شبیه‌سازی تغییرات قیمت مسکن در ده کلان‌شهر کشور با استفاده از رویکرد پویایی‌شناسی سیستم

نوع مقاله : مقاله استخراج شده از پایان نامه

نویسندگان

1 دانشجوی دکتری، مدیریت سیستم‌ها، دانشکده اقتصاد، مدیریت و علوم اجتماعی، دانشگاه شیراز، شیراز، ایران

2 کارشناس ارشد مدیریت دولتی، دانشکده مدیریت و حسابداری، پردیس فارابی دانشگاه تهران، قم، ایران

3 استادیار جغرافیا و برنامه‌ریزی شهری، پردیس فارابی دانشگاه تهران ، قم، ایران

4 استادیار دانشکده مدیریت دانشگاه تهران، تهران، ایران

چکیده

مسکن به عنوان اصلی­ترین دارایی در سبد پرتفولیوی خانوارها در اقتصاد ایران بشمار می­رود, در نتیجه، تغییراتی که در قیمت مسکن رخ می­دهد از یک سو، باعث تغییر در ثروت فرد در طول زمان و به تبع آن مطلوبیت ناشی از مصرف می­شود و از سوی دیگر، با توجه به متفاوت بودن ترکیب دارایی برای افراد مختلف، تغییر در قیمت مسکن موجب می شود ثروت افراد مختلف در مقایسه با یکدیگر تغییر کند. از این رو در حوزه­ی مسکن بطور معمول مهم­ترین چالش کنترل قیمت مسکن است. در پژوهش حاضر سعی بر آن شده تا با در نظر گرفتن روابط علّی میان متغیرهای کلان اقتصادی و عوامل جمعیت­شناختی، میانگین قیمت احتمالی هر متر مربع مسکن در ده کلان­شهر رسمی کشور تا سال 1401 مورد پیش­بینی قرار گیرد و سپس با ارائه­ی سناریوهایی زمینه­ی مرتفع نمودن چالش مذکور فراهم گردد. به منظور تحقق این مهم از نرم­افزار Vensim DSS در راستای شبیه­سازی مدل پژوهش و استخراج نتایج ناشی از آن استفاده شده است. همچنین باید خاطر نشان کرد که این تحقیق از روش پویایی­شناسی سیستمی بهره گرفته است. نتایج حاصل از پژوهش حاکی از آن است که افزایش 10 درصدی قیمت نفت و نرخ ارز با در نظر گرفتن همین مقدار تغییر در نرخ مهاجرت به ترتیب زمینه­ی رشد قیمت مسکن در ایران بطور میانگین تا سطح 43/26 و 6/5 درصد می رسد.

کلیدواژه‌ها

عنوان مقاله [English]

A simulation of housing price changes in ten metropolises of the Iran: Using a system dynamics approach

نویسندگان [English]

  • Hooman Pashootanizadeh 1
  • Parvaneh Fadaei Mehr 2
  • Amin Faraji Molaii 3
  • hashem Moazzez 4
چکیده [English]

Housing is considered to be the main asset in the portfolio of households in the Iranian economy. The changes in housing prices, will change the wealth of citizens over the time and consequently will change the utility of consumption. Given the different composition of assets for different individuals, the change in housing prices will cause different people's wealth to change relative to each other. Therefore, the control of housing prices at metropolises is the most important challenge, the Iran’s Government is facing. The study aims to investigate the causal relationship between macroeconomic variables and demographic factors to predict the average possible price per square meter of housing in ten formal metropolises of the country until 2022 and by presenting scenarios, to provide a context for resolving the mentioned challenge. We used the Vensim DSS software to simulate the research model and system dynamic approach to derive the results.  Findings indicate that a 10% increase in oil prices and exchange rates, taking into account the same rate of change in migration, the growth of housing prices in Iran will reach to an average of 26.43 and 5.6 percent respectively.

کلیدواژه‌ها [English]

  • Housing Price
  • System Dynamics
  • Migration
  • Economic Factors
  • Metropolis

اصل مقاله

شبیه‌سازی تغییرات قیمت مسکن در ده کلان­شهر کشور با استفاده از رویکرد پویایی­شناسی سیستم

هومن پشوتنی زاده *

پروانه فدائی مهر **[1]

امین فرجی ملائی

هاشم معزز****

 

تاریخ دریافت: 16/01/1399

تاریخ پذیرش: 28/04/1399

 

چکیده

مسکن به عنوان اصلی­ترین دارایی در سبد پرتفولیوی خانوارها در اقتصاد ایران بشمار می­رود, در نتیجه، تغییراتی که در قیمت مسکن رخ می­دهد از یک سو، باعث تغییر در ثروت فرد در طول زمان و به تبع آن مطلوبیت ناشی از مصرف می­شود و از سوی دیگر، با توجه به متفاوت بودن ترکیب دارایی برای افراد مختلف، تغییر در قیمت مسکن موجب می شود ثروت افراد مختلف در مقایسه با یکدیگر تغییر کند. از این رو در حوزه­ی مسکن بطور معمول مهم­ترین چالش کنترل قیمت مسکن است. در پژوهش حاضر سعی بر آن شده تا با در نظر گرفتن روابط علّی میان متغیرهای کلان اقتصادی و عوامل جمعیت­شناختی، میانگین قیمت احتمالی هر متر مربع مسکن در ده کلان­شهر رسمی کشور تا سال 1401 مورد پیش­بینی قرار گیرد و سپس با ارائه­ی سناریوهایی زمینه­ی مرتفع نمودن چالش مذکور فراهم گردد. به منظور تحقق این مهم از نرم­افزار Vensim DSS در راستای شبیه­سازی مدل پژوهش و استخراج نتایج ناشی از آن استفاده شده است. همچنین باید خاطر نشان کرد که این تحقیق از روش پویایی­شناسی سیستمی بهره گرفته است. نتایج حاصل از پژوهش حاکی از آن است که افزایش 10 درصدی قیمت نفت و نرخ ارز با در نظر گرفتن همین مقدار تغییر در نرخ مهاجرت به ترتیب زمینه­ی رشد قیمت مسکن در ایران بطور میانگین تا سطح 43/26 و 6/5 درصد می رسد.

واژگان کلیدی: قیمت مسکن، پویایی­شناسی سیستمی، مهاجرت، عوامل اقتصادی، کلان­شهر.

مقدمه

از دیدگاه اقتصاد خرد، مسکن کالایی با کاربرد مصرفی و سرمایه­ای است و به عنوان یک کالای ویژه دارای خواصی نظیر ناهمگن بودن، غیرقابل جانشینی و تحرک­ ناپذیری است. از یک سو باید توجه داشت که مسکن به عنوان کالاهای مصرفی، بیشترین سهم را در سبد هزینه خانوار دارد و از سوی دیگر، مسکن به عنوان کالای سرمایه­ای می­تواند بخش عمده­ای از سرمایه­ها و نقدینگی جامعه را جذب نموده و منجر به افزایش سفته­بازی در بازار مسکن شود (ایزدخواستی و همکاران، 1398). بر این اساس تغییراتی که در قیمت مسکن ایجاد می­شود می­تواند زمینه­ی تغییر ثروت فرد در طول زمان را فراهم آورده و متناسب با متفاوت بودن ترکیب دارایی­ها در سبد خانوارها، این تغییر می­تواند موجب تغییر ثروت افراد نسبت به یکدیگر گردد.

