Investing in nature can improve equity and economic returns
Notice bibliographique
Résumé
Sustainable development requires jointly achieving economic development to raise standards of living and environmental sustainability to secure these gains for the long run. Here, we develop a local-to-global, and global-to-local, earth-economy model that integrates the Global Trade Analysis Project (GTAP)-computable general equilibrium model of the economy with the Integrated Valuation of Ecosystem Services and Tradeoffs (InVEST) model of fine-scale, spatially explicit ecosystem services. The integrated model, GTAP-InVEST, jointly determines land use, environmental conditions, ecosystem services, market prices, supply and demand across economic sectors, trade across regions, and aggregate performance metrics like GDP. We use the integrated model to analyze the contribution of investing in nature for economic prosperity, accounting for the impact of four important ecosystem services (pollination, timber provision, marine fisheries, and carbon sequestration). We show that investments in nature result in large improvements relative to a business-as-usual path, accruing annual gains of $100 to $350 billion (2014 USD) with the largest percentage gains in the lowest-income countries. Our estimates include only a small subset of ecosystem services and could be far higher with inclusion of more ecosystem services, incorporation of ecological tipping points, and reduction in substitutability that limits economic adjustments to declines in natural capital. Our analysis highlights the need for improved environmental-economic modeling and the vital importance of integrating environmental information firmly into economic analysis and policy. The benefits of doing so are potentially very large, with the greatest percentage benefits accruing to inhabitants of the poorest countries.
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 | 0,002 | 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 ».