RELACJA CENY NIERUCHOMOŚCI A BEZPIECZEŃSTWA MIEJSKIEGO: ANALIZY PRZESTRZENNE I BADANIA ZALEŻNOŚCI
Słowa kluczowe:
Rynek nieruchomości, rzeczywiste ceny nieruchomości, miejskie bezpieczeństwo, analizy przestrzenne, metody analizy składnika nadrzędnego, geograficznie ważona regresja (GWR).Abstrakt
Celem niniejszego artykułu jest ocena możliwości utworzenia bazy danych analitycznych do badania cen nieruchomości. W dużej mierze, artykuł przedstawia niektóre z ustaleń wspólnego projektu, prowadzonego wspólnie z wiodącymi bułgarskimi agencjami nieruchomości. Za pomocą odpowiedniego podejścia analitycznego i ujednolicenia informacji możliwe jest osiągnięcie znacznych korzyści dla bułgarskiego dynamicznego rynku. Ze względu na brak narzędzi i doświadczenia, zaistniała konieczność wyboru właściwej metody i zastosowania jej do największej bazy danych utworzonej z informacji pochodzących z innych rynków. Badanie koncentruje się na wpływie bezpieczeństwa miejskiego na ceny nieruchomości. Z jednej strony, jest to podstawowym wyznacznikiem wyboru klientów, a z drugiej strony, informacje o ocenie bezpieczeństwa mogą być wykorzystane w planowaniu przestrzennym i zarządzaniu.
W rezultacie powstał zbiór danych georeferencyjnych zawierający informacje o cechach ponad 191 000 nieruchomości w Denver, Kolorado. Zastosowanie wybranej metody – Ważonej Geograficznie Regresji Hedonicznych – na zbiorze danych wykazało na szereg kwestii związanych z ograniczeniem sprzętowym i oprogramowania, sposobu agregacji danych i obecności współliniowość pomiędzy indeksami. Zastosowanie zasad analiz geograficznego ważenia, jako sposób rozwiązania problemu współliniowości wykazały również zalety, takie jak określenie wpływu różnych wskaźników w mniejszych obszarach miejskich.
Pomimo użycia danych z innych rynków, badania umożliwiły wyciągnięcie istotnych wniosków dotyczących definicji, gromadzenia i opracowania danych niezbędnych do stworzenia odpowiedniej bazy danych do analizy bułgarskiego rynku nieruchomości.
Pobrania
Bibliografia
Anselin L., Rey S. (1991), The Performance of Tests for Spatial Dependence in a Linear Regression, Report 91-13, National Center for Geographic Information and Analysis, Santa Barbara, CA, http://www.ncgia.ucsb.edu/Publications/Tech_Reports/91/91-13.pdf.
Google Scholar
Bischoff K., Reardon S. F. (2013), Residential Segregation by Income, 1970-2009, Russell Sage Foundation, American Communities Project of Brown University. Research Paper, http://cepa.stanford.edu/sites/ default/files/report10162013.pdf (access: May 2, 2014).
Google Scholar
Bivand R., Bivand M. R., Brunsdon M. C., Fortheringham S. (2013), Package “spgwr”, “R Software Package”, http://ftp.iitm.ac.in/cran/web/packages/spgwr/spgwr.pdf (access: June 30, 2014).
Google Scholar
Bjerk D. J. (2006), The Effect of Segregation on Crime Rates In American Law & Economics Association Annual Meetings, The Berkeley Electronic Press, http://law.bepress.com/cgi/viewcontent.cgi? article=1693&context=alea (access: July 2, 2014).
Google Scholar
Buonanno P., Montolio D., Raya-Vílchez J. M. (2013), Housing Prices and Crime Perception, "Empirical Economics", vol. 45, no. 1, pp. 305-321.
Google Scholar
Chakrabarti R., Roy J. (2012), Housing Markets and Residential Segregation: Impacts of the Michigan School Finance Reform on Inter-and Intra-District Sorting, Staff Report, Federal Reserve Bank of New York, http://www.econstor.eu/handle/10419/62940 (access: June 27, 2014).
Google Scholar
Chen Z., Cho S., Poudyal N., Roberts R. K. (2007), Forecasting Housing Prices under Different Submarket Assumptions, American Agricultural Economics Association Annual Meeting, Portland, OR, http://ageconsearch.umn.edu/bitstream/9689/1/sp07ch04.pdf (access: May 6, 2014).
Google Scholar
Demšar U. et al. (2013), Principal Component Analysis on Spatial Data: An Overview, “Annals of the Association of American Geographers”, vol. 103, no. 1, pp. 106-128.
Google Scholar
Diewert W. E., Nakamura A. O., Nakamura L. I. (2008), The Housing Bubble and a New Approach to Accounting for Housing in a CPI, Social Science Research Network, Rochester, NY. SSRN Scholarly Paper, http://papers.ssrn.com/abstract=2274933 (access: June 30, 2014).
Google Scholar
DODC (2014), Denver Open Data Catalog, http://data.denvergov.org/ (access: May 28, 2014).
Google Scholar
EFUS (2014), The Manifesto of Aubervilliers and Saint-Denis, “European Forum for Urban Security”, http://efus.eu/en/resources/publications/efus/3779/ (access: June 30, 2014).
Google Scholar
EUROSTAT (2013), Handbook on Residential Property Price Indices, Publications Office of the European Union, Luxembourg.
Google Scholar
Fotheringham A. S., Brunsdon C., Charlton M. (2002), Geographically Weighted Regression: The Analysis of Spatially Varying Relationships, Wiley.
Google Scholar
Gollini I. et al. (2013), GWmodel: An R Package for Exploring Spatial Heterogeneity Using Geographically Weighted Models, “Cornell, University Library”, http://arxiv.org/abs/1306. 0413 (access: July 26, 2014).
Google Scholar
Goodman A. C., Thibodeau T. G. (1998), Housing Market Segmentation, "Journal of Housing Economics", vol. 7, no. 2, pp. 121-143.
Google Scholar
Hoesli M., Bourassa S. C., Peng V. S. (2002), Do Housing Submarkets Really Matter?, Social Science Research Network, Rochester, NY. SSRN Scholarly Paper, http://papers.ssrn.com/abstract=372160 (access: June 30, 2014).
Google Scholar
Páez A., Long F., Farber S. (2008), Moving Window Approaches for Hedonic Price Estimation: An Empirical Comparison of Modelling Techniques, “Urban Studies”, vol. 45, no. 8, pp. 1565-1581.
Google Scholar
Statistics Canada (2014), Measuring Crime in Canada: Introducing the Crime Severity Index and Improvements to the Uniform Crime Reporting Survey: Table 1 — Examples of Weights for the Crime Severity Index, http://www.statcan.gc.ca/pub/85-004-x/2009001/t001-eng.htm (access: June 30, 2014).
Google Scholar
UN-HABITAT (2007), Enhancing Urban Safety and Security: Global Report on Human Settlements 2007, United Nations Human Settlements Programme, Earthscan, London; Sterling, VA.
Google Scholar
