Loading…
None
String updated in the repository |
|
None
Source string changed |
<p><strong>Sources of discrepancies:</strong></p>
<p>There may be discrepancies between internationally reported and nationally reported figures. The reasons are the following:</p> < <li>Modelled estimates versus survey data point.</ <p>- <li>Use of different definitions of polluting (or previously solid) fuels (wood only or wood and any other biomass, e.g. dung residues; kerosene included or not as polluting fuels).</ <p>- <li>Use of different total population estimate.</ <p>- <li>Estimates are expressed as percentage of population using polluting (or solid) fuels (as per SDG indicator) as compared to percentage of household using polluting (or solid) fuels (as assessed by surveys such as DHS or MICS).</ <p>- <li>In the estimates presented here, values above 95% polluting fuel use are reported as “>95”, and values below 5% as “<5”.</ </ul> <p>Changes in modelling methodology:</p> <p>Prior to 2018, estimates of the proportion of the population primarily relying on solid fuels were obtained from a multilevel model with region and nonparametric functions of time as the only covariates (Bonjour et al., 2013). For tracking SDG7 in 2018 and 2019 this model was used to estimate polluting and clean fuel use, though this time it was implemented in the Bayesian framework for increased robustness and more reliable quantification of uncertainty. For 2020, the model has been expanded to allow estimates for individual fuels, and extra flexibility has been added to the functions of time to better capture nonlinear trends in some countries (Stoner et al. 20 <p>On both occasions where the model changed, the WHO conducted a thorough sensitivity analysis, including full country-by-country comparisons of estimates between the existing model and the candidate model. In most cases, estimates of the proportion using clean fuels exhibited little change, see annex below. Where larger discrepancies were identified, they were carefully investigated to determine the likely cause. Many of these were in fact the result of the new model better capturing nonlinear trends.</p> <p>The same model is used for the 202 |
None
String updated in the repository |
<p><strong>Sources of discrepancies:</strong></p>
<p>There may be discrepancies between internationally reported and nationally reported figures. The reasons are the following:</p> <p>- Modelled estimates versus survey data point.</p> <p>- Use of different definitions of polluting (or previously solid) fuels (wood only or wood and any other biomass, e.g. dung residues; kerosene included or not as polluting fuels).</p> <p>- Use of different total population estimate.</p> <p>- Estimates are expressed as percentage of population using polluting (or solid) fuels (as per SDG indicator) as compared to percentage of household using polluting (or solid) fuels (as assessed by surveys such as DHS or MICS).</p> <p>- In the estimates presented here, values above 95% polluting fuel use are reported as “>95”, and values below 5% as “<5”.</p> <p>Changes in modelling methodology:</p> <p>Prior to 2018, estimates of the proportion of the population primarily relying on solid fuels were obtained from a multilevel model with region and nonparametric functions of time as the only covariates (Bonjour et al. 2013). For tracking SDG7 in 2018 and 2019 this model was used to estimate polluting and clean fuel use, though this time it was implemented in the Bayesian framework for increased robustness and more reliable quantification of uncertainty. For 2020, the model has been expanded to allow estimates for individual fuels, and extra flexibility has been added to the functions of time to better capture nonlinear trends in some countries (Stoner et al. 2019). These refinements have been introduced alongside an ever-expanding collection of data, which underwent a major quality-control effort. Due to the increased data availability, borrowing of information across regions is no longer essential, hence time is now the only covariate. </p> <p>On both occasions where the model changed, the WHO conducted a thorough sensitivity analysis, including full country-by-country comparisons of estimates between the existing model and the candidate model. In most cases, estimates of the proportion using clean fuels exhibited little change, see annex below. Where larger discrepancies were identified, they were carefully investigated to determine the likely cause. Many of these were in fact the result of the new model better capturing nonlinear trends.</p> <p>The same model is used for the 2021 revision, with updated data inputs as described in previous sections.</p>
<h2> Источники расхождений: </h2>
