MétaCan
Menu
Retour à la cohorte
Enregistrement W3121140492 · doi:10.5547/01956574.37.4.nriv

Free Riding on Energy Efficiency Subsidies: The Case of Natural Gas Furnaces in Canada

2016· preprint· en· W3121140492 sur OpenAlexafffundabout
Nicholas Rivers, Leslie Shiell

Notice bibliographique

RevueThe Energy Journal · 2016
Typepreprint
Langueen
DomaineEnergy
ThématiqueEnergy, Environment, and Transportation Policies
Établissements canadiensUniversity of OttawaGlobal Affairs Canada
Organismes subventionnairesNatural Resources CanadaSocial Sciences and Humanities Research Council of CanadaCanada Research Chairs
Mots-clésSubsidyDistribution (mathematics)Tax creditEconomicsGreenhouse gasEfficient energy useFree ridingEnergy subsidiesNatural experimentNatural resource economicsAgricultural economicsPublic economicsBusinessEnergy policyRenewable energyMicroeconomicsIncentiveMarket economyEngineering

Résumé

récupéré en direct d'OpenAlex

We assess the extent to which subsidies for home energy efficiency improvements in Canada have been paid to households that would have undertaken the improvements anyway—the so-called free rider rate. We focus on forced-air natural gas furnaces, replaced between April 1, 2007 and March 31, 2011, under both federal and provincial subsidy programs as well as the 2009 federal Home Renovation Tax Credit. Our results indicate that around 50 percent of expenditures under the Canadian subsidy and tax credit programs represented free riding. In the long run, our estimates suggest that over 80 percent of grant recipients would have chosen an identical furnace at the time of replacement. We estimate that the cost effectiveness of the programs in terms of greenhouse gas reduced was between $70 and $110/t CO2, depending on the assumptions made. Further, we find that a substantial majority of the grants were received by middle- and high-income households, such that the grant had a regressive effect on the distribution of income. We conclude that such grants are not an optimal way to improve residential energy efficiency.

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 candidatesMéta-épidémiologie (sens strict)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Théorique ou conceptuel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,620
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0010,000
Intégrité de la recherche0,0000,001
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 Opus0,010
Tête enseignante GPT0,214
Écart entre enseignants0,204 · 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.

Devis d'étudeThéorique ou conceptuel
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

Citations1
Publié2016
Routes d'admission3
Résumé présentoui

Explorer davantage

Même revueThe Energy JournalMême sujetEnergy, Environment, and Transportation PoliciesTravaux en français237 207