Improving deep decarbonization modelling capacity for developed and developing country contexts
Notice bibliographique
Résumé
Energy models are essential for the development of national or regional deep decarbonization pathways (DDPs), providing the necessary analytical framework to systematically explore the system transitions that are required. However, this is challenging due to the long time horizon, the numerous data requirements and the need for transparent, credible approaches that can provide insights into complex transitions.This article explores how this challenge has been met to date, based on a review of the literature and the experiences of practitioners, drawing in particular on the Deep Decarbonization Pathways Project (DDPP), a collaborative effort by 16 national modelling teams. The article finds that there are a range of modelling approaches that have been used across different country contexts, chosen for different reasons, with recognized strengths and weaknesses. The key motivations for use of a given approach include being fit-for-purpose, having in-country capacity and the intertwined goals of transparency, communicability and policy credibility.From the review, a conceptual decision framework for DDP analysis is proposed. This three step process incorporates policy priorities, national characteristics and the model-agnostic principles that drive model choices, considering the needs and capabilities of developed and developing countries, and subject to data and analytical practicalities. Finally an agenda for the further development of modelling approaches is proposed, which is vital for strengthening capacity. These include a focus on model linking, incorporating behaviour and policy impacts, the flexibility to handle distinctive energy systems, incorporating wider environmental constraints and the development of entry-level tools. The latter three are critical for application in developing countries.Policy relevanceFollowing the Paris Agreement, it is essential that modelling approaches are available to enable governments to plan how to decarbonize their economies in the long term. This article takes stock of current practices, identifies the strengths and weaknesses of existing approaches and proposes how capacity can be strengthened. It also provides some practical guidance on the process of choosing modelling approaches, given national priorities and circumstances. This is particularly relevant as countries revisit their Nationally Determined Contributions to meet the global objective of remaining well below a 2°C average global temperature increase.
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 | 0,015 | 0,024 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,003 | 0,005 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,007 | 0,012 |
| Science ouverte | 0,003 | 0,009 |
| Intégrité de la recherche | 0,002 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».