به طور فزاینده ای تشخیص داده شده است که بهره وری اقتصادی ذاتاً به دانش مربوط است ^{1 ، 2 ، 3 ، 4 ، 5 ، 6} و رشد اقتصادی اساساً از رشد و پیچیدگی دانش ناشی می شود. به ویژه، مطالعات اخیر نقش پیچیدگی دانش را در تبیین رونق اقتصادی در هر دو سطح ملی و زیرملی برجسته کرده است. ^{4 ، 5 ، 7 ، 8} . ^{از نظر مکانی، دانش تا حد زیادی از طریق تجمیع در شهرها} انباشته و رشد بهره وری را ارتقا می دهد . شواهد فراوان ^10 ، 11روابط بین شهرنشینی، توسعه اقتصادی و ایجاد دانش را نشان داده است و اثرات مقیاس شهری فوق‌خطی فعالیت‌های دانش‌بر و نوآورانه را برجسته می‌کند. پیشرفت‌های جدیدتر تغییرات در نرخ‌های مقیاس‌بندی را بیشتر درک می‌کنند و دریافتند که پیچیدگی دانش در توضیح درجات مختلف تمرکز شهری کلیدی است ^12 و 13 . دانش پیچیده تمایل بیشتری به تمرکز بیشتر در شهرهای بزرگ دارد، که تا حدی به دلیل تخصص بیشتر ¹⁴ و افزایش غیرمعمول بودن ترکیب دانش ¹⁵ است .

با این حال، با توجه به اهمیت دانش پیچیده، درک رشد پیچیدگی شهری با در نظر گرفتن دانش طبیعت‌های مختلف، چالشی برای محققان باقی مانده است. به ویژه، همانطور که مایکل پولانی ¹⁶ به طور معروف اشاره کرد – ما می توانیم بیشتر از آنچه می توانیم بگوییم بدانیم – دانش مدت هاست که ماهیت متفاوتی دارد و معمولاً به دو نوع اساسی تقسیم می شود – دانش صریح که نهادینه کردن آن نسبتاً ساده تر است، و دانش ضمنی، که بازتاب درک ذهنی آنقدر ریشه‌دار و بدیهی است که نمی‌توان آن را به راحتی بیان کرد ^{17 ، 18 ، 19} .

محققان در چند دهه گذشته به دقت دانش ضمنی و دانش صریح را از جنبه های مختلف متمایز کرده اند ^{20 ، 21 ، 22} . بسیاری از توصیفات دانش ضمنی بر محلی بودن آن تاکید دارد. به طور خاص، به‌عنوان مجموعه‌ای از باورهای مشتق‌شده از تاریخ ^{23 ، شیوه‌ها یا} راهبردهای رایج برای مقابله با عدم قطعیت، به جای مجموعه‌ای از تکنیک‌ها، قوانین یا برنامه‌های ثابت در ^{نظر گرفته} می‌شود . ^{تصویر فرهنگی آن نیز به‌عنوان} سنتی یا ^بومی توصیف می‌شود . در این راستا، دانش ضمنی اغلب به عنوان نقطه مقابل دانش خبره در نظر گرفته می شود²⁷ . اولی برگرفته از تجربه است. در مقابل، دومی به دانش فنی/حرفه ای مبتنی بر آموزش آکادمیک در مدرسه اشاره دارد و بنابراین به عنوان دانش آکادمیک نیز ابداع می ^شود . از نظر کسب، دانش صریح را می توان با خواندن متون یا گفتگوها نسبتاً آسان منتقل کرد ^، در حالی که دانش ضمنی یا محلی نمی تواند. یادگیری دانش ضمنی یا دانش ^14 ، 29 اساساً مستلزم مشارکت و انجام ^{19 ، 22 ، 30} ، از طریق پذیرش غیررسمی رفتارها و رویه ها است ³¹ ، و بیشتر متکی بر اعتماد محلی است ^{22 ، 32 ، 33}. جدول زیر این توصیفات متنوع و در عین حال مرتبط از انواع دانش دوگانه را خلاصه می کند (جدول 1 ).