از آنجا که تقاضای مسکن شامل دو بخش تقاضای مصرفی و تقاضای سرمایه­ای است، بروز رفتار نوسانی قیمت در بازار مسکن موجب اخلال در تامین مسکن مصرفی خواهد شد (رزبان، 1393). همچنین باید به این مهم توجه داشت که تقاضای مسکن به عنوان یک کالای سرمایه­ای تابعی از نرخ بازگشت سرمایه در بخش مسکن در قیاس با نرخ بازدهی انواع دیگر سرمایه­گذاری­های است (نصرالهی و آزادغلامی، 1392). بنابراین تمرکز بر روی سیاست­های پولی و مالی اتخاذ شده در این راستا پیش از پیش اهمیت می­یابد.

جمعیت و مسائل مربوط به آن، از جمله مسائل چند بعدی و پیچیده جوامع انسانی است که هم تحت تاثیر عوامل اقتصادی، اجتماعی، فرهنگی و سیاسی است و هم بر آن تاثیر می­گذارد. به عبارتی می­توان چنین بیان نمود که مسائل جمعیتی و تحولات مربوط به آن، به قدری گسترده و دارای پراکندگی است که در قالب نظریه یا فرمولی خاص قرار نمی­گیرد، بلکه حرکات جمعیتی خاص در یک جهت ویژه، در شرایط زمانی و مکانی متفاوت، دلایل مختلف، متنوع و گاه متضادی داشته است. بنابراین تحلیل­های اقتصادی، اجتماعی، سیاسی و فرهنگی در افق­های برنامه­ریزی کوتاه­مدت، میان­مدت و بلندمدت، بدون پیش­بینی مناسب از جمعیت آینده که در بسیاری از بخش­های برنامه­ریزی و تصمیم­گیری، راهبردی اساسی محسوب می­شود، ناکارا و گاه بحران­زا خواهد بود (محمودی و همکاران، 1391). متناسب با تاثیر اساسی این عامل بر مسائل اقتصادی نمی­توان از اثر این مهم بر بازار مسکن که بیشترین سهم را در سبد هزینه خانوار دارد، چشم­پوشی کرد. بدین روی در پژوهش حاضر به منظور پیش­بینی قیمت مسکن بر اساس رویکرد پویایی­شناسی سیستمی، بر خلاف پژوهش­های صورت پذیرفته در این حوزه، تنها به عوامل کلان اقتصادی پرداخته نشده است، بلکه در کنار این عوامل به دلیل اهمیت عوامل جمعیت­شناختی و تاثیر آن بر تغییرات قیمت مسکن، این متغیرها در مدل مورد بررسی قرار گرفته­اند. این مهم موجبات آن را فراهم می­آورد تا مدل ارائه شده نسبت به سایر مدل­های موجود از قدرت تبیین­کنندگی بیشتری برخوردار باشد و زمینه را برای شناسایی تغییرات غیرمنتظره (حباب­ها) در قیمت مسکن فراهم آورد.

مبانی نظری پژوهش

مسکن یکی از ابتدایی­ترین نیازهای اساسی خانوار است که سهم بالایی از تشکیل سرمایه ثابت کشور را به خود اختصاص داده است. این بخش با سایر بخش­های اقتصادی ارتباط وسیعی داشته و از مهم­ترین و تاثیرگزارترین بخش­های اقتصاد کشور شناخته می­شود که قابل تبدیل شدن به موتور رشد اقتصادی خصوصاً در دوران رکود اقتصادی است (قلی­زاده و کمیاب، 1387). عدم­اطمینان نسبت به آینده و نبود نظام تامین اجتماعی مناسب، مسکن را به محل درآمدی برای دوران از کار افتادگی و پیری تبدیل کرده است. از سوی دیگر در سال­های اخیر تزریق حجم بالای نقدینگی به اقتصاد کشور در غیاب عملکرد مناسب بازار سرمایه، ریسک بالای سرمایه­گذاری در بازارهای مالی و رشد اقتصادی پایین، سبب هدایت منابع به بخش مسکن و شکل­گیری روند صعودی شدید در قیمت این کالا شده است (قاسمی و همکاران، 1392). این دارایی به عنوان یک کالای ناهمگن، بادوام، غیرمنقول، سرمایه­ای، مصرفی و دارای پیامدهای جانبی، بخش قابل توجهی از بودجه خانوارها، هزینه­ها و سرمایه­گذاری ثابت ناخالص ملی را به خود اختصاص داده و نقش زیادی در اشتغال و ارزش افزوده کشورها دارد. در این میان یکی از موارد بسیار مهم و قابل تاکید در امر مسکن، پیش­بینی قیمت و عوامل موثر بر قیمت این کالا است (کاکه جوب و همکاران، 1392).

بحث مسکن از اصلی­ترین و مهم­ترین مباحث در مجموعه مطالعات اقتصادی، جمعیتی و اجتماعی بشمار می­آید و عدم پاسخگویی و عدم شناخت این مقوله مهم می­تواند تاثیر جبران­ناپذیری بر کل جامعه وارد آورد (شیخی و همکاران، 1391). نیاز به مسکن دارای دو بعد کمّی و کیفی است؛ در بعد کمّی نیاز به مسکن در برگیرنده شناخت پدیده­ها و اموری است که مساله فقدان سرپناه و میزان دسترسی به آن را مطرح می­کند. در واقع در این بعد میزان و درجه پاسخگویی به این نیاز مطرح بوده و شاخص­های کیفی مسکن مورد توجه قرار نمی­گیرد. این در حالی است که بعد کیفی مسکن، دارای ابعاد گسترده­تری است که شامل کلیه مفاهیم اجتماعی، روانشناختی، فرهنگی، اعتقادی و ایدئولوژیک می­باشد. این بعد انتظارات افراد را تحت­الشعاع قرار می­دهد (جارجومی و کالته1، 2007).

موفقیت اجرای سیاست­های تولید مسکن و برنامه­ریزی شهری مستلزم شناخت دقیق ترجیحات مصرف­کنندگان و تمایلات آن­ها نسبت به ویژگی­های خاص مسکن می­باشد. از این رو برآورد قیمت مسکن، برای برنامه­ریزان و تصمیم­گیرندگان، از اهمیت بسیاری برخوردار است (مالپِزی2، 2003). در عصر اطلاعات و همگام با افزایش سطح آگاهی جامعه، برنامه­ریزان و سیاست­گذاران باید تلاش کنند تا برنامه­های خویش را بر مبنای نظریات و سلیقه­ی افراد جامعه پایه­ریزی نمایند تا علاوه­بر دستیابی به رفاه عمومی با جلوگیری از تحمیل هزینه­های اجتماعی، شکوفایی اقتصادی بوجود آید (کِبولا3، 2009). با توجه به مباحث مطرح شده باید توجه داشت که یکی از مهم­ترین عوامل تاثیرگذار بر سلیقه و انتظارات افراد در این راستا، متکی است بر عوامل جمعیت­شناختی. ساختار سنی نیز از مهم­ترین و تاثیرگذارترین عوامل موجود در ذیل این مبحث می­باشد.

