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 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 | 0,002 | 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 | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».