Urban mobility and carbon emissions: Decoding the influence of sociodemographic factors, trip-level built environment, and travel behaviour of workers in three UK cities
Notice bibliographique
Résumé
Quantifying how individual-level travel patterns intersect with built environment features and sociodemographic characteristics is essential for addressing transportation-related CO₂ emissions. Existing evidence is predominantly based on aggregated individual and/or area-based data, neglecting important drivers of emissions at the trip level and variations by individual characteristics, including employment types. GPS-tracked mobility patterns from a random sample of 587 workers in three UK cities (Brighton and Hove, Leeds, and Birmingham) are analysed to estimate CO 2 emissions at the trip-level and person-level, accounting for multi-modal travel. Walkability and public transport availability at trip origins is associated with reduced emissions at the trip level but not overall individual emissions. Employing latent class analysis, participants were grouped based on multiple sociodemographic characteristics. Women with no access to a car were identified as low emitters, while individuals with access to a car as high emitters, regardless of gender and education level. These findings reinforce the need for policy frameworks that extend beyond traditional single-location strategies. Enhancing walkability and public transit connectivity in key activity hubs such as commercial, leisure, and other high-traffic areas, alongside incentives for behaviour change, offers significant potential to reduce transportation CO₂ emissions. Moreover, as dynamic population shifts and evolving travel patterns weaken the effectiveness of monocentric urban structures, our findings suggest that transitioning toward a polycentric model can be a more effective strategy for lowering transport-related CO₂ emissions. By emphasizing this broader spatial reach, urban planners and policymakers can better tailor interventions to distinct population segments, effectively supporting low-carbon travel and advancing sustainable urban mobility goals.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».