<p> Могут быть расхождения между международными и национальными данными. Причины следующие: </p> <ul> <li> Смоделированные оценки по сравнению с элементами данных обследования. </li> <li> Использование различных определений загрязняющего (или ранее использовавшегося термина твердого) топлива (только древесина или древесина и любая другая биомасса, например, остатки навоза; керосин, включенный или не включенный как загрязняющее топливо). </li> <li> Использование различных оценок общей численности населения </li> <li> Оценки выражаются как процентная доля населения, использующего загрязняющее (или твердое) топливо (в соответствии с показателем ЦУР), по сравнению с процентной долей домохозяйств, использующих загрязняющее (или твердое) топливо (по оценке таких обследований, как Обследование демографических характеристик и состояния здоровья или Кластерное обследование по многим показателям). </li> <li> В представленных здесь оценках значения использования загрязняющего топлива выше 95% указаны как “ > 95 ”, а значения ниже 5% - как “ < 5. ” li> </ul> <h2> Изменения в методологии моделирования: </h2> <p> До 2018 года оценки доли населения, в основном полагающегося на твердое топливо, получали на основе многоуровневой модели с региональными и непараметрическими функциями времени в качестве единственных ковариантов (Bonjour et al.2013). Для отслеживания ЦУР 7 в 2018 и 2019 годах эта модель использовалась для оценки загрязнения и использования чистого топлива, хотя на этот раз она была реализована в Байесовской структуре для повышения устойчивости и более надежной количественной оценки неопределенности. На 2020 год модель была расширена, чтобы дать возможность оценивать отдельные виды топлива, а функциям времени была добавлена дополнительная гибкость, чтобы лучше отслеживать нелинейные тенденции в некоторых странах (Stoner et al.2019). Эти уточнения были внесены вместе с постоянно расширяющимся сбором данных, к которому были приложены серьезные усилия по контролю качества. Из-за увеличения доступности данных заимствование информации по регионам больше не является необходимым, поэтому время теперь является единственной ковариантой. </p> <p> В обоих случаях, когда модель изменялась, ВОЗ провела тщательный анализ чувствительности, включая полное сравнение оценок существующей модели и модели-кандидата по странам. В большинстве случаев оценки доли, использующей чистые виды топлива, мало изменились, см. приложение ниже. В тех случаях, когда были выявлены более значительные расхождения, они были тщательно исследованы для определения вероятной причины. Многие из них на самом деле были результатом применения новой модели, лучше отражающей нелинейные тенденции.</p> |
None
Source string changed |
<p><strong>Sources of discrepancies:</strong></p>
<p>There may be discrepancies between internationally reported and nationally reported figures. The reasons are the following:</p> <p>- Modelled estimates versus survey data point.</p> <p>- Use of different definitions of polluting (or previously solid) fuels (wood only or wood and any other biomass, e.g. dung residues; kerosene included or not as polluting fuels).</p> <p>- Use of different total population estimate.</p> <p>- Estimates are expressed as percentage of population using polluting (or solid) fuels (as per SDG indicator) as compared to percentage of household using polluting (or solid) fuels (as assessed by surveys such as DHS or MICS).</p> <p>- In the estimates presented here, values above 95% polluting fuel use are reported as “>95”, and values below 5% as “<5”.</p> <p>Changes in modelling methodology:</p> <p>Prior to 2018, estimates of the proportion of the population primarily relying on solid fuels were obtained from a multilevel model with region and nonparametric functions of time as the only covariates (Bonjour et al. 2013). For tracking SDG7 in 2018 and 2019 this model was used to estimate polluting and clean fuel use, though this time it was implemented in the Bayesian framework for increased robustness and more reliable quantification of uncertainty. For 2020, the model has been expanded to allow estimates for individual fuels, and extra flexibility has been added to the functions of time to better capture nonlinear trends in some countries (Stoner et al. 2019). These refinements have been introduced alongside an ever-expanding collection of data, which underwent a major quality-control effort. Due to the increased data availability, borrowing of information across regions is no longer essential, hence time is now the only covariate. </p> <p>On both occasions where the model changed, the WHO conducted a thorough sensitivity analysis, including full country-by-country comparisons of estimates between the existing model and the candidate model. In most cases, estimates of the proportion using clean fuels exhibited little change, see annex below. Where larger discrepancies were identified, they were carefully investigated to determine the likely cause. Many of these were in fact the result of the new model better capturing nonlinear trends.</p> <p>The same model is used for the 2021 revision, with updated data inputs as described in previous sections.</p> |
