Estimating the value, ownership structure and turnover rate for investible commercial real estate from transaction datasets
Notice bibliographique
Résumé
Purpose Commercial real estate (CRE) is a major investment asset. Yet detailed information on the value of investible CRE in different cities is lacking. The authors propose an innovative method to measure the value of investible CRE using transaction datasets. Design/methodology/approach The authors take transaction prices and index them to produce a time series of values for each asset. The sum of the values at each point represents the value of investible CRE at that date. The authors’ method is applied to transaction data for New York, London and Toronto. Findings London had the highest proportions of institutional and foreign ownership, and its turnover was more resilient to the downturn in global CRE following the GFC. The results illustrate the potential of the authors’ method to shed light on the characteristics of investible CRE markets. Research limitations/implications The authors use data from Real Capital Analytics (RCA). This provides good coverage of transactions for investible CRE in the cities that the authors examine, but data from other sources might lead to different estimates. Practical implications Measuring the value and turnover of investible CRE is important for portfolio strategies that account for the size and liquidity of investment markets. Knowledge of these features, and of ownership patterns, provides a better understanding of market operation. Originality/value The authors’ modification of the perpetual inventory technique is simple, novel and practical. The authors propose this approach given the absence of a building-by-building inventory of investible CRE in many 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 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 | 0,000 | 0,000 |
| 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 | 0,000 |
| 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 ».