MétaCan
Menu
Retour à la cohorte
Enregistrement W7119135420 · doi:10.57233/gujaf.v6i3.19

EVALUATING THE DUAL ROLE OF CARBON PRICING IN ENVIRONMENTAL PERFORMANCE AND INNOVATION OF CANADIAN PROVINCES USING A DIFFERENCE-IN-DIFFERENCES ANALYSIS

2025· article· en· W7119135420 sur OpenAlexaboutno aff
ADEDEJI DANIEL GBADEBO

Notice bibliographique

RevueGusau Journal of Accounting and Finance · 2025
Typearticle
Langueen
DomaineEconomics, Econometrics and Finance
ThématiqueEnergy, Environment, Economic Growth
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésCarbon taxTotal factor productivityExternalityProductivityDual (grammatical number)Panel dataGreenhouse gasCapital (architecture)Sample (material)

Résumé

récupéré en direct d'OpenAlex

Carbon taxation or other policies aiming at the mitigation of climate change become more critical in the promotion of sustainable environmental and economic results. This paper uses a panel dataset of 102 Canadian firms over the period between 2010 and 2023 sample and estimates the effect of carbon taxation on carbon emissions at the firm level and total factor productivity (TFP) using a method of difference-in-differences (DiD) estimation. The findings confirm the Porter Hypothesis which proposes that emissions can be largely reduced through the carbon tax by an estimated 0.8 units along with a 0.22 increase in the TFP which indicates that carbon tax can spur environmentally friendly efficiency in production. We found that factor intensities, such as firm size and capital intensity has a major impact on these effects. The results suggest that carbon taxation is a powerful instrument to lower environment externality without undermining, and possibly increasing, firm competitiveness. The advice to the policymakers is stated to shape carbon tax measures and pre-incentives on innovation to continue economic development with respect to climate 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 machine sur la base complète

Imitation des enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,010
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
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 enseignants0,022
Score d'incertitude au seuil0,157

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,010
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0020,003
Études des sciences et des technologies0,0010,001
Communication savante0,0020,001
Science ouverte0,0010,001
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0030,000

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 Opus0,026
Tête enseignante GPT0,226
Écart entre enseignants0,200 · 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 source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
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 revueGusau Journal of Accounting and FinanceMême sujetEnergy, Environment, Economic GrowthTravaux en français237 207