Analysis of the Economic Ripple Effect of the United States on the World due to Future Climate Change
Notice bibliographique
Résumé
Abstract Solomon Hsiang's study, which was recently published in Science, has caused extensive discussion by indicating that future climate change may exert influences on the agricultural yield, labor supply, and energy demand, among others of the United States. Based on the above study, we use an optimized input‐output model to evaluate the economic ripple effect (ERE) of the United States on the world due to climate change under Representative Concentration Pathway 4.5 with different increases in the annual mean temperature (AMT; 1, 1.5, and 2°C) between 2020 and 2100. The results show that if a loss of gross domestic product of 0.88% occurs with a 1°C AMT increase in the United States, the ERE of approximately 0.12% will be generated onto the global gross domestic product; with a 2°C increase, the ERE will triple. The time variation trend of the ERE conforms to the future variations in AMT. The degree of this effect on other regions of the world is closely related to the trade links between the United States and economic aggregates. Among these regions, Canada shows the greatest impact, followed by China. The ERE that China suffers may increase by 4.5 times as the AMT in the United States increases from 1 to 2°C. In cold regions, the benefit from global warming will decrease due to the ERE from other regions, which will inhibit their economic development. This paper aims to provide new perspectives and data‐based support for regions around the world to cope with climate change and to develop policies by studying the ERE behind international trade.
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 | 0,000 | 0,001 |
| 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) | 0,001 | 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; 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 ».