MétaCan
Menu
Retour à la cohorte
Enregistrement W2606734843 · doi:10.3390/w9040287

Hydropower Royalties: A Comparative Analysis of Major Producing Countries (China, Brazil, Canada and the United States)

2017· article· en· W2606734843 sur OpenAlexafffundabout
Pierre‐Olivier Pineau, Lucile Tranchecoste, Yenny Vega Cárdenas

Notice bibliographique

RevueWater · 2017
Typearticle
Langueen
DomaineEngineering
ThématiqueWater resources management and optimization
Établissements canadiensUniversité de MontréalUniversité LavalHEC Montréal
Organismes subventionnairesHEC Montréal
Mots-clésHydropowerExternalityRenewable energyNatural resource economicsSustainabilityChinaSmall hydroElectricityBusinessOrder (exchange)Distribution (mathematics)Resource (disambiguation)Consumption (sociology)Sustainable developmentEnvironmental economicsProduction (economics)EconomicsGeographyEngineeringMicroeconomicsEcologyFinance

Résumé

récupéré en direct d'OpenAlex

Hydropower is the leading renewable source of electricity generation and a low emission energy source. In order to be developed sustainably, it is important that its costs and benefits are adequately set and distributed. Different mechanisms, such as royalties, can be used for this purpose. Governments have usually kept hydropower royalty rates low, without internalizing negative externalities. This strategy is inefficient because it leads to larger electricity production and consumption, and hence exacerbates environmental impacts. This paper reviews the criteria proposed and used to set hydropower royalties. It also compares practices of the four main hydropower producers in the world: China, Brazil, Canada and the United States. Results show that royalty rates and distribution policies are determined in an arbitrary and unsystematic manner, but also that water use is usually undervalued. In order to encourage the development of this key renewable resource, in a sustainable and responsible way, national and international efforts should be made to rationalize and harmonize hydropower royalty rates.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,049
Score d'incertitude au seuil0,727

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,006
Tête enseignante GPT0,207
Écart entre enseignants0,201 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations21
Publié2017
Routes d'admission3
Résumé présentoui

Explorer davantage

Même revueWaterMême sujetWater resources management and optimizationTravaux en français237 207