MétaCan
Menu
Retour à la cohorte
Enregistrement W2919005432 · doi:10.3390/en12183575

Economic Impact of Energy Consumption Change Caused by Global Warming

2019· article· en· W2919005432 sur OpenAlexaff
Péter Lang, K. J. Gregory

Notice bibliographique

RevueEnergies · 2019
Typearticle
Langueen
DomaineEnergy
ThématiqueEnergy, Environment, and Transportation Policies
Établissements canadiensAssociation of Professional Engineers and Geoscientists of Manitoba
Organismes subventionnairesUniversity of Warwick
Mots-clésGlobal warmingEnergy consumptionEconomicsNatural resource economicsClimate changeEconomic impact analysisConsumption (sociology)Greenhouse gasEmpirical researchEnvironmental scienceEconometricsStatisticsMathematicsEngineeringMicroeconomicsEcology

Résumé

récupéré en direct d'OpenAlex

This paper tests the validity of the FUND model’s energy impact functions, and the hypothesis that global warming of 2 °C or more above pre-industrial times would negatively impact the global economy. Empirical data of energy expenditure and average temperatures of the US states and census divisions are compared with projections using the energy impact functions with non-temperature drivers held constant at their 2010 values. The empirical data indicates that energy expenditure decreases as temperatures increase, suggesting that global warming, by itself, may reduce US energy expenditure and thereby have a positive impact on US economic growth. These findings are then compared with FUND energy impact projections for the world at 3 °C of global warming from 2000. The comparisons suggest that warming, by itself, may reduce global energy consumption. If these findings are correct, and if FUND projections for the non-energy impact sectors are valid, 3 °C of global warming from 2000 would increase global economic growth. In this case, the hypothesis is false and policies to reduce global warming are detrimental to the global economy. We recommend the FUND energy impact functions be modified and recalibrated against best available empirical data. Our analysis and conclusions warrant further investigation.

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)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesCharge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,498
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
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)0,0010,000

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 Opus0,016
Tête enseignante GPT0,258
Écart entre enseignants0,242 · 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.

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

Citations9
Publié2019
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueEnergiesMême sujetEnergy, Environment, and Transportation PoliciesTravaux en français237 207