A Study of Regional Real Estate Market Differences and Convergence under Panel Data Modeling
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
This paper examines the differences and convergence of regional real estate markets based on panel statistics of 28 provinces, autonomous regions and municipalities directly under the central government in China from 2010 to 2023.Relevant variables such as urban construction land area, population and economic growth are set and the data are processed.The data show that the degree of industrial convergence and circulation costs have a positive spatial correlation and an upward trend from 2015 to 2021.From the viewpoint of regional real estate market divergence, the proportion of the real estate industry in GDP has remained above 5% since 2015, and this proportion is larger in the eastern region, for example, it was 8.74% in Beijing in 2015, but it has slightly decreased in some provinces and cities.The proportion in central and western provinces and cities has been rising faster year by year.The extreme deviation and standard deviation coefficient of the eastern region are relatively large, with the extreme deviation of the eastern region being 4.35% and the standard deviation coefficient being 1.45529 in 2021, indicating that the internal development is not balanced.From the analysis of convergence, the rate of convergence in the absolute convergence test is 3.66%, and the rate of convergence in the conditional convergence test is 2.89%, with a half-life of about 23.8 years.It indicates that the regional real estate market differences are shrinking, showing a trend of convergence, but the convergence process is relatively slow, which provides an important basis for an in-depth understanding of the characteristics of the regional real estate market.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,001 | 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 découle