ساختار سنی جمعیت به دو صورت عمل می­کند. از یک سو خود حاصل کنش و واکنش­های اجتماعی، اقتصادی، اجتماعی، سیاسی و فرهنگی است و از سوی دیگر عامل اثرگذار بر روی عوامل مذکور می­باشد. جمعیت با توجه به ساخت و حرکات آن، کارکردها و نیازهای مشخص و حیاتی را در برمی­گیرد (محمدزاده و احمدزاده، 1385). جمعیت نقطه عطفی است که تمامی عناصر دیگر از آن شکل می­گیرند و متاثر می­شوند. بنابراین هر نوع برنامه­ریزی و تعیین خط­مشی­های اقتصادی و اجتماعی در سطوح مختلف ناحیه­ای، منطقه­ای و ملی، مستلزم آگاهی از کم و کیف پدیده­های دموگرافی است (دوکیوئر و اسچیف4، 2008).

مهاجرت پدیده­ای است که با انگیزه­های اقتصادی و غیراقتصادی صورت می­پذیرد و یکی از عوامل مهم تحولات ساختار جمعیتی در کشور می­باشد و دارای اثرات منفی و مثبت، کوتاه­مدت و بلندمدت است. در این راستا نکته مهم و کلیدی آن است که بیشترین نوسان در قیمت مسکن در مناطقی صورت می­پذیرد که بیشترین مهاجرپذیری را داشته­اند (قلی­زاده و مومنی، 1395). به تبع آن مهاجرت را می­توان به عنوان یک عامل اصلی در تغییر ساختار سنی جمعیت در نظر گرفت که با تاثیرگذاری بر روی عرضه و تقاضا مسکن، زمینه را برای رشد یا نزول این دارایی فراهم می­آورد.

عرضه­ی مسکن یکی از متغیرهای تعیین­کننده­ی قیمت مسکن بشمار می­رود. به دلیل زمان­بر بودن ساخت یک واحد مسکونی، عرضه مسکن در کوتاه­مدت ثابت بوده و به کندی به شوک­های سمت تقاضا واکنش نشان می­دهد. امّا باید در نظر داشت که در بلندمدت به علّت افزایشی بودن ارزش زمین، روند عرضه نیز افزایشی خواهد بود، که قطعاً محدودیت­های جغرافیایی و ساختمان­سازی در این حوزه اثرگذار هستند (حسن­گودرزی و آرمان مهر، 1397). باید به این موضوع اشاره داشت که عواملی همچون نوسانات مصالح ساختمانی و نیروی کار نیز می­توانند زمینه­ی ایجاد نوسانات قیمت در این حوزه را فراهم آورند. نکته­ای که در این راستا باید بدان اشاره داشت این است که تقاضای مسکن ممکن است جنبه­ی مصرفی داشته و صرفاً تامین نیاز اساسی مسکن و سرپناه مدنظر باشد، با این انگیزه دارایی حائز اهمیت بوده و سودآوری دارایی مسکن به عنوان عنصر اساسی، تقاضای مسکن را تحت تاثیر قرار دهد (قلی­زاده، 1378).

ایزدخواستی و همکاران (1398) در پژوهش خود با تاکید بر نقش دولت، به تحلیل عوامل کلان اقتصادی موثر بر شاخص توان­پذیری مسکن خانوار در مناطق شهری ایران پرداختند. به منظور تحقق این مهم از مدل داده­های تابلویی پویا استفاده شده است. نتایج حاصل از پژوهش موید این موضوع است که تسهیلات پرداختی به منظور خرید مسکن منجر به کاهش شاخص توان­پذیری و افزایش دسترسی خانوارها به مسکن می­شود. همچنین سیاست مالیاتی اعمال شده در بخش مسکن از طریق کنترل تقاضای سوداگری مسکن، دسترسی خانوارها به مسکن را افزایش خواهد داد. علاوه­بر این، اهرم زمین، قیمت دارایی­های جایگزینی مسکن، نرخ تورم، نرخ اشتغال و نرخ ازدواج، سایر عوامل اثرگذار بر شاخص توان­پذیری مسکن خانوار بشمار می­روند. امان­پور و همکاران (1397) در پژوهشی با استفاده از شبکه عصبی مصنوعی پرسپترون چند لایه، مدلی برای پیش­بینی قیمت مسکن در شهر اهواز ارائه و نتایج آن را با مدل رگرسیون چند متغیره مقایسه نمودند. نتایج حاصل از این پژوهش، نشان داد که شبکه عصبی پرسپترون چند لایه با دقت 91% نسبت به رگرسیون چند متغیره دارای دقت بیشتری در پیش­بینی قیمت مسکن بوده است و همچنین نتایج ارزیابی مدل رگرسیون مبین عملکرد ضعیف­تر این مدل در مقایسه با روش شبکه عصبی مصنوعی است. حسن­گودرزی و آرمان مهر (1397) در پژوهشی به تحلیل بازار مسکن و پیش­بینی قیمت آن تا سال 1405 پرداختند. نتایج حاصل از پژوهش حاکی از آن است که قیمت مسکن به صورت نمایی تا پایان دوره­ی مورد بررسی افزایش خواهد یافت و این افزایش از تقاضای سرمایه تبعیت می­نماید. رعنایی­کردشولی و همکاران (1396)، در پژوهشی تحت عنوان شبیه­سازی الگوی تأثیرات نوسانات دارایی­های رقیب سهام بر شاخص کل بورس اوراق بهادار تهران و قیمت مسکن با رویکرد پویایی­شناسی سیستمی به این نتیجه رسیدند، تغییرات قیمت طلا و نرخ ارز به عنوان دارایی­های جایگزین سهام، در بلندمدت به صورت معکوس بر شاخص کل بورس اوراق بهادار و قیمت مسکن، تأثیر می­گذارند و همچنین از این­رو که اقتصاد کشور مبتنی بر درآمدهای نفتی است، در نتیجه­ی افزایش قیمت جهانی نفت، افزایش قیمت مسکن و رشد شاخص کل بورس اوراق بهادار را در بلندمدت شاهد خواهیم بود. نتایج حاصل از پژوهش قلی­زاده و مومنی (1395) بیانگر این موضوع است که رابطه­ی مثبت و معناداری بین مهاجران وارد شده، درآمد خانوار، کمبود مسکن، هزینه­ی ساخت و ساز و قیمت مسکن در استان­های ایران وجود دارد. در این راستا مشخص شد که تاثیر مهاجران وارد شده بزرگتر از سایر متغیرهای مذکور می­باشد. به منظور تحقق این مهم در پژوهش حاضر از روش داده­های ترکیبی استفاده شد است.

کلی و همکاران5 (2018)، در پژوهشی به بررسی پیوند تجربی خرد میان شرایط اعتباری، سیاست کلان اقتصادی و قیمت مسکن اهتمام ورزیده­اند. نتایج حاصل از این پژوهش حاکی از آن است که محدودیت­های کلان اقتصادی، تأثیرات قابل توجهی بر روی تغییرات قیمت مسکن داشته و اثرات آن متناسب با زمان معرفی به بازار می­تواند متفاوت باشد. فانکه و همکاران6 (2018)، در پژوهش خود به تخمین و برآورد قیمت مسکن با در نظر گرفتن سیاست­های کلان در نیوزلند پرداختند. برآورد حاصل از این پژوهش مؤید این موضوع است که محدودیت­های وام که مبتنی بر سیاست­های کلان در نیوزیلند می­باشد، در سال 2013 موجبات افزایش قیمت مسکن را تا 8/3% کاهش داده است. در مطالعه صورت پذیرفته توسط تسای7 (2018)، به بررسی این موضوع پرداخته شده است که آیا استفاده از ارزهای واحد می­تواند همگرایی قیمت مسکن را در بین کشورهای مختلف فراهم آورد یا خیر. نتایج حاصل از این پژوهش تحت عنوان همگرایی قیمت مسکن در کشورهای حوزه­ی منطقه یورو مؤید این موضوع است که قانون تک نرخی برای کالاهای مبادله­ای می­تواند مورد استفاده قرار گیرد و استفاده از واحد می­تواند تغییرات قیمت بازار مسکن را نیز در برگیرد. آکتور و همکاران8 (2014) در پژوهشی تاثیر مهاجرت بر روی قیمت مسکن در نقاط شهری 20 کلان شهر ایتالیا با استفاده از روش OLS مورد بررسی قرار دادند. نتایج حاصل از این پژوهش موید این موضوع است که شوک مهاجران، متوسط قیمت مسکن در سطح شهر را افزایش می­دهد. بر این اساس مشاهده گردید که افزایش 10 درصدی جمعیت مهاجران موجبات افزایش حدود 6/1 درصدی در متوسط قیمت مسکن را فراهم می­آورد.

