Towards an equitable transition: Renewable energy effect on educational outcomes in Canadian communities
Notice bibliographique
Résumé
This paper presents the first causal and spatial analysis of how renewable energy deployment influences educational attainment across Canadian communities, with a focus on indigenous populations. While clean energy co-benefits are gaining policy traction, their impacts on human capital remain underexplored. We address this gap using a novel panel of 1037 renewable energy projects (1981–2021) linked to the education component of the Community Well-Being Index (CWB), a standardized measure (0–100) of high school and post-secondary attainment. Employing augmented inverse probability weighting (AIPW) alongside spatial models, we find that renewable projects increase education scores by an average of 6.11 percentage points. However, Indigenous communities see markedly smaller gains, up to 12 points lower in spatial regressions with one AIPW model estimating a −58.18-point effect, indicating major inequities. Community-owned solar and municipally managed projects yield the strongest positive spillovers. Geographically weighted regressions reveal stark spatial disparities: Alberta, British Columbia, and Saskatchewan outperform, while northern and Indigenous-majority areas lag. Education outcomes also scale with population size, pointing to local infrastructure effects. By combining causal inference, spatial analysis, and equity metrics, this study shows that without targeted policy, the energy transition risks deepening existing regional and social disparities. We advocate for culturally responsive, place-based energy policy.
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 | 0,002 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,003 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 ».