MétaCan
Menu
Retour à la cohorte
Enregistrement W4224212928 · doi:10.3390/w14091328

Development of a Water-Pricing Model for Domestic Water Uses in Dhaka City Using an IWRM Framework

2022· article· en· W4224212928 sur OpenAlexfundno aff
Sumaia Kashem, M. Shahjahan Mondal

Notice bibliographique

RevueWater · 2022
Typearticle
Langueen
DomaineEngineering
ThématiqueWater resources management and optimization
Établissements canadiensnon disponible
Organismes subventionnairesInternational Development Research Centre
Mots-clésSewerageWater pricingExternalityGroundwaterWater resource managementRevenueWater resourcesTariffIntegrated water resources managementResource (disambiguation)Natural resource economicsEnvironmental scienceSocial equalityEquity (law)BusinessEnvironmental economicsEnvironmental engineeringEconomicsWater conservationEngineeringFinanceComputer science

Résumé

récupéré en direct d'OpenAlex

Dhaka city is experiencing high water use and rapid declination of groundwater. The current water price in the city is low and based on a uniform rate. To arrest the resource degradation along with pursuing cost recovery and promoting social equity, this paper develops a new pricing model for domestic water uses using the integrated water resources management principles. The development is accomplished through estimation of domestic water usage, evaluation of current water prices, and assessment of groundwater degradation externalities in the Tejgaon area of the city using both primary and secondary data. Two economic and two environmental externalities are incorporated. The model is based on an increasing block tariff strategy, and the estimated unit prices for the first and second blocks are respectively 5% and 75% higher than the existing price. The model has the potential to reduce the domestic water use in the city by up to 27%, increase the revenue for the Dhaka Water Supply and Sewerage Authority by up to 75%, and reduce the water bill for poor households by up to 67%. The model has a great potential for practical deployment and the concept can also be applied to other cities and water uses.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,169
Score d'incertitude au seuil0,372

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,041
Tête enseignante GPT0,245
Écart entre enseignants0,204 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations8
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueWaterMême sujetWater resources management and optimizationTravaux en français237 207