The net zero wave: identifying patterns in the uptake and robustness of national and corporate net zero targets 2015–2023
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
Since the 2015 Paris Agreement, a growing number of states and firms have adopted targets to reach net zero emissions. These pledges vary significantly both in the timing of adoption and in robustness – measured by whether they adopt procedural best practices. We introduce a novel time-series dataset measuring the uptake and robustness of net zero targets of states and the world’s largest listed firms between 2015 and 2023. The new data allow us to identify patterns that speak to a key debate in the literature: what explains the rapid uptake of net zero targets by firms and countries? Descriptive inference yields several insights. First, the timing of net zero adoption by both states and firms strongly tracks international mobilization efforts, highlighting the importance of the United Nations (UN) process for target setting. Second, on average, firms set targets before countries. Third, there is an increase in some best practices for companies, such as setting interim targets and including Scope three emissions in targets, alongside a lack of progress in others, such as safeguards on the use of offsetting. Importantly, we do not find significant variation in timing or robustness of net zero pledges across firms in different sectors. For countries, early adopters tend to have more robust targets from the beginning than late adopters, suggesting the latter may be adopting more symbolic targets. In sum, our results show the rapid growth of the net zero wave, but also its limits in driving robust targets.
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 | 0,002 | 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 | 0,000 | 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