From central directives to local actions: The effect of China's climate policy on urban diversification of green technologies
Notice bibliographique
Résumé
The low-carbon city pilot (LCCP) policy in China, combining central government design with local government action, aims to foster green innovation and improve climate outcomes. This study evaluates the policy's effect on green technological diversification in pilot cities, with attention to characteristics of local technological portfolios and selection modes of pilot cities. Our findings reveal that the LCCP policy, rather than technological relatedness, plays the dominant role in driving the entry of low-quality green technologies. Specifically, this policy enhances the related diversification of low-quality green technologies and, more importantly, encourages their unrelated diversification, the latter of which drives path-breaking development in pilot cities. Interaction analysis shows that the policy's effect on unrelated diversification is amplified in cities with higher economic levels, whereas city size has no influence. When considering differences in pilot selection modes, the policy's effect on unrelated diversification is valid only in cities selected through local government self-declaration. Conversely, in cities directly designated by the central government, the policy fails to encourage unrelated diversification and even hinders the related diversification of high-quality green technologies. • We study the effect of China's climate policy on urban diversification of green technologies • The policy's effect on unrelated diversification is amplified in cities with higher economic levels, whereas city size has no influence • The policy's effect on unrelated diversification is valid only in cities selected through local government self-declaration
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 ».