MétaCan
Menu
Retour à la cohorte
Enregistrement W4387531963 · doi:10.1051/e3sconf/202343611010

Road network, CO<sub>2</sub> emissions, linked to sustainable development: A European analysis

2023· article· en· W4387531963 sur OpenAlexaboutno aff
Maria Nikoletta Asimakopoulou, Fotini Kehagia

Notice bibliographique

RevueE3S Web of Conferences · 2023
Typearticle
Langueen
DomaineEngineering
ThématiqueVehicle emissions and performance
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésGross domestic productGreenhouse gasRoad transportInvestment (military)Sustainable transportCar ownershipConsumption (sociology)BusinessNatural resource economicsSustainable developmentQuarter (Canadian coin)Socioeconomic statusProduct (mathematics)Transport engineeringAgricultural economicsSustainabilityEnvironmental economicsEconomicsEconomic growthGeographyEngineeringPublic transport

Résumé

récupéré en direct d'OpenAlex

The issue of road transport and the environment is paradoxical. Road mobility provides substantial socioeconomic benefits, supporting the mobility demands of passengers and freight. On the other side, road transport activities are associated with negative environmental impacts. The transport sector is responsible for approximately one quarter of greenhouse gas emissions. Moreover, the transport sector accounted for 57% of global oil demand and 28% of total energy consumption. The main aim of this study is to investigate the relationship between investment in road infrastructure and CO 2 emissions, in the European countries, depending on the level of economic development of a country. The analysis was conducted in three separate groups: low-income, middle-income and high-income countries, according to their Gross Domestic Product (GDP). The latest IRF World Road Statistics (WRS) edition of 2022, covering data for the years 2015 to 2020, is the database which provide data for the analysis of the connection between the road networks and environmental consequences, expressed in specific indicators, in different countries.

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)0,001
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: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,347
Score d'incertitude au seuil0,598

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,002
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 Opus0,016
Tête enseignante GPT0,236
Écart entre enseignants0,220 · 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

Citations1
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueE3S Web of ConferencesMême sujetVehicle emissions and performanceTravaux en français237 207