MétaCan
Menu
Retour à la cohorte
Enregistrement W2345298043 · doi:10.1146/annurev-resource-100815-095243

Early Pioneers in Natural Resource Economics

2016· article· en· W2345298043 sur OpenAlexaff
Gardner Brown, V. Kerry Smith, Gordon R. Munro, Richard C. Bishop

Notice bibliographique

RevueAnnual Review of Resource Economics · 2016
Typearticle
Langueen
DomaineEconomics, Econometrics and Finance
ThématiqueEconomic and Environmental Valuation
Établissements canadiensUniversity of British Columbia
Organismes subventionnairesnon disponible
Mots-clésEconomicsNonmarket forcesNatural resourceSalience (neuroscience)BequestValuation (finance)Natural capitalManagerial economicsMicroeconomicsContext (archaeology)Public economicsPositive economicsNeoclassical economicsApplied economicsEcosystem servicesComputer sciencePolitical scienceEcologyLaw

Résumé

récupéré en direct d'OpenAlex

This review focuses on four key scholars who were instrumental in helping to launch the field of natural resource economics: Siegfried von Ciriacy-Wantrup, James Crutchfield, John Krutilla, and Anthony Scott. Their contributions include recognizing natural resources as renewable capital, thereby altering the important dynamic dimensions of an efficient allocation. The introduction of irreversibility was a key element for decisions involving unique natural assets. Introducing uncertainty into these choices required consideration of appropriate public attitudes toward risk that led to the concept of a safe minimum standard. Identifying and emphasizing the salience of nonmarket values, particularly existence and bequest benefits, gave rise to the contingent valuation and the development of stated preference methods as a cottage industry. Setting forth and evaluating alternative management policies for open access resources in a dynamic context were other achievements. The backgrounds of these four scholars shaped their professional orientation; their contributions, in turn, have shaped the evolutionary path of resource economics research.

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)0,002
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict), Charge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,837
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

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

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 Opus0,028
Tête enseignante GPT0,209
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'étudeSans objet
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

Citations9
Publié2016
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueAnnual Review of Resource EconomicsMême sujetEconomic and Environmental ValuationTravaux en français237 207