MétaCan
Menu
Retour à la cohorte
Enregistrement W2883108897 · doi:10.21511/im.14(2).2018.01

Biogas as an alternative energy resource for Ukrainian companies: EU experience

2018· article· en· W2883108897 sur OpenAlexaff
Yuri Yevdokimov, Olena Chygryn, Tetyana Pimonenko, Oleksii Lyulyov

Notice bibliographique

RevueInnovative Marketing · 2018
Typearticle
Langueen
DomaineAgricultural and Biological Sciences
ThématiqueAgriculture Market Analysis Ukraine
Établissements canadiensUniversity of New Brunswick
Organismes subventionnairesMinistry of Education and Science of Ukraine
Mots-clésBiogasRenewable energyTariffProfit (economics)BusinessAgricultural scienceAgricultureAgricultural economicsElectricityMarket penetrationEnvironmental economicsWaste managementEconomicsEnvironmental scienceEngineeringMarketingInternational tradeGeography

Résumé

récupéré en direct d'OpenAlex

The paper deals with analysis of the preconditions of alternative energy market development in Ukraine. In this case study, the authors analyzed the EU experience. The results of analysis showed that the leader of the EU countries in renewable energy has already achieved the target (20%), which had been indicated. In addition, the findings showed that the share of renewable energy in gross final energy consumption has been increasing from year to year. The authors allocate that, according to the Ukrainian potential, biogas is the most perspective one among alternative resources. Moreover, results of analysis showed that Ukraine has the huge potential of agricultural sector. In this direction, the authors allocated the main types of the agricultural activities, which have the highest potential of biogas production: sugar factories, corn silage and poultry farms. The authors underlined that biogas spreading is restrained by the stereotypes that green investments are not attractive for investors. In order to analyze the economic efficiency of investments to the biogas installation, the authors calculated the profit from the biogas installation for poultry farm. The authors made two scenarios for calculation. The first – the whole volume of energy, which was generated from the biogas unit, will be sold with feed-in tariff. The second – the farm covers its own needs in electricity, the rest will be sold with feed-in tariff. The findings showed that the first scenario is more attractive. Moreover, the farm could receive higher profit if it installed the biogas in 2016, not in 2017. In addition, based on the EU experience and features of farm functioning, the authors approved that the biogas installation has not only the economic effect (profit and additional profit) for company, but also ecological and social effects for rural area, where this farm was located.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut 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 enseignants0,006
Score d'incertitude au seuil0,014

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0010,001
Communication savante0,0020,001
Science ouverte0,0000,001
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 Opus0,025
Tête enseignante GPT0,272
Écart entre enseignants0,247 · 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 source (Gemma direct ou Codex distillé), 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

Citations60
Publié2018
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueInnovative MarketingMême sujetAgriculture Market Analysis UkraineTravaux en français237 207