عنوان مقاله:
نقش توریسم و اقامت هتل در قیمت مسکن
Role of tourism and hotel accommodation in house prices
سال انتشار: 2022
رشته: گردشگری و توریسم - اقتصاد
گرایش: مدیریت گردشگری - توسعه اقتصادی و برنامه ریزی
دانلود رایگان این مقاله:
مشاهده سایر مقالات جدید:
2. Data
Our data set consists of annual data from 2005 to 2018 for the 27 EU member countries - Austria, Belgium, Bulgaria, Cyprus, Croatia, Czech Republic, Denmark, Estonia, Finland, France, Germany, Greece, Hungary, Ireland, Italy, Latvia, Lithuania, Luxembourg, Malta, Netherlands, Poland, Portugal, Romania, Slovakia, Slovenia, Spain and Sweden. Our research follows numerus research into EU housing markets (Gupta, Andr´e, & Gil-Alana, 2015; Maynou, Monfort, Morley, & Ordo´nez, ˜ 2021; Merikas, Merika, Laopodis, & Triantafyllou, 2012; Miles, 2020; Philiponnet & Turrini, 2017). Increasing linkages in trade, financial markets, economic policies and general economic conditions exist between these countries, which directly influence housing markets (Vansteenkiste & Hieber, 2009). Consequently, European housing markets synchronize over time (Corradin & Fontana, 2013; Gupta et al., 2015). We examine the effects of tourism on the house prices index by using two groups of variables: indicators of tourism demand and indicators of hotel accommodation. Before the COVID-19 crisis, scientific literature recognizes international tourism as the key driver of economic growth (Brida, Cortes-Jimenez, & Pulina, 2016). International tourist arrivals are the key indicator of tourism demand (Kester, 2016) and are the most popular proxy for tourism demand in the tourism literature (Yang, Xue, & Jones, 2019). Therefore, we use international arrivals at a tourist accommodation establishment in millions to capture tourist demand in a country, as the main indicator. To ensure the robustness of results, we use two additional tourism indicators: total nights spent at tourist accommodation establishments in millions by foreign tourists and international tourism receipts in billions of USA dollars. We use two indicators of hotel accommodation. The first indicator is growth in the number of establishments, hotels and similar accommodation and the second indicator is growth in the number of bed places in hotels and similar accommodation. Based on previous literature on housing prices, we include in model gross domestic product per capita growth, growth of domestic credit to the private sector by banks as a percentage of GDP, population annual growth and unemployment as a percentage of active population, as controlled variables (Egert ´ & Mihaljek, 2007; Paramati & Roca, 2019; Sutton, Mihaljek, & Subelyte, 2017). We use the growth of banks’ domestic credit to the private sector and not interest rates to demonstrate conditions in credit markets. We exclude interest rates because BIS (2020) finds that interest rates were not robust to different housing prices model specification. As an indicator of construction activity, we include the building permits for residential buildings in model. The expected sign can be positive or negative. Its positive sign reflects new construction as supply reaction to new demand for housing while negative sign reflects increase of supply relative to demand to new construction (Belke & Keil, 2017).
4. Empirical results and discussion
Table 4 presents the results of three model specifications from Eq. (1) with different indicators of tourism. Results of all diagnostic tests (Sargan test, AR (1) and AR (2) test) confirm validity of Models (1)–(3) from Table 4. The results of the Sargan test indicate that in the model there is no problem of endogeneity. The AR (2) confirms that the problem of autocorrelation in equation in levels does not exist in model while AR (1) test confirms the existence of autocorrelation of first order of differenced residuals. However, existence of this correlation is expected. Models (1)–(3) test the impact of tourism on housing prices. In all estimated models, tourism variables have a positive and significant effect on housing prices. In Model (1), tourist arrivals (Tourist arrivals), in Model (2) international tourism receipts (Receipts) and in Model (3) nights spent at tourist accommodation establishments (Overnights) have a significant and positive effect. Also, the results from Table 4 indicate that lagged house prices index, GDP per capita growth, unemployment and private bank credit growth statistically significantly affect housing prices. A variable permits has positive impact on house prices but its statistical significance varies by different model specification. From other standard determinants of housing prices, only population growth does not have a statistically significant influence in any model. The model from Eq. (2) is extension of model from Eq. (1) with the additional variable of hotel accommodation. We use two different indicators, growth of number of establishments, hotels, and similar accommodation (Hotels-growth) and growth of number of bed places in hotels and similar accommodation in thousands (Beds-growth). Table 5 presents the obtained results. Sargan tests for endogeneity and two autocorrelation tests AR (1) and AR (2) confirm that all models in Table 5 are well specified. The results for standard determinants of housing prices and tourism indicators from Table 5, Models (4)–(9), confirm results from Table 4, Models (1)–(3). All tourism indicators from Models (1)–(9) have a positive statistically significant sign. This confirms the importance of tourism on housing prices. Obtained results confirm results presented in Paramati and Roca (2019) for OECD countries. In extended Models (4)– (9), we include indicators from hotel accommodation and results confirm its negative and statistically significant influence in all models except in Model (6). By including these variables in the model, other tourism indicators and housing price determinants remain statistically significant with the same sign.
