Synthesis of evidence yields high social cost of carbon due to structural model variation and uncertainties
Notice bibliographique
Résumé
Estimating the cost to society from a ton of CO 2 —termed the social cost of carbon (SCC)—requires connecting a model of the climate system with a representation of the economic and social effects of changes in climate, and the aggregation of diverse, uncertain impacts across both time and space. A growing literature has examined the effect of fundamental structural elements of the models supporting SCC calculations. This work has accumulated in a piecemeal fashion, leaving their relative importance unclear. Here, we perform a comprehensive synthesis of the evidence on the SCC, combining 1,823 estimates of the SCC from 147 studies with a survey of authors of these studies. The distribution of published 2020 SCC values is wide and substantially right-skewed, showing evidence of a heavy right tail (truncated mean of $132). ANOVA reveals important roles for the inclusion of persistent damages, the representation of the Earth system, and distributional weighting. However, our survey reveals that experts believe the literature underestimates the SCC due to an undersampling of model structures, incomplete characterization of damages, and high discount rates. To address this imbalance, we train a random forest model on variation in the literature and use it to generate a synthetic SCC distribution that more closely matches expert assessments of appropriate model structure and discounting. This synthetic distribution has a mean of $283 per ton CO 2 for a 2020 pulse year (5% to 95% range: $32 to $874), higher than most official government estimates, including a 2023 update from the U.S. EPA.
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 | 0,084 | 0,313 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,007 |
| Bibliométrie | 0,010 | 0,007 |
| Études des sciences et des technologies | 0,001 | 0,003 |
| Communication savante | 0,006 | 0,004 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,003 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 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 ».