Identifier, détecter et localiser les centralités économiques : une proposition inspirée de l’algorithme DBSCAN
Bibliographic record
Abstract
En sciences régionales, la notion de centre(s) revêt une importance capitale pour plusieurs modèles théoriques et cadres conceptuels. Les dynamiques urbaines et locales ont conduit à une multiplication des centres rendant le polycentrisme la norme dans la plupart des aires métropolitaines. Or, la localisation du centre (ou des centres) est souvent postulée comme exogène, déterminée à l’avance. Elle s’avère souvent un intrant nécessaire afin d’identifier les multiples centres. Cette note de recherche propose de développer un algorithme permettant d’identifier, de détecter et de localiser les différents centres à partir d’une typologie issue de critères économiques (unités de logements et commerciales). Afin de présenter son implémentation, deux applications fictives sont développées. Une première sur une ville monocentrique, et une seconde sur une ville polycentrique. Une application empirique permet d’identifier et de localiser les centralités de 31 régions métropolitaines de recensement (RMR) et agglomérations de recensement (AR) du Québec à partir d’information sur les unités d’évaluation contenues dans les rôles d’évaluations municipaux.
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 | 0.004 | 0.009 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.002 | 0.002 |
| Bibliometrics | 0.002 | 0.003 |
| Science and technology studies | 0.002 | 0.002 |
| Scholarly communication | 0.005 | 0.002 |
| Open science | 0.003 | 0.003 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.003 | 0.002 |
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".