Desenvolvimento de indicador de potencial mercadológico intermunicipal brasileiro : abordagem utilizando clusterização hierárquica e classificação
Bibliographic record
Abstract
Tomadores de decisão frequentemente precisam utilizar abordagens de triagem prévia para tomada de decisão locacional. Os principais indicadores de potencial de mercado falham ao generalizar territórios nacionais como peças homogêneas, não garantindo a máxima acurácia no fornecimento de informação para gestores. Os mercados municipais diferem em termos de atratividade de mercado devido a variações no ambiente econômico e comercial, taxas de crescimento, tamanho, capacidade de consumo, infraestrutura e outros fatores. O cumprimento do objetivo de sumarizar diversos dados prontamente disponíveis em uma informação de fácil intepretabilidade se deu pelo desenvolvimento de um Índice de Potencial de Mercado dos Municípios Brasileiros. Esta pesquisa também propõe e ilustra o uso de dois métodos complementares para avaliação preliminar e seleção de mercados: clusterização de municípios e classificação de municípios. Esses dois métodos, em combinação, se demonstraram extremamente úteis para auxiliar na triagem de mercados. As conclusões sobre o tema demonstraram as diferenças significativas entre estruturas urbanas no Brasil, ultrapassando análises mais simples orientadas apenas a tamanho. As cidades de São Paulo (SP), Curitiba (PR) e Porto Alegre (RS) se mostraram as mais atrativas, de acordo com as variáveis correlatas a atratividade de mercado selecionada. Futuros estudos podem se aproveitar dos resultados renovando os dados do índice à medida de nova disponibilização, ou da alteração do mix de variáveis de acordo com diferentes fenômenos ou setores de objetivo da análise.
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 | 0.002 | 0.005 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.002 | 0.004 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.002 | 0.000 |
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".