Does location matter? Investigating the spatial and socio-economic drivers of residential energy use in Dar es Salaam
Notice bibliographique
Résumé
Abstract Africa is set to become a key contributor to global energy demand. Urban growth and the energy use of city residents will drive much of the region’s changing energy picture. However, few studies have assessed residential energy use among African cities, and the heterogeneity in energy use at the sub-city scale. We use the case of Dar es Salaam, which is among Africa’s fastest-growing cities, and to our knowledge, present the first disaggregated estimates of residential energy use at the ward level. We show three main findings. First, we find a statistically significant difference in mean residential energy use among the surveyed wards, which group into four clusters representing distinct levels of household and transport-related energy use. These results show that mean residential energy use (the sum of household and transport-related energy use) is not always correlated with the socio-economic or spatial characteristics of wards—e.g. Msasani (high-income, formal ward) showed similar residential energy use as Keko (low-income, informal ward). Second, we show differences in energy use and fuel switching that occur between low-income and high-income wards: wood fuel (i.e. charcoal) is a majority contributor to residential energy use in low-income wards (Buguruni, Keko and Manzese), compared to gas, electricity and transport oils in high-income wards (Msasani and Kawe). Finally, regression models indicate that ward density has a statistically significant effect on transport-related energy use, while fuel stacking and proxies for household wealth have a statistically significant effect on household-related energy use. To conclude, we recommend that policymakers account for ward level differences in residential energy use when crafting energy sector strategies for Dar es Salaam (e.g. electrification, energy-efficient cooking, or public transportation initiatives). Policymakers may also anticipate possible convergence towards higher levels of energy use and a shift towards modern fuels, as wards develop socio-economically over time.
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 | 0,001 | 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 | 0,002 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».