آنچه که پژوهش حاضر را از مطالعات صورت پذیرفته در این حوزه متمایز می­نماید، بررسی همزمان تاثیر عوامل جمعیت­شناختی و عوامل کلان اقتصادی بر قیمت مسکن در چارچوب روابط علّی است. همانطور که ملاحظه می­گردد در پژوهش­های پیشین تنها به تاثیر یکی از این دو بعد بر قیمت مسکن پرداخته شده است و یا اینکه اگر این ابعاد به صورت همزمان در پژوهش ورود پیدا کرده­اند، تنها به روابط خطی میان این عوامل بسنده شده است.

روش تحقیق­

از منظر روش­شناسی، این پژوهش از نوع آمیخته­ی اکتشافی است. از ابعاد مختلفی می­توان این پژوهش را در زمره­ی تحقیقات کیفی جای داد، که از جمله این ابعاد می­توان به این موضوع اشاره داشت که تفکر سیستمی به دنبال توضیح چگونگی فعالیت اجزایی که در ارتباط با یکدیگر قرار دارند، می­باشد. بخش کمّی این پژوهش از این رو حائز اهمیت است که در مرحله­ی فرمول­نویسی و شبیه­سازی بر اجزاء یک پدیده، تحت عنوان متغیر تمرکز نموده و به دنبال کنترل، پیش­بینی، توصیف و اثبات فرضیه­های پویا است (مریام9، 2007). در مطالعه­ی حاضر با توجه به هدف اصلی پژوهش- پیش­بینی تغییرات قیمت بازار مسکن با در نظر گرفتن عوامل کلان اقتصادی و عوامل جمعیت­شناختی- به ارائه­ی مدلی مبتنی بر رویکرد پویایی­شناسی سیستمی اهتمام ورزیده شده است. سپس با تکیه بر مشاهدات تجربی صورت پذیرفته، یافته­های ثبت شده و نظریه­های قابل استناد موجود در مبانی نظری، نمودارهای علّت- معلولی ساختاربندی گردیده است. برای مدلسازی در این حوزه از نرم­افزار10Vensim DSS استفاده شده است. در این راستا باید به این مهم اشاره داشت که در پژوهش حاضر پیش­بینی برای بازه­ی زمانی 1401-1397 صورت پذیرفته است. لازم به ذکر است که در راستای پیش­بینی الگوی پویایی­شناسی سیستمی طراحی شده از داده­های ثبت شده در مرکز آمار ایران11 استفاده شده است. اطلاعات استخراج شده، متوسط قیمت یک متر مربع واحد مسکونی در 10 کلان­شهر ایران را تا نیمه اول سال 1397 در برمی­یگرند. کلان­شهرهای مذکور به ترتیب میزان جمعیت عبارتند از: تهران، مشهد، اصفهان، کرج، شیراز، تبریز، قم، اهواز، کرمانشاه و ارومیه. برای سنجش اعتبار الگوی حاصله از این پژوهش، نتایج شبیه­سازی شده با داده­های ثبت شده تا نیمه­ی اول سال 1397 مورد مقایسه قرار گرفته است.

تعریف متغیرهای کلیدی و روابط علّت و معلولی پژوهش

توجه به این مهم که در دنیای واقعی عوامل بسیار بیشتری وجود دارند که می­توانند قیمت مسکن را تحت تاثیر خود قرار دهند، امّا به دلیل اینکه باید مرز سیستم را به منظور تکمیل مدل در محدوده­ی مشخصی تعیین نمود، در نتیجه بسیاری از این عوامل به نفع عوامل مهم­تر کنار گذاشته می­شوند. چرا که اگر این امر حادث نگردد نه تنها با یک سیستم پیچیده و غیرقابل درک روبه­رو خواهیم شد، بلکه احتمال ندارد که این مدل کامل شود. بر این اساس متناسب با نظر خبرگان این حوزه که دارای تحصیلات آکادمیک در زمینه­ی جغرافیا و برنامه­ریزی شهری بوده­اند، متغیرها شناسایی و به مدل پژوهش ورود یافته­اند. لازم به ذکر است که در این مطالعه به علت فراوانی حلقه­های علّت و معلولی، در ذیل این بخش تنها به توصیف حلقه­های اصلی پرداخته شده است.

الف) حلقه­های تعادلی نرخ تورم (B1) و قیمت مسکن (B2)

 

 

شکل 1- حلقه تعادلی نرخ تورم

شکل 2- حلقه تعادلی قیمت مسکن

همانطور که در شکل 1 نشان داده شده است، افزایش (کاهش) نرخ ازر موجبات این امر را فراهم می­آورد که قیمت مواد اولیه وارداتی مورد استفاده در صنعت ساختمان­سازی همسو با این تغییر، افزایش (کاهش) یابند. همچنین تحت تاثر قرار گرفتن قیمت نفت، همسو با تغییرات ایجاد شده در نرخ ارز، با افزایش حجم نقدینگی موجود در جامعه بر تشدید (تنزیل) نرخ تورم اثر می­گذارد. تشدید (تنزیل) نرخ تورم باعث می­شود، جمعیت جوان جامعه با هدف ارتقاء وضعیت اقتصادی خویش به سوی مهاجرت روی آورند. با وقوع این امر شاهد این امر خواهیم بود که کشور را افزایش (کاهش) میانگین سنی مواجه خواهد شد. این موضوع به خودی خود زمینه­ی کاهش (افزایش) تقاضا برای کالای مصرفی را فراهم خواهد آورد و در نهایت منجر به کاهش (افزایش) نرخ تورم خواهد شد. حلقه تعادلی قیمت مسکن که در شکل 2 نمود یافته است به این موضوع اشاره دارد که افزایش (کاهش) قیمت مسکن به دلیل تأثیری که بر سود و انگیزه تولیدکننده دارد، سبب افزایش (کاهش) ساخت مسکن و به تبع آن افزایش (کاهش) عرضه مسکن می­گردد و سپس متناسب با قانون عرضه و تقاضا موجبات کاهش (افزایش) قیمت مسکن را فراهم می­آورد.

ب) حلقه­های تقویت­کننده­ی تقاضا مسکن (R1)، عرضه مسکن (R2) و قیمت مسکن (R3).

