MétaCan
Menu
Retour à la cohorte
Enregistrement W2126249824 · doi:10.1109/icsmc.1995.538136

Supplementing review strategies with penalties in environmental enforcement

2002· article· en· W2126249824 sur OpenAlexaff
Kei Fukuyama, D. Marc Kilgour, Keith W. Hipel

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueExperimental Behavioral Economics Studies
Établissements canadiensWilfrid Laurier UniversityUniversity of Waterloo
Organismes subventionnairesnon disponible
Mots-clésEnforcementInefficiencyContext (archaeology)IncentiveDilemmaAgency (philosophy)Game theoryOperator (biology)Computer scienceRisk analysis (engineering)BusinessOperations researchEnvironmental economicsComputer securityMicroeconomicsEconomicsEngineeringLawPolitical scienceMathematics

Résumé

récupéré en direct d'OpenAlex

A framework for more effective and efficient enforcement of environmental regulations is proposed. An operator's comply-violate decision is analysed in the context of the operator's continuing relationship with an environmental agency, permitting an effective enforcement policy to be developed using the theory of repeated games. More specifically, enforcement conflicts between an operator and an agency are modelled using a noncooperative game called the enforcement dilemma that clarifies the causes of enforcement inefficiency. Then a systematic long-term enforcement policy, the review strategy, is introduced and shown to effect substantial improvements in enforcement efficiency. However, as some numerical examples illustrate, the review strategy alone cannot always give the operator the incentive to comply fully, because of exogenous uncertainty in monitoring procedures. A supplementary penalty, which may be quite small, is then introduced into the enforcement framework to strengthen the review strategy's ability to deter violation. In combination with a suitable penalty system, the review strategy can be an effective means for an agency to enforce environmental regulations despite limited resources.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesCharge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Qualitatif · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,723
Score d'incertitude au seuil0,987

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0140,000

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 Opus0,043
Tête enseignante GPT0,313
Écart entre enseignants0,270 · 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 tête enseignante, pas un consensus.

Devis d'étudeQualitatif
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

Citations1
Publié2002
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetExperimental Behavioral Economics StudiesTravaux en français237 207