Carbon pricing in dynamic regulation and changing economic environment - agent based model
Notice bibliographique
Résumé
Like many industries, the financial services sector increasingly confronts a market environment in which both consumers and regulators are anxious to see organizations develop green products and services that hold the promise of mitigating environmental degradation and encouraging sustainable use of resources. Industry players must therefore be adept at reading demand signals from each of the primary financial services sectors (retail banking, corporate and investment banking, asset management, and insurance) while also keeping a sharp eye on evolving changes in these highly regulated businesses driven by proactive government policies (Porter and Kramer, 2006). Weather derivatives, energy trading and natural resource exploration are only few of the sustainability topics vital for the economic future of our province (Alberta), and the entire world. Our paper presents an overview of complex adaptive systems and the basics of building a model of CAS. We consider CAS to be well suited to the modeling of market behavior because it is robust to micro-level behavioral influences and allows the inclusion of heterogeneous agents. CAS also offers the possibility of capturing the dynamics of agents experience through features such as learning and memory. We present an agent-based model for pricing carbon emissions and results of simulations based on Alberta's current data of demand, supply, and regulation of carbon emissions. Pricing carbon drives innovation in technologies that improve efficiency, reduce pollution and recognize the social cost of business. We analyze the results of simulations in a dynamic framework of changing parameters and input variables. Keywords: Agent Based Modeling, Carbon Market, Alberta Carbon Trading Scheme, Swarm software
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 | 0,000 |
| 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 ».