Analysis of decision-making around sulfur regulation in marine shipping using the graph model for conflict resolution
Notice bibliographique
Résumé
Reducing the environmental and health impacts arising from marine transportation is a central mandate for the International Maritime Organization (IMO), but policy implementation is challenged by overlapping jurisdictions and compartmentalized policy design. Here, we investigate decision-making strategies after the IMO 2020 policy, aimed at reducing sulfur emissions by more stringently regulating fuel sulfur content, came into force. Our analysis highlights the consequences of an exception in IMO 2020 allowing vessels to use exhaust gas cleaning systems as an alternative to fuel-based compliance. Focusing on an example in the Port of Vancouver, Canada, we present a formal model capturing the key decision-makers as they respond to protect their own interests upon the implementation of IMO 2020. We trace how responses to this policy have evolved since 2020, leading to a critical decision point from which a set of alternative technology pathways for marine shipping futures arise. These pathways diverge meaningfully in terms of how they can contribute to policy goals beyond sulfur emissions (e.g., water quality and decarbonization). We then provide recommendations for supporting industry decision-making around those alternatives. While we focus on how this policy manifested in Vancouver, Canada, IMO 2020 has a global impact, and our model provides a framework for systematically investigating its consequences in other jurisdictions. We also provide transferable insights to other multi-scale governance contexts, contributing to policy design that includes co-benefits and trade-offs relevant to interrelated goals.
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 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 ».