نوع مقاله : گردآوری و مروری
نویسندگان
1 استادیار دانشگاه علوم اقتصادی
2 کارشناس ارشد مهندسی صنایع-سیستمهای اقتصادی اجتماعی
چکیده
کلیدواژهها
عنوان مقاله [English]
نویسندگان [English]
In this article, the impact of Mehr housing scheme on the housing market of Iran is investigated by using panel data and asymmetric ARDL model proposed by Schein, Yu, and Greenwood-Nemov (2011) . For this purpose, the data for nine provinces namely: Tehran, Guilan, Mazandaran, Eastern Azerbaijan, Khuzestan, Fars, Isfahan, Hamedan, and Zanjan in the period 1991 to 2011 are applied. The variables are extracted from Poterba and Tobin model, and we assume the issued building permits to be our variable in estimating the effect of Mehr housing on the house price. Our results show the high impact of the number of households (population) variable, and the liquidity on housing price. Also, the important conclusion is that the Mehr housing scheme has not been able to reduce housing prices and prohibit its indiscriminate growth. However, performance of the plan has affected the expectations of people for future, and resulted in stagnation of housing transactions which itself has caused the relative decline of housing price.
کلیدواژهها [English]
مقدمه
امروزه جامعه ایران در مرحله سریعی از تحول اقتصادی و اجتماعی قرار گرفته است. میل به مصرف و دستیابی بر کلیه امکانات رفاهی و تمام مظاهر توسعه خواست هر یک از افراد جامعه ایرانی است. داشتن مسکن خوب و مناسب نیز یکی از خواستهای جامعه متحول امروزی است. موضوع مسکن به علت ویژگیهای آن و به سبب ارتباطی که با تمام گروههای اجتماعی دارد، پیوسته مورد توجه و علاقه عموم مردم بوده است. مسکن از جمله مسائل اجتماعی است که ابعاد گوناگون دارد که باید با دیدی
همه سو نگر به سراغ آن رفت.
طرح مسکن مهر در ابتدا در قالب بند د تبصره 6 قانون بودجه سال 1386 در ایران آغاز شد و سپس بر مبنای قانون ساماندهی و حمایت از تولید و عرضه مسکن، به صورت پیوسته در دستور کار قرار گرفت. البته ذکر این نکته نیز ضروری است که این طرح که در حقیقت شامل اجاره بلندمدت زمین جهت احداث مسکن است، در طرح جامع مسکن نیز پیشنهاد شده بود. حال پس از گذشت 6 سال از آغاز این طرح کاهش محسوسی در قیمت مسکن مشاهده نشده است و حتی در برخی از مقاطع شاهد افزایش شدید قیمت مسکن و اجاره آن بودهایم. همچنین عدهای بر این عقیده هستند که طرح مسکن مهر چه در قالب مجتمع و چه در قالب انفرادی باعث افزایش تورم در این مقطع شده است، این موضوع باعث شد تا به بررسی وضعیت قیمت مسکن در ایران بپردازیم و میزان تأثیر این سیاست بر قیمت مسکن را مورد ارزیابی قرار دهیم.
1. پیشینهی تاریخی
در این قسمت مطالعاتی که در این زمینه انجام شده است مورد بررسی قرار میگیرد. در پایان نتایج کلی بهدست آمده برای استفاده و مقایسه با نتایج پژوهش بیان خواهد شد.
علی اکبر قلیزاده (1391) در مطالعهای با عنوان "اثر اعتبارات بر قیمت مسکن در ایران" اثر اعتبارات اعطایی بانکها بر قیمت مسکن با توجه ویژه بر آخرین شوک اتفاق افتاده در 1385-1386 با استفاده از الگوی خود توضیح برداری با وقفههای گسترده[1]و بر مبنای دادههای فصلی دوره 1370-1386 به این نتایج دست یافت که، رابطه مثبت و معنیداری بین تسهیلات اعطایی بانکها به بخش مسکن و قیمت مسکن هم در کوتاهمدت و هم در بلندمدت وجود دارد و همچنین رابطه علّی یکطرفه از طرف تسهیلات به قیمت مسکن برقرار میباشد. کششهای برآورد شده حکایت از تفاوت میزان اثرگذاری متغیّرها در دورههای افزایش و کاهش قیمت دارد، با این وجود افزایش تقاضا از طریق رشد جمعیت اثر شدیدتری بر قیمت مسکن خواهد داشت و در مقابل مؤثرترین سیاست جهت فایق آمدن بر رکود بخش مسکن توسعه تسهیلات اعتباری میباشد.
