The Unintended Consequences of Regulation in the Presence of Multiple Unpriced Externalities: Evidence from the Transportation Sector
Notice bibliographique
Résumé
In transportation systems with unpriced congestion, allowing single-occupant low-emission vehicles in high occupancy vehicle (HOV) lanes to encourage their adoption exacerbates congestion costs for carpoolers. The resulting welfare effects of the policy are negative, with environmental benefits overwhelmingly dominated by the increased congestion costs. Exploiting the introduction of the Clean Air Vehicle Stickers policy in California with a regression discontinuity design, our results imply a best-case cost of $124 per ton of reductions in greenhouse gases, $606,000 dollars per ton of nitrogen oxides reduction, and $505,000 dollars per ton of hydrocarbon reduction, exceeding those of other options readily available to policymakers. For reasons discussed in Harberger (1974), the estimation of the overall welfare effects of government interventions to correct externalities is more challenging * Bento: Cornell University, Charles H Dyson School of Applied Economics and Management. 424 Warren Hall, Ithaca, NY 14853 (e-mail: amb396@cornell.edu); Kaffine: University of Colorado Boulder Department of Economics, Econ 11, Boulder, CO 80309 (email: daniel.kaffine@colorado.edu); Roth: University of California, Irvine, Department of Economics, 3151 Social Science Plaza, Irvine, CA 92697 (email: kroth1@uci.edu); Zaragoza-Watkins: University of California at Berkeley, Agricultural and Resource Economics, 207 Giannini Hall, Berkeley, CA 94720 (email: mdzwatkins@berkeley.edu). The authors thank Richard Arnott, Lucas Davis, Mary Evans, Matthew Freedman, Kenneth Gillingham, Sumeet Gulati, Ryan Kellogg, Shanjun Li, Jordan Matsudaria, Justin McCrary, Erich Muehlegger, James Sallee, and Hendrik Wolff for helpful comments as well as seminar participants at AERE-Seattle 2011, Colorado School of Mines, Columbia, EAERE 2011, Inter-American Development Bank, Oregon State University, Stanford, TREE Seminar Series, UC-Berkeley, University of Connecticut, UEA-Miami 2011, WCERE-Montreal 2010, and Yale. Finally we thank Arthur T Degaetano for weather data.
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 | 0,002 |
| Communication savante | 0,000 | 0,000 |
| 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 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 ».