Calculating inter-sectoral carbon flows of a mining sector via hypothetical extraction method
Notice bibliographique
Résumé
Mining is among the oldest industries. It is the primary source of raw materials for most of the sectors. Little is known about the complex inter-sectoral carbon linkages of the mining industry. In this work, we estimate the inter- and intra-sectoral carbon linkage impacts of the mining sector across ten major economies by applying an input-output model, and the hypothetical extraction method and its modified version. The hypothetical extraction method removes an industrial block from an economic system, and afterwards, it makes a comparison between the before and after removal values. China with 195.47 Mt has the highest mining emissions, followed by USA, India, and Canada with 110.99 Mt, 108.79 Mt, and 76.92 Mt, respectively. The India’s mining sector with 26.33 t/104 $ is the most carbon-intensive, followed by Japan and Canada with 6.84 t/104 $ and 5.22 t/104 $, respectively. China’s carbon emissions with -11.56% and -11.28%, respectively, have been affected the most by the total extraction of mining sector and forward carbon linkages, while for the backward carbon linkage, Canada with -1.33% has been affected the most. Canada has the highest mixed and internal emissions of 0.42 Mt and 47.88 Mt, respectively. However, China has the highest net-backward and net-forward emissions of 16.91 Mt and 189.22 Mt, respectively. For all nations, the mining sector is a net exporter of emissions to other industries. Based on the numerical findings, in this work, we discuss the mitigation measures for both the direct and indirect mining emissions.
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 | 0,000 | 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) | 0,001 | 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 ».