Land Market Interactions between Heterogeneous Agents in a Heterogeneous Landscape—Tracing the Macro‐Scale Effects of Individual Trade‐Offs between Environmental Amenities and Disamenities
Notice bibliographique
Résumé
Heterogeneity in both the spatial environment and economic agents is a crucial driver of land market dynamics. We present an agent‐based land market model where land from agriculture use is transferred into urban. The model combines the microeconomic demand, supply, and bidding foundations of spatial economics models with the spatial heterogeneity of spatial econometric models in a single methodological platform. Heterogeneous agents exchange heterogeneous spatial goods via simulated bilateral market interactions. We model a coastal city where both coastal amenities and flooding or erosion disamenities drive land market outcomes, facilitating separate analysis of the effects of each driver on land rents and land development patterns. We also analyze the implications of homogeneous versus heterogeneous but unbiased flood risk perceptions. Since buyers with low risk perceptions drive market outcomes, spatial development under heterogeneous risk perceptions differs qualitatively, with more expansion into risky areas. Our results highlight the shortcomings of policy models based on representative agent assumptions and the importance of including agent‐level data in empirical modeling. L'hétérogénéité de l'environnement spatial et des agents économiques constitue un élément moteur crucial de la dynamique du marché foncier. Nous présentons un modèle multi‐agent du marché foncier dans lequel des terres agricoles ont été transférées pour des fins urbaines. Le modèle combine les fondements microéconomiques de la demande, de l'offre et des enchères de modèles de l'économie spatiale avec l'hétérogénéité spatiale des modèles de l'économétrie spatiale dans une plateforme méthodologique unique. Les agents hétérogènes échangent des biens hétérogènes par le biais du jeu des forces du marché bilatéral simulé. Nous avons modélisé une ville côtière où les agréments côtiers et les désagréments causés par les inondations ou l'érosion influent sur le marché foncier, facilitant l'analyse individuelle des effets de chaque élément moteur sur les loyers fonciers et les modèles d'aménagement de terrain. Nous avons également analysé les répercussions des perceptions homogènes et hétérogènes mais non biaisées à l'égard du risque d'inondation. Étant donné que les acquéreurs qui ont de faibles perceptions du risque motivent les effets du marché, le développement spatial selon des perceptions hétérogènes à l'égard du risque varie qualitativement, avec plus d'expansion dans les zones à risque. Nos résultats ont mis en lumière les lacunes des modèles de politiques fondés sur les hypothèses d'un agent représentatif et l'importance d'inclure des données sur l'hétérogénéité des agents dans la modélisation empirique.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».