MétaCan
Menu
Retour à la cohorte
Enregistrement W3028822835 · doi:10.1177/0015732520920769

The Drivers of Greenhouse Gas Emissions Intensity Improvements in Major Economies: Analysis of Trends 1995–2009

2020· article· en· W3028822835 sur OpenAlexaffabout
Madanmohan Ghosh, Deming Luo, Muhammad Shahid Siddiqui, Thomas F. Rutherford, Yunfa Zhu

Notice bibliographique

RevueForeign Trade Review · 2020
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueEnvironmental Impact and Sustainability
Établissements canadiensStatistics CanadaEnvironment and Climate Change Canada
Organismes subventionnairesnon disponible
Mots-clésGreenhouse gasConsumption (sociology)Production (economics)EconomicsEnvironmental scienceNatural resource economicsEmission intensityAgricultural economicsMacroeconomics

Résumé

récupéré en direct d'OpenAlex

This article analyses the trends in greenhouse gas (GHG) emissions intensity over the period 1995–2009 in a mix of developing and developed economies that account for almost two-thirds of global emissions. From the accounting point of view, it distinguishes between the production-based emissions (PBEs) and consumption or demand-based emissions (DBEs). Several studies find that while PBEs in many developed economies during the last decades have stabilised, the DBEs are on the rise. Understanding the relative influence of various factors that have shaped the different patterns of emissions growth can provide us with important policy insights for controlling GHG emissions. The article undertakes a decomposition exercise to understand the variations/fluctuations in both PBEs and DBEs intensities due to changes in technology and changes in economic structure (i.e., composition of aggregate production and final consumption). The main findings of this article are that, over the period 1995–2009, technological change has been the key driver of emissions intensity improvements in both PBEs and DBEs. Emissions intensity improvements in consumption activities have been slower than production, particularly in EU 27. Structural changes or changes in the composition of aggregate production and demand have relatively smaller contribution in overall intensity improvement. Structural shifts in the economy have somewhat negatively contributed to emissions intensity improvements in Canada and China. In India, structural shifts in both production and consumption activities have contributed significantly to emissions intensity improvements. When taking account of trade, changes in the sources of imports have worked against overall emissions intensity improvements, particularly in the developed economies of Canada, European Union (EU 27) and USA, where imports from relatively emissions intensive sources have increased during the period. JEL: D58, Q56, O13

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesCharge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,152
Score d'incertitude au seuil0,999

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,016
Tête enseignante GPT0,251
Écart entre enseignants0,234 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations2
Publié2020
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueForeign Trade ReviewMême sujetEnvironmental Impact and SustainabilityTravaux en français237 207