 

 

شکل 3- حلقه تقویت­کننده تقاضا مسکن

شکل 4- حلقه تقویت­کننده عرضه مسکن

 

 

شکل 5- حلقه تقویت­کننده قیمت مسکن

 

حلقه­ی تقویت­کننده­ی تقاضا مسکن (R1) نمایش داده شده در شکل3 موید این موضوع است که مطابق قانون عرضه و تقاضا، افزایش (کاهش) تقاضا مسکن، سبب افزایش (کاهش) عرضه مسکن گردد و این امر به خودی خود زمینه­ی کاهش (افزایش) قیمت مسکن و سپس افزایش (کاهش) تقاضا مسکن را به همراه خواهد داشت.

حلقه­ی تقویت­کننده­ی عرضه مسکن (R2) که در شکل 4 نمود یافته است موید این موضوع است که افزایش (کاهش) میزان ساخت و ساز مسکن سبب افزایش (کاهش) عرضه مسکن می­گردد. این امر مبتنی بر قانون عرضه و تقاضا، زمینه­ی کاهش (افزایش) قیمت مسکن را فراهم آورده و سپس سبب افزایش (کاهش) تقاضا مسکن خواهد شد. بدین روی در نهایت انتظار می­رود که افزایش (کاهش) ساخت مسکن حادث گردد.

همانطور که در شکل 5 مشاهده می­گردد، حلقه­ی تقویت­کننده­ی قیمت مسکن (R3) به این مهم اشاره دارد که نرخ ارز با تحت تأثیر قرار دادن قیمت کالاهای وارداتی مورد استفاده در این صنعت و همچنین افزایش قیمت نفت که موجبات افزایش حجم نقدینگی در جامعه رافراهم می­آورد بر نرخ تورم اثر خواهد گذاشت. با تشدید (تنزیل) نرخ تورم، قیمت مسکن نیز افزایش (کاهش) می­یابد و بالتبع این مهم سبب افرایش (کاهش) نرخ تورم خواهد شد.

الگوی کلی شبیه­سازی و تعیین وضعیت متغیرهای نرخ و حالت

الگوی شبیه­سازی شده پژوهش که در شکل 6 نمود یافته، از سه زیرالگوی بازار مسکن، عوامل کلان اقتصادی و جمیعیت­شناختی با تمرکز بر پیش­بینی قیمت مسکن تشکیل شده است، که هریک از این زیرالگوها از طریق متغیر جریان درآمدی با یکدیگر در ارتباط قرار گرفته­اند. لازم به ذکر است که متغیرهای مورد استفاده در الگوی شبیه­سازی پژوهش به چهار دسته تقسیم می­گردند که در ذیل به شرح هریک از آنان پرداخته شده است.

متغیرهای حالت: این متغیرها نشان­دهنده­ی انباشت در یک دوره­ی زمانی هستند و در طول زمان بر اساس متغیر نرخ، افزایش و یا کاهش می­یابند.

متغیرهای نرخ: این متغیرها نرخ تغییر وضعیت­های موجود در سیستم­ها هستند.

متغیرهای کمکی: این متغیرها توابعی از متغیرهای حالت و مقادیر ثابت و برون­زا هستند. وارد کردن متغیر کمکی امکان تشخیص میان حلقه­های تعادلی و تقویت­کننده را فراهم می­آورد و موجب می­شود بتوانیم قطبیت روابط علّی و حلقه­ها را بدون ابهام تخصیص دهیم.

متغیر با میزان ثابت: متغیرهای حالتی هستند که تغییرات آنان به قدری کند است که نیازی به مدل کردن صریح آن­ها نیست (استرمن12، 2000).

 

شکل 6- نمودار حالت و جریان پژوهش

تبیین الگو

از منظر روش­شناسی، این پژوهش مبتنی بر تفکر سیستمی است. بدین منظور در الگو‌سازی به روش پویایی­شناسی سیستمی ابتدا به ارائه تصویری غنی که مبنای مدل­ است، پرداخته شده است. بر این اساس، مدل­های علت- معلولی متناسب با مشاهدات صورت پذیرفته بر روی رفتار سیستم و نیز با الهام از نظریه­های معتبر مستخرج از مبانی نظری، ساختاربندی گردیده است. در این مطالعه ﺑﺎ ﺗﻮﺟﻪ ﺑﻪ ﻣﻮﺿﻮع و ﻣﺒﺎﻧﯽ ﻧﻈﺮی ﭘﮋوﻫﺶ و ﻧﯿﻞ ﺑﻪ هدف اصلی ﭘﮋوﻫﺶ مدل­سازی و پیش­بینی تأثیر تغییرات عوامل کلان اقتصادی و جمعیت­شناختی بر قیمت مسکن به بررسی تأثیر عوامل کلیدی مؤثر بر تغییرات قیمت مسکن پرداخته شده و این امر با استفاده از نرم­افزار DSS Vensim طراحی و مورد تجزیه و تحلیل قرار گرفته است. پیش­بینی صورت پذیرفته در این راستا که تا سال 1401 حادث گردیده، بر مبنای داده­های ثبت شده در بازه­ی زمانی 1397-1391 بنا شده است. به منظور پیش­بینی و شبیه­سازی الگوی پویایی­شناسی سیستمی در راستای هدف پژوهش، از داده­های واقعی حسابرسی شده و ثبت شده موجود تا سال 1397 استفاده شده است. لازم به ذکر است که برای سنجش اعتبار الگوی حاصله از این پژوهش، نتایج شبیه­سازی مربوط به سال­های 1397 تا 1401 با الگوی مستخرجه از داده­های ثبت شده و حسابرسی شده­ از سال 1391 تا 1397 مورد مقایسه قرار گرفته است.

یافته­های پژوهش

تحلیل یافته­ها

جهت اطمینان از اعتبار نتایج شبیه­سازی باید آزمون‌هایی بر الگوی شبیه­سازی انجام شود. مراحل اولیه این آزمون‌ها مانند آزمون حلقه13، آزمون ابعاد14 توسط نرم افزار انجام شده که از توضیح آن‌ها خودداری می‌شود. در ادامه به توضیح سایر آزمون‌های اصلی پرداخته می‌شود.

آزمون رفتار مجدد15

هدف از آزمون رفتار مجدد، مقایسه­ی نتایج شبیه­سازی با داده­های موجود بر مبنای دیدگاه گذشته­نگر به منظور اطمینان از صحت عملکرد الگوی شبیه­سازی شده است. نتایج حاصله از شکل­های شماره 7 و 8 مؤید این موضوع است که اطلاعات واقعی و نتایج حاصل از شبیه­سازی متغیرهای قیمت مسکن و نرخ ارز در دوره­ی 8 ساله­ی مورد بررسی (1390 تا 1397)، رفتار متغیرهای مورد بررسی را به خوبی شبیه­سازی نموده است. در نمودارهای زیر مقادیر Current که با رنگ آبی نمایان شده­اند، مؤید رفتار شبیه­سازی شده و مقادیر House Price و Exchange Rate که با رنگ قرمز نشان داده شده­اند، مؤید رفتار واقعی برای متغیر مورد نظر می­باشند.

 

شکل 7- نتایج شبیه­سازی و داده­های واقعی برای تغییرات قیمت مسکن

 

 

شکل 8- نتایج شبیه­سازی و داده­های واقعی برای تغییرات نرخ ارز

آزﻣﻮن ﻣﺤﺎﺳﺒﻪ ﻣﯿﺰان ﺧﻄﺎ

علاوه­بر بازتولید رفتار الگو برای اطمینان از نتایج شبیه­سازی شده، خطای متغیرهای کلیدی نیز بر اساس روش­های زیر محاسبه شده است.

