Red versus blue states: Inequality in energy-related CO2 emissions in the United States (1997–2021)
Notice bibliographique
Résumé
The partisan divide over climate change issues in the U.S. has been increasing over time, particularly after the signing of the Kyoto protocol in 1997. This divide has posed a substantial hurdle to implementing a unified climate policy in the U.S. In this paper, I employ the Shapley value decomposition approach to measure the partisan gap in state-level per capita energy-related CO2 emissions. Despite a decrease in overall carbon emissions and stable per capita carbon inequality between states (measured by the Gini index), the inequality between the so called ‘red’ and ‘blue’ states widened over the period between 1997 and 2021. This is true regardless of whether each state is treated as a unit of analysis or assigned a weight equal to its population. Throughout the period, the divide by political party color was more pronounced than that by many other dimensions, such as income, climatic condition, and geographic location. These results also hold true when Mean Log Deviation is used as the measure of inequality. Driven primarily by disparity in transportation sector and coal use for electricity generation, the partisan gap was worse in 2021 than in 2020. While the partisan gap intensified, the carbon distribution changed from being top-concentrated to bottom-concentrated between 1997 and 2019, only to be reversed in the aftermath of the coronavirus pandemic in 2020 and subsequent economic recovery in 2021.
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 | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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 | 0,001 |
| 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 ».