Investigating the Impact of Perceived Micro-Level Neighborhood Characteristics on Housing Prices in Shanghai
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
It is widely accepted that houses in better-designed neighborhoods are found to enjoy a price premium. Prior studies have mainly examined the impact of macro-level neighborhood attributes (e.g., park accessibility using land use data) on housing prices. More recently, research has investigated the micro-level features using street view imagery (SVI) data, though scholars limited the scope to objective indicators such as the green view index and sky view index. The role of subjectively measured street qualities is less discussed due to the lack of large-scale perception data. To provide better explanations of whether and how the micro-level neighborhood environment affects housing prices, this article introduces a framework to collect designers’ perceptions on five subjective urban design perceptions from pairwise SVI rankings in Shanghai with an online visual survey and further predicted through machine learning (ML) algorithms. We also extracted ten important objective features from the scenes. The predictive power of micro-level neighborhood street perceptions (subjective perceptions and objective features) on housing prices was investigated using the hedonic price model (HPM) through ordinary least squares (OLS) and spatial regression, which considers spatial dependence. The findings prove the significance of the value of perceived qualities of the neighborhoods. It reveals that both objective perceived features and subjective perceptions significantly contribute to housing prices; while the objective features show more collective strengths, individual subjective perceptions have more explanatory power, and we argue that these two measures can complement each other. This study provides an important reference for decision makers when selecting street quality indicators to inform city planning, urban design, and community and housing development plans.
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.
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) | 0,000 | 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 découle