Spatio-temporal Analysis of Car Distance and Greenhouse Gases and Effect of Built Environment: Latent Class Regression Analysis
Notice bibliographique
Résumé
This paper has two main objectives: (i) to estimate greenhouse gas (GHG) emission inventories at the household level using link-level average speeds for three origin-destination surveys in Montreal, Canada for the years 1998, 2003 and 2008; (ii) to estimate the temporal and spatial variations of built environment characteristics and socio-demographics on car distance and GHG emissions at the household level. To estimate emissions, different sources of data are combined including road network, link-level average speeds during different hours, trip-level information and vehicle fleet characteristics. Urban form indicators over time such as population density, land use mix and transit accessibility are generated for each household in each of the three waves. A Latent Class (LC) regression modeling framework is then implemented to investigate the link between built environment, socio-demographics, and GHGs and car distance. The temporal and spatial changes on these two outcomes are determined. The data is divided into 3 classes where for each class a separate model is estimated. The authors recommend the use of LC regression models when the nature of the dataset has spatial and temporal variation. The authors findings on the effect of UF and TA on GHG and car distance travel are consistent with the literature. Also overall, the authors observe a declining trend in travel-related GHG emissions over time. By keeping everything set to the base case and observing a household across time, the authors observe that in general this household polluted 15% and 10% more GHG in years 1998 and 2003 than in 2008. This could be due to the better fuel economy of the auto-vehicles over time and increase in transit trips. Employment status also significantly affects household GHGs (with elasticities as high as 51% for each full-time worker added). As expected, and consistent with the literature, low and medium income households pollute less than high-income households (42% less GHG for low income class compared to high income).
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 | 0,007 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,006 |
| Études des sciences et des technologies | 0,001 | 0,003 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».