Blue and Green Water Footprint Assessment for China—A Multi-Region Input–Output Approach
Notice bibliographique
Résumé
Research on blue and green water footprints (WF) for China has typically been carried out based on bottom-up and top-down approach using a single-region input–output table. However, this research typically lacks detail on the sectoral interrelationships which exist between China and its trading partners in other countries/regions of the world. Here, a multi-region input–output approach using the WIOD database was applied to quantify the blue and green WF for China in 2009. The quantification was conducted from both production (WFP) and consumption (WFC) perspectives. The results show that the total WFP for China in 2009 was 1152.2 km3, second only to India. At 1070.9 km3, China had the largest WFC volume in the world. The internal WF was 953.5 km3, taking the substantial share for both the WFC and WFP. Overall, China’s trade resulted in a net export of 53.5 km3 virtual water. In contrast, the agricultural sector resulted in a net import of 70.6 km3 virtual water to China, with United States, Brazil, and Canada acting as major suppliers. This study suggests that quantifying the WF of China at global level through a MRIO framework is a necessary step towards achieving sustainability for China’s water management.
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 | 0,001 | 0,002 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».