Picking winners: assessing the costs of technology-specific climate policy for U.S. passenger vehicles
Notice bibliographique
Résumé
Policymakers implementing climate policies that aim to direct technological change must decide the extent to which such policies will be technology-neutral or technology-specific. There is a debate over the effect that such alternative designs will have on a policy’s expected cost-effectiveness. Researchers have investigated this question in top-down models that focus on the early phases of technological change (R&D), but no one has yet compared technology-neutral and technology-specific policy designs for the later stages of technological change (commercialization and diffusion), in a model that includes explicit energy technologies. I model these policy designs using a case study of the US passenger vehicle sector in a hybrid simulation model that is not only technology explicit, but behaviourally-realistic and that possesses some degree of macroeconomic feedbacks. I find that technology-specific vehicle mandates results in lower policy cost-effectiveness than a carbon tax on vehicle fuel because the vehicle mandate has a higher risk of policymakers “picking the wrong winner.” However, I find as well that a technology-specific electric vehicle mandate is able to meet a key adoption threshold for getting low-cost emission reductions from PHEVs. Key limitations of my model include: consumers have zero foresight, exogenous assumptions for fuel supply and cost, and assumptions that seem to implicitly favour the adoption of plug-in hybrid electric vehicles over biofuels. The implications of my results are that further research should investigate ways in which technology-neutral and technology-specific policies can be combined to increase expected policy cost-effectiveness and minimize the risk of “picking the wrong winner.”
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| 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 ».