Water–energy–food nexus Research: What can it tell us about governance and policy?
Notice bibliographique
Résumé
There has been over a decade of research on the water–energy–food (WEF) nexus, which by definition focuses on improving governance across WEF sectors to address resource scarcity. The purpose of this paper is to identity the extent and types of governance and policy recommendations covered in the WEF studies. The systematic review methodology is used to assess peer-reviewed WEF studies based on the set of inclusion criteria published between 2011 and 2023. Out of 683 paper, 40 papers were selected and assessed their contributions to governance and policy. The results show that the included studies have strongly focused on quantitative representations of the WEF nexus (63 %), but they showed limited attention to specific governance and policy implications (17.5 %). To the extent that governance and policy were considered, the studies were framed around improving engagement with policymakers, academia and communities (32.5 %), improving coordination efforts (27.5 %) and suggesting technological solutions to manage WEF resources (35.0 %). The study concludes that WEF research holds significant potential to contribute to governance and policy development by testing innovative governance mechanisms, informing strategic policy decisions, shaping implementation strategies, and supporting the monitoring of policy outcomes to tackle resource scarcity and advance sustainability. • Objective: To examine how WEF studies contribute to governance and policy recommendations. • A systematic review of 40 peer-reviewed studies (from 683 screened) published (2011–2023). • Most studies (63 %) focused on quantitative modelling, with limited attention (17.5 %) to governance and policy. • Governance was addressed through stakeholder engagement (32.5 %), coordination (27.5 %), and technological solutions (35 %). • WEF research has strong potential to inform governance and policy through innovation, strategy, and impact monitoring .
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 | 0,078 | 0,287 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,002 |
| Méta-épidémiologie (sens large) | 0,005 | 0,005 |
| Bibliométrie | 0,015 | 0,024 |
| Études des sciences et des technologies | 0,002 | 0,008 |
| Communication savante | 0,012 | 0,025 |
| Science ouverte | 0,003 | 0,005 |
| Intégrité de la recherche | 0,006 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,001 |
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 ».