Incorporating non-climate externalities receiving public attention in the optimisation of grid decarbonisation: the case of Ontario
Notice bibliographique
Résumé
Abstract This paper extends a cost-optimising electricity capacity expansion model for the Canadian province of Ontario to incorporate several non-climate externalities, reflecting the way such externalities have been shown to impact the public acceptance of clean electricity policy. A Textometrica analysis of 225 news articles identified employment and health as the externalities receiving the most public attention, followed by land use and ecological impacts. Multiple sets of monetary valuations of the impact of different generation technologies on each externality were generated from the literature. The model was run with each combination of valuations incorporated into the cost function and with no externalities under both partial (carbon cost of $200 CAD/tonne) and full decarbonisation. Incorporating externalities was found to decrease optimal emissions by 21% on average across partial decarbonisation scenarios, and generally to increase optimal wind capacity expansion and retirement of gas generation (solar expansion and nuclear expansion were not optimal in any modelled scenario). Significantly, the incorporation of externalities only modestly increases the accounting cost of the system. All these impacts are much smaller in the case of full decarbonisation. Results are highly sensitive to the health impact valuations used and the presence of community support for wind expansion, which determines whether property values are impacted. Application of this modelling approach and these findings should not only reduce the social cost of electricity system decarbonisation measures but also facilitate their implementation by decreasing the risk of politicised opposition.
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 | 0,002 | 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 ».