MétaCan
Menu
Retour à la cohorte
Enregistrement W2598564337 · doi:10.1504/ijesd.2017.10004021

Impact of seasonal temperature rise on labour and capital productivity in manufacturing sector: a study with Canadian panel data

2017· article· en· W2598564337 sur OpenAlexaffabout
Hasnat Dewan, Anichul Hoque Khan

Notice bibliographique

RevueInternational Journal of Environment and Sustainable Development · 2017
Typearticle
Langueen
DomaineEconomics, Econometrics and Finance
ThématiqueClimate Change Policy and Economics
Établissements canadiensThompson Rivers University
Organismes subventionnairesnon disponible
Mots-clésProductivityAgricultural economicsPanel dataProduction (economics)Climate changePer capitaManufacturing sectorAgricultureEconomicsManufacturingPopulationAgricultural productivityNatural resource economicsEnvironmental scienceBusinessGeographyLabour economicsEconomic growthOceanographyDemography

Résumé

récupéré en direct d'OpenAlex

Rising global temperature is one of the manifestations of climate change. This study analyses the impact of average temperature rise in summer and winter on production in the manufacturing sector, which is mostly indoor production. This study also compares the differential impact of temperature rise on indoor and outdoor production. Using panel data from ten Canadian provinces for the period of 1997 to 2010, it finds that the rise of average temperature in summer causes labour and capital productivity in manufacturing sector to decline. As a result the production of manufacturing goods falls, but this impact is much weaker compared to that on outdoor production, i.e., the production in agriculture, forestry, fishing, and hunting sectors together. Average temperature rise in winter, however, leaves production in the manufacturing sector unaffected. These results are obtained by controlling for population growth, GDP per capita, and yearly-dummies. These findings may have some policy implications for Canada and other countries that have been experiencing warmer than usual summer and winter temperatures due to climate change.

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)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut 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 enseignants0,007
Score d'incertitude au seuil0,994

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
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 ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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 Opus0,045
Tête enseignante GPT0,250
Écart entre enseignants0,205 · 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.

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

Citations1
Publié2017
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueInternational Journal of Environment and Sustainable DevelopmentMême sujetClimate Change Policy and EconomicsTravaux en français237 207