Incentives for pollution control - regulation and public disclosure
Notice bibliographique
Résumé
An increasing number of regulators have \n adopted public disclosure programs to create incentives for \n pollution control. Previous empirical analyses of monitoring \n and enforcement issues have focused strictly on the impact \n of such traditional practices as monitoring (inspections) \n and enforcement (fines and penalties) on polluters' \n environmental performance. Other analyses have separately \n focused on the impact of public disclosure programs. But can \n these programs create incentives in addition to the normal \n incentives of fines and penalties? The authors study the \n impact of both traditional enforcement and information \n strategies in the context of a single program, to gain \n insights into the relative impact of traditional (fines and \n penalties) and emerging (public disclosure) enforcement \n strategies. Their results suggest that the public disclosure \n strategy adopted by the province of British Columbia, \n Canada, has a greater impact on both emission levels and \n compliance status than do orders, fines, and penalties \n traditionally imposed by the courts and the Ministry of the \n Environment. But their results also demonstrate that \n adopting stricter standards and higher penalties also \n significantly affected emission levels. Policymakers, take \n note: 1) The presence of strong, clear standards together \n with a significant, credible penalty system sends \n appropriate signals to the regulated community, which \n responds by lowering pollution emissions. 2) The public \n disclosure of environmental performance creates strong \n additional incentives to control pollution.
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 | 0,001 | 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 | 0,001 | 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 ».