Sustainability, emission trading system and carbon leakage: An approach based on neural networks and multicriteria analysis
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
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.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| 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 | 0,000 |
| 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 découle