Impacts of Urban Shrinkage on Haze Pollution-Evidence from China
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
This study focuses on 55 shrinking cities selected by the urban shrinkage index using data about the urban population of 250 prefecture-level Chinese cities from 2012 to 2017. It analyzes the theoretical impacts of urban shrinkage on haze pollution and the spatial distribution and autocorrelation of urban shrinkage. The spatial error model (SEM) and the fully modified least squares (FMOLSs) regression are used to empirically examine the impacts of urban shrinkage on haze pollution at national and regional levels. The results indicate that shrinking cities showed spatial agglomeration and that northeast China had the largest number of shrinking cities. Nationwide, urban shrinkage reduced haze pollution. An increase in the proportion of secondary industries, economic development, and built-up areas intensified haze pollution, while an increase in the green area in parks alleviated such pollution. Regionally, except for west China, the impacts of urban shrinkage on haze pollution were significantly negative. Urban shrinkage in central China had the greatest impacts on haze, followed by northeast China and east China. Haze pollution was intensified by the increase in the proportion of secondary industries in east, central and west China, alleviated by economic development in east and west China, slowed down by the increase in green area in parks in northeast, east and west China, and aggravated by the rise in built-up areas in northeast, central, and west China. Targeted suggestions are proposed herein to reduce haze pollution, adapt to urban shrinkage and build quality small cities based on local conditions.
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.
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 | 0,001 |
| 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 | 0,000 |
| 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 découle