Subsidy design in a vessel speed reduction incentive program under government policies
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
Abstract As a green port and shipping‐related policy, the vessel speed reduction incentive program (VSRIP) involves using a subsidy to induce ships to reduce their speed in a port area so that the emissions can be reduced at the port. However, this program may attract new ships to visit the port because of the subsidy; in this case, the port's profit will grow due to more ship visits, but its total emissions may also increase, which is counter to the original intention of the subsidy. The government could then intervene by providing part of the subsidy for the VSRIP or by collecting air emission taxes for the increased emission at the port. This paper studies how to design suitable subsidies for ships participating in a VSRIP. Two bilevel subsidy design models are formulated based on a Stackelberg game to maximize the port's profit (related to the profits from original and new ships, the subsidy provided by the port, and air emission taxes) and to minimize the government's cost (related to the damage cost of air emissions, the subsidy provided by the government, and air emission taxes). We determine which policy (including a sharing subsidy policy, no government intervention, and an air emission tax policy) should be implemented by the government in different cases and how much subsidy should be provided by the port under each government policy. We find that these decisions are affected by several practical factors, such as the damage cost of air emissions per ton of fuel and the subsidy sensitivities of original and new ships. We also outline several meaningful insights based on the analysis of these practical factors.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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