An Empirical Analysis on the Nonlinear Relationship Between Economic Growth and Carbon Dioxide Emissions in China
Notice bibliographique
Résumé
Based on the traditional theory of environmental Kuznets curve (EKC), this paper selects the panel data in 2000-2017 of 30 provincial administrative regions (provinces) in China as objects, and estimates the per capita carbon dioxide (CO2) emissions of each province.On this basis, an EKC econometric model with spatial effect was established, and used to empirically analyze the nonlinear relationship between economic growth and CO2 emissions.The main results are as follows: (1) The provinces differed greatly in per capita CO2 emissions; the per capita CO2 emissions of Inner Mongolia, Ningxia, Shanxi, Tianjin, and Liaoning were relatively high, while those of Hunan, Jiangxi, Guangxi, Sichuan and Hainan were relatively low.(2) In addition to obvious spatial correlation, the per capita CO2 emissions of the provinces have spatial heterogeneity: most provinces belong to cluster areas, but only a few fall in the areas of spatial outliers.(3) The EKC spatial econometric model shows that the economic growth has a significant inverted U relationship with CO2 emissions.In other words, with the growth in economy, the CO2 emissions firstly increase and then decrease.(4) CO2 emissions are clearly promoted by industrial structure, energy consumption structure and environmental regulation, but suppressed by the level of opening.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 source (Gemma direct ou Codex distillé), 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 ».