State Intervention in Land Supply and Its Impact on Real Estate Investment in China: Evidence from Prefecture-Level Cities
Notice bibliographique
Résumé
State intervention in land supply can be a powerful tool in shaping real estate investment. Yet, few studies have examined the effect of central state intervention on land supply at the municipal level and the impact of land supply on real estate investment with respect to different tiers of prefecture-level cities in China. Varying central–local dynamics of land supply in different tiers of cities, and the often taken-for-granted relationship between land supply and real estate investment, warrant further investigation. This study aims to fill these gaps. It is found that the multi-purposed central land policy and the varying land leasing strategies adopted by different tiers of cities contribute to the varying land supply trajectories, calling for more nuanced and better-tailored central land policies that focus on the socioeconomic conditions of cities. The general significant and positive correlation between land supply and real estate investment, revealed by a panel regression analysis incorporating 280 prefecture-level Chinese cities, suggests that land supply control can function as a critical tool in governing real estate investment in China, which also sheds light on the governance and promotion of sustainable real estate markets in other parts of the world. This study also reveals a higher possibility of land speculation in first- and second-tier cities than that of low-tier cities. The nuanced correlations between land supply and real estate investment and the varying land development strategies employed in different tiers of Chinese cities imply that the effectiveness of land supply intervention in shaping healthy real estate investment may depend on local contingencies, calling for meticulous and tailored governance on land supply and real estate investment behaviors.
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 | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».