Improving the Effectiveness of Time-of-Use Pricing to Make Household Electricity Consumption More Sustainable
Notice bibliographique
Résumé
To increase efficiencies and reduce greenhouse gas emissions, policymakers and electric utility providers are increasingly adopting time-of-use (TOU) pricing policies, which charge the most for electricity consumption during on-peak hours, the times when the demand for electricity is greatest. TOU policies aim to disincentivize on-peak electricity use in favor of use during usually low-demand, off-peak periods to reduce the suppliers’ need to augment electricity generated by low- or nonemitting sources (such as hydro-electric and nuclear power) with electricity generated by high-emitting sources (such as coal- or gas-fired power plants). Researchers and policymakers are attempting to apply behavioral science tactics to enhance the effectiveness of TOU pricing by making behavioral science-based changes to electricity bills or delivering personalized information about electricity use and pricing, or doing both. In this article, we describe several studies we conducted in Ontario, Canada, in which we examined customer responses to various bill designs and communications. Simplifying bills and emphasizing the high cost of on-peak use (that is, making on-peak pricing more salient) were effective at shifting behavior, as was the delivery of nudge reports, which compared a household's electricity use with its past consumption, offered conservation tips, and asked customers to make a pledge to reduce consumption. These studies demonstrate that incorporating behavioral tactics into existing consumer-facing communications can be an effective, low-cost, and scalable way to induce customers to increase off-peak electricity use and thus limit greenhouse gas emissions.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| 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 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 ».