MétaCan
Menu
Retour à la cohorte
Enregistrement W1841234867 · doi:10.3390/su71014408

Influencing Factors of Energy-Related CO2 Emissions in China: A Decomposition Analysis

2015· article· en· W1841234867 sur OpenAlexaff
Guokui Wang, Xingpeng Chen, Zilong Zhang, Chaolan Niu

Notice bibliographique

RevueSustainability · 2015
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueEnvironmental Impact and Sustainability
Établissements canadiensUniversity of Toronto
Organismes subventionnairesFundamental Research Funds for the Central UniversitiesNational Natural Science Foundation of China
Mots-clésChinaEnergy intensityGreenhouse gasEnergy consumptionNatural resource economicsEnergy mixEfficient energy useEnvironmental scienceEnergy conservationEmission intensityEnergy (signal processing)Secondary sector of the economyDriving factorsEconomicsEconomyEngineeringElectricity generationGeography

Résumé

récupéré en direct d'OpenAlex

China is the largest CO2 emitter in the world and is still reliant on energy consumption for economic growth. Research has focused on effective approaches of reducing and mitigating CO2 emissions. This paper undertakes a decomposition study of energy-related CO2 emissions from the industrial and household sectors during the period 1996–2012, with the objectives of investigating trends of the changes in energy-related CO2 emissions, the driving forces of these changes, and approaches of mitigating CO2 emission. Results show the following: (1) the expansion of economic activity is the dominant stimulatory factor of the increase of CO2 emissions in China and that a sustained increase in CO2 emissions can be expected; (2) the decline in energy intensity and the adjustment of energy mix and industrial structure effectively mitigate CO2 emissions; and (3) the government should give more attention to enhancing the energy utility efficiency and reducing CO2 emissions in rural households.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,001
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,029
Score d'incertitude au seuil0,999

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,002
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,007
Tête enseignante GPT0,266
Écart entre enseignants0,259 · 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 tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
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

Citations41
Publié2015
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueSustainabilityMême sujetEnvironmental Impact and SustainabilityTravaux en français237 207