A GIS-FAHP Framework for Prioritizing Sustainable Urban Infrastructure: Evidence from Medan, Indonesia
Notice bibliographique
Résumé
This study presents a GIS-FAHP integrated framework for prioritizing sustainable urban infrastructure, with empirical evidence from Medan City, Indonesia-a rapidly urbanizing area facing spatial inequality, congested road networks, and uneven distribution of public facilities.The framework combines GIS spatial analysis with FAHP-based multi-criteria weighting to enhance objectivity and manage uncertainty in infrastructure planning.The model integrates three key criteria-building density, road infrastructure, and public facilities-selected for their relevance to spatial accessibility and service provision.Expert-based pairwise comparisons, adjusted through fuzzification, reveal that building density exerts the strongest influence (60.4%), followed by road infrastructure (26.4%) and public facilities (13.2%).A GIS-based weighted overlay produces spatial suitability maps, categorizing Medan into five infrastructure development priority zones.Notably, only 4.26% of the city area is identified as highly suitable for infrastructure investment, while over 54% remains unsuitable due to accessibility constraints and infrastructure gaps.Spatial autocorrelation analysis using Moran's I confirms significant clustering patterns, validating the robustness of the model.This integrated GIS-FAHP approach contributes to the advancement of sustainability-focused urban planning by offering a replicable, scalable, and evidence-based tool for prioritizing infrastructure development.The findings support policy decisions aimed at reducing spatial disparities and promoting equitable, sustainable urban growth in Medan and comparable Southeast Asian cities.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».