt, Lester C. and Guy Judge (2004). Estimates Underlying Energy Demand Trends Using UK Annual Data, Surrey Energy Economics Centre (SEEC), Department of Economics, University of Surrey

-     Dipasquale, Denis and Wheaton, William C. (1994), Housing Market Dynamics and The Future of Housing Price, Journal of Urban Economics,35(1), 1.

-     Flamin, Marjorie and Yamashita, Takashi (2002). Owner-occupied Housing and The Composition of The Household Portfolio. American Economic Review,92(1),345.

-     Galati, Gabriele; Teppa, Federica; Alessie, Rob (2011). Macro and micro drivers of house price dynamics: An application to Dutch data. DNB Working Paper, Working Paper No. 288.

-     Harvey, A. C. (1989). Forecasting, Structural Time Series Models and The Kalman Filter. Cambridge University Press, Cambridge, UK.

-     Harvey, A. C. and Koopman, S. J. (1992). Diagnostic Checking of Unobserved Components Time Series Models, Journal of Business and Economic Statistics, 10: 377-389.

-     Hotelling, H. (1933). Analysis of a Complex of Statistical Variables into Principal Components. Journal of Educational Psychology, 24:417–441,498–520.

-     Johnson, Richard A., and Dean W. Wichern (1992). Applied Multivariate Statistical Analysis, Third Edition, Upper Saddle River, New Jersey: Prentice-Hall, Inc.

-     Johnstone , Harvey and Watuwa, Richard (2007). House Price in Canada: An Empirical Investigation. Journal of Urban Economics,35(1): 1-27.

-     Levin. Eric J and Wright, Robert E. (1997). Speculation in The Housing Market?. Journal of  Urban Studies, 34(9), 1419.

-     Mankiw, N.G and Weil, D.N.(1989). The Baby Boom, the Baby Bust, and  the  Housing Market. Journal of Regional Science and Urban Economics, 19(2): 235-258.

-     Meese, Richard and Wallace Nancy (2003). House Price Dynamics and Market Fundamentals: The Parisian Housing Market. Urban Studies,Mayvol, 40, 5-6.

-     Oikarinen , Elias (2007). Studies on  Housing Price Dynamics, Turku School of Economics, sarja/series A-9:2007.

-     Oikarinen, Elias(2006). The Diffusion of Housing Price Movements from Centre to Surrounding Areas, Journal of Housing Research, 15(1).

-     Panagiotidis, Theodore & Panagiotis Printzis (2015). On the macroeconomic determinants of the housing market in Greece: A VECM approach. Hellenic Observatory Papers on Greece and Southeast Europe, GreeSE Paper No.88.

-     Pearson, K. (1901). On Lines and Planes of Closest Fit to Systems of Points is Space, Philosophical Magazine, 23(6):559–572.

-     ShenYue, Eddie Chi-man Hui, Hongyu Liu (2005). Housing price bubbles in Beijing and Shanghai, Emerald 43.