Reshaping regional carbon productivity in the Pearl River Delta megaregion: Input-output-based multi-objective optimization to explore low-carbon industrial transitions
Notice bibliographique
Résumé
The Pearl River Delta (PRD) megaregion has emerged as China's foremost polycentric area. The region strives to lead China's transition to industrial low-carbon reorientation. Achieving this goal necessitates cross-sectoral strategic development solutions that consider the intricate interconnections between cities within the region. In this study, we developed a novel MRIO-based multi-objective optimization framework to address the challenge of reshaping the region's carbon productivity. This framework explores the optimal planning pathways for multi-city industrial restructuring to achieve a more efficient regional low-carbon transition. Our findings suggest that reshaping the regional industrial structure would propel economic prosperity across all affiliated cities, with advanced manufacturing and modern service sectors having the potential to contribute over 75 % of the region's GDP by 2035. The industrial restructuring would present opportunities for attaining the goal of reaching peak carbon emissions by 2030 and peak energy consumption by 2035 with higher production efficiency. Our study provides valuable insights into the development of industrial restructuring and decarbonization pathways for the PRD and other megaregions. • A novel MRIO-based multi-objective optimization framework is developed. • This framework explores productivity-driven industrial restructuring within the PRD cities. • Reshaping carbon productivity enhances an efficient low-carbon transition. • Promoting industrial restructuring contributes to achieving peak carbon emissions by 2030.
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 | 0,001 |
| 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 ».