قلی زاده و کمیاب (1387) در مطالعهای دیگر به بررسی اثر سیاست پولی بر حباب قیمت مسکن در دورههای رونق و رکود در ایران پرداختهاند، بر این اساس از روش نسبت قیمت به اجاره برای محاسبهی حباب و از تکنیک ARDL به منظور برآورد مدل براساس دادههای فصلی ایران طی سالهای
1371-1385 استفاده شد و نتایج بدین گونه بود که شکلگیری حبابها در دورههای رونق و رکود متفاوت بوده است و متغیّرهای مؤثر و اثرات نهایی آنها بر حباب یکسان نبوده است.
کنستانتینوس کاتراکلیدیس[2] و دیگران (2012)، در مقالهای تحت عنوان "چه عواملی باعث پویاییهای قیمت مسکن در یونان شده است؟" شواهد جدیدی از مدل NARDL بهدست آورد. در این پژوهش با استفاده از متغیّرهای کلان اقتصادی سعی در تعیین عوامل تأثیرگذار بر قیمت مسکن شده است. نتایج نشان میدهند تغییرات مثبت و منفی متغیّرهای توضیحی تأثیر زیادی بر قیمت مسکن چه در بلندمدت و چه در کوتاهمدت میگذارند.
اسچکر[3] (2007)؛ در پژوهشی به بررسی وجود حباب قیمت مسکن در شهر هامبولد ایالات متحده میپردازد. در این بررسی از روش نسبت قیمت به اجاره (P/E) برای تشخیص حباب در دورهی
1989-2004 استفاده میکند. نتایج نشان میدهد که در خلال سه سال از ژانویه 2002 تا دسامبر 2004 متوسط رشد قیمت مسکن 72 درصد معادل 750/113 دلار افزایش یافته است که در این میان بیشترین سرعت رشد مربوط به سال 2004 میباشد. در سالهای 2003 و 2004 نسبت P/E سه واحد افزایش یافته در حالی که این نسبت از 1989 تا 2002 هرگز بیش از یک واحد کاهش یا افزایش نداشته است. از این مسأله میتوان نتیجه گرفت که حباب قیمت در بازار مسکن هامبولد وجود دارد.
سوئرنسن[4] (2006)؛ در مطالعهای تحت عنوان "پویاییهای قیمت مسکن؛ برگرفته از شواهد بینالمللی" بهدنبال بررسی علل افزایش جهانی و جنبش جهانی و جنبش کوتاهمدت قیمت مسکن میباشد. وی بازار مسکن چهار کشور آمریکا، انگلیس، نروژ و هلند را از زمان تولید دادهها در هر کشور تا سال 2004، مورد بررسی قرار داده است. برای این امر ابتدا ترکیبی از مدل پوتربا و Q توبین را بهعنوان مبنای تئوریک مدل انتخاب کرده است و سپس با استفاده از مدل ARDL به تخمین قیمت بنیادی مسکن پرداخته و پسماند مدل را بهعنوان حباب در نظر گرفته است. در این مطالعه متغیّرهای بنیادی توضیحدهندهی قیمت مسکن که از مدل پوتربا و توبین استخراج شده و در مدل وارد شدهاند عبارتند از درآمد، هزینهی ساخت، اجاره و متغیّرهای جمعیتی (جمعیت بین 15 تا 35 سال بهعنوان تقریبی از جمعیت خریداران مرتبهی اول مسکن). در مرحلهی بعد، وی برای مشاهدهی تأثیر قیمت دورهی قبل در روند حبابی و ریسک ترکیدن حباب، متغیّر قیمت اسمی مسکن با یک وقفه را در مدلECM [5] لحاظ کرده و متغیّرهای مربوط را در قالب یک معادلهی رگرسیونی دیگر مورد بررسی قرار میدهد.
