عنوان پایان‌نامه
عوامل تعیین کننده قیمت مسکن در شهر تبریز: رهیافت اقتصاد سنجی فضایی و شبکه عصبی مصنوعی
- رشته تحصیلی
- علوم اقتصادی
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه دانشکده اقتصاد شماره ثبت: 1399;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 52472
- تاریخ دفاع
- ۱۱ بهمن ۱۳۹۰
- دانشجو
- الهام نوبهار
- استاد راهنما
- منصور خلیلی عراقی
- چکیده
- هدف اصلی این مطالعه تعیین عوامل موثر بر قیمت هدانیک مسکن و طراحی یک مدل بهینه برای پیش بینی قیمت هدانیک مسکن در کلانشهر تبریز می باشد. در این راستا مدل هدانیک قیمت مسکن به دو روش مرسوم (مدل رگرسیون کلاسیک) و فضایی مورد برآورد قرار گرفته و ضمن بررسی عوامل موثر بر قیمت هدانیک مسکن، اختلاف برآورد قیمت از طریق روش OLS و اقتصادسنجی فضایی مورد بررسی قرار گرفته است. همچنین با ترکیب روشهای اقتصادسنجی فضایی و شبکه عصبی مصنوعی یک مدل ترکیبی شبکه عصبی- فضایی طراحی شده و قدرت پیش بینی آن با مدلهای مرسوم نظیر رگرسیون هدانیک، شبکه عصبی مصنوعی و مدل رگرسیون فضایی مورد مقایسه قرار گرفته است. نتایج این مطالعه بیانگر وجود پدیده وابستگی فضایی میان قیمت واحدهای مسکونی آپارتمانی شهر تبریز می باشد. مقایسه معیارهای خوبی برازش در دو مدل رگرسیون هدانیک و هدانیک وقفه فضایی نشان دهنده قابلیت تشخیص بالاتر مدل وقفه فضایی برای تبیین عوامل موثر بر قیمت هدانیک مسکن می باشد. نتایج تخمین تابع قیمت هدانیک به روش رگرسیون فضایی بیانگر آن است که در واحدهای مسکونی آپارتمانی شهر تبریز، عوامل فیزیکی بیشتر از عوامل مکانی(محیطی و دسترسی) قیمت واحدهای مسکونی را تحت تاثیر قرار می دهند و از بین ویژگی های فیزیکی، دارابودن سالن اجتماعات، بیشترین تاثیر را بر قیمت مسکن در سطح شهر تبریز داشته است. مهمترین ویژگی مکانی اثر گذار بر قیمت نیز، نزدیکی زیاد به مراکز آموزشی(با علامت منفی) می باشد.به منظور مقایسه قدرت پیش بینی مدلها از معیارهایMSE، RMSE، MAE و استفاده شده است. براساس کلیه معیارها، مدل های ترکیبی شبکه عصبی- فضایی، هدانیک وقفه فضایی، شبکه عصبی مصنوعی و رگرسیون هدانیک به ترتیب با مقادیر برون نمونه ای 94/0، 89/0، 81/0 و 70/0 بیشترین قدرت پیش بینی را داشته اند. همچنین برای این که از نظر آماری نیز فرضیه برابری قدرت پیش بینی در مدل¬های رقیب مورد آزمون قرار گیرند، از آزمون مرگان-گرنجر-نیوبلد(MGN) استفاده شده است. که نتایج آزمون بیانگر آن است که تفاوت بین قدرت پیش بینی این مدل ها به لحاظ آماری نیز معنی دار است. لذا می توان نتیجه گرفت که مدل ترکیبی شبکه عصبی- فضایی به طور معنی داری دقیق تر از سایر مدل ها عمل می کند. نتایج بدست آمده از این تحقیق بیان می کند که مدل ترکیبی شبکه عصبی- فضایی به علت درنظر گرفتن اثر
- Abstract
- The main goal of this study is to determine the effective factors of the hedonic housing price and determining the optimum model for forecasting the housing prices in the metropolitan city of Tabriz. In this regard the housing hedonic price function was estimated in two ways; the classic regression model and spatial econometrics model. We have also studied the spatial dependence for housing prices.The results indicate that there is spatial dependence between the apartment prices in Tabriz. The goodness of fit criteria show the superiority of spatial hedonic model over the traditional hedonic model. The results of the spatial hedonic price model shows that the structural factors have more effect on the housing prices than locational factors, i.e. environmental and accessibility factors. Among the structural characteristics having lobby is the most important one. The most important locational characteristic on the housing price is the distance to educational centers (with negative sign).For our comparison we have utilized MSE, RMSE, MAE and criteria. According to all criteria, hybrid neuro-spatial model, spatial hedonic price model, ANN model and hedonic regression model, respectively with values of 0.94, 0.89, 0.81 and 0.70 have the most predicting power. In order to test the hypothesis of equal predicting power of the models, we have used MGN test. The result of this test indicates that the hybrid neuro-spatial model is statistically superior to all other models.
