Methods for assessing the impact of PM2.5 concentration on mortality while controlling for socio-economic factors
Notice bibliographique
Résumé
Even though industrial development has brought vast improvements to our daily lives, it carries with it negative effects such as adverse health outcomes caused by PM2.5 and other pollutants. The negative externalities and external costs might occur when property rights are not properly defined, which means that if no one holds a property right on the atmosphere and the quality of air, there is no appropriate mechanism to prevent a further expansion of negative effects. An economic burden of pollution related to premature morbidity and mortality in individual countries can account for 5–14% of GDP (World Bank, 2021). In 2019, the worldwide health cost of mortality and morbidity caused by exposure to PM2.5 concentration was $8.1 trillion, which is equivalent to 6.1 percent of the global gross domestic product (GDP) (World Bank estimate). Policymakers require evidence-based results that clearly show the impact that air pollution has on the economy and society, in order to be able to establish the proper regulations and ensure their successful implementation. The purpose of this long term study is to provide methods for assessing the negative effects of PM2.5 concentration on PM2.5-related mortality using panel data structure and demonstrate how socio-economic factors affect this relation. This study employed advanced econometric techniques to analyse the long-term impact of PM2.5 on human health, while controlling for socio economic indicators. This study has demonstrated significant effects of socio-economic, health risk and system and governance variables on the relation between PM2.5 concentration and PM2.5-related mortality.
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 | 0,001 | 0,000 |
| 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) | 0,001 | 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 ».