علیرغم این تمایزات روشنگر، فقدان داده‌های در مقیاس بزرگ توانایی محققان را برای بررسی دقیق چگونگی تأثیر دو نوع دانش – ضمنی و صریح بر نوآوری و توسعه اقتصادی محدود کرده است. با این حال، فقدان تحقیقات گسترده به این معنی نیست که این سوال مورد توجه قرار نگرفته است. در واقع، دانش ضمنی، یا دانش، اغلب در بحث های علمی ^8 ، 34 به عنوان یک مؤلفه کلیدی برای درک اینکه چرا کشورهای در حال توسعه دیرتر برای رسیدن سریع به فناوری و توسعه اقتصادی تلاش می کنند، برجسته می شود. به عنوان مثال ¹⁴، معتقد است که رشد دانش ضمنی یا دانش فنی برای توسعه محوری تر است. مثال کلاسیکی که اغلب ذکر می شود کارخانه پین ​​آدام اسمیت است، جایی که افزایش تخصص در کار باعث رشد بهره وری می شود. در همین حال، انباشت دانش صریح نیز گاهی اوقات به عنوان یک شاخص قوی از پیچیدگی دانش در نظر گرفته می ^شود . علیرغم درک این نکته که ترکیبات جدید مهارت ها عمدتاً در بین افراد اتفاق می افتد نه در درون آنها، سیستم پاداش اجتماعی هنوز با چالش مداوم شناسایی صحیح ارزش انواع مختلف دانش در مشاغل دست و پنجه نرم می کند. به طور خاص، تخصص کار ³⁵از لحاظ نظری می تواند شامل تخصص در دانش صریح، دانش ضمنی یا هر دو باشد. هنوز مشخص نیست که کدام نوع تخصص زیربنای شیوه های ریکاردی توسعه اقتصادی است. در نتیجه، فرضیه های رقیب را می توان فرموله کرد: H1: رشد ریکاردی اقتصاد (یعنی از طریق تخصص نیروی کار) در بافت های شهری اساساً بر انباشت و بازترکیب مداوم دانش تکیه دارد. H2: به طور متناوب، بر دانش صریح متکی است. H3: هر دو اهمیت یکسانی دارند.

در این مطالعه، ما از داده‌های استخدام آنلاین بیش از 4.6 میلیون شغل در چین برای بررسی این سؤال استفاده می‌کنیم. با توجه به این مفهوم که شهرها مراکز نوآوری و توسعه اقتصادی هستند، الگوهای مقیاس شهری را برای مشاغلی که به دو نوع دانش در سطوح مختلف نیاز دارند، بررسی می کنیم. ما دانش صریح و ضمنی را به ترتیب بر اساس الزامات تحصیلی و تجربه اندازه گیری می کنیم. اگرچه مقیاس دانش ضمنی و صریح با رشد جمعیت شهری است، تحلیل ما نشان می‌دهد که تمایلات رشد آنها به طور قابل توجهی متفاوت است. دانش ضمنی پیچیده تمایل به کاهش نرخ مقیاس شهری مشاغل مرتبط دارد، در حالی که دانش صریح پیچیده نرخ ها را افزایش می دهد. این الگو بدون توجه به تغییرات در وضوح مشاهده پایدار می ماند. یافته های ما نشان می دهد که در شهرهای بزرگتر، تمرکز دانش صریح و کاهش سهم دانش دانش فنی سخت به احتمال زیاد محرکهای غالب رشد اقتصادی هستند. در این معنا، دانش محلی در واقع یک ویژگی غیرشهری به خود می گیرد.

