MétaCan
Menu
Retour à la cohorte
Enregistrement W2030114530 · doi:10.1108/17506221111186314

Gaining competitive advantage through a low carbon economy: China vs Europe

2011· article· en· W2030114530 sur OpenAlexaff
Alberto Xodo

Notice bibliographique

RevueInternational Journal of Energy Sector Management · 2011
Typearticle
Langueen
DomaineEconomics, Econometrics and Finance
ThématiqueClimate Change Policy and Economics
Établissements canadiensQueen's University
Organismes subventionnairesnon disponible
Mots-clésChinaOriginalityCompetitive advantageValue (mathematics)Scenario analysisEconomicsEnergy sectorIndustrial organizationEconomyEnvironmental economicsEconomic systemBusinessPolitical scienceComputer scienceManagement

Résumé

récupéré en direct d'OpenAlex

Purpose The purpose of this paper is to explore the possible developments of the energy sector in 2050. Special consideration is given to the evolution of the relationship between Europe and China. Design/methodology/approach The paper draws on the analysis of current trends and news to develop a hypothetical scenario for the energy sector in 2050. A new hypothetical scenario is proposed in which China's role is dramatically shifted from world's largest polluter to that of leader of the green revolution. Findings The paper suggests that the countries with the highest standards could gain a competitive advantage by imposing their standards on the other countries. In the specific scenario analyzed in the paper, China is the country that will gain such an advantage by 2050. Research limitations/implications The paper's main limitation is the lack of estimations on the likelihood of such a hypothetical scenario. Practical implications Practical implications of the paper are the recommendations to European Governments and agencies to take their energy policies one step forward towards low carbon solutions. Originality/value The new perspective taken by the paper puts China under a new light and uncovers long‐term strategic implications of recent trends in the energy sector.

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)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesCharge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Théorique ou conceptuel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,878
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0010,000
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 Opus0,058
Tête enseignante GPT0,239
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 tête enseignante, pas un consensus.

Devis d'étudeThéorique ou conceptuel
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

Citations2
Publié2011
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueInternational Journal of Energy Sector ManagementMême sujetClimate Change Policy and EconomicsTravaux en français237 207