MétaCan
Menu
Retour à la cohorte
Enregistrement W2530462492

패널연립방정식을 이용한 오피스 시장 예측에 관한 실증연구

2016· article· ko· W2530462492 sur OpenAlexaboutno aff
전해정

Notice bibliographique

Revue대한건축학회 논문집 - 계획계 · 2016
Typearticle
Langueko
DomaineSocial Sciences
ThématiqueDiverse Academic Research Analysis
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésRentingUnemployment rateUnemploymentProduct (mathematics)EconomicsQuarter (Canadian coin)Labour economicsBusinessEngineeringMathematicsEconomic growthGeography
DOInon disponible

Résumé

récupéré en direct d'OpenAlex

This study analyzed and predicted the office market by composing a panel simultaneous equation using office data and macroeconomic variables of downtown area of Seoul-si, Gangnam district, and Mapo/Yeouido district from second quarter of 2003 to 4th quarter of 2014. This study set office vacancy rate, office maintenance fee, CD interest rate, and index of industrial product as the influencing variables on office rental price, and set office rental price, commercial building start results, and unemployment rate as the influencing variables on office vacancy rate. According to the analysis result, it was identified that vacancy rate and CD interest rate make statistically negative effect and maintenance fee makes positive effect on office rental price, and whereas rental price fell 0.016% when vacancy rate increased 1%, the rental price increased by 1.732% when maintenance fee increased 1% and index of industrial product appeared to have very little influence. It was verified that rental price, commercial building start results, and unemployment rate made statistically significant positive effect on office vacancy rate, vacancy rate increased 2.199% when rental price increased 1%, vacancy rate increased 2.285% when building start result increased 1%, and vacance rate increased 1.363% when unemployment rate increased 1%.

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)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,033
Score d'incertitude au seuil0,065

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0000,000
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0050,001

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 Opus0,046
Tête enseignante GPT0,369
Écart entre enseignants0,323 · 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'étudeSimulation ou modélisation
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

Citations0
Publié2016
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revue대한건축학회 논문집 - 계획계Même sujetDiverse Academic Research AnalysisTravaux en français237 207