What would households pay for a reduction of automobile traffic? Evidence from nine German cities
Notice bibliographique
Résumé
This paper quantifies the marginal willingness to pay for a reduction of automobile traffic. By using a new structural approach in a hedonic framework by Bishop and Timmins 2019 we are able to avoid common issues in hedonic studies using instrumental variables. Our analysis is based on data from nine large cities in Germany between 2016 and 2019 and includes 533,402 detailed observations at the apartment level as well as for various points of interest. To the best of our knowledge this is the first paper to conduct this analysis for Germany. We estimate that the average willingness to pay for a reduction of traffic by city and per year ranges between €30.3-59.2 for a 10% reduction, €93.8-158.3 for a 20% reduction and €190.6-252 for a 30% reduction. The highest willingness to pay for a reduction of traffic is observed in Frankfurt am Main, the lowest in Leipzig. Further, we compute the expected gains for a reduction of traffic at the city level. In addition to the willingness to pay for a reduction of traffic, this considers the composition of the road network as well as for the number of households. Accordingly, these expected gains amount to €163,970-1,019,454€ for a 10% reduction, €484,023-3,261,837 for a 20% reduction, and €1,018,240-6,727,148 for a 30% reduction. The highest expected gains for a reduction of traffic is observed in Munich, the lowest in Leipzig
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 | 0,004 |
| 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 | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| 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 ».