Comparative analysis of greenery inequalities in New York and London: Social-economic and spatial dimensions
Notice bibliographique
Résumé
With the rapid development of urbanization, the reduction of urban green spaces (UGS) has negatively impacted residents' quality of life and environmental quality. Recognizing that factors influencing environmental justice vary across different national and city contexts, this study aims to explore these differential impacts. However, most existing studies focus on single cities or specific regions, with limited comparative research between different countries. To explore the factors that differentially affect UGS in various cities, this study compares the distribution of UGS in New York City, U.S., and London, UK, investigating socio-economic variables (percentage of population in poverty, housing-cost burden, education level), demographic factors (proportion of minorities, elderly, individuals with disabilities), and built-environment indicators (residential density, road density, land-use types). These variables are measured using official census data and spatial datasets from each city, ensuring robust coverage of community vulnerability and development intensity. The research employs Ordinary Least Squares (OLS), Geographically Weighted Regression (GWR), and Multiscale Geographically Weighted Regression (MGWR) methods to analyze the relationship between UGS. The OLS results indicate that in both New York and London, minority and elderly populations have a positive correlation with UGS usage, while low-income groups face greater inequalities. GWR and MGWR reveal that UGS inequalities are mainly concentrated in urban peripheries or economically weaker areas. Notably, New York is more affected by economic factors, showing significant spatial heterogeneity in economically underdeveloped areas. These findings are significant for developing more equitable and effective UGS policies. Such methods enable systematic evaluations across different countries based on case studies from major cities, breaking down regional isolation and fostering more equitable and effective UGS policies globally. Understanding these differences can lead to more targeted interventions, improve the quality of life for vulnerable groups, and promote sustainable urban development worldwide.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,003 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 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 ».