A panel study of water recirculation in manufacturing plants
Notice bibliographique
Résumé
Manufacturing plants routinely recirculate water to meet their process and cooling needs. This ability and willingness to recirculate water distinguishes manufacturing plants from most households and agricultural producers. The motivation for this research is to investigate the factors influencing manufacturing plants’ water recirculation decisions. The paper analyses a unique, balanced panel dataset of 2725 manufacturing plants that responded to the 1986, 1991 and 1996 Industrial Water Use Surveys. Investigation of the raw data shows that manufacturing plants routinely start and stop recirculation activities. Building on previous analysis based on only the 1996 dataset, a statistical model is developed to explain observed variations in the volume of water recirculated and water recirculation intensity (recirculation relative to intake) across the three time periods. Specifically, this paper applies a Heckman two-stage estimation procedure that jointly considers two facets of firms’ recirculation behaviour: first, the discrete decision of whether to recirculate and, second, the decision of how much to recirculate. Potential endogeneity of internal input costs is addressed through instrumental variables. Explanatory variables include the scale of operations, water-use costs and dummy variables that account for plants’ location and technology. Results indicate that water use costs, the scale of operations and the need to treat water prior to its use are important determinants of water recirculation decisions. This paper concludes by considering the policy implications of the empirical findings.
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 enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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.
score_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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».