Forecasting sustainable development indicators using XGBoost: evidence from Brazil, Canada, China and India (2005–2023)
Notice bibliographique
Résumé
Purpose: This paper discusses the potential of machine learning to predict sustainable development indicators, gross domestic product (GDP), employment, and CO₂ emissions in Brazil, Canada, China and India to build a sustainable policy. Design/Methodology/Approach: An annual panel data (2005–2023) was employed to adopt a deductive and explanatory design. XGBoost (Extreme Gradient Boosting) is an algorithm that models nonlinear relationships and identifies important predictors based on macroeconomic, environmental, and policy variables. Findings: XGBoost revealed high accuracy on GDP, and the balance of payments, climate policy, and green investment were some of the important predictors. CO₂ and employment forecasts were less certain because they were overfitted. Originality/Value: The paper identifies the application of machine learning to predict sustainable development, particularly economic modelling. Research Limitations/Implications: There is an implication of overfitting and data limitations, which implies that higher-frequency data and hybrid models are required. Practical Implications: The implication is based on evidence based policymaking in green investment planning and climate policy evaluation. Keywords: XGBoost; Economic Forecasting; Gross Domestic Product; Employment; CO₂ Emissions; Machine Learning. Citation: Knio, M. S. E. D. and Balikel, A. E. (2025): Forecasting Sustainable Development Indicators Using XGBoost: Evidence from Brazil, Canada, China and India (2005-2023). World Journal of Entrepreneurship, Management and Sustainable Development (WJEMSD), Vol. 21, No. 4, pp. 339-353.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».