Notice bibliographique
Résumé
Threatened by climate change, governments the world over are attempting to nudge markets in the direction of less carbon-intensive energy. Perversely, many of these governments continue to subsidize fossil fuels, distorting markets and raising emissions. Determining how much money is involved is difficult, as neither the providers nor the recipients of those subsidies want to own up to them. This paper builds on a unique method to extract fossil fuel subsidies from patterns in countries’ carbon emission-to-GDP ratios. This approach is useful since it: 1) overcomes the problem of scarce data; 2) derives a wider and more comparable measure of subsidies than existing measures and 3) allows for the performance of counterfactuals which help measure the impact of subsidies on emissions and growth. The resultant 170-country, 30-year database finds that the financial and the environmental costs of such subsidies are enormous, especially in China and the U.S. The overwhelming majority of the world’s fossil fuel subsidies stem from China, the U.S. and the ex-USSR; as of 2010, this figure was $712 billion or nearly 80 per cent of the total world value of subsidies. For its part, Canada has been subsidizing rather than taxing fossil fuels since 1998. By 2010, Canadian subsidies sat at $13 billion, or 1.4 per cent of GDP. In that same year, the total global direct and indirect financial costs of all such subsidies amounted to $1.82 trillion, or 3.8 per cent of global GDP. Aside from the money saved, in 2010 a world without subsidies would have had carbon emissions 36 per cent lower than they actually were. Any government looking to ease strained budgets and make a significant (and cheap) contribution to the fight against climate change must consider slashing fossil fuel subsidies. As the data show, this is a sound decision – fiscally and environmentally.
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 | 0,002 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».