ESG mapping of the Australian mining sector – The state of play on mobilising spatial datasets for decision making
Notice bibliographique
Résumé
The global energy transition will drive increased demand for a broad range of mined minerals. Australia is well positioned to support the global energy transition, given its mature mining sector and rich and diverse mineral resources. The potential growth in the mining sector represents an economic opportunity, however, navigating the associated environmental, social, and governance (ESG) risks remains a challenge. A step towards improved ESG credentials across the Australian mining sector is for mine developers, regulators, communities, investors and other industry stakeholders to be capable of integrating diverse types of ESG data into decision-making processes. This paper establishes the foundations for applying ESG mapping, a research technique that mobilises spatial data to analyse and compare extractive locations in terms of factors relevant to mining and exploration, at the scale of Australia. To do so, the paper first critically reviews 33 spatial ESG datasets available at national scale across six main themes: people, land uses, water resources, extreme events, nature conservation, and governance. The paper then provides two proof-of-concept applications of ESG mapping to the Australian mining context and draws on these preliminary applications to propose a program of research aiming to fully utilise this technique to inform decision makers. • ESG mapping analyses and compares extractive locations across large scales. • The paper critically reviews 33 spatial ESG datasets available at the scale of Australia. • It identifies steps to using ESG mapping as a decision-support tool and provides two proof-of-concept applications. • One application tests the overlap between land tenure and mining project delays. • The second application aggregates ESG datasets into a composite measure of vulnerability.
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 | 0,000 |
| 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 ».