MétaCan
Menu
Retour à la cohorte
Enregistrement W7105983938 · doi:10.7939/83354

Three Essays on Environmental and Resource Economics

2025· dissertation· en· W7105983938 sur OpenAlexaboutno aff

Notice bibliographique

RevueUniversity of Alberta Library · 2025
Typedissertation
Langueen
DomaineEnvironmental Science
ThématiqueCOVID-19 impact on air quality
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésProductivityPayrollTree plantingWageRobustness (evolution)Air pollutionPollution

Résumé

récupéré en direct d'OpenAlex

This thesis consists of three essays on the topics related to environment and resource economics. In the first Chapter studies the role of air pollution in worker productivity among tree planters in Canada. To do so, we acquired confidential payroll data from one of Canada’s largest tree-planting companies, which includes information on worker output (trees planted), hours worked, and the location data of planting activity. We link worker data with hourly ambient air pollution data (PM2.5 concentrations), as well as worker experience, planting piece-rate, and weather (temperature, precipitation, and wind speed). We find that pollution reduces worker productivity: a 10-unit increase in daily PM2.5 reduces productivity by around 3.82% or $6.90 in daily earnings. We explore whether the effect of pollution is dependent on worker productivity, job difficulty, or the presence of incentives. The results suggest that the effect of pollution is more acute for more difficult jobs, but the effect does not depend on worker productivity or the presence of incentives. Finally, we corroborate the main results using an alternative measure of air pollution based on satellite data, and various other robustness checks. Chapter two investigates the impact of minimum wages on worker productivity using evidence from Canadian tree planters. The primary analysis detects an overall productivity-improving effect, showing that every 1% increase in the minimum wage level can raise the productivity of all tree planters by an average of 0.48%. Heterogeneous effect analysis shows that this impact varies based on planter experience and skill: it remains positive but diminishes as planters gain experience; and while the effect is negative for the least productive planters, it is positive for more skilled workers. Additionally, we assess the effect of minimum wage on labor supply, as well as conduct contract-level analysis by aggregating planter-level data to the contract level. Lastly, various productivity measures are employed to test the robustness of our main findings. Chapter three study the effects of the stringency of COVID-19 containment policies on air pollution and exposure disparities among social groups in Canada. We use daily air pollution data and the COVID-19 policy stringency index from Oxford University’s COVID-19 Government Response Tracker. We also estimate the monetary value of a change in policy stringency using the Air Quality Benefits Assessment tool developed by Health Canada and the measure of the value of mortality and morbidity risk reduction. We find that more stringent COVID-19 policies in 2020 reduced seven air pollutant levels (PM2.5, NO2, SO2, CO, PM10, NOX, and NO), but increased O3. A higher exposure of Indigenous groups to CO and low-income groups to PM2.5, NO2, NOX, and NO remained despite the overall reduction in air pollution due to the pandemic policies. Furthermore, a 10% increase in policy stringency would have resulted in air quality improvements valued at approximately $7 billion for 2022. The findings suggest that policies restricting human activities can improve environmental quality, and valuation of these measures can be used to inform policy, but the elimination of air pollution exposure gaps may require more targeted interventions to tackle the underlying factors for such disparities.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,009
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,017
Score d'incertitude au seuil0,056

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,009
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0020,002
Études des sciences et des technologies0,0030,004
Communication savante0,0040,003
Science ouverte0,0010,002
Intégrité de la recherche0,0020,004
Charge utile insuffisante (le modèle a refusé de juger)0,0170,004

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.

Tête enseignante Opus0,008
Tête enseignante GPT0,189
Écart entre enseignants0,181 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2025
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueUniversity of Alberta LibraryMême sujetCOVID-19 impact on air qualityTravaux en français237 207