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 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 | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 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 ».