MétaCan
Menu
Retour à la cohorte
Enregistrement W2012122451 · doi:10.5539/jsd.v2n3p43

Regional analysis: Differences in emission-intensity due to differences in economic structure or environmental efficiency?

2009· article· en· W2012122451 sur OpenAlexvenueno aff
Maarten van Rossum, Marije Van de Grift

Notice bibliographique

RevueJournal of Sustainable Development · 2009
Typearticle
Langueen
DomaineEconomics, Econometrics and Finance
ThématiqueRegional Economic and Spatial Analysis
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésWater Framework DirectiveDirectiveEmission intensityStructural basinWater qualityDrainage basinEnvironmental scienceQuality (philosophy)Environmental qualityIntensity (physics)PollutionNatural resource economicsWater resource managementBusinessEnvironmental resource managementEconomicsGeographyComputer scienceEcologyGeology

Résumé

récupéré en direct d'OpenAlex

The economy is a complex system with many aspects having different interrelated dimensions. Many of these different aspects of the economy may have consequences for the quality of water. Therefore a clear but complex link exists between the economy and the quality of water. This relationship is currently an important issue in estimating the costs of implementing the Water Framework Directive. There are many mechanisms by which the Water Framework Directive affects water quality and the economy. The Water Framework Directive sets water quality targets at river basin level. This is partly explained by the fact that water pollution is very much a local environmental problem. Between river basins large differences in emissions to water and economic activity exist. As a result, the emission-intensity, here defined as the ratio between emissions and value added, differs between river basins. This paper tries to give an answer to why there are differences in emission-intensity between river basins in The Netherlands. In doing so, we will focus on differences in economic structure and environmental efficiency.

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: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,011
Score d'incertitude au seuil0,022

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,009
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,002
Bibliométrie0,0010,002
Études des sciences et des technologies0,0000,001
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0050,000

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 Opus0,017
Tête enseignante GPT0,200
Écart entre enseignants0,182 · 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'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

Citations3
Publié2009
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Sustainable DevelopmentMême sujetRegional Economic and Spatial AnalysisTravaux en français237 207