Le classement des villes dans l'économie du savoir : une analyse intégrée des régions urbaines canadiennes et américaines
Notice bibliographique
Résumé
Des comparaisons entre villes canadiennes et américaines doivent se faire avec prudence. L'obstacle principal reste la comparabilité des séries statistiques. Nous proposons une analyse intégrée de l'ensemble des 90 régions métropolitaines nord‐américaines de 500 000 habitants et plus, dont neuf canadiennes. Suite à une revue de divers classements, nous situons les 90 régions urbaines sur sept indicateurs, dont des variables portant sur le capital humain et le secteur tertiaire intensif en savoir, suivi d'une analyse de corrélation mettant en relation les indicateurs pour trois univers de villes (sans et avec des villes canadiennes). Nos résultats confirment le bon positionnement sur plusieurs indicateurs de métropoles américaines comme San Francisco‐Silicon Valley et Boston, mais aussi de villes comme Raleigh (research triangle) et Austin, connues pour leurs activités de recherche. Les villes canadiennes se classent plutôt bien, notamment les cinq plus grandes. Cependant, c'est moins vrai pour des villes comme Winnipeg ou Hamilton. L'analyse de corrélation fait ressortir la relation positive entre dotation en capital humain et poids du tertiaire intensif en savoir, mais ne révèle aucune relation significative avec l'indicateur de qualité de vie.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,002 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,009 | 0,008 |
| Études des sciences et des technologies | 0,003 | 0,007 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».