REVENUE RECYCLING AND COST EFFECTIVE GHG ABATEMENT: AN EXPLORATORY ANALYSIS USING A GLOBAL MULTI-SECTOR MULTI-REGION CGE MODEL
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
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.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 découle