Sectoral investments to achieve water, energy and land SDG under climate change uncertainty
Notice bibliographique
Résumé
Abstract Achieving the sustainable development goals (SDGs) requires a deep understanding of the intricate relationships between water, energy, food, and land resources, particularly in the context of a growing global population and climate change. Previous studies have either explored individual SDG investment needs or analyzed climate impacts independently, but few have integrated these aspects across multiple sectors. This paper addresses this gap by exploring how climate impacts alter investment needs for key SDGs related to water, energy, and food security, using the MESSAGEix-GLOBIOM-Nexus model to analyze optimal multi-sector investment strategies. By comparing scenarios with and without SDG targets and climate impacts based on radiative concentration pathway 6.0 forcing, and across different water availability assumptions, we identify regions with the highest uncertainties in development costs due to climate change. Developing countries in Asia and sub-Saharan Africa will need to increase their spending by 10%–30%, compared to current trends, to meet their SDGs for water. Climate-related uncertainties lead to a spread in investment needs of 30% in the water sector and 5% in the energy sector in the most affected regions, amounting to billions of dollars. Our findings show that cross-sectoral policies, such as those aimed at reducing food waste and improving nutrition, can yield significant cost savings by reducing water demand, especially in water-scarce regions such as South Asia. The study also highlights the importance of considering long-term costs and uncertainties to maintain the standards of SDG targets throughout the century, with large variations in expected investment requirements in Asia under climate change scenarios after 2040. The study provides a framework for understanding the economic implications of climate impacts on SDG achievement and highlights the need for dedicated financing strategies that incorporate resilience in development finance.
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 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».