Industrial Electricity Pricing and Renewable Energy: A Temporal Analysis of the Effect of Taxes
Notice bibliographique
Résumé
This study investigates the industrial electricity pricing (IEP) profiles of 22 OECD countries to understand the effect of renewable energy and taxes on overall prices. Clustering analysis was performed on pricing data from the year 2000 to 2018 to observe how prices evolved. Ordinal logit regression analysis was performed to determine possible associations between the clustered groups and the percentage share of renewables generated (REG), specifically linked to wind, solar photovoltaics and solar thermal. Other independent variables indicating economic and market structures were also considered. Clustering results for both prices before and after tax indicated three pricing clusters, termed low, median, and high pricing clusters. IEP in Italy and Germany was found to have the highest effect owing to taxes, while IEP in countries such as the US, Norway, Canada, and Denmark was least affected by taxes. Regression results show positive associations between the clustered profiles and REG. The positive association between the non-taxed component of IEP and a unit increase in REG is 1.41 times, whereas the positive association of overall IEP price (including taxes) and a unit increase in REG is 56.26 times, which is 39.9 times higher. Our results show that REG penetration has had a minimal effect on IEP over the time under consideration, but rather that the taxation on IEP coincides with REG penetration, contributing to IEP increases.
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 | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 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 ».