نتایج فوق نشان میدهند که جمعیت یک متغیّر تأثیرگذار بر قیمت مسکن میباشد و اعطای تسهیلات تأثیر کمی بر کاهش قیمت مسکن دارد و همچنین متغیّر درآمد تأثیری بر قیمت مسکن در ایران ندارد.
2. روش تحقیق و ساختار مدل ARDLنامتقارن
با توجه به تعریف گرنجر و یوان در سال 2002، 2 سری زمانی بهطور نامتقارن همانباشتهاند هرگاه مؤلفههای مثبت و منفی آنها با یکدیگر همانباشته باشند. در این پژوهش یکی از روشهای
تک معادلهای[6] موسوم به الگوی نامتقارن (غیرخطی) خودتوضیح با وقفههای توزیع[7] بهرهگیری شده است.
روش ARDL توانایی تخمین اجزای کوتاهمدت و درازمدت را دارد. این روش همچنین قادر به رفع مشکلات مربوط به حذف متغیّر و خودهمبستگی است و در ضمن به دلیل اینکه این مدلها عموماً عاری از مشکلاتی چون خودهمبستگی سریالی و درونزایی هستند، تخمینهای بهدست آمده از آنها نااریب و کارا خواهد بود[8]. فرم عمومی مدل ARDL بهصورت زیر تعریف میشود.
(1)
که
(2)
و
(3)
که در آن:
عملگر وقفه است و بردار متغیّرهای قطعی مانند عرض از مبدأ، متغیّرهای مجازی ، روندهای زمانی و یا سایر متغیّرهای برونزاست، متغیّر موردنظر در زمان و در مقطع و متغیّر خطاست.
مدل ARDL نامتقارن بهکار رفته در این بخش یک تکنیک جدید برای تشخیص روابط غیرخطی و نامتقارن متغیّرهای اقتصادی در بلندمدت و کوتاهمدت است. این تکنیک توسط شاین و دیگران[9] توسعه یافت و در واقع گسترشیافته مدل ARDL خطی است که در بالا ذکر شد[10].
قبل از توسعه کامل مدل NARDL (ARDL نامتقارن) رابطه بلندمدت نامتقارن زیر را تعریف میکنیم:
(4)
که و متغیّرهای انباشته از مرتبه یک هستند و
(5)
ترکیب خطی همانباشته مؤلفههای مثبت و منفی را در نظر میگیریم (اسکوردرت،2003)[11].
(6)
اگر انباشته از مرتبه صفر باشد، در این صورت گوییم و بهصورت نامتقارن همانباشتهاند.
چنانچه و در این صورت همانباشتگی متقارن خواهد بود.
3. مدل و نتایج تجربی
تمامی متغیّرها براساس مدل پوتربا و توبین در نظر گرفته شدهاند.
دادههای استفاده شده در تحلیل تجربی، دادههای پنل از سال 1370 تا 1390 میباشند.
تجزیه و تحلیل مدل تجربی بهصورت کلی زیر در نظر گرفته میشود:
(7)
بهطوری که در آن لگاریتم طبیعی متغیّر جمعیت در زمان و در استان میباشد.
لگاریتم نقدینگی، لگاریتم طبیعی تورم در زمان و در استان میباشد، لگاریتم طبیعی شوک مثبت در درآمد، لگاریتم طبیعی شوک منفی در درآمد و و بهترتیب لگاریتم طبیعی افزایش و کاهش در تعداد پروانههای ساختمانی است. با توجه به مزیتهای ذکر شده بخش قبل برای استفاده از مدل الگوی کلی مدل را برای متغیّرهای ذکر شده بهصورت زیر در نظر میگیریم:
(8)
که در آن توسط معیارهای اطلاعات آکایک ( )[12] و شوارز بیزین ( )[13] و هنان کوئین ( )[14] انتخاب میشود.
در ابتدا لازم است مرتبه انباشتگی متغیّرها را بررسی کنیم تا مطمئن شویم هیچکدام از متغیّرها نیستند، چنانچه این امر رعایت نشود استفاده از مدل نامعتبر خواهد بود (Ouattarat, 2004).
