MétaCan
Menu
Retour à la cohorte
Enregistrement W2274343820 · doi:10.6000/1927-5129.2016.12.05

Urban Development and Industrial Clustering in Pakistan: A Study Based on Geographical Perspective

2016· article· en· W2274343820 sur OpenAlexvenueno aff
Khalida Mahmood, Razzaq Ahmed, Nighat Bilgrami-Jafferi

Notice bibliographique

RevueJournal of Basic & Applied Sciences · 2016
Typearticle
Langueen
DomaineEconomics, Econometrics and Finance
ThématiqueRegional Economics and Spatial Analysis
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésEconomies of agglomerationEconomic geographyPopulationProduct (mathematics)BusinessGeographySpace (punctuation)Economic growthEconomyRegional scienceEconomics

Résumé

récupéré en direct d'OpenAlex

The urban clusters serve as powerful magnets of economic opportunities and facilities for a large number of population. The only space they are able to grab are shanty town which are either very closely located or adjacent to major industrial zones in large cities of the world including Pakistan. Certainly these industrial estates capture the labor markets located nearby. These shanty towns have emerged as a result of in-migrant influx from the interior of the country and provinces. The clusters are geographical and sector wise concentration of numerous producers and ancillary agents, engaged in production, supply or trade activities. These are directly associated with the manufacturing of a specific product or set of products hence clusters constitute the core of industrial districts. An industrial district can now be defined as a geographical and spatial concentration of firms whose organization of products is marked by a dense network of local inter-firm relations. In order to investigate the urban development and geo-spatial agglomeration in Pakistan PCA has been run using eleven variables representing urban industrial infrastructure. The results reveal the significant role played by large industrial clusters contained in various urban centers of the country. This role is well reflected in the population potential of each of these urban centers.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,087
Score d'incertitude au seuil0,292

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0020,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,049
Tête enseignante GPT0,257
Écart entre enseignants0,208 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations4
Publié2016
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Basic & Applied SciencesMême sujetRegional Economics and Spatial AnalysisTravaux en français237 207