MétaCan
Menu
Retour à la cohorte
Enregistrement W4248134371 · doi:10.32920/ryerson.14645658

Reducing the Carbon Footprint at an Electric Utility Company

2021· preprint· en· W4248134371 sur OpenAlexaff
Peter Moore

Notice bibliographique

Revuenon disponible
Typepreprint
Langueen
DomaineEnergy
ThématiqueEnergy Efficiency and Management
Établissements canadiensToronto Metropolitan University
Organismes subventionnairesnon disponible
Mots-clésGreenhouse gasCarbon footprintEnvironmental economicsBusinessProcess (computing)Corporate social responsibilityNatural resource economicsEnvironmental resource managementEnvironmental scienceEconomicsComputer sciencePolitical scienceEcology

Résumé

récupéré en direct d'OpenAlex

The purpose of this thesis is the development of options for the reduction of the carbon footprint at an electric utility company. A case study details a systematic approach to reduce corporate greenhouse gas emissions over the next decade. The study focuses on providing three principle outputs: 1) process maps whereby the company may systematically identify its current carbon footprint, 2) scenario analyses to project its future carbon emissions over a ten year period and, 3) recommended actions to reduce GHG emissions over the next decade. A number of recommendations for emission reductions are made. The findings suggest that the degree to which an organization addresses its GHG emissions is substantially influenced by organization-specific social, regulatory, technological and economic forces. The case study reveals that by perceiving corporate carbon management as a periphery objective, organizations limit their ability to reduce GHG emissions and to improve their corporate performance.

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: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,325
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0010,002
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 Opus0,028
Tête enseignante GPT0,256
Écart entre enseignants0,228 · 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'étudeSimulation ou modélisation
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

Citations0
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetEnergy Efficiency and ManagementTravaux en français237 207