MétaCan
Menu
Retour à la cohorte
Enregistrement W4319006834 · doi:10.3390/jrfm16020089

What Can District Migration Rates Tell Us about London’s Functional Urban Area?

2023· article· en· W4319006834 sur OpenAlexvenueno aff
David Gray

Notice bibliographique

RevueJournal of risk and financial management · 2023
Typearticle
Langueen
DomaineEconomics, Econometrics and Finance
ThématiqueRegional Economics and Spatial Analysis
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésRentingGeographyEconomic geographyMarket integrationDemographic economicsHuman capitalEconomicsEconomic growthPolitical science

Résumé

récupéré en direct d'OpenAlex

In the early 1990s, Anthony Fielding coined the term ‘escalator region’ to describe how London and the South East attracted those with greater human capital by offering them superior career prospects and enhanced returns in the housing markets. When delineating a housing or labour market area, it is not uncommon to require high levels of migration and commuting within the market area relative to those that cross the area’s boundaries. Net migration flows to and from this escalator region change depending on the age range one examines, making migration across boundaries relatively high. It is proposed that focusing on age ranges that reflect younger adults would capture the extent of the market. In particular, the birth of a first child is likely to trigger migration, but that movement is constrained to be within the boundary of the market area. The decision to buy a dwelling would be made around the time of this event. This paper delineates market areas using spatial autocorrelation. This has the advantage of using a statistical criterion rather than a containment value. Broadly similar areas in the Greater South East are revealed using relative housing affordability measures, the movement of infants and the migration of 20- to 24-year-olds. It is argued that the time-varying patterns of migration of 30- to 39-year-olds is reflective of a change in housing affordability, forcing more households to migrate with children whilst renting.

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 enseignants0,183
Score d'incertitude au seuil0,575

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,000
Études des sciences et des technologies0,0000,000
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 Opus0,016
Tête enseignante GPT0,190
Écart entre enseignants0,174 · 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

Citations7
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of risk and financial managementMême sujetRegional Economics and Spatial AnalysisTravaux en français237 207