۳-۱۶-انتخاب نوع ماتریس وزنی

برای انتخاب نوع ماتریس وزنی می توان از تحلیل متغیر وابسته hp بر روی نقشه با استفاده از نرم افزار geoda استفاده کرد.بدین منظور با استفاده از نقشه مناطق کشور و تقسیم این مناطق به دو دسته با استفاده از نرم افزار geoda به بررسی و تحلیل نتایج برای رسیدن به بهترین نوع ماتریس وزنی برای استفاده در این بررسی اقدام می کنیم.با استفاده از این نرم افزار استانهارا به دو گروه دارای میانگین بالا و پایین از هر متغیر تقسیم کرده و به ترسیم نقشه آن اقدام می کنیم.
نقشه (۱-۳):نقشه تقسیم استانها به دوگروه دارای بیشترین و کمترین میانگین متوسط قیمت مسکن
منبع:یافته های تحقیق
در تقشه بدست آمده توسط نرم افزارgeoda برای متوسط میانگین استانهای دارای بالاترین قیمت مسکن همان گونه که مشاهده می شودتعدادزیادی از مناطقی که دارای بالاترین متوسط میانگین قیمت مسکن هستند در همسایگی هم هستند که با رنگ قرمز مشخص شده اند.وهمچنین تعداد بیشتری از مناطقی که دارای متوسط میانگین قیمت پایینی هستند که با رنگ سبز نشان داده شده انددر همسایگی هم قرار گرفته اند.در اقتصاد سنجی فضایی اگر مناطقی که دارای مقدار بالایی از یک متغیرهستند مناطق همسایه آنها نیز دارای مقدار بالا باشند و مناطقی که دارای مقدار پایینی از یک متغیر هستند در مجاورت آنها مناطق با مقدار پایین از همان متغیر قرار داشته باشند دارای همبستگی فضایی مثبیت هستند و اگر مناطق دارای مقدار بالا از یک متغیر دارای مناطق مجاوری باشند که مقدار آن متغیر برای آن مناطق در سطح پایینی قرار گرفته است وهمچنین اگر مناطقی که دارای مقدار پایینی از یک متغیر هستند دارای مناطق مجاوری باشند که دارای مقدار بالایی از آن متغیر هستند دارای همبستگی فضایی منفی هستند(انسلین)
نقشه (۲-۳):نقشه تقسیم استانها به دوگروه دارای بیشترین و کمترین میانگین متوسط قیمت زمین
منبع:یافته های تحقیق
در نقشه فوق که برای متغیر قیمت یک مترمربع زمین ترسیم شده است وابستگی مثبت فضایی بین مناطق همجوار(همسایه) واضح تر از نقشه ترسیم شده برای قیمت مسکن است.در نقشه فوق تمامی استانهای همجوار با استان تهران دارای قیمت زمین بالایی هستند.اما ۱۵ استانی که دارای قیمت زمین پایین هستند کاملا در کنار هم قرار ندارند ولی همگی کم وبیش دارای استانهای همجوار با قیمت زمین پایین هستند.
نقشه (۳-۳):نقشه تقسیم استانها به دوگروه دارای بیشترین و کمترین میانگین متوسط هزینه ساخت مسکن
منبع:یافته های تحقیق
در نقشه فوق که برای هزینه ساخت مسکن ترسیم شده است پراکندگی بیشتری نسبت به دو تقشه قبلی در هزینه ساخت مسکن در استانهای مختلف به چشم می خورد. بیستر این استانها در نزدیکی استان تهران قرار گرفته اند.
نقشه (۴-۳):نقشه تقسیم استانها به دوگروه دارای بیشترین و کمترین میانگین جمعیت
منبع:یافته های تحقیق
اما نقشه فوق که برای جمعیت ترسیم شده است دارای پراکندگی زیادی در مناطق پرجمعیت و همچنین کم جمعیت است که بترتیب بارنگهای قرمز و سبز در نقشه مشخص شده اند.
نقشه (۵-۳):نقشه تقسیم استانها به دوگروه دارای بیشترین و کمترین میانگین متوسط تولیدناخالص داخلی
منبع:یافته های تحقیق
نقشه فوق برای تولید ناخالص داخلی استانها ترسیم شده است در نقشه فوق استانهایی که دارای تولید ناخالص داخلی بالایی هستند در مجاورت خود حداقل یک استان وجود دارد که دارای تولید ناخالص داخلی بالایی است که این مطلب در مورد استانهای با تولید ناخالص داخلی کمتر نیز صدق می کند.
نقشه (۶-۳):نقشه تقسیم استانها به دوگروه دارای بیشترین و کمترین میانگین نرخ بیکاری
منبع:یافته های تحقیق
در نقشه فوق که برای نرخ بیکاری ترسیم شده است مجاورت مناطق دارای نرخ بیکاری بالا(قرمزرنگ) و همچنین مجاورت مناطق با نرخ بیکاری پایین (سبزرنگ) بیشتر به چشم می خورد. با توجه به نقشه های فوق و اینکه در حداقل چهار تا از پنج متغیر مورد بررسی مناطقی که دارای مقدار بالایی از یک متغیر هستند در همسایگی خود دارای مناطقی هستند که این مناطق نیز دارای مقدار بالایی از آن متغیر هستند و همچنین مناطقی که دارای مقدار کمتری از یک متغیر هستند در همسایگی مناطقی که دارای مقدار کمی ازهمان متغیر هستند قرار گرفته اند استفاده از ماتریس وزنی مجاورت بهتر می تواند این وابستگی متقابل را در مدل وارد کند تا دیگر انواع ماتریس وزنی بنابراین از ماتریس وزنی مجاورت ملکه مانند که در آن برای استانهایی که دارای مرز مشترک با یکدیگر هستند در آزمونها و برآورد مدل استفاده می کنیم.

