Les permis d’émission et les charges : efficacité et substituabilité
Bibliographic record
Abstract
Cet article examine l’effet des technologies polluantes sur l’efficacité de l’échange des permis d’émissions. Nous démontrons que la capacité des entreprises à substituer les polluants, lorsqu’il y a absence de marché pour certains d’entre eux, fera probablement obstacle à l’efficacité dynamique normalement attribuée aux instruments de marché. Il est à noter que le régulateur dispose d’une mesure qui lui permet d’évaluer l’ampleur de ce problème. Par ailleurs, on examine la façon dont le gouvernement peut s’approprier la rente provenant de l’échange de permis alloués gratuitement. Nous comparons les effets de quatre méthodes d’appropriation de rente, soit une surcharge sur le prix des permis d’émission, une charge sur les profits, une charge sur le produit et une charge sur le transfert des permis d’émission. On démontre que ces méthodes d’appropriation de rente ont des effets différents sur l’efficacité des permis d’émission transférables. L’analyse de ces méthodes est faite dans un contexte où le régulateur fait face à de l’information imparfaite et où les entreprises peuvent substituer les polluants.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.002 | 0.004 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.003 | 0.003 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.002 | 0.001 |
| Insufficient payload (model declined to judge) | 0.015 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".