Reducing Greenhouse Gas Emissions from Long-Distance Business Travel: How Far Can We Go?
Notice bibliographique
Résumé
Long-distance (LD) travel accounts for over 30% of person-trip miles, with important energy and emissions impact. LD business travel can often be replaced by remote participation, so targeting such trips for cost, time, and emissions savings may be a wise strategy for protection of the climate, budgets, and human health. To appreciate Americans’ LD travel choices better, a 73-question online survey was conducted in 2019 that captured 2,327 LD (over 100 mi each way) trips made by 929 respondents during the previous 12 months, of which 490 round trips were for business purposes. Predictive models for LD trips per adult per year, overnights, LD travel times, and willingness to participate remotely and/or purchase carbon offsets for those trips were developed using respondents in Austin only. As expected, those educated to degree level tend to travel more often, for both business and nonbusiness purposes; everything else is constant. People who undertake LD travel more frequently are more likely to spend less time in transit/en route. Single people or those from large households educated to degree level are more likely to be willing to pay for the carbon emissions produced by their flights. Out of the 298 LD business trips made by Austinites, remote participation is possible for approximately a quarter, and the respondents involved are willing to participate remotely in 44% of those trips. In other words, Austinites appeared willing to participate remotely in slightly over 10% of their business trips overall, at least before the COVID-19 pandemic. This is definitely not enough to address climate change concerns as a result of carbon emissions from LD travel.
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 | 0,002 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,005 | 0,007 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 0,003 |
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 ».