REVENUE RECYCLING AND COST EFFECTIVE GHG ABATEMENT: AN EXPLORATORY ANALYSIS USING A GLOBAL MULTI-SECTOR MULTI-REGION CGE MODEL
Notice bibliographique
Résumé
Carbon pricing generates revenues which can be recycled back into the economy in different ways to help mitigate the economic cost of abatement. These include, lump-sum transfers to households; reducing existing distortionary taxes, such as income taxes on labor and capital; investment in technology funds leading to energy/emissions efficiency improvements; and/or infrastructure developments that help expedite the adoption of low or lower carbon-intensive technologies. In this paper, we undertake illustrative simulations to explore how different revenue recycling options influence the overall economic outcome in terms of broad macroeconomic indicators, such as Gross Domestic Product (GDP) or household welfare. Environment and Climate Change Canada’s (ECCC) multi-sector, multi-region Computable General Equilibrium (CGE) model (EC-MSMR) is used to simulate various revenue recycling options. These simulations are undertaken for the U.S. economy. The main findings of the paper are: (i) using carbon revenue for a general income tax reduction or investment subsidy is more advantageous than a lump-sum transfer to U.S. consumers in terms of welfare or GDP; and (ii) using carbon revenue for a sector-based subsidy such as renewable energy is more disadvantageous than a lump-sum transfer to consumers. In terms of accumulated welfare effects, our results indicate that the best carbon revenue recycling option is the investment subsidy or capital income tax reduction in the longer horizon; labor tax reductions yield the best outcome in the shorter horizons.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 ».