Improved sustainability assessment of the G20’s supply chains of materials, fuels, and food
Notice bibliographique
Résumé
Abstract Transparency in global value chains of materials, fuels, and food is critical for the implementation of sustainability policies. Such policies should be led by the G20, who represent more than 80% of global material, fuel, and food consumption. Multi-regional input–output analysis plays an important role for consumption-based assessment, including supply chains and their environmental impacts. However, previous accounting schemes were unable to fully assess the impacts of materials, fuels, and food. To close this gap, we provide an improved method to map key aspects of sustainability along value chains of materials, fuels, and food. The results show that the rise in global coal-related greenhouse gas (GHG) emissions between 1995 and 2015 was driven by the G20’s metals and construction materials industry. In 2015, the G20 accounted for 96% of global coal-related GHG emissions, of which almost half was from the extraction and processing of metals and construction materials in China and India. Major drivers include China’s rising infrastructure and exports of metals embodied in machinery, transport, and electronics consumed by other G20 members. In 2015, the vast majority (70%–95%) of the GHG emissions of metals consumed by the EU, USA, Canada, Australia, and other G20 members were emitted abroad, mostly in China. In contrast, hotspots in the impact displacement of water stress, land-use related biodiversity loss, and low-paid workforce involve the G20’s food imports from non-G20 members. Particularly high-income members have contributed to the G20’s rising environmental footprints by their increasing demand for materials, food, and fuels extracted and processed in lower-income regions with less strict environmental policies, higher water stress, and more biodiversity loss. Our results underline the G20’s importance of switching to renewable energy, substituting high-impact materials, improving supply chains, and using site-specific competitive advantages to reduce impacts on water and ecosystems.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,003 | 0,005 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,000 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».