Spatio–Temporal Patterns and Driving Mechanisms of Urban Land High-Quality Use: Evidence from the Greater Pearl River Delta Urban Agglomeration
Notice bibliographique
Résumé
Efficient urban land use plays a crucial role in promoting regional development and ensuring economic growth. Analyzing the spatio–temporal pattern of urban land high-quality use (ULHU) and identifying its key influencing factors and pathways can contribute to enhancing land use efficiency and achieving high-quality development. This study established a comprehensive measurement indicator system for evaluating ULHU using the entropy method and investigated the spatio–temporal evolution pattern of ULHU in the Greater Pearl River Delta (PRD) urban agglomeration in the years 2005, 2010, 2015 and 2020. Furthermore, a multi-period fuzzy-set qualitative comparative analysis method was adopted to explore the concurrent driving mechanisms that impact ULHU from the configuration perspective. The findings reveal that the level of ULHU has exhibited a significant improvement, increasing from 0.1150 in 2005 to 0.2758 in 2020, with an annual growth rate of 8.739%. The spatial pattern in the PRD region exhibits an incremental distribution, characterized by higher values in the central region and lower values in the peripheral area, as this pattern reveals significant heterogeneity across the region. The configurations for ULHU in the PRD were identified, such as Population-industry-talent driven, Openness-fiscal-talent driven, Population-led, and Population-industry driven. Among these configurations, population density and industrial structure were identified as the core driving factors, while the role of talent resources is gradually diminishing. This study provides practical guidance for promoting the ULHU and optimizing national spatial planning.
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 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».