Voluntary Agreements for Energy Efficiency or GHG Emissions Reduction in Industry: An Assessment of Programs Around the World
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Voluntary agreements for energy efficiency improvement and reduction of energy-related greenhouse gas (GHG) emissions have been a popular policy instrument for the industrial sector in industrialized countries since the 1990s. A number of these national-level voluntary agreement programs are now being modified and strengthened, while additional countries--including some recently industrialized and developing countries--are adopting these type of agreements in an effort to increase the energy efficiency of their industrial sectors.Voluntary agreement programs can be roughly divided into three broad categories: (1) programs that are completely voluntary, (2) programs that use the threat of future regulations or energy/GHG emissions taxes as a motivation for participation, and (3) programs that are implemented in conjunction with an existing energy/GHG emissions tax policy or with strict regulations. A variety of government-provided incentives as well as penalties are associated with these programs. This paper reviews 23 energy efficiency or GHG emissions reduction voluntary agreement programs in 18 countries, including countries in Europe, the U.S., Canada, Australia, New Zealand, Japan, South Korea, and Chinese Taipei (Taiwan) and discusses preliminary lessons learned regarding program design and effectiveness. The paper notes that such agreement programs, in which companies inventory and manage their energy use and GHG emissions to meet specific reduction targets, are an essential first step towards GHG emissions trading programs.
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.
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 | 0,004 |
| Science ouverte | 0,001 | 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 découle