(دقت کنید که این بخش از متن، با استفاده از گوگل ترنسلیت ترجمه شده و توسط مترجمین سایت ای ترجمه، ترجمه نشده است و صرفا جهت آشنایی شما با متن میباشد.)
2. داده ها
مجموعه داده های ما شامل داده های سالانه از 2005 تا 2018 برای 27 کشور عضو اتحادیه اروپا - اتریش، بلژیک، بلغارستان، قبرس، کرواسی، جمهوری چک، دانمارک، استونی، فنلاند، فرانسه، آلمان، یونان، مجارستان، ایرلند، ایتالیا، لتونی است. لیتوانی، لوکزامبورگ، مالت، هلند، لهستان، پرتغال، رومانی، اسلواکی، اسلوونی، اسپانیا و سوئد. تحقیقات ما تحقیقات متعددی را در مورد بازارهای مسکن اتحادیه اروپا دنبال می کند (گوپتا، آندره، و گیل-آلانا، 2015؛ ماینو، مونفورت، مورلی، و اوردونز، 2021؛ مریکا، مریکا، لاوپودیس، و تریانتافیلو، 2012؛ مایلز، 2020؛ فیلیپونت و تورینی، 2017). ارتباطات فزاینده ای در تجارت، بازارهای مالی، سیاست های اقتصادی و شرایط عمومی اقتصادی بین این کشورها وجود دارد که مستقیماً بر بازار مسکن تأثیر می گذارد (Vansteenkiste & Hieber, 2009). در نتیجه، بازارهای مسکن اروپا در طول زمان هماهنگ می شوند (کورادین و فونتانا، 2013؛ گوپتا و همکاران، 2015). اثرات گردشگری بر شاخص قیمت مسکن را با استفاده از دو گروه از متغیرها بررسی می‌کنیم: شاخص‌های تقاضای گردشگری و شاخص‌های اقامت در هتل. پیش از بحران COVID-19، ادبیات علمی گردشگری بین‌المللی را به عنوان محرک اصلی رشد اقتصادی می‌شناسد (بریدا، کورتس-جیمنز، و پولینا، 2016). ورود گردشگران بین‌المللی شاخص کلیدی تقاضای گردشگری است (کستر، 2016) و محبوب‌ترین شاخص برای تقاضای گردشگری در ادبیات گردشگری است (یانگ، ژو، و جونز، 2019). بنابراین، ما از تعداد میلیون‌ها نفر از ورودی‌های بین‌المللی به یک مکان اقامتی توریستی استفاده می‌کنیم تا تقاضای توریست در یک کشور را به عنوان شاخص اصلی در نظر بگیریم. برای اطمینان از استحکام نتایج، از دو شاخص گردشگری اضافی استفاده می‌کنیم: مجموع شب‌های صرف شده در مکان‌های اقامتی توریستی به میلیون‌ها گردشگر خارجی و درآمدهای گردشگری بین‌المللی به میلیاردها دلار آمریکا. ما از دو شاخص اقامت در هتل استفاده می کنیم. شاخص اول رشد تعداد موسسات، هتل ها و اقامتگاه های مشابه و شاخص دوم رشد تعداد تخت در هتل ها و اقامتگاه های مشابه است. بر اساس ادبیات قبلی در مورد قیمت مسکن، در مدل رشد سرانه تولید ناخالص داخلی، رشد اعتبارات داخلی به بخش خصوصی توسط بانک ها به عنوان درصد تولید ناخالص داخلی، رشد سالانه جمعیت و بیکاری به عنوان درصد جمعیت فعال، به عنوان متغیرهای کنترل شده لحاظ شده است. (Egert ´ & Mihaljek, 2007; Paramati & Roca, 2019; Sutton, Mihaljek, & Subelyte, 2017). ما از رشد اعتبارات داخلی بانک ها به بخش خصوصی استفاده می کنیم و نه نرخ بهره را برای نشان دادن شرایط در بازارهای اعتباری. ما نرخ‌های بهره را حذف می‌کنیم زیرا BIS (2020) نشان می‌دهد که نرخ‌های بهره نسبت به مدل‌های مختلف قیمت مسکن قوی نیستند. به عنوان شاخص فعالیت ساختمانی، مجوزهای ساختمانی ساختمان های مسکونی را در مدل گنجانده ایم. علامت مورد انتظار می تواند مثبت یا منفی باشد. علامت مثبت آن منعکس کننده ساخت و ساز جدید به عنوان واکنش عرضه به تقاضای جدید برای مسکن است در حالی که علامت منفی نشان دهنده افزایش عرضه نسبت به تقاضا برای ساخت و ساز جدید است (Belke & Keil, 2017).