توزیع فضایی و صنعتی دانش صریح و ضمنی

ما ابتدا توزیع فضایی و صنعتی تقاضاهای شغلی برای سطوح مختلف دانش را در 288 شهر چین توصیف می کنیم. در پانل سمت چپ شکل 1 a, b هیستوگرام های دانش صریح و ضمنی در گروه های مختلف شهر رسم شده اند. همانطور که مشاهده می شود، مقدار تجمعی نیازهای دانش به وضوح با سطح دانش متفاوت است. مشاغلی که به دانش صریح سطح بالاتر نیاز دارند در همه گروه های شهر تقاضای بیشتری دارند. در مقایسه، مشاغلی که به سطوح بالاتر دانش ضمنی نیاز دارند نسبت به مشاغل پایین‌تر در همه گروه‌های شهر تقاضای کمتری دارند، که نشان‌دهنده کمبود نسبی در تقاضای دانش ضمنی در جامعه است.

a The distribution of explicit knowledge (education) across different city sizes. b The distribution of tacit knowledge (experience) across city sizes. 288 cities are divided into four groups according to population size: below 1.3 million, 1.3–2 million, 2–2.7 million, 2.7–5.4 million, and 5.4 million or more. c The distribution of different levels of explicit knowledge across industries. In each educational group, nodes correspond to industries; links between nodes are set according to the collocational similarity between industries (See Supplementary Methods for more details); and node size indicates the revealed comparative advantage of different industries in the group, with empty nodes having RCA less than 1 (See روشهای تکمیلی) . رنگ یک گره با توجه به ضریب مقیاس بندی شهری ( β ) هر صنعت تنظیم می شود. صنایع دارای برچسب مشخصه ترین صنایع گروه خود هستند. د توزیع سطوح مختلف دانش ضمنی در صنایع مختلف. گره ها مانند c رسم می شوند .

تصویر در اندازه کامل

پانل سمت راست شکل 1 c، d ساختار ظریف تری از صنایع مشخصه را برای سطوح مختلف گروه های دانش به تفکیک نوع دانش توصیف می کند. به طور خاص، ابتدا شبکه های صنعتی را با توجه به شباهت اشتراکی آنها به دست می آوریم ( روش های تکمیلی). سپس مزیت نسبی آشکار شده صنایع را با توجه به هر زیرگروه محاسبه می کنیم و مشخص ترین آنها را با برچسب ها برجسته می کنیم. همانطور که در شکل نشان داده شده است، برای گروه های دانش صریح، صنایعی مانند آرایشگری، مراقبت های شخصی و برون سپاری بیشترین ویژگی مشاغل با دانش ساده را دارند، در حالی که پیچیده ترین مشاغل مربوط به صنایع هوافضا، دانشگاهی و صنایع وابسته به دولت است. برای دانش ضمنی، پایین ترین سطح شامل خدمات بیمه و واسطه است و مشاغلی که به بالاترین سطح تجربه نیاز دارند، مشاغلی هستند که در زمینه هایی مانند ذوب، کسب و کار متنوع و معماری هستند. این نتایج توصیفی با درک موجود از پیچیدگی دانش در مشاغل ^{36 ، 37 ، 38 سازگار است.}، با این حال تصاویر واضح تری از تفاوت ها بر اساس ماهیت دانش ارائه می دهد.

شکل 1c و d همچنین روابط بین صنایع را تحت انواع مختلف دانش نشان می دهد. پیوند بین دو گره نشان می دهد که آیا دو صنعت شباهت اشتراکی بالایی دارند یا خیر. این امکان وجود دارد که دو صنعت در یک دسته توزیع های مکانی مشابهی داشته باشند اما در دسته دیگر توزیع های متفاوتی داشته باشند که در نتیجه وجود یا عدم وجود پیوند بین گره های یکسان در دسته های مختلف (یعنی شباهت یا عدم تشابه در توزیع جغرافیایی) ایجاد می شود. به عنوان مثال، پس از طبقه‌بندی مشاغل بر اساس سطح تحصیلات و تجربه، متوجه شدیم که در مقوله‌های دانش مقطع راهنمایی و دبیرستان، صنعت خدمات کامپیوتری با صنایع خودروسازی و املاک نزدیکی جغرافیایی دارد، زیرا این صنایع نیازمند مدیریت و مدیریت مشابه هستند. مهارت های عملیاتی در مقوله‌های دانش سطوح کالج و لیسانس، صنعت خدمات کامپیوتری از نظر جغرافیایی با صنایعی مانند نرم‌افزار کامپیوتر، امور مالی و مخابرات مرتبط است، زیرا این صنایع به دانش فنی و حرفه‌ای مشابهی نیاز دارند که ممکن است در مناطق یا شهرهای خاص متمرکز باشد. چنین جزئیات غنی ارزش تقسیم مشاغل به دسته ها و سطوح دانش برای تجزیه و تحلیل توزیع فضایی آنها را نشان می دهد.

