Two for the Road: Measuring Regional Disparity and Agglomeration in Human Development Level and Transportation Infrastructure
Notice bibliographique
Résumé
As the core element of social-economic development in the Qinghai-Tibet Plateau, transportation dramatically shapes the scale, type, and intensity of human activities. First, this study utilizes night light data and kilometer-grid population data to construct night light development index (NLDI) and to evaluate the human development level at the county scale. Then, based on the complex transportation infrastructure data, the weight assignment method is adopted to create transportation infrastructure influence degree (TIID), which is used to evaluate the location conditions of the counties. Finally, bivariate spatial autocorrelation is utilized to analyze the effect of regional conditions on the county-level human development variation. The results show that (1) NLDI is verified to assess differences in the level of human development among counties in Qinghai-Tibet Plateau and to overcome the difficulties of systematically and integrally obtaining socio-economic statistical data. The pattern of human development level in Qinghai-Tibet Plateau presents a “core-periphery” spatial structure with the transportation network as the axis. (2) On the whole, with the improvement of location conditions influenced by transportation infrastructure, the spatial aggregation of human development level is constantly improving, and the spatial disparity continues to decrease. (3) Locally, four spatial interaction patterns of high/low clustering are recognized and analyzed. It reflects the complexity and spatial heterogeneity between transport infrastructure construction and human development level in the Qinghai-Tibet Plateau.
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 ».