برای بررسی این مهم از آزمون ریشه واحدDickey and Fuller (1979) استفاده خواهیم کرد. نتایج جدول (1) نشان میدهد که هیچکدام از متغیّرها نیستند بنابراین ما مجاز به استفاده از مدل ARDL هستیم.
متغیّر |
Levin,lin & chut |
Im,Pesaran & chi-s |
ADF-Fisher chi-s |
مانایی |
0002/0 |
000/1 |
8419/0 |
||
0007/0 |
9399/0 |
9971/0 |
||
0002/0 |
000/0 |
000/0 |
||
0093/0 |
000/0 |
000/0 |
||
000/0 |
0013/0 |
007/0 |
||
000/0 |
000/0 |
000/0 |
||
000/0 |
000/0 |
000/0 |
مأخذ: یافتههای تحقیق
به منظور استفاده از مدل ARDL بایستی وجود همانباشتگی پنهان بین متغیّرها ثابت شود بدین منظور مراحل زیر را در پیش میگیریم:
ابتدا با استفاده از آزمون والد[15] محدودیت: [16]
را آزمون میکنیم، نتایج آزمون به شرح ذیل میباشد:
جدول-2. آزمون والد
|
|||
Probability |
df |
Value |
Test Statistic |
0000/0 |
(73/7) |
265467/9 |
F-statistic |
0000/0 |
7 |
85827/64 |
Chi-square |
:Null Hypothesis
Null Hypothesis Summary: |
|||
Std.Err. |
Value |
Normalized Restriction |
|
073999/0 037654/0 075401/0 113459/0 015660/0 016149/0 097663/0 |
330802/0- 080112/0 404834/0 056368/0 005114/0 009687/0 431113/0- |
||
Restriction are linear coefficients. |
مأخذ: یافتههای تحقیق
مقدار محاسبه شده توسط آزمون والد 265467/9 است و مقدار بحرانی محاسبه شده توسط پسران برای در سطح 1% (با عرض از مبدأ محدود و بدون روند)[17] برابر 90/3 است، که مقدار بهدست آمده توسط آزمون والد بیشتر از این مقدار میباشد و این بیانگر وجود همانباشتگی بین متغیّرهای مذکور میباشد. بنابراین وجود همانباشتگی نامتقارن تأیید میشود.
1-3. برآورد مدل
با استفاده از معیار اطلاعات آکایک Akaike Information Criterion (1981) تعداد وقفهها تعیین شدند، حال مدلی بهصورت زیر را تخمین میزنیم:
(9)
نتایج نهایی پس از انجام آزمونهای آماری در جدول (3) نشان داده شده است. به جهت بررسی تأثیر طرح مسکن مهر بر قیمت مسکن از متغیّر مجازی استفاده کردهایم که مقدار این متغیّر از مقطع پرداخت تسهیلات تا سال 1390، یک، و در سالهای دیگر مقدار صفر را اختیار کرده است. این متغیّر مجازی را 1D نامیده و نتایج بهدست آمده به شرح جدول زیر است:
جدول-3. نتایج تخمین مدل
Dependent Variable: DLNHP Method: Panel EGLS (Cross-section SUR) Sample (adjusted): 1378-1390 Periods included: 13 Cross-sections included: 9 Total panel (balanced) observations: 117 Linear estimation after one-step weighting matrix
|
||||
Variable |
Coefficient |
Std. Error |
t-Statistic |
Prob. |
C |
767970/3- |
723783/0 |
205939/5- |
0000/0 |
(1-) LNHP |
330802/0- |
073999/0 |
470368/4- |
0000/0 |
LNPOP |
080112/0 |
037654/0 |
127566/2 |
0368/0 |
LNLIQ |
404834/0 |
075401/0 |
369100/5 |
0000/0 |
LNINFL |
056368/0 |
113459/0 |
496812/0 |
6208/0 |
LNINCOMPOS |
005114/0 |
015660/0 |
326577/0 |
7449/0 |
LNINCOMNEG |
009687/0 |
016149/0 |
599862/0 |
5505/0 |
1D |
431113/0- |
097663/0 |
414293/4- |
0000/0 |
