Do affluent neighbourhoods pay more for transit access? Exploring the capitalization of employment accessibility within different housing submarkets in Vancouver
Notice bibliographique
Résumé
Decades of research indicate that accessibility plays a fundamental role in the urban systems of cities by influencing land markets and household location choices. Accessibility is also often positioned as a policy tool in enhancing the well-being of disadvantaged population groups. Considered together, recent research into transportation equity underscores the need to critically investigate the distribution of accessibility with their affordability impacts. To better understand this dynamic, this research assesses variability in the relationship between employment access and house prices within different neighbourhood types in Metro Vancouver. We first calculate network accessibility to employment opportunities. Next, to integrate equity, we use sociodemographic indicators from census data to establish a typology of four neighbourhoods: Affluent, Stable Middle-class, At-Risk Middle-class and Economically-disadvantaged . Finally, using real estate data, we employ spatial econometric models to estimate differences in the capitalization of accessibility in residential property prices across these neighbourhood types. Results suggest that the value of transit access does differ by neighbourhood type in Metro Vancouver. While more affluent neighbourhoods exhibit the highest marginal willingness to pay for accessibility, predicted prices are highest in disadvantaged neighbourhoods due to their higher absolute levels of access. The research offers new insight into how property price effects vary according to different accessibility and sociodemographic contexts, and highlights important implications for both policy and future research.
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 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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,001 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».