۳-۱۷-روش شناسی تحقیق

برای برآورد مدلهای ایستا و پویای تصرح شده از روش اقتصاد سنجی پنل دیتا واز پنل دیتای فضایی برای برآورد مدل با لحاظ وابستگی مکانی مناطق استفاده شده است. انتخاب روش پنل دیتا به این دلیل است که داده هابرای۳۰استان تنها برای ۸ سال در دسترس می باشد.که حجم نمونه با توجه به تعداد مقاطع(۳۰) و تعداد سالها (۸) برای هر متغیر ۲۴۰ داده است.

۳-۱۸-انتخاب فرم تبعی رگرسیون

برای این بررسی از فرم LOG-LOG استفاده کرده ایم.یک خصوصبت جالب الگوی لگاریتمی دوطرفه این است که ضرایب شیب به عنوان کشش ها قابل تعبیر هستند.یعنی یک ضرایب رگرسیون نشان می دهند که با ازای یک درصد تغیر در متغیرهای توضیحی متغیر وابسته با فرض ثبات سایر شرایط چه مقدار تغیر می کند.یکی از مزایای کشش این است که مقادیر کشش اعداد محض است یعنی مستقل از واحد های اندازه گیری از جمله دلار،نفر-ساعت و…هستند.همچنین استفاده از الگوی لگاریتمی موجب کاهش همخطی در مدل و همچنین واریانس ناهمسانی می شود.(گجراتی ،ص۵۲)
فصل چهارم:تجزیه وتحلیل

۴-۱-مقدمه

دراین فصل ابتدا نتایج آزمونهای ایستایی وهمجمعی برای متغییرها ارائه شده است.سپس با استفاده از روشهای مختلف برآورد مدلهای کوتاه مدت وبلندمدت تصریح شده ارائه شئه است. .پس از انجام آزمونهای خودهمبستگی وواریانس ناهمسانی ،با توجه به نتایج آزمونهای واریانس ناهمسانی وخودهمبستگی مدل به روش GLS برآوردشده است.مقایسه بین ضرایب تخمینی به روشهای ols ،اثرات ثابت و GLS نیز در این فصل آمده است.در بخش آخر این فصل آزمونهای وابستگی فضایی و برآورد مدل اقتصادسنجی فضایی آمده است.

