Mapping Water, Energy and Carbon Footprints Along Urban Agglomeration Supply Chains
Notice bibliographique
Résumé
Abstract China's urban population will increase by 268 million from 2010 to 2030, with the consumption of a large number of resource‐intensive products. Quantitative analysis of the environmental impacts (water, energy and carbon) of urban agglomerations can make trade‐offs among water conservation, energy use, climate change mitigation, and urban development. In this study, a multi‐layer water‐energy‐carbon production path analysis (MWPPA) model is developed for identifying the key final demands, sectors and supply chain paths of the Pearl River Delta urban agglomeration (PUA). Results show that, water, energy and carbon‐emission intensities respectively reduced by 27.3%, 35.6% and 27.6% in 2015, compared to the levels in 2012. More than half of the water‐energy‐carbon (WEC) footprints are export‐driven, where Guangzhou, Shenzhen and Foshan dominate the WEC footprints of PUA. Results also disclose that Shenzhen is the main recipient of water‐energy, while Jiangmen and Huizhou are the main providers of water and energy, respectively. Policy makers are suggested that each industry actively integrate into global value chains in order to leverage its comparative advantage, and Huizhou should take full advantage of its fossil base to form a complete industry chain from the R&D end to the production end around the energy industry.
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 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 | 0,000 | 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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».