Dynamic correlations of renewable-energy companies: Evidence from a multilayer network model
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Against the background of seeking to achieve carbon neutrality, relationships among renewable-energy companies around the world have become multiple and complex. In this work, the Pearson, Kendall, tail, and partial correlation coefficients were applied to 51 global companies—including solar and wind firms, independent power plants, and utilities—to explore the linear, nonlinear, extreme-risk, and direct relations between them. Sample data from 7 August 2015 to 6 August 2021 were considered, and three sub-periods were extracted from these sample data by analysis of the evolution of multiple correlations combined with event analysis. A four-layer correlation network model was then constructed. The main results are as follows. (1) The multiple relations among the selected firms underwent dramatic changes during two external shocks (the China–US trade war and the COVID-19 pandemic). (2) The extreme-risk network layer verified that the trade war mainly affected the relationships among companies in the solar industries of China and the US. (3) During the COVID-19 pandemic period, the linear and direct relationships among wind firms from Canada, Spain, and Germany were significantly increased. In this sub-period, edge-weight distributions of the four different layers were heterogeneous and varied from power-law features to Gaussian distributions. (4) During all the sub-periods, most companies had similar numbers of neighbors, while the numbers of neighbors of a few companies varied greatly in the four different layers. These findings provide a useful reference for stakeholders and may help them understand the connectedness and evolution of global renewable-energy markets.
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.
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 | 0,003 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 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 découle