Empirical Analysis on How Financial Development Influences Low-Carbon Economic Gain Efficiency Considering the Panel Data of Yangtze River Economic Corridor
Notice bibliographique
Résumé
This paper establishes an evaluation metric system (EMS) for low-carbon economic gain efficiency (LCEGE) containing the carbon sink element, and measures the LCEGEs in the 11 provincial administrative regions in the Yangtze River Economic Corridor (YREC) of 2000-2017 with the directional distance function (DDF) model. Furthermore, the Tobit model was selected for the empirical analysis on the influence of financial development on LCEGE. The results show that: the provinces in YREC had certain disparities in LCEGE. Most provinces achieved desirable LCEGEs, but a few provinces failed to do so. The LCEGE in the lower part changed little in the target period, while that in the middle part and upper part varied in two phases. Besides, there are obvious differences in the mean LCEGE between the lower part, middle part, and upper part. In the target period, the three parts of the YREC can be ranked as lower part, middle part, and upper part by LCEGE. The results of Tobit model reveal that the LCEGE in the YREC can be greatly promoted by financial scale, and clearly suppressed by financial structure. Among the control variables, foreign direct investment significantly promotes LCEGE; technical innovation, and energy structure significantly suppresses LCEGE; industrial structure and environmental regulation have an insignificant influence on LCEGE.
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 | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| 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) | 0,002 | 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 ».