Modelling the Emission Offseting Potential of Rooftop Solar Panels
Notice bibliographique
Résumé
This study empirically investigates the emission-offsetting potential of rooftop solar panels in a group of cities across three continents. By use of experimental big data from the Google Environmental Insights Explorer (GEIE) collected over two months in early 2023 as well as additional official data sources, the link between the potential rooftop solar (RPV) offset ratio and a set of city characteristics are estimated by use of linear regression methods. The data consist of 352 observations from a large group of cities in Australia, Canada, the United Kingdom, and the United States between 2018 and 2021. The main independent variable is population density, and additional control variables are the availability of public mass transportation, country, topography, and year.\n\nQuantile regressions (Q 0.5), considering the skewed distribution of the dependent variable, reveal that population density is linked to the potential RPV offset ratio at the one per cent significant level and with a negative sign. Countries where the RPVs are installed are also significant, with the largest offsetting potential in Australia compared to the reference country Canada. The years 2020 and 2021 are also significant, indicating that reduced transport emissions due to lockdowns, travel restrictions, and the aftermath of the global COVID-19 pandemic relate to the offsetting potential. A robustness analysis shows that the negative relationship with population density, in principle, does not appear until beyond approximately 2000 inhabitants per square kilometre.
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 | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».