MétaCan
Menu
Retour à la cohorte
Enregistrement W4410201905 · doi:10.1016/j.erss.2025.104119

Passing the check: How overlapping climate policies shift the distribution of costs in California

2025· article· en· W4410201905 sur OpenAlexafffund
William A. Scott

Notice bibliographique

RevueEnergy Research & Social Science · 2025
Typearticle
Langueen
DomaineEconomics, Econometrics and Finance
ThématiqueClimate Change Policy and Economics
Établissements canadiensSimon Fraser University
Organismes subventionnairesSocial Sciences and Humanities Research CouncilSocial Sciences and Humanities Research Council of CanadaStanford School of Earth, Energy and Environmental SciencesStanford University
Mots-clésDistribution (mathematics)Environmental scienceEconomicsMathematics

Résumé

récupéré en direct d'OpenAlex

Energy and transportation services represent a significant portion of household budgets, particularly for low-income households. Climate policies that increase the cost of energy and transportation services can lead to disparate impacts across income and demographic groups. When multiple overlapping climate policies are in place, they may interact to compound or shift the distribution of costs. This study employs household expenditure microdata from the Consumer Expenditure Survey to examine the distributional costs of two overlapping policies in California: the cap-and-trade program (CAT) and the low carbon fuel standard (LCFS). Findings indicate that the LCFS is regressive and that the CAT, while highly regressive at initial incidence, is similar in net incidence to the LCFS after returning some revenue to households through utility rebates. Yet the CAT program leads to greater differences in impacts on households within income groups, even exceeding differences between groups. Interactions between the two policies lead to higher costs for households across income deciles compared to achieving the same level of emissions reduction with the CAT alone. This suggests there is no equity-efficiency tradeoff in choosing between these policy instruments.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,006
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,318
Score d'incertitude au seuil0,632

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,006
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,001
Communication savante0,0020,001
Science ouverte0,0010,001
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0050,000

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.

Tête enseignante Opus0,114
Tête enseignante GPT0,354
Écart entre enseignants0,241 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations3
Publié2025
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueEnergy Research & Social ScienceMême sujetClimate Change Policy and EconomicsTravaux en français237 207