Economic Determinants of Smart and Sustainable Urban Development: What Answers Does the Cities in Motion Index Give?

Abstract

Мета статті - визначити, які складові сталого та розумного розвитку міських територій є найбільш важливими для економіки міста. Для цього застосовано регресійний, кластерний та дискримінантний аналіз з використанням даних рейтингових позицій 180 міст світу за індексом Cities in Motion Index (CIMI) та його складових за 2022 рік. Для розрахунків використано програмні пакети Stata та Statgraphics 19. Статистичну значущість вхідних даних підтверджено за допомогою методів описової статистики, а нормальність розподілу даних визначено за критерієм Шапіро-Уілка. Проведено регресійний аналіз (на основі методу найменших квадратів) впливу інтегрального значення СІМІ та його складових (Людський капітал, Соціальна згуртованість, Навколишнє середовище, Врядування, Міське планування, Міжнародний профіль, Технології, Мобільність і транспорт) на його першу складову - Економіку. Він свідчить, що лише чотири індикатори мають статистично значущий вплив: "Міста в русі", "Навколишнє середовище", "Міське планування" та "Міжнародний профіль". Множинна регресія, побудована з використанням процедури суворого відбору, підтверджує ці висновки, а дискримінантний аналіз доводить, що коефіцієнти рівняння регресії використовуються для прогнозування змінної "Економіка". Аналіз кореляційних матриць Спірмена та Кендалла свідчить про тісний зв'язок між показниками "Економіка", "Людський капітал", "Управління" та "Міста в русі"; пряму залежність між "Міста в русі" та такими показниками, як "Технології", "Міське планування" та "Міжнародний профіль"; середній прямий зв'язок між "Економікою", "Соціальною згуртованістю" та "Мобільністю і транспортом". Кластерний аналіз з використанням методу k-середніх у програмному середовищі R Studio дозволив виокремити вісім кластерів міст відповідно до їх рейтингових позицій за різними параметрами індексу CIMI (їх кількість розраховано за формулою Стерджесса, а оптимальність їх кількості підтверджено схемою агломерації за методом Уорда). Для міст першого кластеру (17 міст, 9,44% від загальної кількості проаналізованих, переважно світові столиці) найбільший вплив на компонент "Економіка" має "Міста в русі", менший - "Мобільність і транспорт"; для міст другого кластеру (23 міста, 12. 78%, переважно великі міста США та Китаю) найбільший вплив має "Технології"; для міст третього кластеру (35 міст, 19,44%, переважно потужні регіональні центри) - "Міста в русі", "Міжнародний профіль", "Мобільність і транспорт", "Соціальна згуртованість" та "Міське планування"; для четвертого (9 міст, 5%) та п'ятого кластерів (6 міст, 3. 33%) регресії не є значущими, тому ці кластери потребують подальшого вивчення для кожного міста окремо; для міст шостого кластеру (33 міста, 18, 33%, переважно розвинені європейські міста) найбільш важливими є "Міста в русі", "Навколишнє середовище", "Управління", "Мобільність і транспорт", "Соціальна згуртованість" та "Міське планування"; для міст сьомого кластеру (10 міст, 5. 56%) - "Людський капітал", "Соціальна згуртованість" та "Технології"; для міст восьмого кластеру (47 міст, 26,11%, переважно міста, що стикаються з економічними перешкодами для свого розвитку) - "Міста в русі", "Навколишнє середовище", "Технології" та "Міське планування". Дискримінантний аналіз показує, що найбільший вплив на розподіл кластерів на групи має індикатор "Навколишнє середовище".