4. نتایج تجربی و بحث
جدول 4 نتایج سه مشخصات مدل را از معادله ارائه می کند. (1) با شاخص های مختلف گردشگری. نتایج تمام تست های تشخیصی (آزمون سارگان، آزمون AR (1) و آزمون AR (2) اعتبار مدل های (1)-(3) جدول 4 را تایید می کند. نتایج آزمون سارگان نشان می دهد که در مدل مشکلی وجود ندارد. درون زایی AR (2) تأیید می کند که مشکل خودهمبستگی در معادله در سطوح در مدل وجود ندارد در حالی که آزمون AR (1) وجود خود همبستگی مرتبه اول باقیمانده های متفاوت را تأیید می کند. با این حال، وجود این همبستگی مورد انتظار است. مدل‌های (1) - (3) تأثیر گردشگری را بر قیمت مسکن آزمایش می‌کنند. در تمامی مدل های برآورد شده، متغیرهای گردشگری اثر مثبت و معناداری بر قیمت مسکن دارند. در مدل (1)، ورود گردشگر (ورود گردشگر)، در مدل (2) رسید گردشگری بین‌المللی (دریافت) و در مدل (3) شب‌های اقامت در اقامتگاه‌های توریستی (شبانه) تأثیر مثبت و معناداری دارند. همچنین نتایج جدول 4 نشان می دهد که شاخص عقب مانده قیمت مسکن، رشد سرانه تولید ناخالص داخلی، بیکاری و رشد اعتبارات بانک خصوصی به طور معنی داری بر قیمت مسکن تأثیر می گذارد. متغیر مجوزها تأثیر مثبتی بر قیمت مسکن دارد اما اهمیت آماری آن بر اساس مشخصات مدل متفاوت است. از دیگر عوامل تعیین کننده استاندارد قیمت مسکن، تنها رشد جمعیت تاثیر آماری معنی داری در هیچ مدلی ندارد. مدل از معادله (2) توسعه مدل از معادله است. (1) با متغیر اضافی اقامت در هتل. ما از دو شاخص مختلف استفاده می کنیم، رشد تعداد موسسات، هتل ها و اقامت های مشابه (Hotels-growth) و رشد تعداد مکان های تخت در هتل ها و اقامت های مشابه در هزاران (Beds-growth). جدول 5 نتایج به دست آمده را نشان می دهد. آزمون‌های سارگان برای درون‌زایی و دو آزمون همبستگی AR (1) و AR (2) تأیید می‌کنند که همه مدل‌های جدول 5 به خوبی مشخص شده است نتایج برای تعیین‌کننده‌های استاندارد قیمت مسکن و شاخص‌های گردشگری از جدول 5، مدل‌های (4) - (9)، نتایج جدول 4، مدل‌های (1) - (3) را تأیید می‌کنند. همه شاخص های گردشگری از مدل های (1) - (9) دارای علامت آماری معنی دار مثبت هستند. این امر اهمیت گردشگری بر قیمت مسکن را تایید می کند. نتایج به دست آمده نتایج ارائه شده در Paramati و Roca (2019) را برای کشورهای OECD تایید می کند. در مدل‌های توسعه‌یافته (4) - (9)، ما شاخص‌هایی را از محل اقامت در هتل وارد می‌کنیم و نتایج تأثیر منفی و معنی‌دار آماری آن را در همه مدل‌ها به جز مدل (6) تأیید می‌کند. با گنجاندن این متغیرها در مدل، سایر شاخص‌های گردشگری و عوامل تعیین‌کننده قیمت مسکن از نظر آماری با علامت مشابه باقی می‌مانند.
