The net zero wave: identifying patterns in the uptake and robustness of national and corporate net zero targets 2015–2023
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.
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 | 0,002 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 ».