MétaCan
Menu
Retour à la cohorte
Enregistrement W4310718221 · doi:10.1016/j.cstp.2022.100932

Regional transport accessibility and residential property values: The case study of the Greater Toronto and Hamilton area

2022· article· en· W4310718221 sur OpenAlexafffundabout
Dena Kasraian, Lisa Li, Shivani Raghav, Amer Shalaby, Eric J. Miller

Notice bibliographique

RevueCase Studies on Transport Policy · 2022
Typearticle
Langueen
DomaineEconomics, Econometrics and Finance
ThématiqueHousing Market and Economics
Établissements canadiensUniversity of Toronto
Organismes subventionnairesNatural Sciences and Engineering Research Council of Canada
Mots-clésEconomic geographyProperty valueRegional scienceLand useModal shiftTransport engineeringGeographyTransit (satellite)Mode (computer interface)BusinessPublic transportComputer scienceCivil engineeringFinanceReal estate

Résumé

récupéré en direct d'OpenAlex

There has been a growing interest in land value capture as a means of funding investments in transport infrastructure (TI), as reported in a vast literature analyzing the relationship between property values and accessibility provided by TI in general and transit specifically. There has, however, been limited research on the role of network-level regional transport accessibility and the intra-regional spatial heterogeneity of the price effects. Furthermore, studies usually focus on one transport mode, disregarding the multi-modal competition, and are mostly (pooled) cross-sectional analyses which do not reflect the dynamic nature of developments in TI and housing markets. To address these gaps, this paper empirically investigates the roles of local and regional transport accessibility by car and transit on the evolution of sales prices of single-family homes from 2001 to 2016, across different geographical contexts while controlling for various determinants in the Greater Toronto and Hamilton Area (GTHA). The spatial panel models’ results confirm that regional transport accessibility does indeed play a significant role in property values over and above the local proximity to TI, with variations between transit and car and over the spectrum of low–high density areas, which needs to be accounted for in land value capture policies.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut 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 enseignants0,051
Score d'incertitude au seuil0,988

Scores Codex et Gemma par catégorie

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

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 Opus0,074
Tête enseignante GPT0,280
Écart entre enseignants0,206 · 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 tête enseignante, 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

Citations13
Publié2022
Routes d'admission3
Résumé présentoui

Explorer davantage

Même revueCase Studies on Transport PolicyMême sujetHousing Market and EconomicsTravaux en français237 207