  1. ﺣﺪاﻗﻞ ﺧﻄﺎی ﻣﺠﺬورات 16(RMSPE): بر اساس این شاخص هرچه میزان تفاوت بین داده­های واقعی و شبیه­سازی شده کمتر باشد، به نتایج شبیه­سازی بیشتر می­توان اعتماد کرد. میزان خطا در این روش بر اساس فرمول زیر محاسبه می­گردد.

رابطه‎ 1)

2*100

در فرمول فوق  موید نتایج شبیه­سازی متغیر الگو،  موید داده­های واقعی و θ ﻧﺸﺎن­دﻫﻨﺪه­ی ﺗﻌﺪاد ﻣﺸﺎﻫﺪات اﺳﺖ. ﺑﺮ اﯾﻦ اﺳﺎس ﻫﺮﭼﻪ ﻣﯿﺰان حداقل مجذورات خطا ﺑﻪ ﺻﻔﺮ ﻧﺰدﯾﮏﺗﺮ ﺑﺎﺷﺪ ﺑﻪ ﻣﻔﻬﻮم ﺧﻄﺎی ﮐﻤﺘﺮ است.

  1. شناسایی ریشه­های خطا: روش دیگر برای سنجش انحراف مقادیر شبیه­سازی شده از داده­های واقعی، محاسبه 17UT است که بر اساس فرمول زیر محاسبه می­گردد.

رابطه‎ 2)

UT=
  1. محاسبه­ی ریشه­های خطا: با توجه به اهمیت خطا در پیش­بینی، شناخت منابع خطا در کاهش آن می­تواند در افزایش اعتماد به نتایج الگو بسیار موثر باشد. ریشه­های خطا را می­توان در سه دسته­ی ذیل طبقه­بندی نمود.
  2. خطای مبنا: زمانی که خروجی­های الگو با داده­ها با هم سنخیت نداشته باشند، این خطا ایجاد می­شود که خطای سیستماتیک نامیده می­شود.
  3. خطای انحراف: این امر زمانی محقق می­گردد که واریانس­های داده­های واقعی و شبیه­سازی با هم تفاوت زیادی داشته باشند. ریشۀ این خطا نیز ممکن است سیستماتیک یا غیرسیستماتیک باشد.
  4. 3. خطای نابرابری کوواریانس­ها: زمانی که نتایج الگو و داده­ها با هم همبستگی نداشته باشند، این خطا حادث می­گردد که اصطلاحا خطای غیرسیستماتیک نامیده می­شود (استرمن، 2000).

برای محاسبۀ ریشه­های خطا از فرمول ذیل استفاده می­گردد.

رابطه‎ 3)

Um+Us+Uc=1

رابطه‎ 4)

Um=( s a)2 /[ 2]

رابطه‎ 5)

Us= (SDS  SDA)2/ [ 2]

رابطه‎ 6)

Uc= [2*(1+r)*(SDS*SDA]/ [ 2]

رابطه 7‎)

[( s a)2+(SDS SDA)2+[2*(1+r)*(SDS*SDA)]]/[ 2]=1
     

عبارت s a بیانگر تفاضل میان متوسط اطلاعات شبیه­سازی و متوسط اطلاعات واقعی می­باشد. در روابط فوق 18(SDS) و 19(SDA) به ترتیب بیانگر انحراف معیار داده­های شبیه­سازی شده و واقعی و r نیز ضریب همبستگی میان این دو داده می­باشد. نتایج حاصل از آزمون­های محاسبه­ی خطا در جدول 1 برحسب متغیرهای کلیدی مورد بررسی در این شبیه­سازی نمایش داده شده است. هرچه ﺣﺪاﻗﻞ ﺧﻄﺎی ﻣﺠﺬورات به صفر نزدیک­تر باشد به مفهوم این است که میان داده­های شبیه­سازی شده و داده­های واقعی خطای کمتری وجود دارد. از آنجایی که این میزان برای سه متغیر نرخ تورم، نرخ ارز و قیمت نفت به ترتیب برابر است با 11286/0، 09851/0 و 10378/0، در نتیجه می­توان چنین بیان نمود که میان داده­های واقعی و شبیه­سازی شده خطای کمی وجود دارد. به عبارت دیگر می­توان چنین بیان نمود که یافته­های پژوهش مؤید این موضوع است که میزان خطای متغیرهای مورد بررسی در سطح استاندارد قرار دارند.

جدول 1- نتایج آزمون­های آماری اعتبارسنجی الگو

قیمت نفت

نرخ ارز

نرخ تورم

آزمون

10378/0

09851/0

11286/0

RMSPE

01002/0

05191/0

04833/0

UT

18813/0

14551/0

08991/0

Um

23331/0

24851/0

19881/0

Us

56779/0

55398/0

66291/0

Uc

1

1

1

Um+ Us+ Uc

منبع: یافته­های پژوهش

تحلیل حساسیت

آزمون تحلیل حساسیت در پویایی­شناسی سیستم مؤید این موضوع است که تا چه میزان متغیرهای کلیدی پژوهش نسبت به پارامترهای مورد بررسی در پژوهش حساسیت دارند. بر این اساس در این بخش پارامترهای منتخبی که به صورت مستقیم بر روی متغیرها تأثیرگذار بوده را به نسبت معینی در طیف مشخصی تغییر داده تا اثرات آنان را بر روی متغیرها بررسی نماییم. در این راستا حساسیت قیمت مسکن نسبت به تغییرات نرخ مهاجرت مورد بررسی قرار خواهد گرفت. هریک از پارامترهای مذکور را به میزان 10± درصد تغییر داده و تأثیر آن را بر قیمت مسکن مورد بررسی قرار داده­ایم. همانطور که در شکل 9 مشاهده می­شود، اثر این تغییرات بر قیمت مسکن تقریباً از سال 1396، بسیار نبوده است. یکی از علل موجود در این راستا می­تواند افزایش بی­رویه­ی نرخ ارز و توسعه­ی تحریم­ها و در نتیجه کاهش مهاجرت از کشور باشد. نتایج حاصل از تحلیل حساسیت مؤید این موضوع است که تغییر 10 درصدی در نرخ مهاجرت مسبب این امر خواهد بود که قیمت مسکن با احتمال 50، 75، 95 و 100  به ترتیب در حوزه­ی زرد، سبز، آبی و خاکستری رنگ قرار بگیرد.

 

شکل 9- نمودار تحلیل حساسیت

منبع: یافته­های پژوهش

سیاست­گذاری برای بهینه­سازی متغیرهایﮐﻠﯿﺪی اﻟﮕﻮ

هدف از بخش سیاست­گذاری، ارائه سناریوهایی و شبیه­سازی آنان به منظور دستیابی به نقطه­ی بهینه یا مطلوب­تر می­باشد، تا مساله­ای که برای آن، الگو شبیه­سازی شده است، مرتفع گردد. به عبارت دیگر می­توان چنین بیان نمود که هدف اصلی در این راستا بهینه­سازی روند تغییرات متغیرهای کلیدی متناسب با الگوی شبیه­سازی است. از این رو که آخرین اطلاعات ثبت شده در گزارشات رسمی سایت آمار ایران و بانک مرکزی در ارتباط با سال 1397 می­باشد، در نتیجه منطقی است که بررسی تغییرات در الگوی شبیه­سازی شده از سال 1397 صورت بپذیرد. در راستای هدف اصلی پژوهش به بررسی تاثیر عوامل کلان اقتصادی و عوامل جمعیت­شناختی بر تغییرات قیمت مسکن در کلان شهرهای ایران پرداخته شده است.

