Progressive carbon tax and carbon emission reduction technology advancement in outsourced low-carbon supply chains
Notice bibliographique
Résumé
This paper explores how carbon tax policies can motivate manufacturers in low-carbon supply chains (LCSCs) to enhance their carbon emission reduction (CER) efforts. Specifically, the study examines the effects of a progressive carbon tax policy on advancing CER technology within an LCSC, particularly when certain components are outsourced. A progressive carbon tax refers to a taxation policy in which the tax amount increases with higher carbon emissions. To address this, we develop a game-theoretic model for an LCSC consisting of an upstream low-carbon component supplier and a downstream manufacturer. We conduct a comparative analysis of CER effort, product pricing, market transaction volumes, and the profits of LCSC members under different CER models. Our analysis reveals three main findings. First, a progressive carbon tax policy can encourage the manufacturer to increase its CER effort, with stronger incentives observed when tax rates are higher and CER effort coefficients are lower. Second, advancing CER technology by the manufacturer can lead to higher profits, though LCSC profit under decentralized decision-making is lower than that under centralization. Third, enhancing CER technology can significantly reduce carbon emissions, with centralization leading to even lower emission levels. This study makes three key academic contributions. First, it clarifies how a progressive carbon tax can incentivize the advancement of CER technology within LCSCs. Second, it compares the profits under decentralized and centralized decision-making, offering valuable insights for LCSC coordination. Third, it provides theoretical support for governments to effectively leverage carbon tax policies in promoting CER.
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 | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| 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 ».