Developing a Replicable ESG-Based Framework for Assessing Community Perception Using Street View Imagery and POI Data
Notice bibliographique
Résumé
Urban livability and sustainability are increasingly studied at the neighborhood scale, where built, social, and governance conditions shape residents’ everyday experiences. Yet existing assessment frameworks often fail to integrate subjective perceptions with multi-dimensional environmental indicators in replicable and scalable ways. To address this gap, this study develops an Environmental, Social, and Governance (ESG)-informed framework for evaluating perceived environmental quality in urban communities. Using Baidu Street View imagery—selected due to its comprehensive coverage of Chinese urban areas—and Point of Interest (POI) data, we analyze seven communities in Shenyang, China, selected for their diversity in built form and demographic context. Kernel Density Analysis and Exploratory Factor Analysis (EFA) are applied to derive latent ESG-related spatial dimensions. These are then correlated with Place Pulse 2.0 perception scores using Spearman analysis to assess subjective livability. Results show that environmental and social factors—particularly greenery visibility—are strongly associated with favorable perceptions, while governance-related indicators display weaker or context-specific relationships. The findings highlight the differentiated influence of ESG components, with environmental openness and walkability emerging as key predictors of perceived livability. By integrating pixel-level spatial features with perception metrics, the proposed framework offers a scalable and transferable tool for human-centered neighborhood evaluation, with implications for planning strategies that align with how residents experience urban environments.
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 enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,005 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».