MétaCan
Menu
Retour à la cohorte
Enregistrement W3210069258 · doi:10.3390/en14217277

Impacts of Environmental Agreements on Bilateral Trade of Climate Industry

2021· article· en· W3210069258 sur OpenAlexaboutno aff
Sung Jin Kang, Sun Lee

Notice bibliographique

RevueEnergies · 2021
Typearticle
Langueen
DomaineEconomics, Econometrics and Finance
ThématiqueEnergy, Environment, Economic Growth
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésKyoto ProtocolInternational tradeClimate changeBilateral tradeInternational economicsEconomicsBusinessPolitical scienceEcology

Résumé

récupéré en direct d'OpenAlex

We investigated the effect of agreements related to climate change on bilateral trade, using the Poisson pseudo-maximum likelihood (PPML) estimator on a large dataset that requires computing high-dimensional fixed effects. This study develops the concordance between commodities based on harmonized systems (HS) and technologies defined by both international and cooperative patent classifications (IPC/CPC). Using the OECD ENV-TECH classification, covering 169 exporting countries and 179 importing countries worldwide from 1991 to 2019, we determined the relationship between HS commodities and IPC/CPC climate change technologies. The main findings show that, first, the Kyoto Protocol has increased international bilateral trade in the climate change industry, while the Montreal Protocol has led to the opposite effect. In addition, the impact of environmental stringency on international bilateral trade in climate-related industries was negative and significant, refuting the Porter Hypothesis. This result was consistent within the trade between the convention countries. Therefore, national and industrial perspectives are relative, and voluntary climate mitigation methods should be applied, considering the areas where carbon reduction is relatively difficult. In other words, the conventions and policies must shift to a global paradigm in environmental protection and a more inclusive approach, with recognition of diversity in governance types.

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 enseignants0,157
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
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 Opus0,017
Tête enseignante GPT0,200
Écart entre enseignants0,182 · 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

Citations6
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueEnergiesMême sujetEnergy, Environment, Economic GrowthTravaux en français237 207