The Multiple Discrete-Continuous Extreme Value Model (MDCEV) with fixed costs
Notice bibliographique
Résumé
In this paper, we present a model that can be viewed as an extension of the traditional Tobit model. As\nopposed to that specific model, ours also accounts for the the fixed costs of car ownership. That extension is\nneeded since being carless is an option for many households in societies that have a good system of public\ntransportation, the main reason being that carless households wish to save the fixed costs of car ownership.\nSo far, no existing model can adequately map the impact of these fixed costs on car ownership. The Multiple\nDiscrete-Continuous Extreme Value Model (MDCEV) with fixed costs fills this gap. In fact, this model can\nevaluate the effect of policies intended to influence household behaviour with respect to car ownership,\nwhich can be of great interest to policy makers. Our model makes it possible to compute the effect of\npolicies such as taxes on fuel or on car ownership on both the share of carless households and the average\ndriving distance.\nWe calibrated the model using data on Swiss private households in order to forecast were then able to\nforecast responses to policies. One result of particular interest that cannot be produced by other models is the\nevaluation of the impact of a tax on car ownership. Our results show that a tax on car ownership has a much\nlower impact on aggregate driving demand – per unit of tax revenues – than a tax on fuel.
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 | 0,003 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,005 | 0,003 |
| Science ouverte | 0,004 | 0,002 |
| Intégrité de la recherche | 0,004 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,013 | 0,002 |
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 ».