Local Government Environmental Policy Innovation: Emerging Regulation of GHG Emissions in the Transportation-for-Hire Industry
Notice bibliographique
Résumé
Given that most environmental regulation is performed on the international and national scale and that municipal powers are often limited, what are the necessary conditions for local government to take on leadership and policy innovation in this space? The transportation-for-hire industry provides an interesting case study as municipalities around the world recently updated their local regulatory frameworks because of the disruption caused by the advent of ridehailing. Over time, policy learning resulted in policy convergence of major components, including license requirements, vehicle standards, and rate standardization, across the industry. However, overlooked from these initial regulations, but now gaining traction is the regulation of greenhouse gas (GHG) emissions of ridehailing vehicles and the transportation-for-hire industry more generally. Because of how many transportation-for-hire vehicles are in use, activists argue that environmental fleet standards ought to be tougher than that for personal-use vehicles. This paper investigates the emerging regulatory frameworks for GHG emissions by examining four case studies of the first-mover cities (London, Amsterdam, Mexico City, and New York City) in this emerging policy space, untangling the complex web of multi-level regulatory governance to tease our policy learning outcomes. Through the innovative lens of examining multi-level governance for policy learning, we conclude that GHG emissions in the transportation industry at the local level only occurred after international and national frameworks were set, giving “permission” to local leaders to demonstrate innovation and leadership on how to achieve targets set by higher-order governments. Cities, assisted with policy-learning transfer through international not-for-profit organizations, acted via local government powers to fill in the gaps of international and national frameworks with policies implemented at higher orders of government in other places. These local environmental transportation-for-hire bylaws took a three-pronged form: (a) vehicle permit standards; (b) regulations of public space and infrastructure; and (c) public–private partnerships to assist in the transition to electric vehicles.
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 | 0,007 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,005 | 0,015 |
| Communication savante | 0,008 | 0,005 |
| Science ouverte | 0,002 | 0,005 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».