How Are Energy-Related R&D Investments Effective on Environment-Related Patents? Empirical Evidence from the USA and Canada
Notice bibliographique
Résumé
All related economic actors have been interested in combating climate change as consistent with developing interest in environmental issues. In this context, R&D investment funds can be highly beneficial in developing environmental patents, which may have a key role in solving environmental problems. Accordingly, the study analyzes the marginal effect of sub-types of R&D investments on environment-related patents by focusing on the USA and Canada as the leading R&D investing countries, using data between 1990 and 2021, and adopting a kernel-based regularized least squares (KRLS) model. The results show that on the patents (i) R&D investments in cross-cutting technologies/research, nuclear, and renewable have a stimulating effect in the USA; (ii) R&D investments in renewable support the increase in Canada; (iii) in both USA and Canada, R&D investments in fossil fuels have a decreasing effect, whereas R&D investments in energy efficiency have no significant effect; (iv) Among all, R&D investments in cross cutting technologies/research (renewable) have the highest increasing effect on the patents in USA (Canada); (v) marginal effect of the sub-types of R&D investments on the patents varies across factors, countries, and percentiles; (vi) the KRLS model has a high prediction performance, reaching ~97.1%. Overall, the study emphasizes the average and pointwise marginal effects of R&D investments on the patents, which imply that R&D investments should be re-distributed by considering their effects on the patents so that a successful policy on environmental patents can be designed by benefitting energy-related R&D investments.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,015 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 source (Gemma direct ou Codex distillé), 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 ».