Exposure and Inequality of PM2.5 Pollution to Chinese Population: A Case Study of 31 Provincial Capital Cities from 2000 to 2016
Notice bibliographique
Résumé
Fine particulate matter (PM2.5) exposure has been linked to numerous adverse health effects, with some disadvantaged subgroups bearing a disproportionate exposure burden. Few studies have been conducted to estimate the exposure and inequality of different subgroups due to a lack of adequate characterization of disparities in exposure to air pollutants in urban areas, and a mechanistic understanding of the causes of these exposure inequalities. Based on a long-term series of PM2.5 concentrations, this study analyzed the spatial and temporal characteristics of PM2.5 in 31 provincial capital cities of China from 2000 to 2016 using the coefficient of variation and trend analyses. A health risk assessment of human exposure to PM2.5 from 2000 to 2016 was then undertaken. A cumulative population-weighted average concentration method was applied to investigate exposures and inequality for education level, job category, age, gender and income population subgroups. The relationships between socioeconomic factors and PM2.5 exposure concentrations were quantified using the geographically and temporally weighted regression model (GTWR). Results indicate that the PM2.5 concentrations in most of the capital cities in the study experienced an increasing trend at a rate of 0.98 μg m−3 per year from 2000 to 2016. The proportion of the population exposed to high PM2.5 (above 35 μg m−3) increased annually, mainly due to the increase of population migrating into north, east, south and central China. The higher educated, older, higher income and urban secondary industry share (SIS) subgroups suffered from the most significant environmental inequality, respectively. The per capita GDP, population size, and the share of the secondary industry played an essential role in unequal exposure to PM2.5.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 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 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 ».