MétaCan
Menu
Retour à la cohorte
Enregistrement W4406951532 · doi:10.1177/00420980241301669

The micro-geography of knowledge exchanges in Montreal: Questioning the importance of the neighbourhood scale in an age of virtual communications

2025· article· en· W4406951532 sur OpenAlexaffabout
Richard Shearmur, David Doloreux

Notice bibliographique

RevueUrban Studies · 2025
Typearticle
Langueen
DomaineEconomics, Econometrics and Finance
ThématiqueRegional Economics and Spatial Analysis
Établissements canadiensHEC MontréalMcGill University
Organismes subventionnairesnon disponible
Mots-clésEconomic geographyNeighbourhood (mathematics)Economies of agglomerationMetropolitan areaRegional scienceScale (ratio)Context (archaeology)GeographySpatial ecologySpatial contextual awarenessSociologyEconomic growthEconomicsCartography

Résumé

récupéré en direct d'OpenAlex

Observation and theory confirm that economic activity can benefit from spatial agglomeration and clustering. Typically this has been analysed at the region or city scale, but recently micro-local and neighbourhood dynamics have drawn attention. Most studies first observe agglomeration, then infer or theorise processes that drive it; these inferred processes have become embedded in urban policy thinking. One such process is localised knowledge exchange, believed to be encouraged by spatial proximity and third spaces such as cafes and parks. In this study of Montreal firms, we directly explore the importance that firms attach to different scales and places at which knowledge exchange occurs. Overall, micro-local and local scales are considered less important than metropolitan and wider scales; third spaces are not considered important, except by marketing innovators; and there is no connection between innovation and the importance of local scale for knowledge acquisition. However, results are not homogeneous across urban context, economic sector or innovation profile: the association between micro-local knowledge exchange and geographical location is complex and cannot be generalised across neighbourhoods or firms.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,118
Score d'incertitude au seuil0,895

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,001
Communication savante0,0000,000
Science ouverte0,0010,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,036
Tête enseignante GPT0,267
Écart entre enseignants0,231 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations6
Publié2025
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueUrban StudiesMême sujetRegional Economics and Spatial AnalysisTravaux en français237 207