The goal of the article is to determine which components of sustainable and smart development of urban areas are the most important for the economy of a city. For this, regression, cluster and discriminant analysis are applied, using the data of the ranking positions of 180 cities of the world according to the Cities in Motion Index (CIMI) and its components for 2022. The Stata and Statgraphics 19 software packages are used for the calculations. The statistical significance of the input data is confirmed using descriptive statistics, and the normality of the data distribution was determined according to the Shapiro-Wilk test. A regression analysis (based on the least squares method) of the influence of the integral value of CIMI and its components (Human capital, Social cohesion, Environment, Governance, Urban planning, International profile, Technology, Mobility and Transportation) on its first component – Economy, is carried out. It testifiesthat only four indicators have a statistically significant impact: Cities in Motion, Environment, Urban planning, and International profile. Multiple regression, constructed using the strict screening procedure, confirms these findings; and discriminant analysis proves that the regression equation coefficients is used to predict the Economy variable. Analysis of Spearman’s and Kendall’s correlation matrices prove a close relationship between the Economy, Human capital, Governance, and Cities in motion; direct dependence between Cities in motion and such indicators as Technology, Urban planning, and International profile; average direct connection between Economy, Social cohesion and Mobility and transportation. Cluster analysis using the k-means method in the R Studio software environment made it possible to distinguish eight clusters of cities according to their ranking positions in relation to various parameters of the CIMI index (their number was calculated according to the Sturgess formula, and the optimality of their number is confirmed by the agglomeration scheme according to the Ward method). For the cities of the first cluster (17 cities, 9.44% of the total number analyzed, mostly world capitals), Cities in motion has the greatest impact on the Economy component, while Mobility and Transportation has a lesser impact; for the cities of the second cluster (23 cities, 12.78%, mostly large cities of the United States and China) it is Technology that has the greatest impact; for cities of the third cluster (35 cities, 19.44%, primarily powerful regional centers)it is Cities in motion, International profile, Mobility and transportation, Social cohesion, and Urban planning; for clusters four (9 cities, 5%) and five (6 cities, 3.33%), the regressions are not significant, so these clusters require further study for each city separately; for the cities of the sixth cluster (33 cities, 18, 33%, mostly developed European cities) the most important are Cities In motion, Environment, Governance, Mobility and transportation, Social cohesion, and Urban planning; for the cities of the seventh cluster (10 cities, 5.56%) – Human capital, Social cohesion, and Technology; for cities in the eighth cluster (47 cities, 26.11%, mostly cities facing economic obstacles to their development) – Cities in motion, Environment, Technology, and Urban planning. The discriminant analysis shows that the Environment indicator has the greatest impact on the division of clusters into groups.

The goal of the article is to determine which components of sustainable and smart development of urban areas are the most important for the economy of a city. For this, regression, cluster and discriminant analysis are applied, using the data of the ranking positions of 180 cities of the world according to the Cities in Motion Index (CIMI) and its components for 2022. The Stata and Statgraphics 19 software packages are used for the calculations. The statistical significance of the input data is confirmed using descriptive statistics, and the normality of the data distribution was determined according to the Shapiro-Wilk test. A regression analysis (based on the least squares method) of the influence of the integral value of CIMI and its components (Human capital, Social cohesion, Environment, Governance, Urban planning, International profile, Technology, Mobility and Transportation) on its first component – Economy, is carried out. It testifiesthat only four indicators have a statistically significant impact: Cities in Motion, Environment, Urban planning, and International profile. Multiple regression, constructed using the strict screening procedure, confirms these findings; and discriminant analysis proves that the regression equation coefficients is used to predict the Economy variable. Analysis of Spearman’s and Kendall’s correlation matrices prove a close relationship between the Economy, Human capital, Governance, and Cities in motion; direct dependence between Cities in motion and such indicators as Technology, Urban planning, and International profile; average direct connection between Economy, Social cohesion and Mobility and transportation. Cluster analysis using the k-means method in the R Studio software environment made it possible to distinguish eight clusters of cities according to their ranking positions in relation to various parameters of the CIMI index (their number was calculated according to the Sturgess formula, and the optimality of their number is confirmed by the agglomeration scheme according to the Ward method). For the cities of the first cluster (17 cities, 9.44% of the total number analyzed, mostly world capitals), Cities in motion has the greatest impact on the Economy component, while Mobility and Transportation has a lesser impact; for the cities of the second cluster (23 cities, 12.78%, mostly large cities of the United States and China) it is Technology that has the greatest impact; for cities of the third cluster (35 cities, 19.44%, primarily powerful regional centers)it is Cities in motion, International profile, Mobility and transportation, Social cohesion, and Urban planning; for clusters four (9 cities, 5%) and five (6 cities, 3.33%), the regressions are not significant, so these clusters require further study for each city separately; for the cities of the sixth cluster (33 cities, 18, 33%, mostly developed European cities) the most important are Cities In motion, Environment, Governance, Mobility and transportation, Social cohesion, and Urban planning; for the cities of the seventh cluster (10 cities, 5.56%) – Human capital, Social cohesion, and Technology; for cities in the eighth cluster (47 cities, 26.11%, mostly cities facing economic obstacles to their development) – Cities in motion, Environment, Technology, and Urban planning. The discriminant analysis shows that the Environment indicator has the greatest impact on the division of clusters into groups.