Notice bibliographique
Résumé
Purpose: The purpose of this paper is to measure the implications of the EU’s CBAM for Korea’s GVC exports, since Korea is ranked fifth in GVC participation and is the EU’s major trading partner. Research design, data, and methodology: This paper uses data from the OECD’s “Carbon dioxide emissions embodied in international trade” (TECO2), the IEA-EDGAR CO2, and the OECD’s Trade in Value Added (TiVA). It also uses the total probability formula and Bayes’ theorem to analyze much of the statistical data. Results: The world’s top 10 carbon emitters are China, the U.S.A., Russia, India, Japan, Germany, Canada, Korea, the U.K., and Iran, accounting for 66% of global CO2 emissions between 1990 and 2020. The top 10 CO2 emitters are also ranked highest by their share of GVC participation, with a 22.09% influence on CO2 emissions from GVC trade. China and the U.S.A. affect most of the countries they trade with, including Korea, when it comes to CO2 embodied in intermediate and final GVC goods. Conclusions: China, the U.S.A., Japan, and India are the closest trading partners to Korea under the GVC structure. These four countries, as top CO2 emitters, are highly interconnected with other trading partners, which means damage from the EU CBAM can have ripple effects on their partners, especially Korea. Therefore, Korea needs to develop and apply carbonreducing technology to achieve export competitiveness in response to potential EU CBAM implications.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,004 | 0,002 |
| Science ouverte | 0,000 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 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 source (Gemma direct ou Codex distillé), 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 ».