Development of a Factorial Hypothetical Extraction Model for Analyzing Socioeconomic Environmental Effects of Carbon Emission Intensity Reduction
Notice bibliographique
Résumé
China has pledged to peak its carbon emissions before 2030 and achieve the net-zero ambition in the 2060s. Reducing the national carbon emission intensity can help achieve these ambitions effectively. To explore the tradeoff between emission reduction and system health, a factorial hypothetical extraction method has been proposed. It was applied to identify key carbon emission sectors, and further help formulate countermeasures on reducing the national emission intensity. A seven-factor factorial analysis was developed to evaluate the effects of factors (i.e., 7 countermeasures) and the combinations (i.e., 128 scenarios) on responsive variables (i.e., system health). Main effects and interactions for response variables were also detected between these factors. Results show that the most effective combination, i.e., simultaneously enlarging the production scales of agriculture and other services, and lessening those of metallurgy sectors, can help reduce emission intensity by −19.2%. Lessening the production scales of electricity-generation/metallurgy, and enlarging those of wholesale and retailing sectors, can help reduce national emission intensity, while these factors negatively impacted system sustainability and robustness. The mitigation effects of these countermeasures will be weakened if these countermeasures are implemented simultaneously. Enlarging the production scales of leasing and commercial services and other services sectors can help achieve a win-win outcome.
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 ».