Macroscopic Model of Greenhouse Gas Emissions for Municipalities
Notice bibliographique
Résumé
In the challenge to reduce greenhouse gas (GHG) emissions from the transportation sector, urban municipalities hold significant responsibilities. The Municipal Transportation and Greenhouse Gas (MUNTAG) model was developed to help municipalities estimate their current transportation emissions, set future targets, and run forecasting scenarios and responses to policies. A set of seven criteria was adopted for the development of the model including low input, ease of use, and feasibility (i.e., the model includes only variables that are controlled by municipalities). The model contains five strategies: land use intensification, public transport, active transport, financial policies, and vehicle technology. Each use is addressed separately and then integrated into one working model. Motorized passenger kilometers traveled (PKT) per capita is first estimated with the gross domestic product per capita and population density. With transit infrastructure indicators, PKT per capita is calculated for each transit mode. Bicycle infrastructure is included to calculate the bicycle mode share. Response to several financial policies (e.g., parking price, area pricing) can be modeled by using elasticity statistics gathered from the literature. Finally, changes in vehicle technology (e.g., hybrid electric vehicles) can be modeled by adjusting the various emission factors. One advantage of the model is that all parameters can be adapted fairly easily to account for municipal specificities. Overall, it is a macroscopic, aggregate, and static model suited for medium-sized and large municipalities that can be useful as a screening tool.
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 | 0,006 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 ».