Drivers of an ecological deficit. Analysis of the OECD countries’ ecological deficit
Notice bibliographique
Résumé
The aim of this paper is to research the ecological deficit of 34 OECD countries from 1964 to 2013. Ecological deficit measures the environmental sustainability of human consumption. Ecological Footprint, which has been studied more extensively, measures human impact on the environment. Real GDP, population density, education, the dependency ratio and urbanization are found to have significant effects on ecological deficit. The same factors affect Ecological Footprint, with the exception of population density. When one analyses the relationship between human activity and the environment, focusing solely on the Ecological Footprint may cause some determinants of environmental sustainability to be overlooked. Ecological deficit needs to be considered as well. Perhaps the most remarkable results found are the positive effects on the environment of education and of an increased dependency ratio. Education may stimulate awareness of environmental issues and encourage an intention to improve things. This indicates that education is important not only to human well-being but also to the environment. As the dependency ratio of a nation increases, relatively more inhabitants are children or senior citizens; they consume less than the average adult which decreases demand on the environment. This suggests that the ageing population of developed nations in recent years might be good for the environment. A country comparison of the OECD nations reveals that Canada, Australia and Belgium are the most environmentally sustainable countries when influential factors are held constant. France seems to be the most environmentally friendly of the OECD’s largest economies.
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) | 0,001 | 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 | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,233 | 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 ».