۴-۲-آزمون پایایی متغییرها

آزمون پایایی متغیرها با استفاده از نرم افزار eviews8 انجام شده است که با انتخاب گزینه summery برای انتخاب نوع آزمون نرم افزار خلاصه سه آزمون levin ,lin ، im-pesaran ,shin fisher-ADF و fisher-ppرا ارائه می دهد.تعداد وقفه های بهینه برای رفع خودهمبستگی نیز بطور خودکار توسط نرم افزار و با استفاده از معیارهای اطلاعات آکائیک و شوارتز اتنخاب می شود.ضمن اینکه این آزمون هم باروند و هم بدون روندزمانی وانجام گرفته است که خلاصه نتایج در جداول زیر آمده است:
جدول(۴-۱):نتایج آزمون Levin-lin -chu

ماخذ:یافته های تحقیق
آزمون levin-lin تنها وجود ریشه واحد مشترک درمتغیر pop را تایید می کند اما دیگر متغیرها دارای ریشه واحد مشترک نیستند و پایا هستند.آزمونهای ایم ، پسران ،شین ،فیشر-دیکی فولر و فیشر فیلیپس پرون نشان می دهد که متغیر hp بدون روند زمانی پایا است اما با اضافه شدن روند زمانی متغیر hp پایا نیست و دارای ریشه واحد مقطعی است.نتایج آزمونهای ایم ،پسران ،شین و فیشر-دیکی فولر بدون روند نشان از وجود ریشه واحد مقطعی در متغیرpland و آزمون فیشر-فیلیپس پرون حاکی از عدم وجود ریشه واحدمقطعی می باشد .اما نتایج هر سه آزمون باروند زمانی نشان دهنده وجود ریشه واحد مقطعی در متغیر pland است.بنابراین می توان نتیجه گرفت که این متغیر دارای ریشه واحد مقطعی است.در مورد متغیر un هر سه آزمون بدون روند عدم وجود ریشه واحد مقطعی را نتیجه می دهند.تنها آزمون ایم ،پسران و شین وجود ریشه واحد مقطعی را با وجود روند نتیجه می دهد ونتایج دو آزمون دیگر نشان دهنده عدم وجود ریشه واحد مقطعی درمتغیر un است که می توان نتیجه گرفت که متغیر un دارای ریشه واحد مقطعی نیست.نتایج هر سه آزمون با روند وبدون روند نشان دهنده وجود ریشه واحد مقطعی در متغیر gdp است.
نتایج هر سه آزمون بدون روند وبا وجود روند نشان دهنده وجود ریشه واحد مقطعی در متغیر cost است.
آزمونهای ایم ،پسران ،شین و فیشر-دیکی فولر با روند بدون روند با احتمال زیاد نشان می دهند که متغیرpop دارای ریشه واحد مقطعی است.و تنها آزمون فیشر –فیلبیپس پرون با روند و بدون روند نشان دهنده عدم وجود ریشه واحد مقطعی در متغیر pop است.
بنابراین از بین متغیرهای مورد استفاده تنها می توان گفت که متغیر un دارای ریشه واحد مقطعی نیست و بقیه متغیر ها یا باروند یا بدون روند درسطح دارای ریشه واحد مقطعی هستند.

۴-۳-نتایج آزمون همجمعی

با توجه به اینکه تنها متغیر نرخ بیکاری دارای ریشه واحد مقطعی نیست (پایا است) برای رهایی از رگرسیون کاذب باید از متغیرهای تفاضل گیری شود که موجب از دست دادن اطلاعات ارزشمندی که متغیرها در سطح از آن برخوردارند می شود .در صورتی که متغیرها هم انباشته باشند می توان از متغیرها در سطح برای برآورد مدل استفاده کرد.در این قسمت با استفاده از آزمون کائو با استفاده از نرم افزار eviews8به بررسی هم انباشتگی متغیرها می پردازیم. نتایج آزمون در جدول (۸) آمده است:
جدول(۴-۵):نتایج آزمون کائو

منبع :یافته های تحقیق
با توجه به احتمال بدست آمده فرضیه صفر آزمون کائو مبنی بر عدم وجود همجمعی بین متغیرها پذیرفته نمی شود در نتیجه می توان بدون هراس از رگرسیون کاذب از متغیرها در سطح استفاده کرد.

