MétaCan
Menu
Retour à la cohorte
Enregistrement W2335968513 · doi:10.5539/ass.v12n5p84

Flood and Land Property Values

2016· article· en· W2335968513 sur OpenAlexvenueno aff
Nur Hafizah Ismail, Mohd Zaini Abd Karim, Bakti Hasan Basri

Notice bibliographique

RevueAsian Social Science · 2016
Typearticle
Langueen
DomaineEconomics, Econometrics and Finance
ThématiqueHousing Market and Economics
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésFlood mythDepreciation (economics)Land useLand developmentNatural resource economicsAgricultural landValue (mathematics)Real estateBusinessAgricultureAsset (computer security)Environmental planningAgricultural economicsGeographyEconomicsEconomic growthCivil engineeringFinanceMathematicsComputer scienceEngineering

Résumé

récupéré en direct d'OpenAlex

Flood disaster has become a natural concern to the land owners where it raised a critical issue in term of land value depreciation. Previous studies have discussed the issue of potential decline in the value of land which are located on the flood-liable area. However, in Malaysia, current studies on flood impact are considered limited and do not focus on the effects of flood on land property. With the Hedonic Pricing Model (HPM) approach, we investigate the effect of flood on agricultural and industrial land property values in the urban and rural areas in Malaysia. The analysis indicates that the agricultural and industrial land values in the urban and rural areas have significantly decreased due to flood events. This study will benefit the land owners to understand the flood impact on land value and also the factors that contribute to the loss in the land value. It becomes the responsibility of the land owner to put the asset and property to its best use, given the presence of the flood. In addition, this study will help the policy maker to design and allocate land development efficiently in the urban or rural areas for agricultural and industrial project to ensure depreciation value of the land is minimized in the case of flood.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,003
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,007
Score d'incertitude au seuil0,025

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,003
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0070,000

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.

Tête enseignante Opus0,023
Tête enseignante GPT0,216
Écart entre enseignants0,193 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations26
Publié2016
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueAsian Social ScienceMême sujetHousing Market and EconomicsTravaux en français237 207