الگوهای مقیاس بندی شهری دانش صریح و ضمنی پیچیده

نتایج مقیاس‌بندی شهری گاهی می‌تواند به اندازه داده‌ها و تصادفی بودن حساس باشد. برای اطمینان از استحکام الگوهای مقیاس‌بندی، از bootstrapping استفاده می‌کنیم، یک روش نمونه‌گیری مجدد که شامل ترسیم نمونه‌های تصادفی از موارد پست شغلی از مجموعه برای محاسبه توان مقیاس برای گروه‌های سطح دانش است. در هر دور، 600000 مورد را برای هر زیرگروه برای تخمین نمونه برداری می کنیم. ما این فرآیند را 100 بار تکرار می کنیم و برای هر زیرگروه 100 تخمین به دست می آوریم. نمودارهای جعبه برای نشان دادن فاصله اطمینان (90٪)، محدوده بین چارکی (IQR) و میانه ضرایب مقیاس بندی تخمینی استفاده می شود، که توزیع و تمایل مرکزی تخمین های بوت استرپ را نشان می دهد. نتایج در شکل 2 نشان داده شده است. همانطور که مشاهده می شود، برای هر گروه دانش، مقیاس استخدام یک رابطه مقیاس بندی فوق خطی قابل توجهی با جمعیت شهری دارد (با میانگین R-square حدود 0.65). با وجود این، وقتی ماهیت دانش در نظر گرفته می شود، متوجه می شویم که مقیاس بندی الگوی متفاوتی را برای گروه های دانش صریح و ضمنی نشان می دهد. به طور خاص، ضریب مقیاس به طور پیوسته با افزایش سطح دانش صریح از مدرسه راهنمایی و پایین تر ( β  = 1.77) تا مدرک کارشناسی ارشد یا بالاتر ( β  = 2.06) افزایش می یابد، که نشان می دهد مشاغل با سطوح بالاتر دانش صریح تمایل به تمرکز بیشتر در شهرهای بزرگ دارند. . با این حال، برای مشاغلی که نیازمند دانش ضمنی هستند، این الگو معکوس است. ضریب مقیاس برای گروه کم تجربه (0 سال) بالاترین ( β) است = 2.01)، سپس β به حدود 1.87 برای “1 سال” و “2 سال” و بیشتر به 1.81 برای “5 سال یا بیشتر” کاهش می یابد. ما آزمایش‌های استحکام بیشتری را با اندازه‌های نمونه متنوع برای تأیید الگوها انجام دادیم (به اطلاعات پشتیبانی مراجعه کنید).

مقیاس‌بندی شهری مشاغلی که به سطوح مختلف دانش صریح نیاز دارند: در نمودار، محور x گروه‌های آموزشی مختلف را نشان می‌دهد، در حالی که محور y توان مقیاس را برای هر گروه دانش نشان می‌دهد. نمودارهای جعبه، محدوده میان ربعی (IQR، به عنوان جعبه)، و فاصله اطمینان 90٪ (به عنوان رینگ) را نشان می دهد که از 100 تخمین راه اندازی به دست آمده است، با هر تخمین نمونه گیری مجدد 600000 نمونه کار برای یک زیر گروه (با جایگزینی). ب مقیاس‌بندی شهری مشاغلی که به سطوح مختلفی از «دانش ضمنی» نیاز دارند، که به طور مشابه ترسیم شده است .

