MétaCan
Menu
Retour à la cohorte
Enregistrement W4392251404 · doi:10.20983/noesis.2024.1.6

Efectos del crecimiento económico en las emisiones de CO2 en América del Norte

2024· article· en· W4392251404 sur OpenAlexaboutno aff
David Mendoza‐Tinoco, Lilian Albornoz Mendoza, Alfonso García

Notice bibliographique

RevueRevista de Ciencias Sociales y Humanidades · 2024
Typearticle
Langueen
DomaineEconomics, Econometrics and Finance
ThématiqueClimate Change Policy and Economics
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésHumanitiesGeographyPolitical scienceArt

Résumé

récupéré en direct d'OpenAlex

This paper examines the heterogeneity in the environmental field, specifically in the emission of the main of the greenhouse gases, CO2, within the 3 countries composing the North American region. On the one hand, the United States is a large emitter of CO2 (19% of global emissions accumulated in 1990-2020), only surpassed by China as of 2005. On the other hand, Canada and Mexico are relatively small emitters on a global scale (1.8% and 1.4% of global emissions accumulated in 1990-2020, respectively), but with large economic and technological differences. Under these conditions, the objective of this research is to find differences and similarities between the three countries regarding CO2 emissions trends and their driving structural factors: scale, technological and composition effects, based on annual data from 2001 to 2014. With a structural decomposition analysis, we found that, in general, the scale effect was polluting and dominating in the period, while the technological effect was anti-polluting, in addition to a small and ambivalent composition effect (positive in some years and negative in others). It is concluded that there is a process of convergence in the intensity of emissions per GDP value and with respect to the three mentioned effects. It is also concluded that the characteristics of the three effects in Mexico were like those of the United States, while Canada approached along the analysis period.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,002
Version: metacan-v3-hybrid-931329e0061cStatut 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 enseignants0,844
Score d'incertitude au seuil0,310

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,002
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,002
Études des sciences et des technologies0,0000,001
Communication savante0,0010,001
Science ouverte0,0000,001
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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 Opus0,097
Tête enseignante GPT0,299
Écart entre enseignants0,202 · 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 source (Gemma direct ou Codex distillé), 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

Citations0
Publié2024
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueRevista de Ciencias Sociales y HumanidadesMême sujetClimate Change Policy and EconomicsTravaux en français237 207