MétaCan
Menu
Retour à la cohorte
Enregistrement W4376117466 · doi:10.1142/9789811270581_0002

Assessing the Effects of ASEAN Liberalised Electricity Markets: The Case of Singapore and the Philippines

2023· book-chapter· en· W4376117466 sur OpenAlexaff
Hassan Ali, Han Phoumin, Beni Suryadi, Aitazaz A. Farooque, Raziq Yaqoob

Notice bibliographique

RevueWORLD SCIENTIFIC eBooks · 2023
Typebook-chapter
Langueen
DomaineEconomics, Econometrics and Finance
ThématiqueGlobal trade and economics
Établissements canadiensUniversity of Prince Edward Island
Organismes subventionnairesnon disponible
Mots-clésInternational economicsElectricityBusinessInternational tradeEconomicsEconomic geographyDevelopment economicsEngineering

Résumé

récupéré en direct d'OpenAlex

The Association of Southeast Asian Nations (ASEAN) electricity market is being liberalised in some regional countries. This step of opening electricity markets is aimed at establishing a competitive and efficient environment that not only reduces electricity prices and CO2 emissions from electricity generation but also promotes the wider use of renewable energy resources. This paper examines the effects of liberalisation on these expected outcomes in the electricity markets of Singapore and the Philippines during 2015–2020. The regression analysis results show that, in the specified period, liberalisation of the electricity market in Singapore has delivered price reductions and improvement in renewable energy share. However, there is no significant effect of liberalisation on the reduction of CO2 emissions from the generation of electricity. The results also imply that, with the electricity market liberalisation in the Philippines, prices for household consumers and CO2 emissions have increased. Also, the liberalisation has no significant impact on renewable energy share and industry electricity prices in the Philippines. To avoid the mixed results and strike a balance between expected outcomes, policy recommendations are given for ASEAN economies following the pathway of liberalised electricity markets.

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)0,003
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Théorique ou conceptuel · Signal consensuel: Théorique ou conceptuel
GenreSignal candidat: Autre · Signal consensuel: Autre
Score de désaccord entre enseignants0,356
Score d'incertitude au seuil0,705

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0030,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0010,002
Communication savante0,0000,000
Science ouverte0,0010,000
Intégrité de la recherche0,0000,000
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 Opus0,051
Tête enseignante GPT0,230
Écart entre enseignants0,179 · 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.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeThéorique ou conceptuel
Domainenon disponible
GenreAutre

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
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueWORLD SCIENTIFIC eBooksMême sujetGlobal trade and economicsTravaux en français237 207