The Changing Shape of Spatial Income Disparities in the United States
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Spatial income disparities have increased in the US since 1980, a pattern linked to major social, economic, and political challenges. Yet, today’s spatial inequality, and how it relates to the past, remains insufficiently well understood. The primary contribution of this article is to demonstrate a deep polarization in the American spatial system—yet one whose character differs from that commonly reported on in the literature. The increase in spatial inequality since 1980 is almost entirely driven by a small number of populous, economically important, and resiliently high-income superstar city-regions. But we also show that the rest of the system exhibits a long-run pattern of income convergence over the study period. A secondary contribution is historical: today’s superstars have sat durably atop the urban hierarchy since at least 1940. Third, we describe six distinctive pathways of development that regions follow between 1940 and 2019, with certain locations catching up, falling behind, and surging ahead. We explore the role played by initial endowments in driving locations down these pathways, finding population, education, industrial structure, and immigrant attraction to be key distinguishing features. These insights are enabled by a fourth contribution: methodologically, we use group-based trajectory modeling—an approach new to the field that integrates top-down and bottom-up views of the evolving national spatial system. We conclude by exploring implications for the mid-twenty-first century.
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.
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 | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 découle