Improved scaling laws for infrastructure: planning increased access to water and sanitation networks in low- and middle-income countries
Notice bibliographique
Résumé
Despite efforts to expand infrastructure, billions of people still lack access to essential services. Traditional scaling-law (power-law) models of infrastructure estimate the size of infrastructure based on a city’s population, obscuring the consequences of inadequate access. Instead, we model infrastructure size as a power-law function of the population served by the infrastructure (not total population). This generalization better fitted data describing 6898 water and sewer networks in 53 countries—improving <mml:math xmlns:mml="http://www.w3.org/1998/Math/MathML" display="inline" id="u1" overflow="scroll"> <mml:msup> <mml:mi>R</mml:mi> <mml:mn>2</mml:mn> </mml:msup> </mml:math> by up to 32%. Even in cities with little access to infrastructure, we found economies of scale: infrastructure that serves more people can do so with less per beneficiary. Uniquely, our generalized scaling laws can model the infrastructure needed to expand access. We validate with 16 years of data from 3391 water and sewer networks in Brazil. If economies of scale are exploited at the cost of inter-city equality, sewer access can expand from 54% to 90% of Brazil’s population with 29% (89 000 km) fewer new sewers. Benefit- and equality-maximizing strategies to achieve universal access in Brazil differ by 220 million people-years of access. Our generalized model can estimate the infrastructure needed to expand access and quantify trade-offs between the benefits and equality of access expansions.
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 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».