Ripple Effect of Housing Prices Fluctuations among Nine Cities of China
Notice bibliographique
Résumé
This paper applies cointegration test, error correction model, vector error correction model, impulse response analysis and variance decomposition to examine the ripple effect of housing prices fluctuations among Chinese cities during the period of first quarter of 1999 to third quarter of 2008. Empirical analysis indicates that housing prices fluctuations among nine Chinese cities do have ripple effect. We divide the cities into three layers: Beijing, Shanghai as the first layer; Shenyang, Tianjin and Xi’an as the second; and Qingdao, Chongqing, Guangzhou and Dalian as the third one. Empirical results show that: (1) housing prices of municipalities directly under the central government such as Beijing and Shanghai representing the first layer have strong influence and still be the main regulatory objects; (2) cities in the second layer can transmit the fluctuations of housing prices and should be concerned; (3) intense fluctuations of housing prices of cities in the third layer should be avoided. So, the government should make targeted regulatory policies to cities in different layers, which is a more efficient way to control the whole system of housing prices, maintain housing prices in a reasonable range, and eventually achieve the goal of building a harmonious society.Key Words: housing prices; ripple effect; cointegration test; error correction model; vector error correction model
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».