MétaCan
Menu
Retour à la cohorte
Enregistrement W4206180622 · doi:10.1111/ajae.12285

Staying afloat: The effect of algae contamination on <scp>Lake Erie</scp> housing prices

2022· article· en· W4206180622 sur OpenAlexaboutno aff
David Wolf, Sathya Gopalakrishnan, H. Allen Klaiber

Notice bibliographique

RevueAmerican Journal of Agricultural Economics · 2022
Typearticle
Langueen
DomaineEconomics, Econometrics and Finance
ThématiqueHousing Market and Economics
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésEnvironmental scienceAlgal bloomWater qualityAlgaeSurface runoffNutrientEutrophicationOceanographyHydrology (agriculture)EcologyPhytoplanktonBiologyGeology

Résumé

récupéré en direct d'OpenAlex

Abstract Lake Erie has experienced unprecedented harmful algal blooms since the early 2000s, prompting the 2012 Great Lakes Water Quality Agreement between the United States and Canada, which aims to reduce lake‐wide phosphorous loadings by 40%. Little is known about the economic benefits from this agreement, especially to near lake homeowners. We provide key information on the benefits of harmful algal bloom cleanup by linking housing transactions in 2003 to 2015 from seven Ohio counties bordering Lake Erie with measures of water quality using remote‐sensing images. We further control for endogenous algae production using instrumental variables derived from hydrological processes that link Maumee River runoff to nutrient concentrations in Lake Erie. Using a semiparametric approach, we find the impact of harmful algal blooms on housing prices is spatially limited to properties within 1.2 km of Lake Erie. For the average near lake homeowner, a 1 μg/L increase in algae concentrations is expected to decrease property values by 1.7% ($2205). In aggregate, fulfilling the Great Lakes Water Quality Agreement will provide a yearly benefit of up to $42.9 million, fully covering the current annual expenditure on water quality improvement.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,004
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,162
Score d'incertitude au seuil0,321

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,004
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,001
Communication savante0,0020,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0050,000

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 Opus0,008
Tête enseignante GPT0,184
Écart entre enseignants0,176 · 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 source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
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

Citations29
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueAmerican Journal of Agricultural EconomicsMême sujetHousing Market and EconomicsTravaux en français237 207