Exploring Variation of Maintenance Action and Its Impacts on Emission and Cost in Jakarta City
Notice bibliographique
Résumé
Local government of Jakarta issued a bylaw on air pollution controls for mobile sources, stipulates that all private car owners must get their vehicles’ emission tested biennially. In consequence of non-compliance vehicle in emissions test, vehicle maintenance is essential. Vehicle owner should take an appropriate action in order to reduce pollutant level lower than standard. This study attempts to analyze economic aspect and emission level considerations come into making optimal choice of vehicle owner. First, we examine the influential factors of action taken in maintenance process of non-compliance vehicle on probability of vehicle to pass the second stage emissions test. Second, due to variation of actions taken in the maintenance process, we analyze impact on cost and explore components affects on variation of maintenance cost. Empirical analysis was done by using Inspection and Maintenance data in year 2000 which collected at several auto-mechanic shops in Jakarta city. The bivariate probit model was applied to examine impact of chosen alternatives on the probability to pass Hydrocarbon and Carbon Monoxide in second emission test. To examine variation of maintenance cost and explore components affects on cost, multilevel approach was applied. It is confirm that several actions may increase probability to pass emission test but on the same time reduce average cost. Other actions may simultaneously increase probability to pass emission test and also increase cost. It was also found some actions didn`t have impact on emission test but on the other hand rise maintenance cost. Furthermore, some actions reduce probability to pass emission test but increase maintenance cost. Vehicle owner need to properly select actions in order to maximize benefit and minimize cost.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 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) | 0,000 | 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 tête enseignante, 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 ».