The Effects of Urban Design Elements on Population Density and Growth Over Time
Notice bibliographique
Résumé
Impactful design and structure of a city contributes significantly to a city’s growth through increased productivity, innovation, and population. In this paper, I use panel data on 130 US and Canadian cities across a seven-year period, from 2015 to 2021, with data collected biannually to investigate whether Kevin Lynch’s five essential urban design elements (paths, nodes, edges, districts, landmarks) are correlated with a city’s desirability. Desirability of a city is measured using population density and growth over time. In a pooled regression model with year effects and robust standard errors, I find that a 1% increase in the design elements of paths (p ~ 0.032), edges (p ~ 0.016), districts (p ~ 0.000), nodes (p ~ 0.000), and landmarks (p ~ 0.000) are associated with 0.11%, 0.04%, 0.29%, 0.36%, and 0.11% increases in population respectively. However, in a fixed effects model, the five elements have no statistical significance. The coefficients of paths, districts, and landmarks are negative; this suggests that an increase of these three design elements is associated with decreases in population. I estimate a growth model to examine population growth from 2015 to 2021 as a function of initial design elements in 2015. I find mixed support for a relationship between 2015’s design elements and population growth. While coefficients for paths and districts are positive indicating a positive relationship between city design and city population growth, the coefficients for edges and landmarks are negative. I find that a 1% increase in the design elements of paths (p ~ 0.36), edges (p ~ 0.731), districts (p ~0.081), and landmarks (p ~ 0.51) are associated with 0.22%, -0.04%, 0.39%, -0.12% increases in population respectively.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».