The impact of industrial agglomeration on the synergistic evolution of the energy big data ecosystem: empirical findings from China
Notice bibliographique
Résumé
Whether industrial agglomeration can promote the synergistic evolution of the energy big data ecosystem (EBDE) is important for effectively solving environmental pollution problems, promoting clean technology innovation, and achieving sustainable development of the energy industry. To this end, this paper applies the Harken model to construct EBDE synergy indicators from a synergistic perspective in 30 Chinese provinces from 2014 to 2020. The EBDE core subsystem is the sequential covariate, which plays a decisive factor in the synergistic evolution of EBDE. The synergy value of the system in each province shows a significant upward trend, and the overall synergy condition is significantly improved. On this basis, this paper explores how industrial agglomeration affects the synergistic evolution of the energy big data ecosystem. The results of the econometric study show that industrial agglomeration at the national level contributes to the enhancement of CEBDE. However, the impact of industrial agglomeration on CEBDE varies significantly at the regional level. In the central region, industrial agglomeration can contribute to the enhancement of CEBDE, but in the eastern and western regions, the industrial agglomeration has no significant effect on CEBDE. Finally, based on the study, this paper proposes specific recommendations for improving CEBDE. These results have important implications for the formulation of energy-use policies and the realization of sustainable energy development.
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 | 0,001 | 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 ».