*LNBPERMITPOS1D |
008075/0 |
004332/0 |
863728/1 |
0664/0 |
LNBPERMITPOS |
049227/0- |
039110/0 |
258688/1- |
2122/0 |
LNBPERMITNEG |
044602/0- |
039135/0 |
139690/1- |
2581/0 |
|
Weighted Statistics |
|
|
|
R-squared |
841176/0 |
Mean dependent var |
194028/1 |
|
Adjusted R-squared |
747622/0 |
S.D. dependent var |
834954/2 |
|
S.E. of regression |
138726/1 |
Sum squared resid |
65894/94 |
|
F-statistic |
991354/8 |
Durbin-Watson stat |
206632/2 |
|
Prob(F-statistic) |
000000/0 |
|
|
|
|
|
|
|
|
|
Unweighted Statistics |
|
|
|
R-squared |
636496/0 |
Mean dependent var |
178060/0 |
|
Sum squared resid |
659059/1 |
Durbin-Watson stat |
363397/2 |
مأخذ: یافتههای تحقیق
نتایج آزمون نشان میدهند که متغیّر مجازی در سطح 95/0 معنادار است. یعنی تغییراتی در این مقطع رخ داده است. از طرفی مقدار متغیّر مجازی منفی است و این نشانگر آن است که عرض از مبدأ مدل کاهش یافته است.
ضریب متغیّر جمعیت برابر 21/0 محاسبه میشود[18]، از طرفی این متغیّر در سطح 95/0 معنادار است و این بدان معناست که یک درصد تغییر در جمعیت در ایران در طی دورهی مورد بررسی توانسته است 21/0 درصد تغییر در قیمت مسکن را منجر شود، از طرفی این تغییر در بلندمدت ایجاد شده است و بیانگر این موضوع مهم است که هیچگاه افزایش در میزان عرضه نتوانسته است تأثیر افزایش ناشی از جمعیت را بر قیمت مسکن کاهش دهد، ضریب متغیّر تغییرات لگاریتمی جمعیت (Dlnpop) نیز به لحاظ آماری در سطح 95/0 معنادار میباشد که این بدان معناست که تغییرات تعداد خانوار در کوتاهمدت (تغییرات لحظهای) بر تغییر در قیمت مسکن مؤثر میباشد و این در واقع همان تقاضای مؤثر در کوتاهمدت است که در ایران با افزایش تعداد خانوارها اتفاق میافتد. بنابراین در ایران هم در کوتاهمدت و هم در بلندمدت متغیّر جمعیت (تعداد خانوار) تأثیر زیادی بر قیمت مسکن داشته است. در صورتی که تأثیرات جمعیت بر قیمت مسکن بایستی در کوتاهمدت فقط صورت پذیرد چرا که افزایش تقاضا در بلندمدت به واکنش عرضه بستگی دارد. با مقایسهی ضریب متغیّر جمعیت (تعداد خانوار) در کوتاهمدت (27/0) و در بلندمدت (21/0) به این نتیجه میرسیم که در بلندمدت افزایش میزان عرضه به میزان (06/0) توانسته است تأثیر ناشی از افزایش جمعیت را کاهش دهد. ضریب متغیّر نقدینگی برابر 21/1 محاسبه میشود و همچنین این متغیّر معنادار است، این بیانگر وجود اثر بالای نقدینگی بر قیمت مسکن است. نقدینگی مهمترین متغیّر برونبخشی اثرگذار بر نوسانات قیمت مسکن تلقی میشود. یعنی یک واحد تغییر در نقدینگی میتواند 21/1 درصد واحد تغییر در قیمت مسکن ایجاد کند. ضریب تورم در سطح 9/0 معنادار میباشد، و مقدار ضریب این متغیّر 15/0 محاسبه شده است. منفی بودن ضریب متغیّر مجازی 1D در جدول (3) باعث کاهش عرض از مبدأ مدل شده است و از طرفی شیب افزایش قیمت مسکن در مقطع پرداخت تسهیلات کمتر از مقطع قبل از آن شده است و این نتیجه بیانگر این مهم است که این طرح باعث کاهش تقاضای مسکن در این مقطع شده است و متقاضیان مسکن همگی به امید کاهش قیمت مسکن دست از خرید مسکن