MétaCan
Menu
Retour à la cohorte
Enregistrement W4200092375 · doi:10.1007/978-3-030-82759-5_10

Non-additionality, Overestimation of Supply, and Double Counting in Offset Programs: Insight for the Mexican Carbon Market

2021· book-chapter· en· W4200092375 sur OpenAlexaboutno aff
Marcela López‐Vallejo

Notice bibliographique

RevueSpringer climate · 2021
Typebook-chapter
Langueen
DomaineEconomics, Econometrics and Finance
ThématiqueClimate Change Policy and Economics
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésAdditionalityCarbon offsetEmissions tradingClean Development MechanismGreenhouse gasOffset (computer science)Scope (computer science)Joint ImplementationKyoto ProtocolBusinessNatural resource economicsEconomicsInternational economicsEnvironmental economicsComputer science

Résumé

récupéré en direct d'OpenAlex

Abstract Mexico utilizes an emissions trading system as one of its carbon pricing instruments. Mexico’s planning, like that of other countries, includes flexible mechanisms such as offsets. Offsets allow market participants to compensate for their emissions through mitigation projects. Offsetting via participation in the Clean Development Mechanism and Joint Implementation was fundamental to the Kyoto Protocol. In contrast, the Paris Agreement is ambiguous about its use. Other national or regional offset programs, such as the EU, Australia, New Zealand, Japan, or Korea, work within emission trading systems. Subnationally, the California-Quebec program has been in effect since 2014. As Greenhouse Gases (GHGs) are global, offsetting allows market participants to compensate for their emissions through mitigation projects, whether domestically or abroad. Given their global scope, such programs present a wide variability in quality. This chapter presents an overview of offset programs worldwide and argues that non-additionality, overestimated supply, and double counting are their three most pressing quality problems. This analysis sheds light upon the nascent Mexican system and its offset program.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,003
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,011
Score d'incertitude au seuil0,037

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,003
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,002
Communication savante0,0030,003
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0110,000

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 Opus0,085
Tête enseignante GPT0,256
Écart entre enseignants0,171 · 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 source (Gemma direct ou Codex distillé), 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

Citations9
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueSpringer climateMême sujetClimate Change Policy and EconomicsTravaux en français237 207