Urban Transportation Greenhouse Gas Emissions and Their Link with Urban Form, Transit Accessibility, and Emerging Green Technologies
Notice bibliographique
Résumé
A greenhouse gas (GHG) emissions inventory is estimated at the household level from disaggregated trip data considering all emitting modes. Trip-level GHG emissions are estimated by combining data sources (e.g., origin–destination surveys, vehicle fleet characteristics, transit rider ship data) and by using modeling tools (traffic assignment and GHG models) developed for Montreal, Quebec, Canada. A simultaneous equation model framework is implemented to investigate links between urban form, transit supply, sociodemographics, and travel GHGs, taking into account the issue of residential self-selection. The potential impacts of land use and transit supply strategies with emerging green technology scenarios are then compared with each other. Findings are consistent with the literature; built environment attributes are statistically significant (10% increase in density, transit accessibility, and land use mix results in 3.5%, 5.8%, and 2.5% GHG reductions, respectively), and the number of workers and retirees make important contributions to GHG emissions at the household level (102% increase from adding one worker and 51% decrease from adding one retiree). Also, if the current transit fleet were replaced with electric trains and hybrid buses, transit GHGs would decrease by 32%. If current trends persist in the private motor vehicle fleet, continued improvements in car fuel economy are estimated to reduce car GHGs 7% by 2020. The two most effective strategies for reducing regional and household GHGs appear to be to improve the fuel efficiency of the private motor vehicle fleet and to increase transit accessibility.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».