Household, community, sub-national and country-level predictors of primary cooking fuel switching in nine countries from the PURE study
Notice bibliographique
Résumé
INTRODUCTION: Switching from polluting (e.g. wood, crop waste, coal) to clean cooking fuels (e.g. gas, electricity) can reduce household air pollution (HAP) exposures and climate-forcing emissions. While studies have evaluated specific interventions and assessed fuel-switching in repeated cross-sectional surveys, the role of different multilevel factors in household fuel switching, outside of interventions and across diverse community settings, is not well understood. METHODS: We examined longitudinal survey data from 24,172 households in 177 rural communities across nine countries within the Prospective Urban and Rural Epidemiology (PURE) study. We assessed household-level primary cooking fuel switching during a median of 10 years of follow up (~2005-2015). We used hierarchical logistic regression models to examine the relative importance of household, community, sub-national and national-level factors contributing to primary fuel switching. RESULTS: One-half of study households (12,369) reported changing their primary cooking fuels between baseline and follow up surveys. Of these, 61% (7,582) switched from polluting (wood, dung, agricultural waste, charcoal, coal, kerosene) to clean (gas, electricity) fuels, 26% (3,109) switched between different polluting fuels, 10% (1,164) switched from clean to polluting fuels and 3% (522) switched between different clean fuels. Among the 17,830 households using polluting cooking fuels at baseline, household-level factors (e.g. larger household size, higher wealth, higher education level) were most strongly associated with switching from polluting to clean fuels in India; in all other countries, community-level factors (e.g. larger population density in 2010, larger increase in population density between 2005-2015) were the strongest predictors of polluting-to-clean fuel switching. CONCLUSIONS: The importance of community and sub-national factors relative to household characteristics in determining polluting-to-clean fuel switching varied dramatically across the nine countries examined. This highlights the potential importance of national and other contextual factors in shaping large-scale clean cooking transitions among rural communities in low- and middle-income countries.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 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 ».