La “atractividad”, condición de las ciudades del futuro. Clasificaciones, retos y estrategias urbanas
Bibliographic record
Abstract
Las ciudades compiten entre ellas cada vez más, debido \nespecialmente a la globalización. Buscan atraer un número cada \nvez mayor de habitantes, turistas, inversionistas y actividades, \ny ubicarse a la cabeza de los numerosos palmareses que miden, \ndesde hace algunos años, la atractividad de las grandes metró- \npolis. Se trata de clasificaciones más o menos rigurosas que, al \nser publicadas, divulgadas y comentadas, tienen una repercu- \nsión sobre la imagen de las colectividades territoriales. En el \n2009, por ejemplo \n, The Economist \ny Mercer ubican a Tokio a \nla cabeza de las ciudades más caras, mientras que Vancouver \n(The Economist) \n y Viena (Mercer) serían las ciudades más \nagradables del mundo. \nEn este contexto, la noción de atractividad territorial \nse convirtió en un elemento ineludible para la “evaluación del \ndesempeño y de la dinámica de las ciudades”, y en una de las \nprioridades de las políticas de ordenamiento territorial. Pero, \n¿qué es lo que define el término de ‘atractividad’? ¿Cuáles son \nsus dimensiones y sus determinantes? \nFrançois Cusin y Julien Damon, después de presentar \nlas principales clasificaciones internacionales, interrogan aquí 81 \nespecial \n* \nEste texto ha sido tomado de los trabajos realizados dentro del marco de \nla Fabrique de la Cité. Consúltese el sitio web \nwww.lafabriquedelacite.com. \n** \nFrançois Cusin es profesor titular de sociología en la universidad Paris- \nDauphine; Julien Damon es profesor asociado del Instituto de Estudios Políticos \nde París (máster de urbanismo). \neste nuevo concepto, relacionándolo con el de \ncompetitividad. “Medir la atractividad de una \nciudad es evaluar su esfera de influencia, su ca- \npacidad para generar movimiento, para atraer \nhacia sí misma de manera duradera...”, afirman \nlos autores. Más allá de sus funciones econó- \nmicas, un territorio debe, por lo tanto, ofrecer \nbienestar y calidad de vida a sus habitantes, \neso que los autores llaman la “atractividad \nresidencial”. \nAsí, para permanecer en la competencia, \nlas colectividades territoriales elaboran polí- \nticas de ordenamiento territorial ambiciosas, \nincluyen la atractividad como elemento central \nde su estrategia y recurren a una nueva disci- \nplina, el \nmarketing \n urbano, porque la promo- \nción de su imagen de marca se ha convertido \nen una prioridad.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.002 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.003 | 0.010 |
| Scholarly communication | 0.008 | 0.005 |
| Open science | 0.001 | 0.006 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.021 | 0.003 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".