Business Models for Carbon Capture, Utilization and Storage Technologies in the Steel Sector: A Qualitative Multi-Method Study
Notice bibliographique
Résumé
Carbon capture, utilization, and storage (CCUS) is a combination of technologies capable of achieving large-scale reductions in carbon dioxide emissions across a variety of industries. Its application to date has however been mostly limited to the power sector, despite emissions from other industrial sectors accounting for around 30% of global anthropogenic CO2 emissions. This paper explores the challenges of and requirements for implementing CCUS in non-power industrial sectors in general, and in the steel sector in particular, to identify drivers for the technology’s commercialization. To do so we first conducted a comprehensive literature review of business models of existing large-scale CCUS projects. We then collected primary qualitative data through a survey questionnaire and semi-structured interviews with global CCUS experts from industry, academia, government, and consultancies. Our results reveal that the revenue model is the most critical element to building successful CCUS business models, around which the following elements are structured: funding sources, capital & ownership structure, and risk management/allocation. One promising mechanism to subsidize the additional costs associated with the introduction of CCUS to industry is the creation of a ‘low-carbon product market’, while the creation of clear risk-allocation systems along the full CCUS chain is particularly highlighted. The application of CCUS as an enabling emission reduction technology is further shown to be a factor of consumer and shareholder pressures, pressing environmental standards, ethical resourcing, resource efficiency, and first-mover advantages in an emerging market. This paper addresses the knowledge gap which exists in identifying viable CCUS business models in the industrial sector which, with the exception of a few industry reports, remains poorly explored in the academic literature.
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 | 0,020 | 0,019 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,006 | 0,007 |
| Communication savante | 0,006 | 0,005 |
| Science ouverte | 0,002 | 0,004 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,001 |
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 ».