Efficiency in Urban Management and Smart City Concepts: A Russian Cities Case Study
Notice bibliographique
Résumé
In the modern context, for a city to be deemed smart, it must extend its focus beyond a mere technological infrastructure to align with the 4T model.This framework encompasses four key components: Technology, Telecommunication, Talent, and Tolerance.The model advocates for a comprehensive approach that transcends purely technological progress, emphasizing that a smart city's successful evolution requires advanced infrastructure, effective communication networks, skilled human capital, and a culture of inclusivity and tolerance.The article presents an analysis of applying the smart city concept and the 4T model in the development of Moscow, Krasnodar, Kazan, Tyumen, Yekaterinburg, and Dubna (Russia).The study aims to determine the application of the smart city and 4T model by their administrations and the difficulties in implementing these strategies.The study is conducted in five Russian cities varying in size and functionality.The research materials are documents describing the development strategy.The authors of the article conduct computer-assisted telephone interviews with residents and city administration employees.They analyze the development strategies of these cities.The authors also identify the positions of the 4T model and directions for the development of a smart city in local development policy.The analysis allows the authors to determine the maturity of local development planning mechanisms considering the 4T model and smart city tools.Since the experience of the five cities different in size and functionality is studied, the results might be of interest to both practitioners and policy theorists striving to involve residents in the formation of local development policies and use of modern technologies to improve their access to city services and increase their influence on the future of their city.
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 | 0,001 | 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 ».