MétaCan
Menu
Retour à la cohorte
Enregistrement W4415499210 · doi:10.1177/10591478251394133

The Hidden Impact of Prosumers and Its Fair Mitigation

2025· article· en· W4415499210 sur OpenAlexafffund
Ming Hu, Yinliang Tan

Notice bibliographique

RevueProduction and Operations Management · 2025
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueDigital Economy and Work Transformation
Établissements canadiensUniversity of Toronto
Organismes subventionnairesNatural Sciences and Engineering Research Council of CanadaNational Natural Science Foundation of China
Mots-clésProsumerStylized factRenewable energySubsidyGreenhouse gasElectricityIncentiveBeneficiaryConsumption (sociology)

Résumé

récupéré en direct d'OpenAlex

We investigate the burgeoning trend of prosumers, who have transformed from traditional consumers into active renewable energy producers. While prosumers help reduce greenhouse gas emissions and reliance on fossil fuels, they often remain connected to the grid as a backup. This practice requires that utility companies reserve capacity, and conventional consumers share these associated costs. We develop a stylized model to comprehensively assess the impact of prosumers. Our findings demonstrate that, although prosumers contribute to diminishing nonrenewable energy consumption and offer potential cost savings to utility firms, they simultaneously introduce negative externalities. Specifically, they inject uncertainty into the grid, resulting in higher electricity prices and increased utility bills for regular consumers, even when fixed costs incurred by utility firms are not considered. As the intermittency of prosumer energy generation increases, the socially optimal proportion decreases while the self-selected equilibrium proportion of prosumers increases. Furthermore, we examine the potential implications of a conventional linear incentive scheme for prosumers, exemplified by the 2023 U.S. federal tax credit for solar panel installation costs. We find that such schemes may exacerbate social disparity. To address this issue, we propose a reverse-linear subsidization approach, which paradoxically requires less funding to achieve equivalent prosumer adoption rates and results in smaller social disparity.

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 candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Théorique ou conceptuel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,693
Score d'incertitude au seuil0,468

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 technologies0,0010,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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 Opus0,009
Tête enseignante GPT0,282
Écart entre enseignants0,273 · 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.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeThéorique ou conceptuel
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'admission2
Résumé présentoui

Explorer davantage

Même revueProduction and Operations ManagementMême sujetDigital Economy and Work TransformationTravaux en français237 207