Investigation of the Impact of Renewable Energy and Carbon Emissions on Health Expenditures in Iran
Bibliographic record
Abstract
سلامت به عنوان ارزشمندترین دارایی انسان، اغلب قابل قیمتگذاری نیست. در دهههای اخیر، افزایش مصرف سوختهای فسیلی و پیامدهای مرتبط با آن از جمله انتشار کربن و آلودگی زیستمحیطی، منجر به تشدید بیماریها، معضلات نظام سلامت و حتی افزایش مرگومیر در بسیاری از کشورها شده است. علاوه بر این، گسترش شهرنشینی و تغییرات جمعیتی، بهعنوان چالشهای نوظهور در حوزه سلامت محسوب میشوند. این پژوهش با استفاده از دادههای سریزمانی و مدل خودرگرسیونبرداری با وقفههای توزیعی (ARDL)، تأثیر عوامل زیستمحیطی و اجتماعی، شامل انرژیهای تجدیدپذیر، انتشار کربن، رشد جمعیت شهری و بار تکفل را بر مخارج سلامت در ایران طی سالهای 1990 تا 2019 بررسی کرده است. شاخصهای مورد مطالعه شامل مخارج سلامت دولتی، مصرف انرژیهای تجدیدپذیر بهعنوان درصدی از کل مصرف انرژی، رشد سالانه جمعیت شهری و بار تکفل بهعنوان درصدی از جمعیت فعال است. نتایج نشان میدهد که افزایش انتشار دیاکسید کربن، رشد جمعیت شهری و بار تکفل، با افزایش مخارج سلامت همراه است. در مقابل، مصرف انرژیهای تجدیدپذیر با کاهش انتشار دیاکسید کربن، تأثیر منفی و معنادار بر مخارج سلامت دارد. بهعبارتدیگر، افزایش مصرف انرژیهای تجدیدپذیر، بهبود سلامت جامعه و کاهش هزینههای مرتبط با آن را درپی دارد. یافتههای پژوهش اهمیت توسعه انرژیهای تجدیدپذیر در ارتقاء کیفیت محیطزیست و کاهش بار مالی نظام سلامت را تایید میکند. پیشنهاد میشود دولت با تنوعبخشی به منابع انرژی تجدیدپذیر، جایگزینی سوختهای فسیلی و تمرکز بر رشد سبز، زمینه بهبود محیطزیست و ارتقاء سلامت جامعه را فراهم کند.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.000 | 0.001 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.001 | 0.000 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.003 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".