MétaCan
Menu
Retour à la cohorte
Enregistrement W2469592249 · doi:10.1021/acs.est.5b00950

Diminishing Returns or Compounding Benefits of Air Pollution Control? The Case of NO<sub><i>x</i></sub> and Ozone

2015· article· en· W2469592249 sur OpenAlexafffund
Amanda J. Pappin, S. Morteza Mesbah, Amir Hakami, Stephan Schott

Notice bibliographique

RevueEnvironmental Science & Technology · 2015
Typearticle
Langueen
DomaineEconomics, Econometrics and Finance
ThématiqueClimate Change Policy and Economics
Établissements canadiensCarleton University
Organismes subventionnairesNatural Sciences and Engineering Research Council of Canada
Mots-clésNOxAir quality indexEnvironmental sciencePollutantAir pollutionOzoneCompoundingTonPollutionEnvironmental engineeringMeteorologyChemistryGeography

Résumé

récupéré en direct d'OpenAlex

UNLABELLED: A common measure used in air quality benefit-cost assessment is marginal benefit (MB), or the monetized societal benefit of reducing 1 ton of emissions. Traditional depictions of MB for criteria air pollutants are such that each additional ton of emission reduction incurs less benefit than the previous ton. Using adjoint sensitivity analysis in a state-of-the-art air quality model, we estimate MBs for NOx emitted from mobile and point sources, characterized based on the estimated ozone-related premature mortality in the U.S. POPULATION: Our findings indicate that nation-wide emission reductions in the U.S. significantly increase NOx MBs for all sources, without exception. We estimate that MBs for NOx emitted from mobile sources increase by 1.5 and 2.5 times, on average, for 40% and 80% reductions in anthropogenic emissions across the U.S. Our results indicate a strictly concave damage function and compounding benefits of progressively lower levels of NOx emissions, providing economic incentive for higher levels of abatement than were previously advisible. These findings suggest that the traditional perception of a convex damage function and decreasing MB with abatement may not hold true for secondary pollutants such as O3.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,369
Score d'incertitude au seuil0,572

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,002
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,047
Tête enseignante GPT0,228
Écart entre enseignants0,181 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations31
Publié2015
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueEnvironmental Science & TechnologyMême sujetClimate Change Policy and EconomicsTravaux en français237 207