۴-۴-آزمونهای انتخاب مدل برای برآورد مدل ایستا

در این قسمت برای انتخاب بین مدلهای تجمیعی ،اثرات ثابت واثرات تصادفی ازآزمون لیمر و هاسمن استفاده می کنیم.برآورد مدلهای پنل دیتا به روشOLS با فرض وجود فروض گوس –مارکف برای اجزاء خطا و عدم همبستگی بین متغیرهای توضیحی و اجزاء خطاصورت می گیرد.در تحقیقات رایج اقتصاد سنجی ابتدا مدل مقید (pooled ) تخمین زده شده و سپس با استفاده از آزمونهای متفاوت به انتخاب بهترین مدل از بین مدلهای مقید ،مدل اثرات ثابت و مدل اثرات تصادفی پرداخته می شود در این بررسی نیز ابتدا مدل مقید تخمین زده شده و سپس بااستفاده از آزمونهای متفاوت اقدام به انتخاب بهترین مدل برای تخمین مدل ارائه شده می نماییم. برآورد مدل(۱) شده با استفاده از نرم افزار ۸ eviews انجام شده است در جدول (۴-۶) آورده شده است:
جدول(۴-۶):نتایج برآورد مدل تجمیعی به روش OLS :

-۰٫۵۱

-۰٫۰۲

pop

۰٫۰۰۷

۲٫۷۱

۰٫۱۳

gdp

۰٫۷۱۳

۰٫۳۷

۰٫۰۱

un

۰٫۰۰۰

۶٫۸۸

۴٫۶۵

c

ماخذ:یافته های تحقیق
در نتیجه مدل نهایی حاصل شده به روش GLS بصورت زیر است:
Hpit=4.65+0.20pland+0.39cost+0.13gdp
در مدل نهایی بدست آمده کشش قیمت مسکن نسبت به هزینه ساخت در طی سالهای مورد بررسی برابر۰٫۳۹ درصد بوده است که بیشترین تاثیررا بر قیمت مسکن داشته است پس از آن کشش قیمت مسکن نسبت به زمین برابر ۰٫۲۰ درصد می باشد.کشش قینت مسکن نسبت به تولید ناخالص داخلی برابر ۰٫۱۳ درصد است.
-۲-۷-۴بررسی نرمال بودن پسماندهای مدل GLS
اگر توزیع پسماندهای رگرسیون نرمال نباشد در باره استفاده از توزیع هایt و z استاندارد برای انجام آزمون فروض اطمینان وجود نخواهد داشت.( اندرس،اقتصادسنجی سریهای زمانی بارویکرد کاربردی)بنابراین با استفاده از آزمون jb (jarque-bera ) به بررسی پسماندهای مدل بدست آمده می پردازیم.فرضیه صفر در این آزمون نرمال بودن توزیع پسماندها است.این آزمون را با استفاده از نرم افزار stata انجام می دهیم.
jb rt
Jarque-Bera normality test: 5.17 Chi(2) .0754
Jarque-Bera test for Ho: normality
با توجه به احتمال بدست آمده فرضیه صفر مبنی بر نرمال بودن توزیع پسماندها در سطح ۵ درصد و ۱۰ درصد تایید می شود اما در سطح ۱ درصد رد می شود.برای اطمینان از صحیح بودن مقادیر آماره z و احتمالهای حاصله و فواصل اطمینان می توان این مقادیر را از روش خود پردازی (Bootstrapped )بدست آورد.فرآیند خود پردازی شبیه تجربه مونت کارلو است اما با یک تفاوت اساسی.در روش مونت کارلومتغیر تصادفی را از یک توزیع مفروض مانند توزیع نرمال استاندارد استخراج می نماییم .در فرآیند خود پردازی رویکرد دیگری وجود دارد و آن اینکه متغبرهای تصادفی را از توزیع مشاهده شده آنها بدست می آوریم.اصولا روش خود پردازی مبتنی بر قاعده ضربه می باشد. براساس این قاعده توزیع مشاهده شده یک متغیر تصادفی ،بهترین برآورد از توزیع واقعی آن می باشد.
ایده استفاده از روش خود پردازی را افرون [۴۱](۱۹۷۹ ) مطرح نمود. افرون این نکته اساسی را مطرح کرد که مجموعه داده های مشاهده شده عبارت است از یک نمونه تصادفی با حجم T که از توزیع احتمال واقعی داده ها حاصل شده است.به عبارت دیگر توزیع تجربی داده ها بهترین برآورد از توزیع واقعی داده ها محسوب می گردد.بدین ترتیب تابع توزیع تجربی بصورت یک توزیع گسسته تعریف می شود که در آن ،احتمال وقوع هر یک از مقادیر مشاهده شده برابر با می باشد.لذا آنچه متغیر تصادفی را می سازد تابع توزیع تجربی است و نه یک توزیع از پیش تعیین شده مانند توزیع نرمال.
برای انجام روش خودپردازی انجام مراحل زیر لازم است :
۱-مدل را تخمین زده و پسماندهای آن را بدست می آوریم.
۲-یک نمونه خودپردازش شده حاوی پسماندهای حاصله از مرحله یک را تشکیل می دهیم.برای نمونه فرض می کنیم ۱۰ مقدار از دنباله پسماندها {ε } را در اختیار داریم .با استفاده از این مقادیر می توان تعداد زیادی از دنباله مقادیر خود پردازش شده را بدین صورت بدست آورد که حاوی ۱۰ مقدار انتخابی از دنباله {ε } باشد که بصورت تصادفی و با احتمال ۱٫ ۰ از دنباله {ε }انتخاب شده اند و در دوره های زمانی مختلف جایگذاری شده اند.شاید بنظر برسد در این نمونه سازی بطور مکرر ،داده های نمونه مشاهده شده تکرار می شود امابا نمونه سازی از طریق تکرارممکن است برخی عناصر در نمونه بیش از یکبار تکرار شوند(والتر اندرسواقتصادسنجی سریهای زمانی با رویکرد کاربردی)
۳-با استفاده از نمونه خود پردازش شده مقادیر جدید ضرایب را تخمین می زنیم.
۴-مرحله دوم و سوم را بارها و بارها تکرار می کنیم و مقادیر دیگری از ضرایب را از این روش بدست می آوریم.توزیع این مقادیر (ضرایب) برآورد شده می بایست مشابه توزیع مقادیر ضرایب اصلی باشد. (اندرس،ص ۴۹۵ )