تصویر در اندازه کامل

الگوهای متفاوت مقیاس بندی شهری جالب هستند، به ویژه به این دلیل که دانش صریح پیچیده و دانش ضمنی اغلب مکمل یکدیگر در نظر گرفته می شوند. برای تجزیه بیشتر آن‌ها، سپس هم تحصیلات و هم تجربه را کنترل می‌کنیم تا الگوهای دقیق‌تر مقیاس‌بندی شغل را بررسی کنیم. مشاغل به شانزده گروه تقسیم می شوند. درست مانند قبل، ما به طور مکرر از داده های هر گروه 100 بار نمونه برداری می کنیم تا تخمین های قوی به دست آوریم و میانگین نرخ مقیاس گذاری برای هر گروه را محاسبه کنیم. نتایج در شکل 3 نشان داده شده است . پس از محاسبه نیاز دانش صریح، مشاغل با تجربه بالا نسبت به مشاغل کم تجربه در همه سطوح تحصیلی آهسته تر مقیاس می شوند. گروه آموزشی پایین (مدرسه اول یا پایین تر) بیشترین روند نزولی را نشان می دهد (از β  = 1.76 بهβ  = 1.36). توان مقیاس در گروه آموزش برتر از 2.03 (کمترین نیاز به تجربه) به 1.87 (بیشترین نیاز به تجربه) کاهش می یابد.

مشاغل با توجه به تجربه و سطح تحصیلات به 16 گروه تقسیم می شوند. محور عمودی نشان دهنده توان مقیاس برای هر گروه است.

تصویر در اندازه کامل

Finally, we investigate more fine-grained scaling exponents separately for 323 types of jobs ranging from ‘intern’, ‘deliveryman’ to ‘software engineer’ and ‘financial manager’, and use linear regression models to predict the variation of scaling in terms of knowledge levels. For each job type, we assigned values to and then averaged the requirements of education/experience levels in the posts. Consistent with coarse-grained results, Table 2 shows that the coefficient for tacit knowledge is significantly negative (−0.133, p < 0.001), meaning that an increase in the tacit knowledge level will decrease the scaling exponent. By contrast, explicit knowledge shows a positive coefficient (0.0425, p < 0.001). A visual demonstration of regression can be found in Supporting Information. The divergent pattern holds after introducing salary level for control. Like in existing studies^39,40, high-income jobs tend to concentrate in larger cities.

Much remains to be learned about the concentration of knowledge complexity and its determinants⁸. Our research contributes to the ongoing effort of bridging urban scaling studies, knowledge studies, and studies of economic complexity together for a better understanding of innovation and development. Recent studies of explicit and tacit knowledge have gradually shifted from a pure dualism⁴¹ to highlight the complementary roles for knowledge to work properly in the real context^42,43. Yet, given that working knowledge is always a complex mixture, it is possible that the process of innovation may drive the two parts geographically apart from each other. This question becomes particularly interesting as scholars find highly-productive individuals become more attracted to large cities⁴⁴. Existing studies, after successful demonstrations of complex knowledge as the key driver of economic development, often treat tacit knowledge (know-how) as more central to economic complexity. Here, we perform an empirical analysis by decomposing the patterns of urban scaling for jobs associated with tacit and explicit knowledge at different levels. We show that although both are essential components of knowledge, their growing tendencies in the urban context may not be consistent with each other.

Our analyses reveal nuanced insights into the urban growth of complex activities. While we confirm that complex explicit knowledge exhibits higher rates of urban scaling, in line with current understandings, our study challenges prevailing assumptions when it comes to tacit knowledge. Contrary to existing wisdom, we discovered that the concentration of complexity does not hold true for tacit knowledge. Specifically, jobs requiring deeper tacit knowledge are found to scale much more slowly than the shallower ones in urban environments, and the pattern also stays significant after we fix the level of explicit knowledge. This means tacit knowledge is likely to take a smaller share as the complex economy grows, especially in larger cities. This result may have important implications for the theory of innovation. It indicates that, innovation, given its combinatorial feature and urban concentration tendency, is likely to hinge more and more on the combination of explicit, academic, and institutionalized knowledge if economic complexity keeps growing and the urban economy continues to scale. It also indicates that larger cities may increasingly distinguish themselves from smaller ones in their composition of System-II thinking and System-I thinking, as they are closely associated with explicit and tacit knowledge^45,46.

