Quantifying the Effects of Land-use and Socio-economics on the Generation of Traffic Emissions and Individual Exposure to Air Pollution
Notice bibliographique
Résumé
This paper presents a modeling framework developed for the City of Montreal, Canada, and is intended to quantify two indicators that can explain the spatial distribution of traffic-related air pollution at a metropolitan level. The indicators are estimated at the level of the traffic analysis zone (TAZ) and include: (1) the average level of emissions generated per individual, and (2) the level of emissions occurring in a zone as a proxy for air pollution exposure. A regional traffic assignment model is extended with capabilities for emission modeling at an individual trip level while taking into account vehicle (type, age) and trip attributes (road type, speed, volume). The authors observe that individuals who generate higher emissions from travel tend to reside in areas with lower exposure to traffic emissions while individuals associated with low levels of travel emissions (e.g. travel smaller distances, conduct less trips, use alternative modes) reside in areas with high levels of traffic pollution. A regression analysis of the two indicators against a set of land-use and socio-economic variables shows that generated emissions per individual are positively associated with car ownership and larger vehicles, while being negatively associated with ownership of newer vehicles, and location in dense and walkable neighborhoods with high levels of commercial land-use. Meanwhile, exposure to emissions is positively associated with dense and walkable neighborhoods and negatively associated with car ownership and larger vehicles. These findings indicate major inequities in the generation of and exposure to traffic-related air pollution.
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 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 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 ».