FACTORS LEADING TO INCREASED CARBON DIOXIDE EMISSIONS OF THE APEC COUNTRIES: THE LMDI DECOMPOSITION ANALYSIS
Notice bibliographique
Résumé
This paper explores the factors that lead to increased carbon dioxide emissions in the 18 countries of the APEC. We apply the LMDI multiplicative decomposing method to 18 countries between 1971 and 2012. We summarize these factors that are as follows: (1) population increase and economic growth play a key role in increased carbon dioxide emissions. (2) All the 18 countries of the APEC have improved their energy efficiency as manifested in the change of energy intensity ([Formula: see text]), which is less than 1 in the 42 years; (3) In terms of energy substitution effect ([Formula: see text]) and fuel coefficient effect ([Formula: see text]), the decomposition results point out that Hong Kong, Indonesia, and Malaysia witnessed growth in [Formula: see text] and [Formula: see text], indicating the only factor to reduce the emissions for these three countries is intensity effect, which gives rise to relatively higher emission for these three countries during the period. In the case of Peru, the Philippines, Singapore, Thailand, and Vietnam, we witnessed increases in [Formula: see text], but decreases in [Formula: see text]; In the case of Australia, Canada, Chile, China, Japan, South Korea, Mexico, New Zealand, Taiwan, and the US, there seem to decrease in [Formula: see text], but increases in [Formula: see text] during the 42-year period.
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 | 0,001 | 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 ».