Cost and carbon-intensity reducing innovation in biofuels for road transportation
Notice bibliographique
Résumé
The transportation sector is the leading contributor to greenhouse gas emissions in the United States. Incentives for biofuel production in the form of direct subsidies and tradable performance standards have been substantial. Although research suggests such policies are less cost-effective at reducing emissions than an explicit carbon price, a dynamic assessment that accounts for innovation may differ substantially from static cost estimates. This study evaluates cost and carbon-intensity reducing innovation in the U.S. biofuel industry and estimates the value of social benefits for comparison with the observed level of policy support. Using multi-factor experience curves, this study finds that cost declines have been significant in ethanol production, with an estimated learning rate of 21.8%. However, learning in biodiesel and renewable diesel has been much less pronounced, at 3.23% and 1.33%, respectively. Reductions in carbon intensity are found to be largely related to feedstock choice rather than improvements in production processes. Based on the innovation rates identified in this study, current policy support for biofuels from stacked incentives is found to exceed the social benefits. This misalignment calls for a reassessment of biofuel policies to ensure they are economically and environmentally justified. • Ethanol has maintained a high learning rate of 21.8% • Biodiesel and renewable diesel demonstrate lower learning rates of 3.23% and 1.33% • Carbon intensity innovation primarily results from feedstock choice • Policy support exceeds social benefit of biofuels from emission reduction and innovation
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 | 0,000 | 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 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 ».