None
Source string changed |
<
<p>There may be discrepancies between internationally reported and nationally reported figures. The reasons are the following:</p> < <li> <li> <p>- Use of different definitions of polluting (or previously solid) fuels (wood only or wood and any other biomass, e.g. dung residues; kerosene included or not as polluting fuels).</ <li> <p>- Use of different total population estimate.</ <li> <p>- Estimates are expressed as percentage of population using polluting (or solid) fuels (as per SDG indicator) as compared to percentage of household using polluting (or solid) fuels (as assessed by surveys such as DHS or MICS).</ <li> <p>- In the estimates presented here, values above 95% polluting fuel use are reported as “>95”, and values below 5% as “<5 </ul> <h2 <p>Changes in modelling methodology:</ <p>Prior to 2018, estimates of the proportion of the population primarily relying on solid fuels were obtained from a multilevel model with region and nonparametric functions of time as the only covariates (Bonjour et al. 2013). For tracking SDG7 in 2018 and 2019 this model was used to estimate polluting and clean fuel use, though this time it was implemented in the Bayesian framework for increased robustness and more reliable quantification of uncertainty. For 2020, the model has been expanded to allow estimates for individual fuels, and extra flexibility has been added to the functions of time to better capture nonlinear trends in some countries (Stoner et al. 2019). These refinements have been introduced alongside an ever-expanding collection of data, which underwent a major quality-control effort. Due to the increased data availability, borrowing of information across regions is no longer essential, hence time is now the only covariate. </p> <p>On both occasions where the model changed, the WHO conducted a thorough sensitivity analysis, including full country-by-country comparisons of estimates between the existing model and the candidate model. In most cases, estimates of the proportion using clean fuels exhibited little change, see annex below. Where larger discrepancies were identified, they were carefully investigated to determine the likely cause. Many of these were in fact the result of the new model better capturing nonlinear trends.</p> <p>The same model is used for the 2021 revision, with updated data inputs as described in previous sections.</p> |
brockfanning
Bulk status changed |
<p><strong>Sources of discrepancies:</strong></p>
<p>There may be discrepancies between internationally reported and nationally reported figures. The reasons are the following:</p> <ul> <li>Modelled estimates versus survey data point.</li> <li>Use of different definitions of polluting (or previously solid) fuels (wood only or wood and any other biomass, e.g. dung residues; kerosene included or not as polluting fuels).</li> <li>Use of different total population estimate.</li> <li>Estimates are expressed as percentage of population using polluting (or solid) fuels (as per SDG indicator) as compared to percentage of household using polluting (or solid) fuels (as assessed by surveys such as DHS or MICS).</li> <li>In the estimates presented here, values above 95% polluting fuel use are reported as “>95”, and values below 5% as “<5”.</li> </ul> <p>Changes in modelling methodology:</p> <p>Prior to 2018, estimates of the proportion of the population primarily relying on solid fuels were obtained from a multilevel model with region and nonparametric functions of time as the only covariates (Bonjour et al., 2013). For tracking SDG7 in 2018 and 2019 this model was used to estimate polluting and clean fuel use, though this time it was implemented in the Bayesian framework for increased robustness and more reliable quantification of uncertainty. For 2020, the model has been expanded to allow estimates for individual fuels, and extra flexibility has been added to the functions of time to better capture nonlinear trends in some countries (Stoner et al. 2020). These refinements have been introduced alongside an ever-expanding collection of data, which underwent a major quality-control effort. Due to the increased data availability, borrowing of information across regions is no longer essential, hence time is now the only covariate. </p> <p>On both occasions where the model changed, the WHO conducted a thorough sensitivity analysis, including full country-by-country comparisons of estimates between the existing model and the candidate model. In most cases, estimates of the proportion using clean fuels exhibited little change, see annex below. Where larger discrepancies were identified, they were carefully investigated to determine the likely cause. Many of these were in fact the result of the new model better capturing nonlinear trends.</p> <p>The same model is used for the 2022 revision, with updated data inputs as described in previous sections.</p>
