Measuring food‐energy‐water nexus footprint using a systematic input–output approach: A case study of Pune district
Notice bibliographique
Résumé
Abstract The advent of climate change with the recognition of interlinkages between Food‐Energy‐Water (FEW) resource security has brought forth a renewed emphasis on ascertaining the FEW footprints of varied policy interventions. The nexus approach through an IO framework explores the interplays and synergies between sectoral flows and their FEW footprints. India is currently undergoing great transformations under policy interventions on both the economic and environmental front. The country has been attracting investments to expand its manufacturing base, while also aiming to transition into a greener economy. The district of Pune has a balanced and diversified economic profile, spread across manufacturing, as well as knowledge‐based tertiary sectors. However, rapid urbanization has put an undue burden on its FEW resources, challenging urban sustainability. Hence cohesive strategies are of priority to ensure sustainable and equitable development. Toward this end, the current study presents the first‐ever district‐level economy‐wide FEW nexus study in India. Results indicate that the most resource‐intensive sectors in Pune district include the food processing sector, motor vehicles, and electrical engineering and instruments. Based on this comprehensive footprint analysis, priority sectors are identified to pursue sector‐wise efficiency analysis.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,002 |
| 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 ».