Does the purchase of voluntary renewable energy certificates lead to emission reductions? A review of studies quantifying the impact
Notice bibliographique
Résumé
The conditions under which companies can report their use of renewable electricity are currently under scrutiny for their effectiveness in reducing overall emissions. We contribute to the debate by reviewing the eight techno-economic modelling studies that quantify their impact on emissions. For the five energy system modelling studies that provide their output data, we use a set of synthesis indicators to compare the extent to which different modelled REC purchase conditions resulted in additional renewable energy generation (REG) and emission reductions relative to a counterfactual without a REC market. Our results suggest that assuming the implementation of recent government policies, annual volumetric and emissions matching do not lead to significant emission reductions relative to a counterfactual without a REC market. This is because investments are almost exclusively made in the cheapest available renewable energy resource, thereby cannibalising market-driven projects that would also have been built without a REC market. On the other hand, we find that hourly matching (with PPAs involving local and new RE generators) leads to significant reductions in system emissions. We discuss the sensitivity of individual study results to modelling and policy assumptions and highlight potential pitfalls in study design. Our findings can inform ongoing discussions about how companies should account for their electricity-related emissions and the conditions under which renewable fuels are produced. • Annual matching leads to negligible emission reductions compared to a no RECs case. • Hourly matching (with local new RE PPAs) reduces system emissions. • Energy system models can assess the emissions impact of REC purchase conditions. • Renewable generation is a better measure of additionality than renewable capacity. • Not considering modelling assumptions can lead to misleading policy recommendations.
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 | 0,012 | 0,028 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».