Housing affordability, borrowing constraints and tenure choice in Korea
Notice bibliographique
Résumé
This paper analyses the linkages between housing affordability and borrowing constraints, and the impact of the latter on housing tenure decisions in Korean cities during the period 2006–2016. The conventional aggregate measures of housing affordability provide a mixed picture. The price to income ratio (PIR) increased in major cities but the home purchase affordability, or repayment affordability improved between 2006 and 2016. Also, the access to mortgage finance increased substantially thanks to the expansion of mortgage supply, low interest rates and lenient macroprudential regulations. We investigate whether and how these changes affected household home purchases using the household-level micro data from the 2006 and 2016 Korea Housing Surveys. We construct the variable indicating the degree of borrowing constraint in terms of wealth each household faces and show that the number of borrowing-constrained households dropped significantly between 2006 and 2016. We then investigate the effect of the wealth constraint by including a measure of the degree of the borrowing constraint as an explanatory variable in the tenure choice equation, together with other key variables such as the cost of owning relative to renting. Estimation results confirm that, as expected, the propensity to home purchases declines if households are judged as wealth-constrained. It was also found that the detrimental effect of the wealth constraint on home ownership increased significantly, particularly for severely constrained households, while the homeownership rates for others improved during our study period. Our findings suggest that affordability measures that do not consider borrowing constraints may not be very helpful in gauging affordability of home purchases at the household level.
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 | 0,001 |
| 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 | 0,001 |
| 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 ».