A model for robust emission trading under uncertainties
Notice bibliographique
Résumé
The international emission trading (IET) scheme was devised to lower the cost of achieving sets of greenhouse gas emission reductions for different countries: emissions are reduced where it is cheapest and emission certificates are then traded to meet the nominal targets in each country. However, carbon markets, like other commodity markets, are volatile. They react to stochastic disequilibrium spot prices, which may be affected by speculations and bubbles. The underlying, actual cost of GHG mitigation, i.e. the marginal costs of abatement technologies is only of secondary importance. The market-based emission trading, therefore, does not necessarily minimize abatement costs and achieve emission reduction goals. Although in Copenhagen little of progress has been made towards increasing emission reduction goals and reaching binding agreements, it is likely that emission trading schemes will continue to be one of the essential economic mechanisms for emissions regulations also in post-Kyoto period, both at the national as well at the international level. While the EU has already implemented a carbon trading scheme several years ago, other developed countries such as US and Australia are ready to adopt the cap-and-trade emission trading system. The paper discusses the following key questions: Under which conditions is carbon trading environmentally safe and cost-effective in the long-term, if considered in the context of a stochastic market? How the knowledge about uncertainties may affect portfolios of technological and trade policies or structure of the market, e.g., if knowledge of uncertainty may turn buyer into seller? How uncertainties characteristics may affect market prices and change the market structure? We introduce a basic stochastic trading model allowing us to analyze the robustness of economic mechanisms for emission reduction under multiple natural and human related uncertainties. We illustrate functioning of the robust market with numerical results involving such countries as US, Australia, Canada, Japan, EU27, Russia, Ukraine, etc.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,004 | 0,003 |
| Science ouverte | 0,003 | 0,003 |
| Intégrité de la recherche | 0,006 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,021 | 0,002 |
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 source (Gemma direct ou Codex distillé), 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 ».