Achieving energy resilience: The joint role of environmental policy stringency and environmental awareness
Notice bibliographique
Résumé
This paper examines the critical interplay between environmental policy stringency, public environmental awareness, and energy resilience, leveraging a dataset for 32 OECD countries between 2004 and 2020. Further, it explores the channels through which these variables influence energy resilience. Principal component analysis (pca) is adopted to derive the multi-dimensional index of energy resilience based on three pillars, renewable energy, energy access, and energy efficiency. The findings underscore a significant positive relationship between stringent environmental policies, environmental awareness, and energy resilience. Additionally, environmental awareness and environmental policy stringency are shown to exert a positive effect on renewable energy and enhance energy access. Environmental policy stringency is found to have a significant negative impact on energy intensity, i.e. a positive impact on energy efficiency. The results demonstrate that by increasing public environmental awareness and implementing more stringent environmental policies policymakers can improve energy resilience, energy efficiency, and the share of renewable energy. The latter are considered essential elements for the environmental transition emerging as a prominent solution when addressing climate change challenges. • Studies environmental policy stringency, public environmental awareness, and energy resilience • Constructs energy resilience index using three pillars and environmental awareness using Google search data • Higher environmental awareness and more stringent environmental policies increase energy efficiency • Environmental policy stringency and awareness impact renewable energy and energy access • Environmental policy stringency reduces energy intensity and enhances energy efficiency
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) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| 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 ».