Multiplicative Structural Decomposition Analysis of Spatial Differences in Energy Intensity among G20 Countries
Notice bibliographique
Résumé
Comparing the spatial differences in the energy intensity of the Group of Twenty (G20) countries and identifying the factors that influence these differences can help the G20 countries formulate targeted policies to achieve energy conservation goals. This study analyzes the spatial differences in the G20 countries’ energy intensity at the aggregate and sectoral levels based on an input–output framework and reveals its driving factors by employing multiplicative structural decomposition analysis, obtaining the sectoral energy intensity, input structure, and final demand structure effects. The results show that: (1) the gap in aggregate energy intensity among the G20 countries tended to converge from 2000 to 2014 with the reducing energy intensity in Russia, India, China, and South Korea having great potential to reduce global energy consumption and improve global energy efficiency; (2) in 2014, the main driving forces for above-average energy intensity was the sectoral energy intensity effect in India, South Korea, and Canada, the input structure effect in Russia and China, and the final demand structure effect in Indonesia; (3) using the average of the G20 countries as a reference, the energy reduction potential of China, Russia, India, South Korea, Indonesia, and Canada is 62.75, 31.94, 21.24, 7.67, 1.47, and 0.81 exajoules (EJ), respectively. The embodied energy consumption decline in these countries was equivalent to 21.78% of the G20’s total energy consumption in 2014; and (4) the most important factor of the high embodied energy intensity of key sectors in India and South Korea is the sectoral energy intensity effect, while for Russia and China, it is the input structure effect.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,002 |
| 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 ».