سیاست­گذاری برای بهینه­سازی متغیزهای کلیدی

سناریو پیش­بینی تغییرات 10± درصدی قیمت نفت و نرخ مهاجرت بر تغییرات قیمت مسکن

نتایج شبیه­سازی صورت پذیرفته در این راستا مؤید این موضوع است که افزایش 10 درصدی قیمت نفت و میزان مهاجرت به طور متوسط موجبات رشد قیمت مسکن تا سطح 43/26 درصد را در بازه­ی زمانی 1401-1398 فراهم خواهد آورد. سناریوی توصیف شده در شکل 10 تحت عنوان Policy 1 و با رنگ قرمز نمایش داده شده است. در نقطه­ی مقابل شاهد این امر خواهیم بود که کاهش 10 درصدی قیمت نفت و میزان مهاجرت نه تنها موجبات کاهش قیمت مسکن را در طی دوره­ی پیش­بینی فراهم نمی­آورد بلکه موجبات رشد قیمت مسکن را به طور متوسط در بازه­ی مورد بررسی تا حدود 6/11 درصد فراهم خواهد آورد. سنایو مذکور تحت عنوان Policy 2 در شکل 10 با رنگ سبز نمایش داده شده است. متناسب با نتایج حاصل از سناریوی شماره 1، باید این انتظار را داشت تا متناسب با شرایط تحت بررسی، قیمت مسکن به ازاء هر متر مربع تا پایان سال 1401 با افزایش و کاهش قیمت نفت و نرخ مهاجرت به ترتیب حدود 23/5 و 37/1 میلیون تومان افزایش خواهد یافت. در این راستا باید به این موضوع اشاره نمود که منحنی ارائه شده تحت عنوان Current، مؤید حالت پایه­ی پیش­بینی می­باشد.

 

شکل 10- نتایج شبیه­سازی و داده­های قیمت مسکن نسبت به قیمت نفت و نرخ مهاجرت

سناریو پیش­بینی تغییرات 10± درصدی نرخ ارز و نرخ مهاجرت بر تغییرات قیمت مسکن

نتایج حاصل از شبیه­سازی به این موضوع اشاره دارد که افزایش 10درصدی نرخ ارز و نرخ مهاجرت به صورت همزمان، یه طور متوسط موجبات افزایش قیمت مسکن به میزان 6/5 درصد را در بازه­ی زمانی مورد بررسی (1401-1398) بر مبنای هر متر مربع فراهم خواهد نمود. سناریو مذکر در این راستا تحت عنوان Policy 3 و با رنگ قرمز در شکل 11 نمایش داده شده است. در نقطه­ی مقابل تناسب با مدل شبیه­سازی شده، شاهد این امر خواهیم بود که اگر نرخ ارز و نرخ مهاجرت از کشور به صورت همزمان به میزان 10 درصد کاهش یابد، قیمت مسکن به ازاء هر متر مربع به صورت متوسط تا حدود 05/16 درصد در طی بازه­ی مورد بررسی کاهش خواهد یافت. سنایوی توصیف شده با عنوان Policy 4 و با رنگ سبز نمایش داده شده است.

 

شکل 11- نتایج شبیه­سازی و داده­های قیمت مسکن نسبت به نرخ ارز و نرخ مهاجرت

نتیجه­گیری

تشکیل حباب قیمت مسکن می­تواند دلایل متعددی داشته باشد که یکی از مهم­ترین دلایل موجود در این راستا ریشه در نقدینگی و سیاست­های پولی دارد. در این راستا باید به این نکته توجه داشت که سیاست­های پولی یا از طریق ایجاد نقدینگی بخش خصوصی و یا از طریق تقویت نظام تامین مالی مسکن بر افزایش تقاضای مسکن تاثیر می­گذارند. علاوه­بر این نباید از عوامل جمعیت­شناختی که عامل اصلی در ایجاد تقاضا برای مسکن می­باشد، چشم­پوشی نمود. بدین روی در پژوهش حاضر هر دو عامل در چارچوب یک مدل پویا در نظر گرفته شده است. نتایج حاصل از شبیه­سازی الگوی ارائه شده به منظور بررسی تغییرات قیمت مسکن برای دوره­ی مورد بررسی، حاکی از آن است که هرگونه تغییر صورت پذیرفته بر روی عوامل کلان اقتصادی و عوامل جمعیت­شناختی حاکم بر کشور می­تواند به شدّت قیمت هر متر مربع مسکن را دستخوش تغییر کند. از جمله این عوامل اقتصادی تاثیرگذار می­توان به تغییرات نرخ ارز و قیمت نفت اشاره نمود. بر این اساس، به واسطه­ی این امر که بودجه­ی کشور بیشتر مبتنی بر منابع نفتی است در نتیجه باید انتظار داشت که هرچه قیمت نفت افزایش یابد، به تبع آن حجم نقدینگی موجود در کشور نیز افزایش خواهد یافت و این مهم با افزایش تورم زمینه را برای افزایش قیمت مسکن به همراه خواهد داشت. نوسانات نرخ ارز نیز با تاثیر مستقیم بر روی برخی از نهاده­های وارداتی مورد استفاده در ساخت مسکن، به صورت غیرمستقیم بر قیمت هر متر مربع مسکن تاثیر خواهد گذاشت و این تاثیر به حدی است که نمی­توان از آن چشم­پوشی کرد. از دیگر عواملی که در پژوهش­های موجود در این راستا تا به حال بدان پرداخته نشده، عوامل جمعیت­شناختی است که تقاضا برای مسکن را افزایش یا کاهش خواهد داد. یکی از مهم­ترین این عوامل نرخ مهاجرت می­باشد، که با افزایش مهاجرت انتظار بر این است که تقاضا برای مسکن کاهش و در نتیجه قیمت آن کاهش یابد.

در مطالعه­ی صورت پذیرفته دو سناریو ارائه شده است که نتایج حاصل از سناریو 1، مبنی بر افزایش و کاهش 10 درصدی قیمت نفت و نرخ مهاجرت گواه از آن است که این تغییرات به ترتیب زمینه را برای رشد قیمت مسکن به میزان 43/26 و 6/11 درصد تا سال 1401 فراهم خواهند آورد. در سناریو 2 که موید افزایش و کاهش 10 درصدی نرخ ارز و نرخ مهاجرت می­باشد، نشان می­دهد که افزایش همزمانی تغییر این دو متغیر زمینه­ی رشد 6/5 درصدی قیمت مسکن و کاهش آنان زمینه­ی تنزل قیمت مسکن تا حدود 05/16 درصد را تا پایان دوره­ی مورد بررسی برای کشور فراهم خواهد آورد.

متناسب با نتایج حاصل از الگوی شبیه­سازی شده به سیاست­گذاران فعال در این حوزه پیشنهاد می­گردد تا با استفاده از مدل پویای ارائه شده و با تمرکز بیشتر بر روی عوامل جمعیت­شناختی و عوامل تورم­زای اقتصادی، زمینه را برای تعدیل و کنترل قیمت مسکن برای سال­های آتی فراهم آورند.

