Bright lights, big city: Causal effects of population and GDP on urban brightness
Notice bibliographique
Résumé
Cities are arguably both the cause, and answer, to societies' current sustainability issues. Urbanization is the interplay between a city's physical growth and its socio-economic development, both of which consume a substantial amount of energy and resources. Knowledge of the underlying driver(s) of urban expansion facilitates not only academic research but, more importantly, bridges the gap between science, policy drafting, and practical urban management. An increasing number of researchers are recognizing the benefits of innovative remotely sensed datasets, such as nighttime lights data (NTL), as a proxy to map urbanization and subsequently examine the driving socio-economic variables in cities. We further these approaches, by taking a trans-pacific view, and examine how an array of socio-economic ind0icators of 25 culturally and economically important urban hubs relate to long term patterns in NTL for the past 21 years. We undertake a classic econometric approach-panel causality tests which allow analysis of the causal relationships between NTL and socio-economic development across the region. The panel causality test results show a contrasting effect of population and gross domestic product (GDP) on NTL in fast, and slowly, changing cities. Information derived from this study quantitatively chronicles urban activities in the pan-Pacific region and potentially offers data for studies that spatially track local progress of sustainable urban development goals.
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 | 0,000 | 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 | 0,000 | 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 ».