The impact of mine ownership on trade of metal ores
Notice bibliographique
Résumé
Metals are essential to the global economy, yet traditional criticality assessments, often based solely on the geographic concentration of mining production, overlook the corporate control dimension of risk. Here, we analyzed whether ownership structures affect trade patterns in critical minerals and examined how production and corporate control diverged from 2000 to 2022. We developed a comprehensive country-level dataset using S&P Capital IQ Pro for 12 key metals and metal ores, calculated Herfindahl–Hirschman indices (HHI) for production and ownership, and statistically tested the relationship between foreign mine ownership and international trade flows using logistic and fixed-effects regressions. Finally, we built scenarios for production and ownership in 2030 to match demand estimates from the International Energy Agency (IEA). Results showed only 2%–14% of global ore trade value overlaping with existing foreign ownership ties and no statistically significant relationship between foreign mine ownership and trade flows. Additionally, clear divergences emerged between ownership and production concentration: cobalt production was highly geographically concentrated (HHI of 4602 in 2022) but had dispersed corporate ownership (HHI of 1985), and high-income countries frequently held substantial ownership stakes despite declining shares of actual production. Projected scenarios indicated continued shifts, notably reduced cobalt and lithium production shares in traditional producer countries, offset by growing Canadian and Australian ownership. Although market dynamics do not appear to be influenced by ownership structures today, corporate control remains a potential lever for supply chain disruption. This underscores the need to incorporate ownership into criticality assessments for a more comprehensive understanding of supply risks.
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 ».