Global land-use change hidden behind nickel consumption
Notice bibliographique
Résumé
Economic growth is associated with a rapid rise in the use of natural resources within the economy, and has potential environmental impacts at local and/or global scales. In today's globalized economy, each country has indirect flows supporting its economic activities, and natural resource consumption through supply chains influences environmental impacts far removed from the place of consumption. One way to control environmental impacts associated with consumption of natural resources is to identify the consumption of natural resources and the associated environmental impacts through the global supply chain. In this study, we used a global link input–output model (GLIO, a hybrid multiregional input–output model) to detect the linkages between national nickel consumption and mining-associated global land-use changes. We focused on nickel, whose global demand has risen rapidly in recent years, as a case study. The estimated area of land-use change around the world caused by nickel mining in 2005 was 1.9 km2, and that induced by Japanese final demand for nickel was 0.38 km2. Our modeling also revealed that the areas of greatest land-use change associated with nickel mining were concentrated in only a few countries and regions far removed from the place of consumption. For example, 57.7% of the world's land-use changes caused by nickel mining were concentrated in five countries in 2005: Australia, 13.7%; Russia, 12.9%; Indonesia, 12.5%; New Caledonia, 10.4%; and Colombia, 8.2%. The mining-associated land-use change induced by Japanese final demand accounted for 19.5% of the total area affected by land-use change caused by nickel mining. The top three countries accounted for 70.6% (Indonesia: 47.0%, New Caledonia: 16.0%, and Australia: 7.7%), and the top five accounted for 82.4% (the Philippines: 7.5%, and Canada: 4.3%, in addition to the top three countries and regions).
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) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,002 | 0,007 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».