Place-based neighbourhood planning approaches to net zero transport
Notice bibliographique
Résumé
Integrating place-based neighbourhood planning approaches with transport sector strategies is essential for achieving net zero transport. However, systematic research on the role of different neighbourhood types in reducing transport emissions remains limited, constraining the ability of place-based planning practices to inform the development of integrated strategies. This gap partly stems from the lack of a theoretically informed neighbourhood classification framework applicable to practice. This study addresses the gap by proposing a neighbourhood classification framework and testing its validity in evaluating the influence of different neighbourhood types on climate change costs associated with transport emissions. Using the framework, 10,068 SA1 (statistical area level 1) regions within Greater Melbourne were classified into 14 distinct neighbourhood types. Climate change costs were estimated using data from the 2012–2020 Victorian Integrated Survey of Travel and Activity (VISTA). The results show that mobility-oriented development, transit-oriented development, 20-min neighbourhood, and activity centre neighbourhoods are 6, 3, 1.6, and 1.5 times more effective, respectively, in reducing climate change costs compared to sprawl neighbourhoods. Sprawl neighbourhoods in Greater Melbourne account for an estimated $333 million annually in climate change cost linked to transport emissions. By adopting integrated transport and land use planning, these costs could potentially be reduced to $68 million annually. The findings highlight the importance of targeted, neighbourhood-specific interventions in achieving net zero transport.
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) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».