Green growth pathway through green innovation and human capital under low and high regime: From the perspective of energy intensity
Notice bibliographique
Résumé
Green growth has recently become an interesting field of research, as the pairing of economic growth and environmental preservation is seen as an urgent need. Despite this importance, few studies have investigated the underlying factor of green growth (GG), especially those relating to green innovation (GI) and human capital (HCI) as catalysts of energy intensity (IE). The current study aims to investigate the repercussions of human facets and the green patents on energy intensity-driven green growth. We use the panel threshold regression (PTR) supported by the Exponential Panel Smooth Regression (EPSR) method spanning the period 1997-2019 to the case of 16 countries which include most and least eco-friendly countries. Our findings disclosed that below a threshold value of the human capabilities, green technological innovation remains without negative effects on EI. Our results also revealed that only the group of most eco-friendly countries (MEFC) is those which benefit from green innovation by moving from a low to high regime of human capital index. The group of least eco-friendly countries (LEFC) cannot benefit from green innovation to foster GG even by translating from low regime to high regime. In addition, human capital exerts an adverse effect on EI in the case of low regime; and therefore, for a low threshold value of the HCI. The outcomes of the present study can clarify the need to implement future action plans in terms of arbitration between the environmental quality in its different forms and savings in terms of energy consumption.
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 ».