The Importance of Green Energy Consumption and Agriculture in Reducing Environmental Degradation: Evidence From Sub-Saharan African Countries
Notice bibliographique
Résumé
In recent period of energy focus countries have paid more consideration to the argumentative topic of green energy in both developed and developing economies. Renewable energy is also called green energy. It is described as the energy that is collected by renewable bases of wind, waves, geothermal, sunlight, heat and rain etc. and gives least harm to the nature and environment. The rapid placing of green energy is providing a noteworthy economic profit, energy security and environment change mitigation. Therefore, this current research investigates the association of green energy consumption with environmental degradation by utilizing panel data of 35 sub-Saharan African countries from 1995 to 2017. Moreover, we utilize the advanced panel techniques to investigate the cross-section independence. We also apply CIPS unit root test, Westerlund (2007) bootstrap cointegration, Panel Pedroni and Kao co-integration, FMOLS, DOLS and heterogeneous panel causality methods. The results confirm that all factors are connected in the long-term period. The outcomes also explain that the green energy utilization has a negative impact on environmental hazards and support to decrease environmental hazards. Likewise, globalization has a positive and significant effect on environmental hazards. Also, the agriculture productions also play a significant and positive impact on environmental degradation. Finally, the heterogeneous panel causality confirms a bi-directional causal relationship between green energy consumption and environmental degradation in all sub-Saharan African countries. This current research offers valuable strategy suggestions for the management and the policymakers.
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 | 0,002 | 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 | 0,000 | 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 | 0,000 |
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 ».