MétaCan
Menu
Retour à la cohorte
Enregistrement W4391969647 · doi:10.3389/fevo.2024.1338742

China contributed to low-carbon development: carbon emission increased but carbon intensity decreased

2024· article· en· W4391969647 sur OpenAlexaff
Chunbo Huang, Xintao Gan, Yunshan Wan, Jin Lin, Jiaxi Teng, Zeyu Li

Notice bibliographique

RevueFrontiers in Ecology and Evolution · 2024
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueEnvironmental Impact and Sustainability
Établissements canadiensUniversité du Québec à Montréal
Organismes subventionnairesMinistry of Land, Infrastructure and Transport
Mots-clésCarbon fibersEnvironmental scienceCarbon cycleEmission intensityIntensity (physics)Greenhouse gasChinaEcologyChemistryMaterials scienceEcosystemGeographyBiologyPhysics

Résumé

récupéré en direct d'OpenAlex

Introduction Population expansion and economic development increased global greenhouse gas emissions, leading to serious environmental degradation. China, the world's largest developing country and promoter of the “Belt and Road Initiative” (BRI), accounts for 28.8% of the world"s total energy carbon emissions. How to reduce energy consumption to achieve the “double carbon” target (i.e., carbon peaking and carbon neutrality) and promote the implementation of Green BRI is still a serious challenge that China needs to face. Methods We evaluated China's carbon emissions using three indicators (i.e., total carbon emission, carbon intensity, and carbon emissions effect), and used spatial analysis to reveal the spatial and temporal trends of China's carbon emissions. In addition, the LMDI model was adopted to explore the driving mechanism of carbon emissions, so as to seek a path that can achieve harmonious economic and environmental development, as well as the “double carbon” target. Results China's total carbon emission increased at a rate of 226.12% from 2000 to 2019, while the carbon intensity decreased at a rate of 48.84%. Carbon emission showed a trend of increasing and then decreasing from southwest to northeast. From 2000 to 2019, the total carbon emission, Gross Domestic Product (GDP), population size and total energy consumption are growing in synergy. Economic and population effects are positively related to carbon emissions, while technology effects are negatively related to it, indicating technological innovations contribute to the reduction of carbon emissions. Discussion Some suggestions were proposed to control carbon emissions with a view to helping policy makers to formulate relevant policies. The findings provide a scientific basis and reference for the country to achieve the “double carbon” target and the low-carbon sustainable development of BRI.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,032
Score d'incertitude au seuil0,892

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,003
Tête enseignante GPT0,193
Écart entre enseignants0,190 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations18
Publié2024
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueFrontiers in Ecology and EvolutionMême sujetEnvironmental Impact and SustainabilityTravaux en français237 207