The Construction and Empirical Study on Evaluation Index System of International Low-Carbon Economy Development
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Global climate change has become one of the core issues of world governance. Many countries have put forward the goal of carbon neutrality one after another, leading to the intensification of international low-carbon economy competition. To assess the current low-carbon competitiveness among countries, this article constructs an evaluation index system of international low-carbon economy development, and obtains the scores and rankings of countries in energy, society, economy and environment, as well as overall. Taking 20 countries with the highest carbon emissions in the world in 2019 as samples, starting from the concept of low-carbon economy and five evaluation principles, this article selects 40 low-carbon evaluation indicators from five aspects, including economy, society, science and technology, environment, and energy structure. By using the principal component factor analysis method to calculate and test, the four factors, energy factor, society factor, economy factor, and environment factor, are finally extracted to construct the evaluation index system. Results show that South Korea, France, China, Canada, and Germany are among the world’s top five low-carbon economies. The overall competitiveness of China’s low-carbon economy is in a relatively favorable position (3 rd overall), with the most outstanding performance in terms of economic strength (1 st ), but poor performance in terms of social development (9 th ) and environmental carrying capacity (9 th ), and the biggest disadvantage in terms of energy structure (13th).
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.
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 | 0,003 | 0,000 |
| 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 | 0,000 | 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 découle