Drivers of changes in natural resources consumption of Central African countries
Notice bibliographique
Résumé
<abstract> <p>Consumption of nine different natural resources has kept an increasing trend in Central African countries from 1970 to 2018. This study therefore, investigates the changes and major determinants that have driven the patterns of resource use in six Central African countries over almost fifty years. We used the logarithmic mean Divisia index (LMDI) method to quantitatively analyze different effects of technology, affluence and population associated with domestic material consumption (DMC) of Cameroon, Chad, Central African Republic, Equatorial Guinea, Democratic Republic of the Congo and Gabon from 1970 to 2018. We further subdivided the affluence effect into energy productivity (GDP/energy) and per capita energy use (energy/cap) and conducted a four-factor LMDI analysis of Cameroon as a case study. The results highlight that decreased affluence during certain periods has slowed down DMC growth in four of six Central African countries except for Cameroon and Equatorial Guinea, while significant technology offset in Equatorial Guinea reduces DMC growth by 28%. Population remains the main positive driving factor of DMC growth, with the highest share in the Democratic Republic of the Congo. The case of Cameroon shows that technological intensity and energy intensity play different roles in changing DMC. This study confirms that the rising population and economic growth, combined with a gradual improvement in technology in the region are insufficient to reduce natural resource use. A stringent management plan of natural resources for Central African countries should focus on technological improvement while remaining balanced with the future demand for socioeconomic development in the coming decades.</p> </abstract>
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 | 0,000 | 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 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 ».