From Pandemic Shock to Sustainable Recovery: Data-Driven Insights into Global Eco-Productivity Trends During the COVID-19 Era
Notice bibliographique
Résumé
This study evaluates the eco-efficiency and eco-productivity of 141 countries using data-driven analytical frameworks over the period 2018–2023, covering the pre-COVID, COVID, and post-COVID phases. We employ an input-oriented Slack-Based Measure Data Envelopment Analysis (SBM-DEA) under variable returns to scale (VRS), combined with the Malmquist Productivity Index (MPI), to assess both static and dynamic performance. The analysis incorporates three inputs—labor force, gross fixed capital formation, and energy consumption—one desirable output (gross domestic product, GDP), and one undesirable output (CO2 emissions). Eco-efficiency (the joint performance of energy and carbon efficiency) and eco-productivity (labor and capital efficiency) are evaluated to capture complementary dimensions of sustainable performance. The results reveal significant but temporary gains in eco-efficiency during the peak pandemic years (2020–2021), followed by widespread post-crisis reversals, particularly in labor productivity, energy efficiency, and CO2 emission efficiency. These reversals were often linked to institutional and structural barriers, such as rigid labor markets and outdated infrastructure, which limited the translation of technological progress into operational efficiency. The MPI decomposition indicates that, while technological change improved in many countries, efficiency change declined, leading to overall stagnation or regression in eco-productivity for most economies. Regression analysis shows that targeted policy stringency in 2022 was positively associated with eco-productivity, whereas broader restrictions in 2020–2021 were less effective. We conclude with differentiated policy recommendations, emphasizing green technology transfer and institutional capacity building for lower-income countries, and the integration of carbon pricing and innovation incentives for high-income economies.
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 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,004 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».