Global smart cities classification using a machine learning approach to evaluating livability, technology, and sustainability performance across key urban indices
Notice bibliographique
Résumé
Smart cities have become an increasingly important response to urbanization challenges, integrating technology to enhance city infrastructure, services, and sustainability. This study aims to classify the highest 50 global smart cities based on key livability and technology indices, using advanced machine learning (ML) models to assess city performance comprehensively. The necessity of this research lies in its focus on identifying patterns and best practices among high-performing cities, offering actionable insights for urban planners and policymakers aiming to improve smart city initiatives. This approach is necessary for understanding and replicating best practices in urban management and smart city development. Focusing on high-ranking cities ensures the study analyzes robust and reliable data, avoiding noise and inconsistencies arising from lower-performing or less-documented cases. Drawing on data from the Smart Cities Index (SCI) and other economic and sustainability competitiveness metrics, the study uses various ML algorithms to categorize cities into performance classes, ranging from high-achieving Class 1 to emerging Class 3 cities. The methodology involves data preparation with imputation and normalization, followed by training 9 supervised ML models. The results show that Support Vector Machine (SVM), K-Nearest Neighbors (KNN), and Decision Tree are identified as the most effective classifiers. Furthermore, the results indicate that cities with well-integrated governance, infrastructure, and sustainability practices consistently rank higher, while cities in the lower classes face challenges in these areas. Policy implications suggest that cities aiming to enhance their smart city performance should prioritize comprehensive urban management strategies that balance technological infrastructure with sustainability and public service accessibility to drive more equitable and resilient urban growth. • Classifies smart cities to boost livability and sustainability. • Uses Smart Cities Index to assess global city performance. • Tests 9 supervised and 2 unsupervised models for classification. • Support vector machine model achieves 93 % accuracy in smart city classification. • Top cities excel in governance, infrastructure, and services.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,007 | 0,006 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».