Can Science-Based Targets Make the Private Sector Paris-Aligned? A Review of the Emerging Evidence
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Purpose of Review: Companies increasingly set science-based targets (SBTs) for reducing greenhouse gas emissions. We review literature on SBTs to understand their potential for aligning corporate emissions with the temperature goal of the Paris Agreement. Recent Findings: SBT adoption by larger, more visible companies in high-income countries has accelerated. These companies tend to have a good prior reputation for managing climate impacts and most appear on track for meeting their scope 1 and 2 SBTs. More research is needed to distinguish between substantive and symbolic target-setting and understand how companies plan to achieve established SBTs. There is no consensus on whether current target-setting methods appropriately allocate emissions to individual companies or how much freedom companies should have in setting SBTs. Current emission accounting practices, target-setting methods, SBT governance, and insufficient transparency may allow companies to report some emission reductions that are not real and may result in insufficient collective emission reductions. Lower rates of SBT diffusion in low- and middle-income countries, in certain emission-intensive sectors, and by small- and medium-sized enterprises pose potential barriers for mainstreaming SBTs. While voluntary SBTs cannot substitute for more ambitious climate policy, it is unclear whether they delay or encourage policy needed for Paris alignment. Summary: We find evidence that SBT adoption corresponds to increased climate action. However, there is a need for further research from a diversity of approaches to better understand how SBTs may facilitate or hinder a just transition to low-carbon societies.
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.
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 | 0,006 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 découle