Assessing the asymmetric effects of clean and dirty energy budgets on load capacity factor: Evidence from top investing countries
Notice bibliographique
Résumé
This study examines the relationship between national research, development, and demonstration (RD&D) budgets - both in total and split into clean and fossil categories - and environmental quality, as measured by the Load Capacity Factor (LCF). The analysis covers eight advanced economies from January 1990 to December 2023 and applies a kernel-based quantile method designed to capture non-linear and heterogeneous effects. The results indicate that the link between energy budgets and environmental outcomes is not uniform across countries or quantiles. Moreover, aggregate and clean energy budgets show consistent positive impacts in Germany, the United States, and Sweden, particularly at higher levels of technological maturity and environmental performance, which supports the presence of threshold effects. On the other hand, France and Norway exhibit weak or negative associations, which are likely explained by energy system saturation or misaligned RD&D strategies. Meanwhile, dirty energy budgets produce limited benefits, with some short-term improvements at low environmental performance levels in Canada and Australia. Therefore, clean energy budgets are more likely to generate reliable gains, especially in countries with strong innovation capacity and supporting infrastructure. However, mixed results are found in Japan, France, and Sweden. Based on these findings, RD&D policies should be context-specific and aligned with the maturity of energy systems, the level of innovation, and prevailing environmental conditions. Instead of uniformly increasing RD&D budgets, policymakers in leading investor countries should focus on targeted allocations to clean energy, supported by enabling infrastructure and appropriate regulatory frameworks, in order to maximize environmental gains.
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 | 0,007 | 0,021 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,002 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».