Financial Swing for Well-Being: Jazz Economy and Modelling the Social Return of Sustainable Capital Markets
Notice bibliographique
Résumé
This paper examines how shifts in sustainable capital markets influence societal well-being through the lens of a “Jazz Economy”, highlighting improvisation and adaptability in financial systems while grounding the analysis in empirical modelling. A panel of EUROSTAT indicators for 27 EU member states (2019–2022) was analyzed, including green bond issuance, market capitalization, environmental taxation, social spending, life expectancy, and subjective life satisfaction. Hierarchical clustering grouped these indicators into coherent patterns of “financial swings”, which were then linked to a composite quality-of-life index through an Adaptive Neuro-Fuzzy Inference System (ANFIS), with results benchmarked against linear regression and random forests. The inclusion of time lags between fiscal, financial, and social indicators strengthens the causal interpretation of the results, moving beyond simple correlations. Findings show that higher public environmental protection spending combined with a strong net international investment position consistently predicts greater life satisfaction, whereas income and longevity alone do not guarantee improvements in subjective well-being, reflecting nonlinear interactions among fiscal, financial, and social variables. Robustness checks, including the exclusion of pandemic years, confirm the stability of outcomes. The study concludes that cohesive fiscal–financial strategies, integrating environmental policy and macro-financial resilience, are essential for enhancing quality of life and that sustainable finance can deliver tangible social benefits beyond metaphorical framing.
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) | 0,001 | 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 ».