The Scene Logic of Innovative Talent Agglomeration: An Empirical Study Based on 54 Cities in China
Notice bibliographique
Résumé
In recent years, China has been steadily implementing its innovation-driven development strategy, underscoring the vital importance of attracting innovative talents to cities. Major cities have come to realize that securing such talent is essential for maintaining sustainable urban competitiveness in the future. This article takes a novel perspective by focusing on the role of urban scenes, with a particular emphasis on the cultural, lifestyle, and quality-of-life factors that are crucial for attracting and retaining innovative talent, which is essential for sustainable urban growth. Utilizing ridge regression analysis, this study scrutinizes the scores across various sub-dimensions of urban ambiance and the location quotient of innovative talent in 54 cities nationwide. We report several findings. Firstly, urban scenes play a pivotal role in talent agglomeration, a critical factor for sustainable development. Secondly, both rational and transgressive scenes positively impact the gathering of scientific and financial talents, with transgressive scenes having a more pronounced effect. Thirdly, self-expressive scenes may counterintuitively impede the clustering of scientific and cultural talents, a finding that contrasts with international research outcomes. In conclusion, this study sheds light on how urban scenes drive the sustainable concentration of innovative talents, thus contributing to the enrichment of theoretical understanding of sustainable talent development and practical insights for policymakers aiming to create urban environments that foster innovation and sustainability.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 ».