Feed-in-tariff is key to Japan’s current biomass power’s viability, even with environmental externalities
Notice bibliographique
Résumé
Abstract Bioenergy is increasingly recognized as an effective tool for removing carbon dioxide from the atmosphere. However, its economic feasibility remains underexplored, particularly when accounting for environmental impacts. This study proposes a quantitative assessment framework to calculate the cost-benefit ratio of biomass power generation and to assess the sustainability of its supporting policy tools, such as feed-in-tariffs (FIT). The framework accounts for benefits through electricity generation and environmental externalities, namely emissions from feedstock production and procurement, such as the transportation of biomass materials. This allows for quantification and a detailed discussion of multiple environmental burdens of biomass energy and economic costs. As a case study, this framework was applied to a hypothetical biomass plant in Japan, which has the fifth-largest biomass market globally. We prepare several scenarios to consider diverse conditions within the Japanese biomass industry, including the types of biomass materials used (pellets versus chips), their sources (domestic versus international), and the biomass technologies employed. The results show that using pellets, predominantly imported, significantly increases biomass energy costs. The increase in cost is directly proportional to the quantity of utilized pellets and their transportation distances. However, pellet production location —whether in Vietnam or Canada—doesn’t significantly change the overall cost calculations in our study. Our result is consistent across various biomass technologies, showing that the high selling price under the feed-in-tariff system, rather than material type, supply origin, or transportation mode, plays the most critical role in economic feasibility, even when accounting for environmental externalities. Thus, decision-makers must reevaluate the efficacy of FIT policies for wood biomass powers, where fuel costs share a substantial portion. We also discuss its synergies with local industries and trade-offs with other land-use objectives.
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 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 ».