CO <sub>2</sub> emission efficiency evaluation and improvement from the perspective of non-uniqueness of equilibrium efficient frontier: evidence from China
Notice bibliographique
Résumé
Accurately evaluating CO2 emission efficiency is crucial for capturing regional carbon emission levels and formulating effective reduction policies. Existing studies have typically analyzed CO2 emission efficiency under a single equilibrium efficient frontier (EEF). In this study, we propose an improved generalized EEF data envelopment analysis (GEEFDEA) method to explore CO2 emission efficiency across all feasible EEFs and propose targeted efficiency improvement paths. The improved GEEFDEA approach addresses the nonuniqueness of the resulting EEF in prior studies and strengthens the reliability and robustness of results. Additionally, it provides rich evaluation information and guarantees comprehensive conclusions. The empirical application of 30 provincial regions in China for 2022 indicate that: (1) In nearly half of the provinces, the maximum CO2 emission efficiency is below 1, with eastern provinces performing better; (2) The carbon efficiency and rank of each province vary across different EEFs, underscoring the importance of considering all EEFs; (3) Provinces can achieve their best rank either by making substantial CO2 emission adjustments in one step or through gradual changes, depending on its practical production. The findings of this paper provide a robust theoretical and empirical foundation for accurately measuring and improving CO2 emission efficiency.
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 | 0,004 | 0,001 |
| 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 | 0,001 |
| 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 ».