MétaCan
Menu
Retour à la cohorte
Enregistrement W3011819882 · doi:10.63642/1357-1419.1224

Nationwide mass appraisal modeling in China: feasibility analysis for scalability given ad valorem property tax reform

2020· article· en· W3011819882 sur OpenAlexaboutno aff
Peadar Davis, Michael McCord, Paul Bidanset, Margie Cusack

Notice bibliographique

RevueJournal of Property Tax Assessment & Administration · 2020
Typearticle
Langueen
DomaineEconomics, Econometrics and Finance
ThématiqueHousing Market and Economics
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésAd valorem taxChinaProperty taxScalabilityTax reformEconomicsProperty (philosophy)Public economicsMicroeconomicsPolitical scienceComputer science

Résumé

récupéré en direct d'OpenAlex

The Chinese government has stated its intention of introducing an annual property tax since 2003, but, while selecting six pilot cities for experimenting with the viability of a mass appraisal system rollout, has not yet adopted this policy. The Shenzhen Center for Assessment and Development of Real Estate was founded to facilitate the process of piloting the viability of property taxes — an initiative that coincided with the Lincoln Institute of Land Policy’s initial involvement in China in 2003 (with the International Property Tax Institute [IPTI], ESRI Canada, and others) — and to provide expertise in topics ranging from property tax and municipal finance to public land management and land expropriation. The long-standing intention to roll out property tax, allied with significant capacity building, begs the questions, why has there not been more progress to ate, and are there any fundamental barriers to policy adoption? This paper seeks to contribute to understanding this issue by assessing the feasibility of creating computerassisted mass appraisal (CAMA) and utomated valuation models (AVMs) in China and their respective capability to conform to IAAO valuation standards, with implications for scalability across national and regional markets.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,003
score de la tête « metaresearch » (Gemma)0,001
Version: codex-gemma-dda1882f352aStatut 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 enseignants0,813
Score d'incertitude au seuil0,703

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0030,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,001
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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 Opus0,090
Tête enseignante GPT0,308
Écart entre enseignants0,218 · 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 tête enseignante, 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

Citations1
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Property Tax Assessment & AdministrationMême sujetHousing Market and EconomicsTravaux en français237 207