The value of reducing the Green Premium: cost-saving innovation, emissions abatement, and climate goals
Notice bibliographique
Résumé
Abstract Carbon-emitting technologies often cost less than carbon-emission-free alternatives; this difference in cost is known as the Green Premium. Innovations that decrease the Green Premium contribute to achieving climate goals, but a conceptual framework to quantify that contribution has been lacking. Here, we devise a framework to translate reductions in the Green Premium into equivalent reductions in carbon emissions. We introduce a new integrated assessment model designed for teaching and communication, the Climate Optimized INvestment model, to facilitate transparent investigation of cost-saving innovation. We look at consequences of introducing a new technology with potential for learning and improvement for scenarios with three levels of stringency of carbon constraint: an Unlimited budget scenario in which carbon emissions abatement is determined only by balancing marginal costs; a Large budget scenario with a maximum budget for future cumulative emissions equivalent to 50 times the initial-year emissions; and a Small budget scenario with a maximum budget for future cumulative emissions equivalent to 15 times the initial-year emissions. At all of these stringency levels, we find the least-cost solutions involve investing in a learning subsidy to bring the cost of the new technology down the learning curve. Reducing the Green Premium can lead to enhanced carbon abatement, lower abatement costs even after reaching net-zero emissions, less climate damage, and increased net-present-value of consumption. We find both the value of Green Premium reductions and the value of carbon dioxide removal are greater under more stringent mitigation targets. Our study suggests a crucial role for both public and private sectors in promoting and developing innovations that can contribute to achieving zero emissions goals.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 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 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 ».