MétaCan
Menu
Retour à la cohorte
Enregistrement W2057194070 · doi:10.2166/wp.2013.001

Risk sharing in hydropower development: case study of the Chukha Hydel Project in Bhutan

2013· article· en· W2057194070 sur OpenAlexaff
D. N. S. Dhakal, Glenn P. Jenkins

Notice bibliographique

RevueWater Policy · 2013
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueSouth Asian Studies and Conflicts
Établissements canadiensQueen's University
Organismes subventionnairesnon disponible
Mots-clésHydroelectricityHydropowerBusinessElectricityElectricity marketEconomic rentPosition (finance)Natural resource economicsFinanceEnvironmental planningEconomicsEngineeringGeographyMarket economy

Résumé

récupéré en direct d'OpenAlex

The Himalayan rivers have an enormous hydropower potential that is still not exploited fully for the benefit of the region. Bhutan and Nepal together have an economically feasible potential of 60,000 MW of hydroelectric power generation capacity but are too weak financially to bear the risks associated with the development of their hydro resources alone. India is the only potential market for the electricity supplied from these sources. The power purchase agreement framework for the 336 MW Chukha Hydel Project in Bhutan could serve as a model for the transfer of risks, management of risks and sourcing of finance in exchange for sharing the economic rents associated with such projects. India undertook the costs and risks of constructing the hydroelectric dam and power plant in exchange for a reduced purchase price of electricity from the completed facility. This paper contains a financial and economic assessment of the Chukha Hydel Project. While India is in a position to exercise monopsonic power in this electricity market, this analysis shows that it is possible to have an agreement for sharing the risks and returns between India and the Himalayan countries that is highly beneficial to all the stakeholders.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,003
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,033
Score d'incertitude au seuil0,065

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,003
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,002
Études des sciences et des technologies0,0040,003
Communication savante0,0020,001
Science ouverte0,0010,003
Intégrité de la recherche0,0020,001
Charge utile insuffisante (le modèle a refusé de juger)0,0030,000

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.

Tête enseignante Opus0,030
Tête enseignante GPT0,323
Écart entre enseignants0,292 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations19
Publié2013
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueWater PolicyMême sujetSouth Asian Studies and ConflictsTravaux en français237 207