Development of a Differential Spatial Economic Modeling Method for Improved Land Use and Multimodal Transportation Planning
Notice bibliographique
Résumé
Regional planning agencies increasingly rely on Spatial Economic Models (SEMs) to evaluate the impact of various policies. However, traditional SEMs often employ homogeneous technical coefficients (TCs) to represent technology patterns used by activities located in very different areas of a region, leading to misrepresentations of production and consumption behaviors, and consequently, inaccurate modeling results. To this end, we propose a Differential Spatial Economic Modeling (DSEM) framework that incorporates region-specific TCs for activities within Independent Planning Units (IPUs), such as provinces or cities, each characterized by unique economic, demographic, and technological features. The DSEM framework comprises three core components: (1) a regional economy model that forecasts activity totals for each IPU using economic and demographic forecasting model, supplemented by statistical analyses like the Gini index and K-means clustering to group activities from different IPUs into homogeneous ‘technology’ clusters based on their TCs; (2) a land use model that allocates IPU activity totals to corresponding traffic analysis zones (e.g., counties or districts) using the Differential Spatial Activity Allocation (DSAA) method. This determines the spatial distribution of commodities (such as goods, services, floor space, and labor) across exchange zones, balancing supply and demand to achieve spatial equilibrium in both quantity and price; and (3) a transport model that performs modal split and network assignment, distributing commodity trip origin–destination matrices across a multimodal transportation supernetwork (highways, railways, and waterways) using a probit-based stochastic user equilibrium assignment model. The proposed method is applied to a case study of the Yangtze River Economic Belt, China. The results demonstrate that the proposed DSEM yields better goodness-of-fit (R2) values between observed and estimated flows compared to the traditional aggregate SEM. This indicates a more precise and objective representation of spatial economic activities and technological patterns, thus resulting in improved estimates of freight flows for individual transportation modes and specific links.
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 | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».