The impact of digital technologies and social media on the urban attractiveness of smart cities
Notice bibliographique
Résumé
Smart city initiatives use digital technologies to enhance user experiences and improve the attractiveness of urban environments. However, little is known about how these technologies influence a city's ability to attract different types of newcomers, and even less about the role of social media in this process. This work examines how a city's use of social media influences the relationship between the effect of digital technology implementation and the urban attractiveness for national and international newcomers. Focusing on three types of national and international newcomers (i.e., citizens, students, and tourists) to a city, we present and test a model of how social media curates, broadcasts, and accelerates information flows about the availability and value of smart city technology to newcomers. Using novel data from 30 Italian cities (2010−2021), we find support for this model, with digital technologies having a curvilinear impact on urban attractiveness, and that social media extends the threshold of this impact. Moreover, we find that these effects differ for national and international newcomers. These findings challenge smart city scholars and practitioners to reconsider the ‘more is better’ narrative that assumes increasing technology implementation is always beneficial, highlighting instead the value of contingency-based approaches over one-size-fits-all technological determinism. • Digital technology implementation shows a curvilinear relationship with urban attractiveness, indicating that benefits are not unlimited. • Social media use by cities extends the tipping point of digital technology's positive effects, but this advantage is mainly for national newcomers. • Findings challenge the “more-is-better” assumption in smart city research, highlighting the value of differentiated, user-centric digital strategies. • The asymmetric effects between national and international newcomers underscore the need for tailored policy design and targeted investment priorities.
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 | 0,002 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,003 |
| Communication savante | 0,004 | 0,002 |
| Science ouverte | 0,000 | 0,004 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,001 |
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 ».