Air quality co-benefits of subnational carbon policies
Notice bibliographique
Résumé
UNLABELLED: To mitigate climate change, governments ranging from city to multi-national have adopted greenhouse gas (GHG) emissions reduction targets. While the location of GHG reductions does not affect their climate benefits, it can impact human health benefits associated with co-emitted pollutants. Here, an advanced modeling framework is used to explore how subnational level GHG targets influence air pollutant co-benefits from ground level ozone and fine particulate matter. Two carbon policy scenarios are analyzed, each reducing the same total amount of GHG emissions in the Northeast US: an economy-wide Cap and Trade (CAT) program reducing emissions from all sectors of the economy, and a Clean Energy Standard (CES) reducing emissions from the electricity sector only. Results suggest that a regional CES policy will cost about 10 times more than a CAT policy. Despite having the same regional targets in the Northeast, carbon leakage to non-capped regions varies between policies. Consequently, a regional CAT policy will result in national carbon reductions that are over six times greater than the carbon reduced by the CES in 2030. Monetized regional human health benefits of the CAT and CES policies are 844% and 185% of the costs of each policy, respectively. Benefits for both policies are thus estimated to exceed their costs in the Northeast US. The estimated value of human health co-benefits associated with air pollution reductions for the CES scenario is two times that of the CAT scenario. IMPLICATIONS: In this research, an advanced modeling framework is used to determine the potential impacts of regional carbon policies on air pollution co-benefits associated with ground level ozone and fine particulate matter. Study results show that spatially heterogeneous GHG policies have the potential to create areas of air pollution dis-benefit. It is also shown that monetized human health benefits within the area covered by policy may be larger than the model estimated cost of the policy. These findings are of particular interest both as U.S. states work to develop plans to meet state-level carbon emissions reduction targets set by the EPA through the Clean Power Plan, and in the absence of comprehensive national carbon policy.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 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 ».