Spatiotemporal Evolution of Urban Resilience and Spatial Spillover Effects in Guangdong Province, China
Notice bibliographique
Résumé
In the context of global environmental changes, the frequency of various disasters and extreme events is increasing, and enhancing urban resilience has become an important guide for current urban development. Previous studies have mainly focused on changes in urban resilience, with less consideration for the impact of spatial spillover effects on urban resilience. Therefore, this paper aims to analyze the temporal and spatial evolution of urban resilience and its spatial spillover effects in Guangdong from 2012 to 2020 based on the urban resilience assessment model, the Getis-Ord Gi* model, and the improved Capello model. The results are as follows: Affected by COVID-19, the urban resilience of Guangdong Province declined from 2019 to 2020, and 42.86% of the cities demonstrated negative growth in their urban resilience. Urban resilience exhibited significant spatially non-equilibrium characteristics among different cities. The urban resilience of the cities in eastern, northern, and western Guangdong, which are the “collapse zone” of urban resilience, was lower than 0.229 from 2012 to 2020. The intensity of urban resilience spillover in Guangdong presented a typical three-level circle structure of “core-subcore-periphery”, which decreased from the core circle to the surrounding circle. COVID-19 caused a 27.21% decrease in the total urban resilience spillover in Guangdong from 2019 to 2020. Finally, we identified critical driving factors of urban resilience using the optimal-parameters geographical detector model. This study can provide a scientific reference for the Chinese government to build resilient cities and improve sustainable urban development.
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 ».