Assessing Disparities in Road Transport Services in Kenya: Geographic Information System and Machine Learning Approach
Notice bibliographique
Résumé
Regional disparities in road infrastructure access in Kenya hinder socioeconomic development and challenge progress toward the Vision 2030 goals. This study addresses spatial inequality in transport provision by developing a transport network need index (TNNI) based on socioeconomic indicators and comparing it with existing road network density, termed transport network provision (TNP). The difference between TNNI and TNP yields the index of disparity between needs and provision (IDNP), identifying counties that are over- or under-served relative to their development needs. Machine learning models are employed to predict road density based on socioeconomic features, with the best-performing model selected through accuracy metrics. Shapley additive explanations (SHAP) are used to interpret the model and determine the empirical importance of each input feature. These SHAP-based weights are compared with literature-based weights used in TNNI to assess disparities in factor prioritization. Results highlight critical spatial disparities, with counties such as Turkana, Wajir, and Mandera falling into the most under-served category (IDNP >0.8). SHAP analysis reveals that population density is the dominant driver of current road provision (56.8% weight), while poverty and unemployment, despite their policy relevance, are underrepresented in actual infrastructure allocation. This twofold analysis—identifying both regional service gaps through IDNP and mismatches in factor prioritization—provides critical insights for policymakers. By pinpointing under-served regions and highlighting which socioeconomic drivers are being overlooked, the study offers a robust, data-driven framework for guiding equitable infrastructure investments, advancing transport justice, and supporting diversity and inclusion in Kenya’s road transport planning.
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 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,005 | 0,006 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,002 | 0,002 |
| 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 | 0,000 |
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 ».