<h2> Источники расхождений: </h2>
<p> Могут быть расхождения между международными и национальными данными. Причины следующие: </p> <ul> <li> Смоделированные оценки по сравнению с элементами данных обследования. </li> <li> Использование различных определений загрязняющего (или ранее использовавшегося термина твердого) топлива (только древесина или древесина и любая другая биомасса, например, остатки навоза; керосин, включенный или не включенный как загрязняющее топливо). </li> <li> Использование различных оценок общей численности населения </li> <li> Оценки выражаются как процентная доля населения, использующего загрязняющее (или твердое) топливо (в соответствии с показателем ЦУР), по сравнению с процентной долей домохозяйств, использующих загрязняющее (или твердое) топливо (по оценке таких обследований, как Обследование демографических характеристик и состояния здоровья или Кластерное обследование по многим показателям). </li> <li> В представленных здесь оценках значения использования загрязняющего топлива выше 95% указаны как “ > 95 ”, а значения ниже 5% - как “ < 5. ” li> </ul> <h2> Изменения в методологии моделирования: </h2> <p> До 2018 года оценки доли населения, в основном полагающегося на твердое топливо, получали на основе многоуровневой модели с региональными и непараметрическими функциями времени в качестве единственных ковариантов (Bonjour et al.2013). Для отслеживания ЦУР 7 в 2018 и 2019 годах эта модель использовалась для оценки загрязнения и использования чистого топлива, хотя на этот раз она была реализована в Байесовской структуре для повышения устойчивости и более надежной количественной оценки неопределенности. На 2020 год модель была расширена, чтобы дать возможность оценивать отдельные виды топлива, а функциям времени была добавлена дополнительная гибкость, чтобы лучше отслеживать нелинейные тенденции в некоторых странах (Stoner et al.2019). Эти уточнения были внесены вместе с постоянно расширяющимся сбором данных, к которому были приложены серьезные усилия по контролю качества. Из-за увеличения доступности данных заимствование информации по регионам больше не является необходимым, поэтому время теперь является единственной ковариантой. </p> <p> В обоих случаях, когда модель изменялась, ВОЗ провела тщательный анализ чувствительности, включая полное сравнение оценок существующей модели и модели-кандидата по странам. В большинстве случаев оценки доли, использующей чистые виды топлива, мало изменились, см. приложение ниже. В тех случаях, когда были выявлены более значительные расхождения, они были тщательно исследованы для определения вероятной причины. Многие из них на самом деле были результатом применения новой модели, лучше отражающей нелинейные тенденции.</p> |
brockfanning
Bulk status changed |
<p><strong>Sources of discrepancies:</strong></p>
<p>There may be discrepancies between internationally reported and nationally reported figures. The reasons are the following:</p> <ul> <li>Modelled estimates versus survey data point.</li> <li>Use of different definitions of polluting (or previously solid) fuels (wood only or wood and any other biomass, e.g. dung residues; kerosene included or not as polluting fuels).</li> <li>Use of different total population estimate.</li> <li>Estimates are expressed as percentage of population using polluting (or solid) fuels (as per SDG indicator) as compared to percentage of household using polluting (or solid) fuels (as assessed by surveys such as DHS or MICS).</li> <li>In the estimates presented here, values above 95% polluting fuel use are reported as “>95”, and values below 5% as “<5”.</li> </ul> <p>Changes in modelling methodology:</p> <p>Prior to 2018, estimates of the proportion of the population primarily relying on solid fuels were obtained from a multilevel model with region and nonparametric functions of time as the only covariates (Bonjour et al., 2013). For tracking SDG7 in 2018 and 2019 this model was used to estimate polluting and clean fuel use, though this time it was implemented in the Bayesian framework for increased robustness and more reliable quantification of uncertainty. For 2020, the model has been expanded to allow estimates for individual fuels, and extra flexibility has been added to the functions of time to better capture nonlinear trends in some countries (Stoner et al. 2020). These refinements have been introduced alongside an ever-expanding collection of data, which underwent a major quality-control effort. Due to the increased data availability, borrowing of information across regions is no longer essential, hence time is now the only covariate. </p> <p>On both occasions where the model changed, the WHO conducted a thorough sensitivity analysis, including full country-by-country comparisons of estimates between the existing model and the candidate model. In most cases, estimates of the proportion using clean fuels exhibited little change, see annex below. Where larger discrepancies were identified, they were carefully investigated to determine the likely cause. Many of these were in fact the result of the new model better capturing nonlinear trends.