Sustainability, emission trading system and carbon leakage: An approach based on neural networks and multicriteria analysis
Notice bibliographique
Résumé
Two transitions, green and digital, are changing the operations and strategies of industrial systems. At the same time, businesses are challenged to be globally competitive. Europe has a very ambitious agenda as it aims to be the first climate-neutral continent in 2050. The European Emissions Trading Scheme (EU ETS) has proven to have facilitated the reduction of significant amounts of greenhouse gas emissions, but the risk of carbon leakage is present. This work seeks to explore these issues and their relationships. Through the use of a long short-term memory (LSTM) neural network, a model is built to determine the price of European Union Allowance (EUA) as a function of different financial energy futures. The results show that the model is very robust and the EUA tends to vary between 78 and 91 €/tCO2. In addition, a Multi-Criteria Decision Analysis (MCDA) is applied to identify the best policy alternatives to enable businesses subject to the EU ETS to be competitive in global markets. The analysis is carried out with the help of academic and industrial experts and it emerges that the criteria considered most relevant are two: (i) public expenditure and its expected benefits and (ii) the industrial ecosystem. The policy implications identify that bonuses should be provided to businesses for innovative solutions that protect both the energy and raw material components. The framework of the 3E (Energy Efficiency, Renewable Energy, and Circular Economy) are critical to businesses' long-term strategies, flanked by digital development.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,002 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), 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 ».