The past and future of non-residential-to-residential conversions in New York City
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
Concerns over rising office vacancy rates and falling office building property values in many urban areas have increased the pressure on cities and developers to consider converting underused office space to residential use. To aid in current and future conversations surrounding the feasibility of conversion, we look to the recent past. In doing so, we provide an account of conversion and redevelopment activity in New York City over the past decade to uncover associated structural and locational characteristics. We find that office-to-residential conversions contributed the greatest share of residential rental units of all non-residential conversions from 2010 to 2020, with nearly 5900 units created. However, there is suggestive evidence that more recent obsolete office buildings generate significantly fewer units as compared to office conversions of the 1990s. We additionally model the probability of conversion and redevelopment. We find that hotels have the highest conversion probability, followed by loft, retail, industrial, and office. In general, relatively taller, narrower, older buildings with diminished value are more likely to be converted. • Conversion is an important source of housing supply often occurring in very high-demand neighborhoods • Office buildings generate the greatest number of residential units per converted building than any other building class • The number of residential units generated per office conversion has declined substantially from the 1990s • Older, taller (shorter), smaller (larger) low-valued properties tend to attract conversion (redevelopment) rather than redevelopment (conversion)
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 | 0,000 | 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