Strategies and Governance for Implementing Deep Decarbonization Plans at the Local Level
Notice bibliographique
Résumé
This study qualitatively explores eight cases of best practice cities that are leading the way towards deep decarbonization. Local governments and stakeholders are developing short-term strategies and long-term pathways towards deep decarbonization at the local level but are struggling to determine effective actions. In this article, we examine cities pursuing deep decarbonization to provide insights into the strategies and governance structures that eight leading local governments are using to develop and implement deep decarbonization plans. The cases are in Canada (Bridgewater, Guelph, Vancouver and Toronto), the USA (Park City and New York City), Finland (Lahti), and Norway (Oslo) and range from very small (8.4 thousand people) to very large (9.6 million people). For each city, their implementation strategies are detailed under four categories: engagement; green economy; policy tools; and financial tools. Governance mechanisms and modes are explained regarding coordination; oversight and reporting; communication; multi-level integration; cross-sector collaboration; funding, and mode. While a number of these approaches and tools have been identified in previous research and grey literature, the findings show that leading local government plans continue to develop innovative strategies on their own and also share their successes with other communities through transnational networks. The cases examined in this study are moving beyond the incremental approach to mitigating greenhouse gases and are innovating to find applied methods for achieving transformative change. The findings from this study are useful for practitioners and academics working on climate mitigation, strategy implementation, cross-sector partnerships, and sustainable cities.
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 | 0,000 | 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 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».