کشیدند. نتایج بهدست آمده حاکی از آن است که شوکهای درآمدی و شوک وارده بر افزایش ساخت و ساز در این مقطع هیچ تأثیری بر قیمت مسکن نداشته و نتیجه با توجه به شرایط موجود سازگار است. متغیّر مجازی را برای متغیّر تغییرات لگاریتمی تعداد پروانههای ساخت (DLNBPERMITPOS) که بیانگر تأثیرات کوتاهمدت عرضه بر قیمت مسکن است در نظر میگیریم. سال شروع طرح مسکن مهر 1386 میباشد اما از آنجا که میانگین زمان مورد انتظار برای ساخت یک واحد مسکونی دو سال است (مدت زمان مشارکت در ساخت)؛ لذا بایستی تأثیر این طرح بعد از گذشت دو سال بر قیمت مسکن باشد. نتایج به شرح جدول زیر است:
جدول-4. متغیّر مجازی برای تعداد پروانههای ساخت در کوتاهمدت
Dependent Variable: DLNHP Method: Panel EGLS (Cross-section SUR) |
||||
|
|
|
|
|
Variable |
Coefficient |
Std. Error |
t-Statistic |
Prob. |
|
|
|
|
|
|
|
|
|
|
C |
262165/0 |
224237/1 |
214146/0 |
8317/0 |
LNHP(-1) |
092658/0- |
092674/0 |
999828/0- |
3243/0 |
LNPOP |
048381/0 |
056299/0 |
859362/0 |
3960/0 |
LNLIQ |
089127/0- |
120801/0 |
737802/0- |
4656/0 |
LNINFL |
087001/0 |
124024/0 |
701483/0 |
4876/0 |
LNINCOMPOS |
067186/0 |
108409/0 |
619744/0 |
5394/0 |
LNINCOMNEG |
066023/0 |
109278/0 |
604179/0 |
5496/0 |
LNBPERMITPOS |
040493/0- |
049560/0 |
817053/0- |
4194/0 |
LNBPERMITNEG |
023728/0- |
049828/0 |
476208/0- |
6369/0 |
DLNHP(-1) |
133902/0 |
102439/0 |
307142/1 |
1997/0 |
DLNINFL |
198097/0 |
088195/0 |
246117/2 |
0311/0 |
DLNPOP |
302965/0 |
344845/0 |
878554/0 |
3856/0 |
DLNINCOMPOS |
067912/0- |
107938/0 |
629174/0- |
5333/0 |
DLNINCOMNEG |
072903/0- |
108714/0 |
670599/0- |
5069/0 |
DLNLIQ |
234661/0 |
318922/0 |
735796/0 |
4668/0 |
D1 |
006468/0 |
096508/0 |
067022/0 |
0469/0 |
D1*DLNBPERMITPOS |
026344/0- |
005870/0 |
488053/4 |
0001/0 |
DLNBPERMITPOS |
229332/0- |
086105/0 |
663413/2- |
0116/0 |
DLNBPERMITNEG |
243595/0- |
08772/0 |
776730/2- |
0088/0 |
|
|
|
|
|
|
|
|
|
|
|
Weighted Statistics |
|
|
|
|
|
|
|
|
|
|
|
|
|
R-squared |
919234/0 |
Mean dependent var |
632787/2 |
|
Adjusted R-squared |
820008/0 |
S.D. dependent var |
526182/3 |
|
S.E. of regression |
281404/1 |
Sum squared resid |
46986/57 |
|
F-statistic |
263998/9 |
Durbin-Watson stat |
981328/1 |
|
Prob(F-statistic) |
000000/0 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
Unweighted Statistics |
|
|
|
|
|
|
|
|
|
|
|
|
|
R-squared |
761880/0 |
Mean dependent var |
175397/0 |
|
Sum squared resid |
783930/0 |
Durbin-Watson stat |
162959/2 |
|
|
[ |
|
|
|
|
|
|
|
|
مأخذ: یافتههای تحقیق
ضریب متغیّر مجازی (در سال 1387 و 1388 مقدار آن یک و در سایر سالها صفر در نظر گرفته شده است) بیانگر آن است که تغییرات این دوره معنادار میباشد و نیز معنادار بودن ضریب متغیّر
*dlnbpermitpos1d تأثیر کاهنده بر قیمت مسکن به میزان 02/0 را در کوتاهمدت نشان میدهد.
