MétaCan
Menu
Retour à la cohorte
Enregistrement W4414832260 · doi:10.1080/13504851.2025.2569707

Welfare loss in electricity markets: economic and environmental Perspectives

2025· article· en· W4414832260 sur OpenAlexaff
Pierre‐Olivier Pineau, Nima Rafizadeh

Notice bibliographique

RevueApplied Economics Letters · 2025
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueEnergy and Environment Impacts
Établissements canadiensHEC Montréal
Organismes subventionnairesnon disponible
Mots-clésElectricityWelfareDeadweight lossJob lossEconomic welfareMains electricity

Résumé

récupéré en direct d'OpenAlex

Energy subsidies, widely implemented globally with annual expenditures surpassing 300 billion USD, generate market inefficiencies through deadweight losses and distortions in supply-demand equilibrium. These subsidies, with over one-third allocated to the electricity sector – a major source of greenhouse gas emissions – substantially affect economic and environmental welfare. This study quantifies the welfare loss resulting from global electricity subsidies, utilizing baseline assumptions regarding supply and demand elasticities and employing the most recent available data. Our findings indicate that in 2016, the aggregate deadweight loss from these subsidies amounted to approximately 12.4 billion USD. When accounting for the environmental externalities associated with increased electricity consumption due to subsidies, the total annual welfare loss escalates to an estimated 43.2 billion USD, equivalent to 4.5% of the total market value of electricity in subsidy-implementing countries.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesCharge utile insuffisante (le modèle a refusé de juger)
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 enseignants0,339
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

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

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 Opus0,002
Tête enseignante GPT0,161
Écart entre enseignants0,159 · 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 tête enseignante, pas un consensus.

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

Citations0
Publié2025
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueApplied Economics LettersMême sujetEnergy and Environment ImpactsTravaux en français237 207