Notice bibliographique
Résumé
Over the past decade, house prices have kept soaring in Chinese cities, making housing affordability one of the biggest social and political issues in urban China. Existing research on housing affordability in China has largely looked at megacities while medium- and small-sized cities and towns have been ignored. In order to fill this research gap, this study analyses the issue of housing affordability in a cross-tier selection of cities, ranging from 1st tier to 5th tier cities, based on both quantitative and qualitative data. Quantitative data makes use of the data collected for the Land and Housing Survey in a Global Sample of Cities in 32 Chinese cities in 2015 and 2016, and the qualitative data consists of 17 semi-structured expert interviews in five cities in 2019. The house-price-to-income ratio (HPIR) and rent-to-income ratio (RIR) have been adopted to measure affordability. The main finding of this research is that housing is largely unaffordable in Chinese cities, yet the severity varies among cities. Considering a HPIR of 3.0 and RIR of 25 percent to be affordable, we find ‘formal private housing’ for example, with a HPIR of 7.2 and RIR of 34 percent, to be (severely) unaffordable, yet while all sample cities’ HPIRs were above 3.0, the severity of unaffordability varies, with 1st and 2nd tier cities located in eastern China with an average HPIR higher than 10 whereas 3rd, 4th and 5th tier cities had HPIRs of around 5. Therefore, special attention should be paid to address the city variations when examining the issue of housing affordability in China. Furthermore, I assert that when facing a housing affordability crisis, it is essential to consider all housing sectors, including public housing and informal housing, the latter playing a positive role in providing relevant affordable housing to rural-urban migrant and the urban poor in Chinese cities.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».