pland

۰٫۳۰۷۳۷۲۶۴***

۰٫۳۹۲۱۲۸۸۹***

cost

۰٫۲۵۱۶۹۷۷۴**

-۰٫۰۲۹۴۱۴۳۳

pop

-۰٫۰۹۹۳۰۶۶۱

۰٫۱۳۷۳۵۳۸**

gdp

۰٫۰۴۸۰۹۷۲۴

۰٫۰۱۵۹۱۱۲۵

un

۰٫۲۷۸۸۹۰۳۲***

hp(-1)

۲٫۰۰۱۱۲۶۱

۴٫۶۵۷۶۱۲۲***

c

legend: * p<0.05; ** p<0.01; *** p<0.001
منبع :یافته های تحقیق
نتایج جدول فوق نشان می دهد که کشش قیمت مسکن نسبت به متغیر pland (قیمت هر متر مربع زمین مسکونی) در دو مدل ایستا و پویا نزدیک به هم است.در مدل پویا کشش قیمت مسکن نسبت به متغیر هزینه در مدل ایستا بیشتر از مدل پویا است .در مدل ایستا متغیر pop(جمعیت) معنی دار نیست ولی در مدل پویا نه تنها این متغیر معنی دار است بلکه دارای تاثیر بالایی نیز بر قیمت مسکن است.متغیر gdp (تولید ناخالص داخلی ) در مدل پویا معنی دار نیست اما در مدل ایستا (کوتاه مدت) بر قیمت مسکن تاثیر گذار است.متغیر un(نرخ بیکاری) در هیچ یک از دو مدل برازش شده معنی دار نیست.قیمت مسکن سال قبل بر قیمت مسکن سال بعد از آن تاثیر گذار است که نشان دهنده پویایی قیمت مسکن دارد.با توجه به نتایج مدلهای بدست آمده می توان نتیجه گرفت که نرخ بیکاری در دوره مورد بررسی بر قیمت مسکن تاثیر گذار نبوده است و این فرضیه که مناطق با نرخ بیکاری کمتر دارای قیمت مسکن بلاتری هستند رد می شود.اما در کوتاه مدت مناطق دارای gdp بیشتر(ثروتمندتر) دارای قیمت مسکن بالاتری هستند(ضریب این متغیر از نظر آماری معنی دار است) اما در بلند مدت(پس از گذشت یک دوره که در این بررسی برابر یک سال است) متغیر gdp بر قیمت مسکن بی تاثیر است.دلیل این تغیر را می توان این گونه تفسیر کرد که در کوتاه مدت مناطق دارای تولید ناخالص بیشتر که در نتیجه آن خانوارها دارای درآمد بیشتری هستند در نتیجه این درآمد بالاتر قیمت مسکن در این مناطق نیز افزایش یافته و این افزایش موجب افزایش قیمت مسکن در مناطقی که دارای تولید ناخالص کمتری هستند نیز می شود در نتیجه قیمت مسکن در مناطق دارای gdp پایین نیز افزایش می یابد.

