Explaining successful and failed investments in U.S. carbon capture and storage using empirical and expert assessments
Notice bibliographique
Résumé
Abstract Most studies of deep decarbonization find that a diverse portfolio of low-carbon energy technologies will be required, including carbon capture and storage (CCS) that mitigates emissions from fossil fuel power plants and industrial sources. While many projects essential to commercializing the technology have been proposed, most (>80%) end in failure. Here we analyze the full universe of CCS projects attempted in the U.S. that have sufficient documentation ( N =39)—the largest sample ever studied systematically. We quantify 12 project attributes that the literature has identified as possible determinants of project outcome. In addition to costs and technological readiness, which prior research has emphasized, we develop metrics for attributes that are widely thought to be important yet have eluded systematic measurement, such as the credibility of project revenues and policy incentives, and the role of regulatory complexity and public opposition. We build three models—two statistical and one derived through the elicitation of expert judgment—to evaluate the relative influence of these 12 attributes in explaining project outcome. Across models, we find the credibility of revenues and incentives to be among the most important attributes, along with capital cost and technological readiness. We therefore develop and elicit experts’ judgment of 14 types of policy incentives that could alter these attributes and improve the prospects for investment in CCS. Knowing which attributes have been most responsible for past successes and failures allows developers to avoid past mistakes and identify clusters of near-term CCS projects that are more likely to succeed.
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 | 0,000 |
| 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 | 0,000 |
| 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) | 0,000 | 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 ».