Environmental Kuznets Curve Hypothesis on CO2 Emissions: Evidence for China
Notice bibliographique
Résumé
China is the largest CO2 emitter in the world, and it shared 28% of the global CO2 emissions in 2017. According to the Paris Agreement, it is estimated that China’s CO2 emissions will reach its peak by 2030. However, whether or not the CO2 emissions in China will rise again from its peak is still unknown. If the emission level continues to increase, the Chinese policymakers might have to introduce a severe CO2 reduction policy. The aim of this paper is to conduct an empirical analysis on the long-standing relationship between CO2 emissions and income while controlling energy consumption, trade openness, and urbanization. The autoregressive distributed lag (ARDL) model and the bounds test were adopted in evaluating the validity of the Environmental Kuznets Curve (EKC) hypothesis. The quantile regression was also used as an inference approach. The study reveals two major findings: first, instead of the conventional U-shaped EKC hypothesis, there is the N-shaped relationship between CO2 emissions and real gross domestic product (GDP) per capita in the long run. Second, a positive effect of energy consumption and a negative effect of urbanization on CO2 emissions, in the long run, are also estimated. Quantitatively, if energy consumption rises by 1%, then CO2 emissions will increase by 0.9% in the long run. Therefore, the findings suggest that a breakthrough, in terms of policymaking and energy innovation under China’s specific socioeconomic and political circumstances, are required for future decades.
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 | 0,005 | 0,023 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,002 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,004 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,009 | 0,001 |
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 ».