Governance of urban data commons as a matter of value redistribution in the smart city
Notice bibliographique
Résumé
In today’s urban environments, “datafication” of social interactions and community activities is ubiquitous and actualises in various applications. One may think of sensor-enabled urban mobility, data-driven water supply systems, innovative waste management plants, and so forth. Data-driven solutions, forming the “smart city”, aim to tackle complex urban problems, and largely depend on marketising or privatising public services. Smart city models, therefore, tend to disguise processes of data appropriation by private enterprises (“data ownership”). By contrast, there is a bourgeoning legal literature exploring how decentralised data infrastructures can open up access to “urban data commons” (UDC). A growing number of public-led (eg the DECODE Project in Barcelona), private-led (eg Sidewalk Toronto in Toronto), and informal projects have put data access into practice. These regulatory schemes aim to foster data access and data sharing, but they tend to neglect the redistribution of value flowing from the positive impact of citizens’ interactions and cooperation on smart city vendors’ activities – what I call “positive externalities”. This paper addresses the issue of data-driven value generation and redistribution in the smart city. It argues that data governance encompasses matters of both use and value that need to be addressed jointly. Therefore, it comes up with some recommendations that can help to incorporate matters of value from data-driven activities. Specifically, I seek to explore the ways to remunerate municipalities in cases where smart city vendors harness positive externalities. In doing so, I circumscribe my analysis to two solutions that have distributional implications for the governance of UDC, ie Fritz Schumacher’s proposal of (large-scale) ownership in his classic Small is beautiful: Economics as if people mattered and the (IP) benefit-sharing principle as applied to indigenous communities.
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 | 0,009 | 0,013 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,005 | 0,039 |
| Communication savante | 0,017 | 0,016 |
| Science ouverte | 0,001 | 0,015 |
| Intégrité de la recherche | 0,003 | 0,004 |
| 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 ».