Functional Creative Economies:The Spatial Distribution of Creative Workers
Notice bibliographique
Résumé
Although cities face a myriad of challenges, they seem to be mitigated by the economic and agglomeration benefits that accrue to cities. Among these benefits is that high human capital and individuals disproportionately aggregate in cities. In fact, the share of the workforce that is highly-skilled increases with city size and not just the number of highly-skilled workers. This creates tremendous complications for smaller cities and rural areas that not only suffer drain but also have to address the economic, productivity, and prosperity challenges that result from having a lower share of the workforce in those occupations that generate those benefits. A possible source of remediation that has been offered is proximity to major agglomerations and metropolitan areas. Small cities and rural regions may be spatially advantaged by their proximity. Using detailed demographic and geographic data for Ontario from Statistics Canada, this paper investigates the relationship between population, density, proximity, and the share of the workforce in the creative class for all Ontario Census subdivisions (CSD). Population and density are always important factors for the local creative class. A linear spatial model revealed no significant relationship while a gravity model shows a minor but significant relationship. In general, only close proximity or a very large creative population is positively related to a larger creative class in small cities and rural areas. The results suggest that functional creative economies should be characterized by fairly limited spatial distances when considered on a provincial scale. Keywords: human capital, creative class, agglomeration benefits, brain drain, linear spatial model
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) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 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 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 ».