</p> <p>The same model is used for the 2022 revision, with updated data inputs as described in previous sections.</p>
<h2> Источники расхождений: </h2>
<p> Могут быть расхождения между международными и национальными данными. Причины следующие: </p> <ul> <li> Смоделированные оценки по сравнению с элементами данных обследования. </li> <li> Использование различных определений загрязняющего (или ранее использовавшегося термина твердого) топлива (только древесина или древесина и любая другая биомасса, например, остатки навоза; керосин, включенный или не включенный как загрязняющее топливо). </li> <li> Использование различных оценок общей численности населения </li> <li> Оценки выражаются как процентная доля населения, использующего загрязняющее (или твердое) топливо (в соответствии с показателем ЦУР), по сравнению с процентной долей домохозяйств, использующих загрязняющее (или твердое) топливо (по оценке таких обследований, как Обследование демографических характеристик и состояния здоровья или Кластерное обследование по многим показателям). </li> <li> В представленных здесь оценках значения использования загрязняющего топлива выше 95% указаны как “ > 95 ”, а значения ниже 5% - как “ < 5. ” li> </ul> <h2> Изменения в методологии моделирования: </h2> <p> До 2018 года оценки доли населения, в основном полагающегося на твердое топливо, получали на основе многоуровневой модели с региональными и непараметрическими функциями времени в качестве единственных ковариантов (Bonjour et al.2013). Для отслеживания ЦУР 7 в 2018 и 2019 годах эта модель использовалась для оценки загрязнения и использования чистого топлива, хотя на этот раз она была реализована в Байесовской структуре для повышения устойчивости и более надежной количественной оценки неопределенности. На 2020 год модель была расширена, чтобы дать возможность оценивать отдельные виды топлива, а функциям времени была добавлена дополнительная гибкость, чтобы лучше отслеживать нелинейные тенденции в некоторых странах (Stoner et al.2019). Эти уточнения были внесены вместе с постоянно расширяющимся сбором данных, к которому были приложены серьезные усилия по контролю качества. Из-за увеличения доступности данных заимствование информации по регионам больше не является необходимым, поэтому время теперь является единственной ковариантой. </p> <p> В обоих случаях, когда модель изменялась, ВОЗ провела тщательный анализ чувствительности, включая полное сравнение оценок существующей модели и модели-кандидата по странам. В большинстве случаев оценки доли, использующей чистые виды топлива, мало изменились, см. приложение ниже. В тех случаях, когда были выявлены более значительные расхождения, они были тщательно исследованы для определения вероятной причины. Многие из них на самом деле были результатом применения новой модели, лучше отражающей нелинейные тенденции.</p> |
Goncharov
Translation changed |
<p><strong>Sources of discrepancies:</strong></p>
<p>There may be discrepancies between internationally reported and nationally reported figures. The reasons are the following:</p> <ul> <li>Modelled estimates versus survey data point.</li> <li>Use of different definitions of polluting (or previously solid) fuels (wood only or wood and any other biomass, e.g. dung residues; kerosene included or not as polluting fuels).</li> <li>Use of different total population estimate.</li> <li>Estimates are expressed as percentage of population using polluting (or solid) fuels (as per SDG indicator) as compared to percentage of household using polluting (or solid) fuels (as assessed by surveys such as DHS or MICS).</li> <li>In the estimates presented here, values above 95% polluting fuel use are reported as “>95”, and values below 5% as “<5”.