MétaCan
Menu
Retour à la cohorte
Enregistrement W3108247818 · doi:10.1017/bca.2020.25

Averting Expenditures and Willingness to Pay for Electricity Supply Reliability

2020· article· en· W3108247818 sur OpenAlexaff
Naghmeh Niroomand, Glenn P. Jenkins

Notice bibliographique

RevueJournal of Benefit-Cost Analysis · 2020
Typearticle
Langueen
DomaineEconomics, Econometrics and Finance
ThématiqueEconomic and Environmental Valuation
Établissements canadiensQueen's University
Organismes subventionnairesnon disponible
Mots-clésElectricityWillingness to payEconomic shortageBusinessMains electricityReliability (semiconductor)Service (business)Value (mathematics)Actuarial scienceEnvironmental economicsEconomicsMarketingMicroeconomicsEngineeringGovernment (linguistics)Power (physics)Computer science

Résumé

récupéré en direct d'OpenAlex

Abstract Nepal has suffered from the worst electricity shortages in South Asia. This study is an attempt to measure the willingness to pay for an improved service using a model of revealed preference. Respondents are asked about the actions they are taking to reduce the impact on their household or business of scheduled and unscheduled outages and more stable voltage. We estimate the averting expenditures that were being incurred to compensate for the lack of reliability of the electricity service. The estimated cost of the averting actions as a percentage of the electricity bills is 53 % for households, 47 % for small businesses, 46 % for medium businesses, and 35 % for large businesses. Based on the estimations, we find that in 2017 the annual benefit from improving the reliability of the electricity service would be approximately US$ 188 million with a present value over 20 years of US$ 1.6 billion.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,041
Score d'incertitude au seuil0,422

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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 Opus0,054
Tête enseignante GPT0,234
Écart entre enseignants0,180 · 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 tête enseignante, 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

Citations6
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Benefit-Cost AnalysisMême sujetEconomic and Environmental ValuationTravaux en français237 207