Assessing the environmental efficiency of OECD countries through the lens of ecological footprint indices
Notice bibliographique
Résumé
<p dir="ltr">Environmental efficiency plays a crucial role in achieving sustainable economic development. This study aims to enhance the current understanding of dynamic environmental efficiency by using Data Envelopment Analysis (DEA) in conjunction with the ecological footprint index. This study evaluates 27 OECD countries' environmental performance from 2000 to 2017, employing net capital stock, labor force, and energy consumption as inputs, ecological footprint as undesirable output, and GDP as desirable output. We utilize 16 window Slack-Based Measurement DEA (SBM-DEA) models, each representing consecutive years within the observation period. Additionally, we adopt the Global Malmquist-Luenberger Index (GMLI) techniques to facilitate a simultaneous evaluation of the efficiency levels for each country. Our findings reveal that the United Kingdom and Lithuania were the most and least ecologically efficient countries among the 27 OECD countries, respectively. Over the 18-year observation period, all countries showed both progress and setbacks in environmental efficiency, with a modest overall improvement. Poland, Denmark, Slovakia, and Lithuania were the most improved countries in environmental performance, while Canada and Japan showed the most significant regressions in environmental efficiency. We highlight the need for policymakers to prioritize sustainable economic growth and consider ecological footprints when making economic decisions to enhance environmental efficiency in OECD countries. Our findings have can guide policymakers in designing effective policies and strategies to enhance environmental efficiency and promote sustainable economic development.</p>
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 | 0,002 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,041 | 0,002 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».