</li> </ul> <p>Changes in modelling methodology:</p> <p>Prior to 2018, estimates of the proportion of the population primarily relying on solid fuels were obtained from a multilevel model with region and nonparametric functions of time as the only covariates (Bonjour et al., 2013). For tracking SDG7 in 2018 and 2019 this model was used to estimate polluting and clean fuel use, though this time it was implemented in the Bayesian framework for increased robustness and more reliable quantification of uncertainty. For 2020, the model has been expanded to allow estimates for individual fuels, and extra flexibility has been added to the functions of time to better capture nonlinear trends in some countries (Stoner et al. 2020). These refinements have been introduced alongside an ever-expanding collection of data, which underwent a major quality-control effort. Due to the increased data availability, borrowing of information across regions is no longer essential, hence time is now the only covariate. </p> <p>On both occasions where the model changed, the WHO conducted a thorough sensitivity analysis, including full country-by-country comparisons of estimates between the existing model and the candidate model. In most cases, estimates of the proportion using clean fuels exhibited little change, see annex below. Where larger discrepancies were identified, they were carefully investigated to determine the likely cause. Many of these were in fact the result of the new model better capturing nonlinear trends.</p> <p>The same model is used for the 2022 revision, with updated data inputs as described in previous sections.</p>
<h2> Источники расхождений: </h2>
<p> Могут быть расхождения между международными и национальными данными. Причины следующие: </p> <ul> <li> Смоделированные оценки по сравнению с элементами данных обследования. </li> <li> Использование различных определений загрязняющего (или ранее использовавшегося термина твердого) топлива (только древесина или древесина и любая другая биомасса, например, остатки навоза; керосин, включенный или не включенный как загрязняющее топливо). </li> <li> Использование различных оценок общей численности населения </li> <li> Оценки выражаются как процентная доля населения, использующего загрязняющее (или твердое) топливо (в соответствии с показателем ЦУР), по сравнению с процентной долей домохозяйств, использующих загрязняющее (или твердое) топливо (по оценке таких обследований, как Обследование демографических характеристик и состояния здоровья или Кластерное обследование по многим показателям). <li> В представленных здесь оценках значения использования загрязняющего топлива выше 95% указаны как “ > 95 ”, а значения ниже 5% - как “ < 5. ” </ul> <h2> Изменения в методологии моделирования: </h2> <p> До 2018 года оценки доли населения, в основном полагающегося на твердое топливо, получали на основе многоуровневой модели с региональными и непараметрическими функциями времени в качестве единственных ковариантов (Bonjour et al.2013). Для отслеживания ЦУР 7 в 2018 и 2019 годах эта модель использовалась для оценки загрязнения и использования чистого топлива, хотя на этот раз она была реализована в Байесовской структуре для повышения устойчивости и более надежной количественной оценки неопределенности. На 2020 год модель была расширена, чтобы дать возможность оценивать отдельные виды топлива, а функциям времени была добавлена дополнительная гибкость, чтобы лучше отслеживать нелинейные тенденции в некоторых странах (Stoner et al.2019). Эти уточнения были внесены вместе с постоянно расширяющимся сбором данных, к которому были приложены серьезные усилия по контролю качества. Из-за увеличения доступности данных заимствование информации по регионам больше не является необходимым, поэтому время теперь является единственной ковариантой. </p> <p> В обоих случаях, когда модель изменялась, ВОЗ провела тщательный анализ чувствительности, включая полное сравнение оценок существующей модели и модели-кандидата по странам. В большинстве случаев оценки доли, использующей чистые виды топлива, мало изменились, см. приложение ниже. В тех случаях, когда были выявлены более значительные расхождения, они были тщательно исследованы для определения вероятной причины. Многие из них на самом деле были результатом применения новой модели, лучше отражающей нелинейные тенденции.</p> |
Goncharov
Translation added |
<p><strong>Sources of discrepancies:</strong></p>
<p>There may be discrepancies between internationally reported and nationally reported figures. The reasons are the following:</p> <ul> <li>Modelled estimates versus survey data point.</li> <li>Use of different definitions of polluting (or previously solid) fuels (wood only or wood and any other biomass, e.g. dung residues; kerosene included or not as polluting fuels).</li> <li>Use of different total population estimate.</li> <li>Estimates are expressed as percentage of population using polluting (or solid) fuels (as per SDG indicator) as compared to percentage of household using polluting (or solid) fuels (as assessed by surveys such as DHS or MICS).</li> <li>In the estimates presented here, values above 95% polluting fuel use are reported as “>95”, and values below 5% as “<5”.