Networks of European cities in worlds of global economic and environmental change
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Geographers use a variety of economic, social, and demographic data to measure the importance of global cities and the linkages between cities. We analyze the importance and connectedness of European cities using hyperlinks, or the electronic information provided by the Google Search engine. Hyperlinks are Web sites representing information that is produced; they are especially useful in measuring the impact of contemporary crises. We use the phrases economic slowdown and global financial crisis to derive a Global Financial Score (GFS) for 16 core, semiperiphery and peripheral European cities and global warming and climate change to derive a Global Environmental Score (GES). London and Paris are in the European core; Rome, Dublin, Madrid and Prague are in the semiperiphery; while Tallinn, Riga, and Belgrade are in the periphery. A strong positive relationship exists between the GES and GFS. We examine the linkages of the 16 cities to the 100 largest world cities and illustrate, with “clockgrams,” the linkages London, Brussels and Athens have with other world cities. We calculated the number of linkages each of the 16 cities had with other world cities to identify Europe’s urban cores, semiperipheries, peripheries, and deep peripheries. New York is in the core of both the economic and environmental maps. Some world cities are in the semiperiphery of one category and periphery of another. Milan, Istanbul, and Delhi are in the deep periphery for the GFS while Toronto and Athens are for the GES. Hyperlinks represent valuable databases to measure the impact of crises and regional and global urban linkages.
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.
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 | 0,001 | 0,000 |
| 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 | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 découle