MétaCan
Menu
Retour à la cohorte
Enregistrement W4318217861 · doi:10.1093/oxfordhb/9780192848529.013.18

Comparing Nonrenewable Resources Stocks and Capital Goods

2023· book-chapter· en· W4318217861 sur OpenAlexaff
Johnson Kakeu

Notice bibliographique

RevueOxford University Press eBooks · 2023
Typebook-chapter
Langueen
DomaineEconomics, Econometrics and Finance
ThématiqueClimate Change Policy and Economics
Établissements canadiensUniversity of Prince Edward Island
Organismes subventionnairesnon disponible
Mots-clésNatural capitalNon-renewable resourceEconomicsNatural resourceShadow priceCapital (architecture)Natural resource economicsResource (disambiguation)Public goodCapital goodWelfareRenewable resourceMicroeconomicsMarket economyRenewable energyEcologyEcosystem services

Résumé

récupéré en direct d'OpenAlex

Abstract This chapter shows that from a social welfare perspective non-renewable natural resource stocks are not like capital goods in capital-resource economies. We use shadow pricing for comparing non-renewable natural resource stocks and capital goods. It is shown that from a social welfare perspective, there are situations where the social worth of non-renewable natural resource stocks is greater than the social worth of capital goods. More generally, nonrenewable natural resource stocks are not equivalent to capital goods from a social welfare perspective. Numerical examples on shadow pricing are provided for illustration. Shadow pricing metric and the market pricing metric do not lead to the same conclusion when it comes to comparing natural resource stocks and capital goods. We contribute to the literature that emphasizes the importance of incorporating information on natural resource stocks in optimally managing a country’s public wealth. Public policy recommendations relating to the optimal management of natural resource stocks in Cameroon are discussed.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,003
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Théorique ou conceptuel · Signal consensuel: Théorique ou conceptuel
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,013
Score d'incertitude au seuil0,044

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,003
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0020,003
Études des sciences et des technologies0,0000,001
Communication savante0,0030,003
Science ouverte0,0000,001
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0130,000

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 Opus0,119
Tête enseignante GPT0,211
Écart entre enseignants0,091 · 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 source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeThéorique ou conceptuel
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

Citations0
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueOxford University Press eBooksMême sujetClimate Change Policy and EconomicsTravaux en français237 207