MétaCan
Menu
Retour à la cohorte
Enregistrement W4297237437 · doi:10.3390/su141912043

Energy and Economic Effects of the COVID-19 Pandemic: Evidence from OECD Countries

2022· article· en· W4297237437 sur OpenAlexaboutno aff
Yugang He, Ziqian Zhang

Notice bibliographique

RevueSustainability · 2022
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueCOVID-19 impact on air quality
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésPandemicQuarter (Canadian coin)Consumption (sociology)EconomicsCoronavirus disease 2019 (COVID-19)GlobeEnergy consumptionSample (material)Empirical evidenceOrder (exchange)Development economicsGeographyPsychology

Résumé

récupéré en direct d'OpenAlex

The COVID-19 pandemic has caused disruption to the original order of the global economy and has had an influence on the social and economic growth of countries all over the globe. As a result, the aim of this paper is to explore the consequences of the COVID-19 pandemic on a sample of OECD countries with regard to energy and the economy. For empirical investigation, data from the first quarter of 2010 to the first quarter of 2022 are used, and the system generalized method of moments is applied. The findings reveal that during the COVID-19 pandemic, energy consumption impeded economic growth while economic expansion was the primary driver of energy resource consumption. Furthermore, an examination of heterogeneous effects reveals that economic growth and energy consumption are heterogeneous both before and after the COVID-19 pandemic. To conclude, these findings might provide a contribution to the body of research that has already been undertaken on this subject.

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)0,002
score de la tête « metaresearch » (Gemma)0,003
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 enseignants0,139
Score d'incertitude au seuil0,998

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0020,003
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,001
Communication savante0,0000,000
Science ouverte0,0010,002
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0030,000

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 Opus0,019
Tête enseignante GPT0,306
Écart entre enseignants0,286 · 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

Citations9
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueSustainabilityMême sujetCOVID-19 impact on air qualityTravaux en français237 207