Policy Portfolio Options for Encouraging Deployment of Negative Emissions Technologies in the Electricity System
Notice bibliographique
Résumé
High Resolution Image Download MS PowerPoint Slide Negative emissions technologies, like direct air capture (DAC) of CO 2 and carbon capture and storage (CCS), could play a role in the transition to net-zero emissions in the electricity system. These technologies both capture CO 2: CCS captures CO 2 from a point source, such as a fossil-fueled power pant, while DAC captures CO 2 from the ambient air. DAC could be used to offset residual emission from CCS-enabled power plants with imperfect (<100%) CO 2 capture rates. Studies have shown that they can reduce the cost of achieving net-zero, but this prior work has focused on outcomes achieved in the final year of the transition to net-zero, such as cost and technological portfolio. Less attention is paid to important transition dynamics, including cumulative emissions and the effect of deployment on electricity prices. Here, we study the impact of negative emissions technologies on transition dynamics within the electricity system, focusing on how they affect cumulative emissions, electricity prices, and abatement costs. We model several policy portfolios, or scenarios, with differing net-zero commitments, deployment subsidies, and carbon pricing. Across scenarios, we find that these technologies play a minimal role in achieving net-zero. Instead, the policy portfolio combining graduated carbon pricing and a renewables subsidy yields the smoothest transition dynamics for electricity prices, and the lowest cumulative emissions and abatement costs.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,012 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».