There may be several reasons behind the diverging scaling patterns of explicit and tacit knowledge. Although a detailed explanation is beyond the scope of this study, we offer a potential reason. Specifically, the findings might be related to the combinatorial nature of innovation. Previous studies have shown that larger cities exhibit greater diversity of activities⁴⁷ as well as more atypical combinations of activities¹⁵. This increased diversity might not apply as much to jobs requiring higher experience levels, as these workers may be more likely to stay in their current positions for longer periods. In other words, in large cities, economic activities may not only grow faster in numbers but also in the proportion of recombination of knowledge from different areas. While this gives large cities more opportunities for trial and error in innovation, it may also affect the social functioning of experience-based knowledge, as this type of knowledge is more sticky and heavy⁴⁸ and thus may be less movable to join the recombination process. In other words, the increase in complexity of this type of knowledge likely requires more time to settle down. As urban centers grow in size and complexity, those with extensive experience may face greater difficulties in adapting their specialized knowhows to the ever-changing landscape, potentially limiting their contributions to the cross-fertilization of ideas and creative problem-solving. In addition, it is possible that our findings are related to the specific industrial and urban structures in China. Although many previous studies of urban scaling have relied on observations of Chinese cities^10,49,50, none have examined the differences in knowledge nature. Therefore, we cannot exclude the possibility that our results are specific to the Chinese context. That said, further research is needed to provide a comprehensive understanding of these dynamics across different geographical and cultural contexts.

Knowledge is known to be geographically sticky^12,51, and the presence of activities carries with it the accumulated information about the locational structure of the knowledge associated with those activities^5,48. In light of this, we propose that the employment structure of a region, particularly the demand for relevant jobs and capabilities, can largely reflect the knowledge structure of the region^12,52,53,54. A region’s job demands serve as direct indicators of the spatial diversity and density of its knowledge stocks. Comparisons of the demands for various types of jobs between regions with different population sizes can reveal how knowledge tends to scale and concentrate in urban contexts. Recent findings that small cities tend to follow a common pathway of large cities⁵⁵ also support the validity of using scaling methods to understand economic development. Therefore, we explore the general patterns of urban scaling for knowledge of different natures based on a large-scale dataset of online urban job recruitments and examine how the nature of knowledge, city size, and complexity interact with one another.

Data

Our data consists of two parts. The first part comes from an online job recruitment website, Carefree Future, which is currently the largest open online job recruitment platform in China, where companies nationwide can post job vacancies daily. We obtained recruitment posts over a period of 3 months, from December 2021 to February 2022, through web scraping. After cleaning, the collected data contains more than 4.6 million individual posts spanning 61 industries and 332 job types distributed across 284 prefecture-level cities (Supplementary Figs. 1–4. Supplementary Table 2). For each post, we retain key recruitment information such as firm name, firm size, industry, city, salary range, working experience requirements, and education requirements. Additionally, we randomly sampled 120,000 posts to further obtain detailed job descriptions, which we later used to cross-validate our distinction between explicit and tacit knowledge (Supplementary Fig. 12).

Because the job data comes from online websites, it naturally differs from more conventional employment data and may contain a higher proportion of certain job types than others. In response to this issue, we conducted a series of robustness tests by utilizing employment statistics from Chinese statistical yearbooks (Supplementary Figs. 9–11) and testing the results under perturbations of job distributions. We found our findings to be very robust under different kinds of stability tests. Nevertheless, it is necessary to note that some unknown biases may still be present, and therefore the findings may need to be examined using more comprehensive data in the future.

To collect population data, we rely on the most recent national census-China’s Seventh Population Census. The results of the census were published separately on each city government website since 2020. We manually obtained files from the websites and then combined them. As some cities did not publish their census results, a final set of 288 prefecture-level cities were obtained. Following Zünd and Bettencourt⁴⁹, we consider urban permanent residents (rather than registered population) as a more accurate estimate of urban population to mitigate bias issues due to large-scale migration in China. We then matched the urban population with the job recruitment data by city, and ultimately, more than 4.6 million unique recruitment posts from 288 cities were included in the analysis.