</li> </ul> <p>Changes in modelling methodology:</p> <p>Prior to 2018, estimates of the proportion of the population primarily relying on solid fuels were obtained from a multilevel model with region and nonparametric functions of time as the only covariates (Bonjour et al., 2013). For tracking SDG7 in 2018 and 2019 this model was used to estimate polluting and clean fuel use, though this time it was implemented in the Bayesian framework for increased robustness and more reliable quantification of uncertainty. For 2020, the model has been expanded to allow estimates for individual fuels, and extra flexibility has been added to the functions of time to better capture nonlinear trends in some countries (Stoner et al. 2020). These refinements have been introduced alongside an ever-expanding collection of data, which underwent a major quality-control effort. Due to the increased data availability, borrowing of information across regions is no longer essential, hence time is now the only covariate. </p> <p>On both occasions where the model changed, the WHO conducted a thorough sensitivity analysis, including full country-by-country comparisons of estimates between the existing model and the candidate model. In most cases, estimates of the proportion using clean fuels exhibited little change, see annex below. Where larger discrepancies were identified, they were carefully investigated to determine the likely cause. Many of these were in fact the result of the new model better capturing nonlinear trends.</p> <p>The same model is used for the 2022 revision, with updated data inputs as described in previous sections.</p>
<h2> Источники расхождений: </h2>
<p> Могут быть расхождения между международными и национальными данными. Причины следующие: </p> <ul> <li> Смоделированные оценки по сравнению с элементами данных обследования. </li> <li> Использование различных определений загрязняющего (или ранее использовавшегося термина твердого) топлива (только древесина или древесина и любая другая биомасса, например, остатки навоза; керосин, включенный или не включенный как загрязняющее топливо). </li> <li> Использование различных оценок общей численности населения </li> <li> Оценки выражаются как процентная доля населения, использующего загрязняющее (или твердое) топливо (в соответствии с показателем ЦУР), по сравнению с процентной долей домохозяйств, использующих загрязняющее (или твердое) топливо (по оценке таких обследований, как Обследование демографических характеристик и состояния здоровья или Кластерное обследование по многим показателям). ] <li> В представленных здесь оценках значения использования загрязняющего топлива выше 95% указаны как “ > 95 ”, а значения ниже 5% - как “ < 5. ” </li> </ul> <h2> Изменения в методологии моделирования: </h2> <p> До 2018 года оценки доли населения, в основном полагающегося на твердое топливо, получали на основе многоуровневой модели с региональными и непараметрическими функциями времени в качестве единственных ковариантов (Bonjour et al.2013). Для отслеживания ЦУР 7 в 2018 и 2019 годах эта модель использовалась для оценки загрязнения и использования чистого топлива, хотя на этот раз она была реализована в Байесовской структуре для повышения устойчивости и более надежной количественной оценки неопределенности. На 2020 год модель была расширена, чтобы дать возможность оценивать отдельные виды топлива, а функциям времени была добавлена дополнительная гибкость, чтобы лучше отслеживать нелинейные тенденции в некоторых странах (Stoner et al.2019). Эти уточнения были внесены вместе с постоянно расширяющимся сбором данных, к которому были приложены серьезные усилия по контролю качества. Из-за увеличения доступности данных заимствование информации по регионам больше не является необходимым, поэтому время теперь является единственной ковариантой. </p> <p> В обоих случаях, когда модель изменялась, ВОЗ провела тщательный анализ чувствительности, включая полное сравнение оценок существующей модели и модели-кандидата по странам. В большинстве случаев оценки доли, использующей чистые виды топлива, мало изменились, см. приложение ниже. В тех случаях, когда были выявлены более значительные расхождения, они были тщательно исследованы для определения вероятной причины. Многие из них на самом деле были результатом применения новой модели, лучше отражающей нелинейные тенденции.</p> |
Things to check
English | Russian | ||
---|---|---|---|
Data Availability | Доступность данных | SDG Metadata | |
Indicator | Показатель | SDG Metadata | |
surveys | обследования | SDG Metadata |
Key
COMPARABILITYFlags
ignore-inconsistent
<p>There may be discrepancies between internationally reported and nationally reported figures. The reasons are the following:</p>
<ul>
<li>Modelled estimates versus survey data point.</li>
<li>Use of different definitions of polluting (or previously solid) fuels (wood only or wood and any other biomass, e.g. dung residues; kerosene included or not as polluting fuels).</li>
