Avoiding investment in fossil fuel assets
Notice bibliographique
Résumé
Abstract Reducing greenhouse gas emissions requires a transformation of capital assets in the economy, especially those for energy supply. This paper explores the hypothesis that economically efficient decarbonization occurs when the demand for fossil fuels declines at the same rate as their capital assets depreciate. In theory this means that new investments in fossil fuel assets are avoided, but without incurring stranded assets. We examine the practicality of this hypothesis using a biophysical economic model of the US energy supply system, with an example focused on impacts of electric vehicles on the petroleum supply chain. We specifically address two questions: (1) What rate of market penetration for electric vehicles is necessary to avoid investments in the petroleum‐related assets? (2) How do the costs of upstream capital assets change with the transformation to electric vehicles? High annual depreciation rates for oil refineries ( δ = 9.47%) and assets for crude oil extraction ( δ = 8.23%) have important impacts on results. To avoid new investment in oil refining assets through widespread electrification of light‐duty vehicles, the vehicle stock would need to be transformed in just 4 or 5 years. Under most scenarios, some petroleum pipelines will likely become stranded assets due to their low rate of depreciation ( δ = 2.48%). In some scenarios, additional investments in wind and solar power generation surpass oil and gas extraction for about 5 years during the transformation to electric vehicles. Once built, however, wind and solar capital assets last longer, as shown by their low rate of depreciation ( δ = 3.26%).
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 | 0,003 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».