اندازه گیری دانش صریح و ضمنی

همانطور که قبلاً بحث شد، دو نوع مختلف دانش – دانش آشکار و دانش ضمنی ^{16 ، 21 – همچنین به عنوان دانش تخصصی و دانش محلی 23 ، 27} یا دانش آکادمیک و دانش روزمره ²⁸ نامیده می شود.. برای تسهیل تجزیه و تحلیل، ما دانش محلی و دانش روزانه را مترادف با دانش ضمنی می دانیم و دانش تخصصی و دانش آکادمیک را معادل دانش صریح می دانیم. ما این مفهوم اساسی را حفظ می‌کنیم که دانش صریح مبتنی بر نظریه‌های دانشگاهی، مفاهیم انتزاعی و ساختارهای علمی است، در حالی که دانش ضمنی از تجربه و تمرین زندگی، مبتنی بر زمینه‌ای، متقاطع، روزانه و استدلال عملی ناشی می‌شود که از چارچوب‌های انضباطی تثبیت شده یا مشروع منحرف می‌شود. و به طور غیررسمی در بین گروه های محلی کوچکتر منتشر می شود ^{24 ، 27 ، 28}. بنابراین، الزامات آموزشی بیان شده (دانش کسب شده از طریق سیستم آموزشی) در استخدام شغلی را می توان به طور منطقی معیاری برای تقاضای آن برای دانش صریح در نظر گرفت، در حالی که ما الزامات تجربه کاری (دانش انباشته شده در عمل) را به عنوان معیار ضمنی در نظر می گیریم. دانش

در اندازه‌گیری عمق انواع مختلف دانش، فرض می‌کنیم که با الزامات سطوح تحصیلی یا تجربه افزایش می‌یابد. به طور خاص، ما آموزش (دانش صریح) را به پنج گروه تقسیم می‌کنیم: دبیرستان یا پایین‌تر، دبیرستان، دانشگاه اول، کارشناسی، و کارشناسی ارشد یا بالاتر. به طور مشابه، تجربه (دانش ضمنی) نیز به پنج گروه تقسیم می شود – بدون تجربه، 1 سال، 2 سال، 3-4 سال و 5 سال یا بالاتر. هر چه این نیاز بیشتر باشد، دانش بیشتر نیاز دارد. در حالی که این برخورد با دانش صریح و ضمنی ساده و شهودی است، ما همچنین تنوع واژگانی شرح وظایف را برای گروه‌های شغلی مختلف آموزشی یا تجربی بررسی می‌کنیم (تصاویر تکمیلی 12-14 ) .. ما متوجه شدیم که برخلاف دانش صریح، که سطح پیچیدگی آن می‌تواند مستقیماً در تنوع واژگانی آن منعکس شود، تنوع واژگانی دانش ضمنی با سطوح دانش افزایش نمی‌یابد. این یافته دشواری ذاتی بیان دانش مرتبط با یک شغل را به صورت شفاهی در زبان نوشتاری برجسته می کند.

مقیاس بندی شهری

علم جدید شهرها بر قانون مقیاس‌بندی شهری به عنوان روشی ساده و قدرتمند برای درک الگوهای فضایی مختلف فعالیت ^{شهری تأکید می‌کند} . به دنبال این تغییر هیجان انگیز، الگوهای مقیاس بندی شهری را برای انواع مختلف دانش بیشتر بررسی می کنیم. ^{همانطور که هاسمن 14} اشاره کرد ، افزایش تخصص و پیچیدگی دانش در همکاری گسترده بین تعداد فزاینده ای از مردم منعکس شده است. بنابراین مقیاس شهری مشاغل و رشد دانش دو روی یک سکه هستند. مشابه مطالعات قبلی ^55 ، 58 ، مدل مقیاس بندی زیر را فرض می کنیم:

جایی که K _i تعداد مشاغلی است که نوع خاصی از دانش را در سطح معینی می طلبد. K ₀ ، رهگیری، به عدد پایه اشاره دارد. N اندازه جمعیت و β ضریب مقیاس بندی است. در تجزیه و تحلیل بعدی، ما نماهای مقیاس را برای مشاغل دانش ضمنی و آشکار برازش خواهیم داد و الگوهای رشد شهری آنها را با هم مقایسه خواهیم کرد.

خلاصه گزارش

اطلاعات بیشتر در مورد طراحی تحقیق در خلاصه گزارش تحقیقات طبیعت مرتبط با این مقاله موجود است .