<li>Use of different total population estimate.</li>
<li>Estimates are expressed as percentage of population using polluting (or solid) fuels (as per SDG indicator) as compared to percentage of household using polluting (or solid) fuels (as assessed by surveys such as DHS or MICS).</li>
<li>In the estimates presented here, values above 95% polluting fuel use are reported as “>95”, and values below 5% as “<5”.</li>
</ul>
<p>Changes in modelling methodology:</p>
<p>Prior to 2018, estimates of the proportion of the population primarily relying on solid fuels were obtained from a multilevel model with region and nonparametric functions of time as the only covariates (Bonjour et al., 2013). For tracking SDG7 in 2018 and 2019 this model was used to estimate polluting and clean fuel use, though this time it was implemented in the Bayesian framework for increased robustness and more reliable quantification of uncertainty. For 2020, the model has been expanded to allow estimates for individual fuels, and extra flexibility has been added to the functions of time to better capture nonlinear trends in some countries (Stoner et al. 2020). These refinements have been introduced alongside an ever-expanding collection of data, which underwent a major quality-control effort. Due to the increased data availability, borrowing of information across regions is no longer essential, hence time is now the only covariate. </p>
<p>On both occasions where the model changed, the WHO conducted a thorough sensitivity analysis, including full country-by-country comparisons of estimates between the existing model and the candidate model. In most cases, estimates of the proportion using clean fuels exhibited little change, see annex below. Where larger discrepancies were identified, they were carefully investigated to determine the likely cause. Many of these were in fact the result of the new model better capturing nonlinear trends.</p>
<p>The same model is used for the 2022 revision, with updated data inputs as described in previous sections.</p>
<p> Могут быть расхождения между международными и национальными данными. Причины следующие: </p>
<ul>
<li> Смоделированные оценки по сравнению с элементами данных обследования. </li>
<li> Использование различных определений загрязняющего (или ранее использовавшегося термина твердого) топлива (только древесина или древесина и любая другая биомасса, например, остатки навоза; керосин, включенный или не включенный как загрязняющее топливо). </li>
<li> Использование различных оценок общей численности населения </li>
<li> Оценки выражаются как процентная доля населения, использующего загрязняющее (или твердое) топливо (в соответствии с показателем ЦУР), по сравнению с процентной долей домохозяйств, использующих загрязняющее (или твердое) топливо (по оценке таких обследований, как Обследование демографических характеристик и состояния здоровья или Кластерное обследование по многим показателям). </li>
<li> В представленных здесь оценках значения использования загрязняющего топлива выше 95% указаны как “ > 95 ”, а значения ниже 5% - как “ < 5. ” li>
</ul>
<h2> Изменения в методологии моделирования: </h2>
<p> До 2018 года оценки доли населения, в основном полагающегося на твердое топливо, получали на основе многоуровневой модели с региональными и непараметрическими функциями времени в качестве единственных ковариантов (Bonjour et al.2013). Для отслеживания ЦУР 7 в 2018 и 2019 годах эта модель использовалась для оценки загрязнения и использования чистого топлива, хотя на этот раз она была реализована в Байесовской структуре для повышения устойчивости и более надежной количественной оценки неопределенности. На 2020 год модель была расширена, чтобы дать возможность оценивать отдельные виды топлива, а функциям времени была добавлена дополнительная гибкость, чтобы лучше отслеживать нелинейные тенденции в некоторых странах (Stoner et al.2019). Эти уточнения были внесены вместе с постоянно расширяющимся сбором данных, к которому были приложены серьезные усилия по контролю качества. Из-за увеличения доступности данных заимствование информации по регионам больше не является необходимым, поэтому время теперь является единственной ковариантой. </p>
<p> В обоих случаях, когда модель изменялась, ВОЗ провела тщательный анализ чувствительности, включая полное сравнение оценок существующей модели и модели-кандидата по странам. В большинстве случаев оценки доли, использующей чистые виды топлива, мало изменились, см. приложение ниже. В тех случаях, когда были выявлены более значительные расхождения, они были тщательно исследованы для определения вероятной причины. Многие из них на самом деле были результатом применения новой модели, лучше отражающей нелинейные тенденции.</p>