MétaCan
Menu
Retour à la cohorte
Enregistrement W2781530841 · doi:10.1080/17583004.2017.1418596

An investigation into the early stages of New Zealand's voluntary carbon market

2018· article· en· W2781530841 sur OpenAlexaff
S. Jeff Birchall, Maya Murphy, Markus J. Milne

Notice bibliographique

RevueCarbon Management · 2018
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueForest Management and Policy
Établissements canadiensUniversity of Alberta
Organismes subventionnairesRoyal Society Te Apārangi
Mots-clésInterviewBusinessCertificationDisenchantmentPoliticsEconomicsPolitical scienceManagement

Résumé

récupéré en direct d'OpenAlex

The voluntary carbon market (VCM) is a relatively mature field where institutions have become firmly established. This empirical paper explores findings obtained from interviewing key actors within the VCM in New Zealand, at a time when the organizational field was beginning to emerge (2010/2011). Fourteen semi-structured interviews were carried out with managers and decision-makers at 13 organizations, representing a cross-section of leaders in the field at the time. Participants were investigated regarding their cognitions as well as their operational activities and interactions with the range of actors in the field, and how these evolved over time. Case studies of the wine industry, the taxi industry and the carbon services industry are presented. Findings identify a number of early successes, including endeavors which focused on promoting market integrity through infrastructure and knowledge sharing amongst participants, which influenced others to shift behavior around climate change mitigation in general. Setbacks are evident as well, with the primary setback characterized as market stagnation: buyers and sellers drifting away from the market. Communication challenges, low certification recognition, risk of greenwash exposure, policy uncertainty, the global financial crisis and general disenchantment with the carbon market were listed as some of the causes.

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 candidatesCharge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,061
Score d'incertitude au seuil1,000

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)0,0010,000

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 Opus0,008
Tête enseignante GPT0,224
Écart entre enseignants0,216 · 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.

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

Citations12
Publié2018
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueCarbon ManagementMême sujetForest Management and PolicyTravaux en français237 207