Assessing the carbon peak challenge in extremely cold regions: Scenario analysis of building emissions via an integrated Kaya-LMDI-SD framework
Notice bibliographique
Résumé
The building sector is a major contributor to energy consumption and carbon emissions in China, playing a pivotal role in achieving the dual carbon goals. In extremely cold regions, building carbon emission intensity substantially surpasses that of other areas, yet the underlying mechanisms remain underexplored. This study develops an integrated framework combining the Kaya identity, the logarithmic mean Divisia index (LMDI), and a system dynamics (SD) model. Jilin Province, China, serves as a case study to identify the drivers of building carbon emissions and forecast future trends under multiple scenarios. Results indicate that between 2006 and 2022, per capita GDP and per capita urban building floor area were the primary drivers of emission growth, whereas the energy intensity of the tertiary sector and per capita energy consumption had significant inhibitory effects. Scenario analysis projects peak emissions of 73.35 MtCO 2 in 2031 under the low-carbon scenario, 86.90 MtCO 2 in 2034 under the baseline scenario, and 106.09 MtCO 2 in 2037 under the high-carbon scenario. Achieving the 2030 carbon peak target for Jilin’s building sector remains a formidable challenge. This study proposes targeted carbon reduction pathways, offering critical insights for evidence-based low-carbon policy development in extremely cold regions.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».