ÇEVRE POLİTİKALARINDA YENİ BİR YAKLAŞIM: YEŞİL İŞLER VE YEŞİL İSTİHDAM
Bibliographic record
Abstract
Son yıllarda iklim değişimi ve doğal kaynakların aşırı kullanımı karar vericilerin ekonomik konulardaki kararlarını yeşil ekonomiyi de kapsayan sürdürülebilir kalkınma hedeflerine yönlendirmelerine neden olmuştur. Yeşil işler–yeşil istihdam, gerek dünyada gerekse ülkemizde bu konuyla ilgili ve refah rejimlerinin değişimi açısından da yararları olan yeni bir kavramdır. BM Çevre Programı, yeşil ekonomiyi insanların refahını ve sosyal adaleti arttırırken çevresel riskleri önemli düzeyde azaltabilen ekonomi olarak tanımlamaktadır. Bu yeni yaklaşım ekonomik büyümeyi hızlandırmak yanında sosyal refahın adil dağılı- mına ve kalkınmaya katkı gibi toplumsal yararlarını çevresel riskleri, ekolojik zararları da azaltarak sağlamaktadır. 2008’deki A.B.D. başkanlık seçiminin propaganda döneminde yer verilen ve 2009’da da teşviki amacıyla 150 milyar $ bütçe ayrılan konu1 2012’deki Rio+20 Sürdürülebilir Kalkınma Deklarasyonu’nda da yer almıştır; yeşil ekonominin çevresel sürdürülebilirlik ile yakından ilgili olan 8 ana sektördeki istihdamı arttırıcı etkisiyle fakirliği ortadan kaldır- madaki etkinliğine dikkat çekilmiştir. Çevresel sürdürülebilirlikle yakından iliş- kili olan bu sektörler tarım, ormancılık, balıkçılık, yenilenebilir enerji, kaynak yoğun üretim, geri dönüşüm, inşaat ve taşımacılık olarak sıralanmış, gelecek 20 yılda küresel olarak 15-60 milyon ek iş fırsatı yaratılacağı projeksiyonuna yer verilmiştir. Örnek olarak da İspanya’nın Navar Bölgesi’nde 2002 ile 2006 yıllarnda yenilenebilir enerji sektöründe %183 istihdam artışına ek olarak 2007’de 100 firmanın kuruluşu ile 6000 yeni iş imkanı yaratılması ve 2009 yı- lındaki ekonomik krizde de bölgesel olarak en düşük işsizlik oranının sağlandığı eklenmiştir. Türkiye’nin Onuncu Kalkınma Planı’nında (2014-2018) da yeşil büyüme ve bu konudaki Ar-Ge yatırımlarının önemine, sanayi sektöründeki yeşil istihdamakatkısına dikkat çekilmiştir. 2011-2023 İklim Değişikliği Eylem Planı da binaların enerji idaresi sistemlerinde standardizasyon ve benzeri teşviklere yer vermiş, sağlanacak yeşil istihdam artışı ile küresel ısınmanın azaltılmasına katkı yanında insan kaynaklarının geliştirilmesi şeklindeki yararı vurgulanmıştır. Bu makalede, yeşil ekonomi ve yeşil istihdam konuları sektörel bazda analiz edilecek ve bazı ülkelerin bu konulardaki deneyimleri paylaşılarak gerçekleştirilen yatırımların ve yeşil ekonominin sağladığı yararlar incelenecektir.
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 distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.000 | 0.000 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.000 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.000 | 0.000 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.000 | 0.001 |
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 teacher head, 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".