۴-۱۱-بررسی تاثیر همجواری با استان تهران در قیمت مسکن استانهای همسایه

با استفاده از مدلهای نهایی بدست آمده می توان فرضیه های مختلفی را آزمود . آیا همجواری با بعضی از استانها ی مهم و تاثیر گذار مانند تهران بر قیمت مسکن استانهای همجوار تاثیر گذار است. با متغیر مجازی می توان این فرضیه راآزمود .
در بررسی و تحلیل نموداری مشخص شد که تعداد زیادی از استانهای همسایه تهران مانند مرکزی ،قم و قزوین جزء ده استانی هستند که دارای بالاترین قیمت مسکن در کشور هستند و از میان استانهای همسایه و هم مرز با استان تهران تنها استانهای سمنان و مازندران در بین ده استانی که دارای بالاترین قیمت مسکن هستند قرار ندارند که در این میان استان مازندران در بین ۱۰ استانی که دارای متوسط قیمت مسکن هستند در رده اول قرار دارد.تنها استان سمنان از بین استانهای همجوار پایتخت در بین ۱۰ استانی که دارای پایین ترین قیمت مسکن در کشور هستند قرار گرفته است. نحوه تاثیر پذیری قیمت مسکن در این استانها از استان تهران می تواند بصورتهای گوناگونی باشد .اما می توان انتظار داشت که بیشترین تاثیر پذیری این استانها از استان تهران در متغیرهای pland و gdp صورت گیرد.برای این منظور متغیر مجازی dum2 را بدین صورت در مدل وارد می کنیم که برای استانهای همسایه استان تهران مقداریک و برای بقیه استانها مقدار صفر قرار داده می شود .

۵-۱-مقدمه

در این فصل ابتدا خلاصه یافته های تحقیق ارائه شده و سپس پیشنهاداتی برای سیاست گذاران و دست اندرکاران بخش مسکن برای برنامه ریزی های کارامدتر اراته شده است.

