EU Trade in CO2 Emissions
Notice bibliographique
Résumé
The European Commission identified trade policy as a core component of the European Union's 2020 Strategy. The fast changing global economy, characterised by the dynamic creation of business opportunities and increasingly complex production chains, means that it is now even more important to fully understand how global value chains affect CO2 emissions. Gathering comprehensive, reliable and comparable information on this is crucial to support evidence-based policymaking.\n\nGuided by that objective, the European Commission's Joint Research Centre (JRC) has produced this publication. It aims to be a valuable tool for trade policymakers.\n\nThe report features a series of indicators to illustrate in detail the EU CO2 emissions dependence on the final demand of each EU Member State, and the CO2 emissions in each Member State depending on the EU final demand. This is done using the World Input-Output Database (WIOD), 2016 release, as the main data source. This information has been complemented with data on CO2 emissions from other sources such as the EU Science Hub of the European Commission (Corsatea et al. 2019). Besides, indicators have been also included to account for the inter-dependence between the EU and other world economies.\n\nIndicators cover the period 2000 - 2014.The geographical breakdown of the data includes the 28 EU Member States, Australia, Brazil, Canada, China, India, Indonesia, Japan, Mexico, Norway, Russia, South Korea, Switzerland, Turkey, Taiwan, the United States of America, and an aggregate “Rest of the World” region.\n\nThe information presented in this pocketbook is complemented with a software tool for analyses of global value chains, trade, income and employment. This tool enables a more detailed analysis of the different indicators related to global value chains and includes additional data management and visualization options.
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 | 0,002 | 0,001 |
| 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 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 ».