بنابراین افزایش ساخت وساز در ایران تنها باعث کاهش موقتی قیمت مسکن شده است و بعد از گذشت یک دوره قیمت مسکن سیر صعودی خود را در پیش گرفته است.
بهعنوان نمونه، نمودار زیر قیمت مسکن در تهران را نشان میدهد. در نمودار مشاهده میشود که قیمت مسکن بعد از یک دوره از آغاز طرح در سال 1388 کاهش یافته و دوباره در سال 1389 سیر صعودی خود را در پیش میگیرد.
4. نتایج
نتایج آزمونها نشان میدهند که متغیّرهایی که تأثیر زیادی بر قیمت مسکن دارند متغیّرهای تعداد خانوار، نقدینگی و مقداری کمتر از آنها تورم میباشد و متغیّرهایی نظیر درآمد و تعداد پروانههای ساخت هیچ تأثیری بر تغییرات قیمت مسکن در ایران نداشتهاند و همچنین نتایج به طریق اولی بیانگر این حقیقت هستند که طرح مسکن مهر فقط توانسته است رکودی در بخش مسکن ایجاد کند که این رکود برخاسته از انتظارات مردم در جهت کاهش قیمتها در آینده میباشد و نتوانسته است باعث کاهش روند قیمت در بخش مسکن شود و حکایت از تأثیر فزایندهی نقدینگی بر قیمت مسکن دارد.
تولید مسکن از طریق کاهش سهم هزینه زمین از قیمت نهایی مسکن و ارایه تسهیلات قرضالحسنه ساخت مسکن و تبدیل واسطههای مالکیتی به مدیریتی، ارزانترین شیوه تولید مسکن است. زیرا در شرایط فعلی در بسیاری از پروژههای احداث شده اقساط پرداختی از قیمت اجاره بهای واحد مسکونی کمتر است و این اقساط در سالهای آتی افزایش پیدا نمیکند ولی اجاره بها هر ساله افزایش پیدا میکند ولیکن نمیتوان صرفاً با افزایش تولید مسکن بازار مسکن را کنترل کرد و ضروری است رفتارهای سوداگرانه نیز در این بازار کنترل شود. بنابراین دولت در کنار حمایت از سیاستهای تولید و عرضه پایدار مسکن در کشور که مسکن مهر یکی از آن سیاستهاست، باید توجه ویژهای به سیاستهای کنترلی و تنظیم بازار داشته باشد که مالیات مهمترین ابزار اجرایی این سیاست است. از طرفی به جهت تأمین مالی بخش مسکن استقراض از بانک مرکزی و دخالت بانک مرکزی در جهت تأمین مالی بخش مسکن باعث افزایش تورم و افزایش حجم نقدینگی خواهد شد که به جهت رفع این مشکل و تأمین مالی بخش مسکن میتوان از ابزارهای نوین بانکی همانند انتشار اوراق مشارکت رهنی استفاده کرد. همچنین کنترل نقدینگی همزمان با افزایش خط اعتباری را میتوان بهعنوان پیشنهاد مطرح کرد.
[1]. ARDL
[5]. Erorr Correction Model
[7].NARDL 3. Siddiki (2000) 4. Shin et al. (2011)
1. Akaike (1974) Information Criterion
2. Schwarz (1978) Bayesian Information Criterion
3. Hannan-Quinn Information Criterion
1. M. Hashem Pesaran,Yongcheol Shin and Richard J.Smith(2001).” Bound’s Testing Approches to the Analysis of Level Relationship”, Jornnnal of Applied Econometrics.
[18].