From fossil fuels to green growth: rethinking new models through digital innovation, labor force and sustainable investment
Notice bibliographique
Résumé
Over the past three decades, accelerating environmental degradation driven largely by rising carbon emissions has posed serious challenges to global ecological stability. In response, this study investigates the asymmetric and nonlinear effects of key macroeconomic and structural factors on environmentally sustainable growth within the G-7 economies (Canada, France, Germany, Italy, Japan, the United Kingdom, and the United States) from 1990 to 2023. Specifically, it examines the differentiated impacts of fossil fuel consumption, digital economy expansion, labor force participation, gross fixed capital formation, trade openness, and natural resource utilization on green growth. To address slope heterogeneity and cross-sectional dependence across countries, the analysis employs the Augmented Mean Group (AMG) and Common Correlated Effects Mean Group (CCEMG) estimators. Results reveal clear evidence of asymmetric dynamics: positive shocks in digital development, trade openness, capital investment, and labor force participation significantly enhance green growth, whereas increases in fossil fuel consumption and unregulated resource extraction hinder environmental performance. Negative shocks in digital and trade activity, by contrast, exhibit muted or statistically insignificant effects highlighting path dependency and structural inertia in green development processes. To reinforce the reliability of the results, robustness checks were conducted using Fully Modified Ordinary Least Squares (FMOLS) and Dynamic OLS (DOLS) estimators. These alternative approaches confirmed the direction, magnitude, and statistical significance of key relationships, underscoring the validity of the asymmetric modeling approach. The findings carry substantial policy implications: G-7 economies must reduce fossil fuel dependency, foster inclusive digital infrastructure, and align capital and trade policies with long-term environmental goals. The study contributes novel insights into the shock-sensitive nature of green growth transitions, offering a methodological and policy framework relevant to both advanced and emerging 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 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 | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,003 |
| Science ouverte | 0,001 | 0,001 |
| 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 ».