پی نوشت­ها

  1. Jarjomi & Kalteh 2. Malpezzi
  2. Cebula 4. Docquier & Schiff
  3. Kelly et al 6. Funke et al
  4. Tsai 8. Accetturo et al
  5. Merriam 10. Decision Support System
  6. https://www.amar.org.ir 12. Sterman
  7. Loop Test 14. Dimension Test
  8. Behaviour Reproduction Test 16. Root Mean Square Percent Error
  9. U-Theil’s 18. Standard Deviation Simulation
  10. Standard Deviation Actual

 

* دانشجوی دکتری، مدیریت سیستم­ها، دانشکده اقتصاد، مدیریت و علوم اجتماعی، دانشگاه شیراز، شیراز، ایران. Pashotany@yahoo.com

** دانش­آموخته کارشناسی ارشد، رشته مدیریت دولتی، گرایش پیشرفت و توسعه شهری و روستایی، دانشکده مدیریت و حسابداری، پردیس فارابی دانشگاه تهران، قم، ایران.

*** استادیار جغرافیا و برنامه­ریزی شهری، دانشگاه تهران (پردیس فارابی)، قم، ایران.

**** استادیار دانشکده مدیریت دانشگاه تهران.

فصلنامه علوم مدیریت ایران، سال چهاردهم، شمارۀ 56، زمستان 1398، صفحه 101-79

مراجع

امان­پور، سعید، سلیمانی­راد، اسماعیل، کشتکار، لیلا و مختاری، صادق. (1397). مقایسه عملکرد شبکه عصبی و رگرسیون چند متغیره در تخمین قیمت مسکن (مطالعه موردی: شهر اهواز)، فصلنامه جغرافیا و مطالعات محیطی، سال هفتم، شماره 25، صص 42-33.
ایزدخواستی، حجت، عرب مازار، عباس و احمدی، خلیل. (1398). تحلیل عوامل کلان اقتصادی موثر بر شاخص توان­پذیری مسکن خانوار در مناطق شهری ایران: با تاکید بر نقش دولت، فصلنامه مطالعات اقتصادی کاربردی ایران، سال هشتم، شماره 29، صص 71-41.
حسن­گودرزی، سپیده. و آرمان مهر، محمدرضا. (1397). تحلیل بازار مسکن و پیش­بینی قیمت آن تا سال 1405، دوفصلنامه بررسی مسائل اقتصاد ایران، سال پنجم، شماره 2، صص 103-79.
رزبان، نرگس. (1393). تامین مالی مسکن با تاکید بر بازار رهن ثانویه، فصلنامه اقتصاد مسکن، شماره 50، صص 96-69.
رعنایی کردشولی، حبیب­الله، عباسی، عباس و پشوتنی­زاده، هومن. (1396). شبیه­سازی الگوی تأثیرات نوسانات دارایی­های رقیب سهام بر شاخص کل بورس اوراق بهادار تهران و قیمت مسکن با رویکرد پویایی­شناسی سیستمی، مجله مهندسی مالی و مدیریت اوراق بهادار، شماره 23، صص 50-25.
شیخی، محمد، ابراهیم­نیا سماکوش، سعید و دامادی، محمد. (1391). بررسی شاخص­های مسکن در سکونتگاه­های غیررسمی (نمونه موردی: محله کتی شرقی و غربی بابل)، نشریه شهرسازی و معماری هفت شهر، سال سوم، شماره 39 و 40، صص 111-96.
قاسمی، محمدرضا، اربابیان، شیرین و جعفری، الناز. (1392). اندازه­گیری حباب قیمت مسکن در ایران و تاثیر سیاست­های پولی بر آن، پژوهش­های پولی- بانکی، سال ششم، شماره 18، صص 21-1.
قلی­زاده، علی­اکبر. (1378). تقاضای دارایی مسکن، مبانی نظری و کاربردهای سیاستی، برنامه­ریزی و بودجه، دوره چهارم، شماره 6، صص 80-57.
قلی­زاده، علی­اکبر و کمیاب، اکبر. (1387). بررسی سیاست پولی بر حباب قیمت مسکن در دوره­های رونق و رکود در ایران، فصلنامه اقتصاد مقداری، دوره پنجم، شماره 18، صص 77-49.
قلی­زاده، علی­اکبر و مومنی، رضوان. (1395). اثر مهاجران وارد شده بر قیمت مسکن در نقاط شهری کشور، فصلنامه علمی اقتصاد مسکن، شماره 58، صص 38-25.
کاکه جوب، آرمان رحیمی، عیسی­لو، علی اصغر، محمدیان مصمم، حسن و رحمتی، اکبر. (1392). بررسی عوامل موثر بر قیمت مسکن شهری با استفاده از مدل هدانیک قیمت (نمونه موردی: منطقه دو شهر سنندج)، فصلنامه اقتصاد و مدیریت شهری، شماره 3، صص 43-33.
محمدزاده، پرویز و احمدزاده، خالد. (1385). بررسی اثر ساخت سنی جمعیت روی تابع بلندمدت مصرف، پژوهشنامه اقتصادی، سال ششم، شماره 3، صص 70-45.
محمودی، محمدجوادف کاظمی­پور، شهلا، احراری، مهدی و نیکونسبتی، علی. (1391). پیش­بینی رشد جمعیت ایران با توجه به مولفه­های اقتصادی- اجتماعی و مبتنی بر رویکرد میان­رشته­ای، فصلنامه برنامه­ریزی و بودجه، سال هفدهم، شماره 2، صص 126-97.
نصرالهی، خدیجه و آزادغلامی، اعظم. (1392). تحلیل تاثیر تسهیلات بانکی بر قیمت مسکن در کلان شهرهای ایران، فصلنامه روند، سال بیستم، شماره 63 و 64، صص 38-15.
Accetturo, A., Manaresi, F., Mocetti, S. & Olivieri, E. (2014). Don't Stand so Close to Me: The Uban Impact of Immigration, Regional Science and Urban Economics, 45: 45-56.
Cebula, R. J. (2009). The Hedonic Pricing Model Applied to the Housing Market of the City of Savannah and Its Savannah Historic Landmark District, The Review of Regional Studies, 39(1): 9–22.
Docquier, F. & Schiff, M. (2008). Measuring Skilled Emigration Rates: The Case of Small States, IZA Discussion Paper, 3388: 1-29.
Funke, M., Kirkby, R. & Mihaylovski, P. (2018). House Prices and Macroprudential Policy in an Estimated DSGE model of New Zealand, Journal of Macroeconomics, 56: 152-171.
Jarjomi, k., & Kalteh, E. (2007). Measurement the Status of Life Quality Indicators in City for Citizens, Case Study: Gonbad Kaboos, Journal of Geography and Development, 4(8): 5-18.
Kelly, R. McCann, F. & O’Toole, C. (2018). Credit Conditions, Macroprudential Policy and House Prices, Journal of Housing Economics, 41: 153-167.
Malpezzi, S. (2003). Hedonic Pricing Models: A Selective and Applied Review, In: O'Sullivan, T. and Gibb, K., Housing Economics and Public Policy, Blackwell, Oxford, 67-89.
Merriam, S.B. (2007). Qualitative Research and Case Study Applications in Education: Revised and Expanded from Case Study Research in Education, Wiley: Jossey-Bass: SanFrancisco, CA, USA.
Sterman, J. (2000). Business Dynamics, systems Thinking and Modeling for a Complex World. New York, McGraw-Hill publication.
Tsai, I. (2018). House Price Convergence in Euro Zone and Non-Euro Zone Countries, Economic Systems, 42: 269-281.
 

فایل ها

هم رسانی

ارجاع به این مقاله

آمار