A prioritization framework to identify key attributes of transit-oriented development (TOD) using multi-criteria decision-making (MCDM) approach: an Indian context
Notice bibliographique
Résumé
Transit-oriented development (TOD) has emerged as a crucial urban and transportation planning tool, addressing major urban challenges in India’s metropolitan regions. This study utilized six multi-criteria decision-making (MCDM) approaches to rank 16 TOD attributes selected through literature review and expert consultation. Input from 35 experts, including planners, researchers and policymakers, was gathered using a Likert scale questionnaire to determine the most significant attributes in the Indian context. The findings highlight transportation affordability, first and last-mile connectivity and multimodal integration as the top-ranked TOD attributes, emphasizing their importance for sustainable and inclusive urban development. Conversely, street-oriented developments, informal sector integration and housing diversity ranked lowest, reflecting their reduced perceived significance in this context. These rankings provide valuable, context-sensitive insights for prioritizing resource allocation and formulating effective TOD strategies in developing nations. By focusing on key infrastructural elements that enhance accessibility and sustainability, policymakers and planners can create more efficient and appealing TOD neighbourhoods. These findings serve as a guide for resource allocation and decision-making, enabling the development of vibrant, well-connected urban communities that address the needs of a rapidly urbanizing population in India and similar developing countries.
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 | 0,012 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,013 | 0,009 |
| Études des sciences et des technologies | 0,003 | 0,003 |
| Communication savante | 0,006 | 0,003 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,002 |
| 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 ».