MétaCan
Menu
Retour à la cohorte
Enregistrement W2749662513 · doi:10.1561/101.00000087

Lessons Learned in Mandatory Carbon Market Development

2017· article· en· W2749662513 sur OpenAlexaff
Brianne Riehl, Guangyu Wang, Sarah Eshpeter, Baiyu Zhang, John L. Innes, Nuyun Li

Notice bibliographique

RevueInternational Review of Environmental and Resource Economics · 2017
Typearticle
Langueen
DomaineEconomics, Econometrics and Finance
ThématiqueClimate Change Policy and Economics
Établissements canadiensUniversity of British Columbia
Organismes subventionnairesnon disponible
Mots-clésCarbon marketBusinessEconomicsGreenhouse gas

Résumé

récupéré en direct d'OpenAlex

The Kyoto Protocol introduced the notion of a global emissions trading scheme (ETS) to aid in meeting global emissions reduction targets. Since then, the share of emissions covered by carbon pricing has tripled and now encompasses approximately 12% of global emissions. This paper discusses the challenges in design and implementation of past and current ETSs to provide recommendations for ETS development and linkage. It summarizes seven major factors that should be considered for successful ETS implementation: cap setting, permit allocation, trading guidelines that avoid carbon leakage, regulation of offsets, high compliance, transparent and continuous monitoring, and careful collaboration between systems. Successes and failures in practical implementation of each factor are explored through various ETS case studies. If applied carefully, these factors could ensure high and consistent carbon prices, and coupled with strict regulations, could achieve an ETS that meets intended environmental benefits, while offering potential for bottom-up international linkage.

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)0,001
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: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,648
Score d'incertitude au seuil0,960

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
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)0,0010,000

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 Opus0,075
Tête enseignante GPT0,276
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'étudeObservationnel
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

Citations6
Publié2017
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueInternational Review of Environmental and Resource EconomicsMême sujetClimate Change Policy and EconomicsTravaux en français237 207