۵-۲-نتایج

در این بررسی تلاش شد تا مهمترین عوامل منظقه ای موثر بر قیمت مسکن در کشور در سط سالهای ۱۳۸۳ تا۱۳۹۰ مورد ارزیابی قرار گیرد..برای این بررسی از روش اقتصاد سنجی پنل دیتای مرسوم و پنل دیتای فضایی استفاده شد . نتایج بررسی نشان دهنده این است که دو عامل زمین و هزینه ساخت مهمترین عوامل منطقه ای موثر بر قیمت مسکن هستند.نتایج بررسی با استفاده از روش پنل دیتای مرسوم که شامل دو مدل ایستا و پویا است نشان می دهد مهمترین عامل موثر بر قیمت مسکن در کشور هزینه ساخت هرمترمربع واحد مسکونی است و پس از آن هزینه هر متر مربع زمین مهمترین عامل موثر بر قیمت مسکن در مناطق شهری است.اما نتایج بدست آمده از روش پنل دیتای فضایی نشان می دهد که مهمترین عامل موثر بر قیمت مسکن در مناطق شهری کشور قیمت یک متر مربع زمین است که کشش قیمت مسکن نسبت به قیمت زمین برابر ۰٫۳۱ درصد است .نتایج حاصله از روش اقتصاد سنجی مرسوم نشان می دهد که در کوتاه مدت جمعیت بر قیمت مسکن بی تاثیر است اما در بلند مدت کشش قیمت مسکن نسبت به جمعیت برابر ۰٫۲۵ درصد است که مقدار قابل توجهی است .اما در روش اقتصادسنجی فضایی ضریب متغیر جمعیت از نظر آماری بی معنی است.کشش قیمت مسکن نسبت به تولید ناخالص داخلی در کوتاه مدت برابر ۰٫۱۳ درصد است اما در بلند مدت ضریب تولید ناخالص داخلی از نظر آماری بی معنی است که نشان دهنده بی تاثی بودن تولید ناخالص داخلی بر قیمت مسکن در بلند مدت می باشد و این فرضیه که مناطق دارای تولید ناخالص داخلی بیشتر دارای قیمت مسکن بلاتری هستند در بلند مدت رد می شود.اما نتایج حاصله از روش اقتصاد سنجی فضایی نشان دهنده تاثیر قابل ملاحظه تولید ناخالص داخلی(۰٫۱۴ درصد)بر قیمت مسکن دارد.نرخ بیکاری در هیچ یک از مدلهای کوتاه مدت و بلند مدت و مدل تخمینی به روش اقتصاد سنجی فضایی از نظر آماری معنی دار نیست و این فرضیه که مناطق دارای نرخ بیکاری کمتر دارای قیمت مسکن بیشتری هستند رد می شود.تاثیر قیمت مسکن سال گذشته که از طریق مدل پویا و به روش GMM برآورد شده است نشان می دهد که کشش قیمت مسکن نسبت به قیمت مسکن در سال قبل از آن بابر ۰٫۲۷ درصد است. در مدل فضایی تخمین زده شده قیمت زمین کشش بیشتری نسبت به دیگر متغیر ها دارد که به نتایج تجربی مشاهده شده نزدیکتر است.نرخ بیکاری در دوره مورد بررسی تاثیری بر قیمت مسکن نداشته است .مقایسه نتایج روش پنل دیتا با پنل دیتای فضایی نشان دهنده این است که وابستگی فضای بین قیمت مسکن در کشور بیشتر از طریق تاثیرگذاری و تاثیر پذیری در قیمت زمین بر قیمت مسکن تاثیر می گذارد که ضریب متغیر pland در روش اقتصاد سنجی فضایی نشان دهنده این موضوع است.در صورتی که قیمت زمین در یک استان بطور قابل ملاحظه ای بیشتر از استانهای همجوار آن باشد انتظار می رود قیمت زمین در این استانها نیز تا حدی افزایش بابد.در کشور ما استان تهران به عنوان پایتخت دارای شرایط ویژه ای از نظر جمعیت ،تولید ناخالص داخلی و قیمت مسکن است و تمامی استانهای همجوارونزدیک آن نیز دارای قیمت بالا در مسکن هستند.حتی استانهایی مانند قم و زنجان که دارای تولید ناخالص داخلی کم و جمعیت به نسبت کم هستند دارای قیمت مسکن بالایی هستند.در نتیجه برای برنامه ریزی برای مسکن در کشور باید این تاثیرات را لحاظ کرد .در کشور بجزاستان اردبیل تمامی استانهایی که دارای قیمت مسکن بالایی هستند حداقل دارای یک استان همسایه با قیمت بالا هستند و مناطق دارای قیمت مسکن پایین حداقل دارای یک استان با قیمت مسکن پایین هستند(نقشه (۱)).بنابراین بررسی ویژگیهای این استان و عوامل موثر بر قیمت مسکن در این دو استان بصورت جداگانه می تواند نتایج متفاوت و مفیدی در پی داشته باشد.استان چهارمهال و بختیاری که دارای کمترین میانگین متوسط قیمت مسکن در کشور است در میان استانهایی مانند اصفهان ،خوزستان و فارس که دارای قیمت مسکن بالایی هستند قرار گرفته است.که نشان از متفاوت بودن این استان از سایر استانها دارد.در تحقیقات حشمت اله عسگری و اسحاق الماسی با عنوان بررسی عوامل موثر بر قیمت مسکن در کشور در مناطق شهری به روش داده های تابلویی برای سالهای ۱۳۷۰ تا ۱۳۸۵ نشان دهنده تاثیر بالای قیمت زمین
در این دوره بر قیمت مسکن در کشور می باشد بطوریکه در کوتاه مدت واکنش قیمت مسکن نسبت به قیمت زمین برابر۰٫۷۲ درصد و در بلند مدت برابر۰٫۶۳ درصد می باشد.اما در این بررسی واکنش قیمت مسکن نسبت به هزینه ساخت مسکن بسیار اندک و برابر ۰٫۰۰۰۰۱۷ است.همان گونه که از نتایج این بررسی مشخص است بکار گیری روشهای تخمین گوناگون می تواند نتایج متفاوتی بهمراه داشته باشدو در نظر نگرفته واریانس ناهمسانی ،خود همبستگی بین پسماندها و وابستگی فضایی می تواند منجر به نتایج نادرست در برآوردها گردد.
مهمترین نتایج این بررسی رادر دوره مورد نظر(۱۳۸۳ تا۱۳۹۰) می توان بصورت زیر خلاصه کرد:
۱-مهمترین عوامل منطقه ای موثر بر قیمت مسکن عبارتند از:الف-قیمت زمین ب-هزینه ساخت مسکن
۲-مناطق دارای تولید ناخالص داخلی بالا الزاما دارای قیمت مسکن بالایی نیستند.
۳-مناطق دارای بیکاری پایین الزاما دارای قیمت مسکن بالایی نیستند.
۴-نتایج بدست آمده از تخمین به روشهای پنل دیتا و پنل دیتای فضایی با یکدیگر متفاوت هستند.
اما تاکید بر دوره مورد بررسی به این علت است که نتایج حاصل شده می توانند در دوره های متفاوت با یگدیگر تفاوت داشته باشند و این نتایج برای دوره مورد بررسی ۱۳۸۳ تا۱۳۹۰ می باشد.

