Through the looking glass: Environmental health economics in low and middle income countries ✶
Notice bibliographique
Résumé
Abstract Human interactions with the environment can profoundly impact many outcomes – health being chief among them. While the nature of environmental risks changes across time and space, the burden of disease attributable to environmental risk hovers stubbornly around one quarter of the total global disease burden. Further, environmental risks are particularly damaging to the health of children, but also to the elderly and the impoverished in low and middle income countries (LMICs). This chapter highlights the ways in which economics provides analytical insight about the human–environment relationship and about potential ways to prevent diseases. Specifically, we contend that the household production framework – which focuses on the beneficiary and households – helps us understand when and how households will avert environmental risks. While economists have been mostly on the sidelines of environmental health research, there is a growing literature from LMICs that examines three aspects of reduction in household environmental risks: (i) how households value these risk reductions, (ii) what factors drive household adoption of environmental health technologies, and (iii) what are the impacts of these technologies on household health. At the risk of simplification, our review of this literature finds relatively low values for environmental risk reductions, which is mirrored by limited adoption of environmental health technologies and, accordingly, disappointing impact on health. Economists have made less progress in linking the literatures on valuation, adoption and impacts with each other. We conclude by explaining why the next wave of research should focus on these links and on multiple risks, environmental disasters, and political economy of the supply of interventions.
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 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».