MétaCan
Menu
Retour à la cohorte
Enregistrement W7100425915

Food Miles, Carbon Footprinting and Their Potential Impact on Trade, presentation at the Australian Agricultural and Resource Economics annual conference

2009· article· en· W7100425915 sur OpenAlexaboutno aff

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineEngineering
ThématiqueIoT-based Smart Home Systems
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésProduction (economics)AgricultureResource (disambiguation)Food energyCarbon taxMarket accessProduct (mathematics)Quarter (Canadian coin)Food processing
DOInon disponible

Résumé

récupéré en direct d'OpenAlex

To obtain market access for NZ food exports to high value developed country markets exporters are having to comply and consider environmental factors such as carbon footprinting. This growth in demand for environmental attributes is shown in the rise of the food miles debate or concept. Food miles is a concept which has gained traction with the popular press arguing that the further food travels the more energy is used and therefore carbons emissions are greater. This paper assesses, using the same methodology, whether this is the case by comparing NZ production shipped to the UK with a UK source. The study found that due to the different production systems even when shipping was accounted for NZ dairy products used half the energy of their UK counterpart and in the case of lamb a quarter of the energy. In the case of apples the NZ source was 10 per cent more energy efficient. In case of onions whilst NZ used slightly more energy in production the energy cost of shipping was less than the cost of storage in the UK making NZ onions more energy efficient overall. The paper then explores other developments in market access to developed markets especially the rise in demand for products to be carbon footprinted and the introduction of carbon labelling. A review of latest methodology in carbon footprinting the PAS from the UK is reviewed and implications for trade assessed.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,897
Score d'incertitude au seuil0,465

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,009
Tête enseignante GPT0,198
Écart entre enseignants0,188 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2009
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetIoT-based Smart Home SystemsTravaux en français237 207