۵-۳-پیشنهادات

سیاست گذاران در حوزه مسکن باید اهمیت بیشتری به مطالعات منطقه ای بدهند چرا که همان گونه که در این بررسی مشخص شد بعضی از استانها مانند جهارمهال و بختیاری ،اردبیل ،قم و زنجان دارای ویژگیهای خاصی هستند که موجب می شود نسبت به سیاستی مشابه در حوزه مسکن واکنشهای متفاوتی از خود نشان دهند.در نتیجه استانهای متفاوت در کشور دارای ضرایب متفاوتی از متغیرها هستند که در این بررسی از آن چشم پوشی شده است.هم چنین شرایط گذشته متفاوت این استانها می تواند در عرض از مبدا متفاوت برای هر استان ظاهر شود.که این موارد بررسی های جداگانه و مستقلی را نیاز دارد برای نمونه می توان با استفاده از مدل پنل دیتای رگرسیون انتقال یکنواخت با اثرات ثابت (PSTR )که توسط گنزالز وهمکاران(Gonzalez et all,(2005) )ارائه شده است استفاده کرد .این مدل به ضرایب متغیرهای توضیحی اجازه می دهد که برای هر منطقه و در طی زمان متفاوت باشند.یا برای بررسی میزان تاثیر بر متغیر دیگر در یک استان بر استانی دیگر می توان از مدل Gvar که توسط پسران و همکاران وی ارائه شده است استفاده کرد.
بنابراین ابتدا باید در کشور تحقیقات جامع منطقه ای برای تعیین عوامل موثر بر قیمت مسکن صورت گرفته و سپس با در نظر گرفتن وابستگی های منطقه ای و میزان این وابستگی برای هر منطقه اقدام به برنامه ریزی برای مسکن در کشور کرد.می توان کشور را به بلوکها و یا مناطق با خصوصیات مشابه تقسیم کرد و برای مناطق مشابه با در نظر گرفته وابستگهای فضایی متقابل اقدام به برنامه ریزی و اجرای برنامه ها کرد.به عنوان نمونه یک منطقه می توان شامل استان تهران و استانهایی مانند:اصفهان ،قم ، مرکزی ،قزوین ،زنجان،گیلان ومازندران باشد.منطقه دیگر می تواند شامل استانهای شرقی و کویری کشور که دارای قیمت مسکن پایینی هستند مانند خراسان جنوبی ،سیستان و بلوچستان ،کرمان و یزد باشد.
انجام برنامه ریزی توسط دولت برای مسکن اقشار کم درآمد کشور امری اجتناب ناپذیر است و دولت باید به این قشر از جامعه بیش از بقیه اقشار کمک کند.ب حصول نتایج فوق تماما نیازمند وجودآمارهای دقیق و صحیح در تمامی سطوح است که در کشور ما در حالی که بسیاری از کشورهای پیشرو ،آمار چند دهه اخیر خود را به تفضیل فصلی و ماهانه در اختیار دارند هنوز محقیقن برای دسترسی به آمار سالیان اخیر با مشکل مواجه هستند.برای مثال آمارهای تعداد زیادی از استانها که در سالنامه های آماری آنها انعکاس یافته و منتشر می شود برای سالهای ۱۳۹۱ و ۱۳۹۲ در دسترس نیست .

منابع و ماخذ