Greenhouse gas emissions reduction in different economic sectors: Mitigation measures, health co-benefits, knowledge gaps, and policy implications
Notice bibliographique
Résumé
To date, greenhouse gas (GHG) emissions, mitigation strategies and the accompanying health co-benefits in different economic sectors have not been fully investigated. The purpose of this paper is to review comprehensively the evidence on GHG mitigation measures and the related health co-benefits, identify knowledge gaps, and provide recommendations to promote further development and implementation of climate change response policies. Evidence on GHG emissions, abatement measures and related health co-benefits has been observed at regional, national and global levels, involving both low- and high-income societies. GHG mitigation actions have mainly been taken in five sectors: energy generation, transport, food and agriculture, household and industry, consistent with the main sources of GHG emissions. GHGs and air pollutants to a large extent stem from the same sources and are inseparable in terms of their atmospheric evolution and effects on ecosystem; thus, GHG reductions are usually, although not always, estimated to have cost effective co-benefits for public health. Some integrated mitigation strategies involving multiple sectors, which tend to create greater health benefits. The pros and cons of different mitigation measures, issues with existing knowledge, priorities for research, and potential policy implications were also discussed. Findings from this study can play a role not only in motivating large GHG emitters to make decisive changes in GHG emissions, but also in facilitating cooperation at international, national and regional levels, to promote GHG mitigation policies that protect public health from climate change and air pollution simultaneously.
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) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,001 |
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.
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 ».