Evaluating the Greenhouse Gas Emissions in the Craft Beer Industry: An Assessment of Challenges and Benefits of Greenhouse Gas Accounting
Notice bibliographique
Résumé
A growing number of companies in the brewery industry have made commitments to measure and reduce their greenhouse gas (GHG) emissions. However, many brewers, particularly craft brewers with relatively low rates of production, have not made such commitments. The purpose of this research was to investigate the challenges and benefits of measuring and reducing GHG emissions in the craft brewery industry. The research was conducted in Ontario, Canada, which has seen strong recent growth in the craft brewery industry. A case study and semi-structured interviews among Ontario Craft Brewers were conducted. The case study found that indirect (scope 3 GHGs under the WBCSD & WRI GHG Protocol) GHG sources accounted for 46.4% of total GHGs, with major sources from barley agriculture, malted barley transportation, and bottle production. Direct emissions (scope 1) accounted for only 14.9% of GHGs, while scope 2 emissions, comprised mainly of energy consumption, accounted for 38.7% of GHGs. The case study used case company primary data, and secondary data such as emission factors from external sources. The case study and interviews found that the main challenges in calculating brewery GHGs are secondary data availability, technical knowledge, and finances. The semi-structured interviews, which used prepared interview questions and probes to encourage follow-up answers, also found that the main benefits for Ontario breweries to measure their GHGs include sustainability marketing and preserving the environment. The interviews also found a poor understanding of carbon regulation among Ontario Craft Brewers, which is interesting considering that Ontario implemented a provincial cap and trade program in 2017.
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 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 | 0,004 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,002 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».