Direkt zur Hauptnavigation springen Direkt zum Inhalt springen
info(at)avldigital.remove-this.de
Deutsch English
Filtern nach
Aktive Filter
Letzte Suchanfragen

Ergebnisse für *

Zeige Ergebnisse 1 bis 2 von 2.

  1. Structural breaks in carbon emissions
    a machine learning analysis
    Autor*in: Yao, Jiaxiong; Zhao, Yunhui
    Erschienen: 2022 JAN
    Verlag:  International Monetary Fund, [Washington, D.C.]

    To reach the global net-zero goal, the level of carbon emissions has to fall substantially at speed rarely seen in history, highlighting the need to identify structural breaks in carbon emission patterns and understand forces that could bring about... mehr

    Zugang:
    Verlag (kostenfrei)
    Verlag (kostenfrei)
    Resolving-System (kostenfrei)

    Standort:
    Staatsbibliothek zu Berlin - Preußischer Kulturbesitz, Haus Potsdamer Straße
    Fernleihe:
    keine Fernleihe

    Standort:
    Universitätsbibliothek Braunschweig
    Fernleihe:
    keine Fernleihe

    Standort:
    Staats- und Universitätsbibliothek Bremen
    Fernleihe:
    keine Fernleihe

    Standort:
    Universitätsbibliothek Erfurt / Forschungsbibliothek Gotha, Universitätsbibliothek Erfurt
    Fernleihe:
    keine Fernleihe

    Standort:
    Bibliothek der Pädagogischen Hochschule Freiburg/Breisgau
    Fernleihe:
    keine Fernleihe

    Standort:
    Niedersächsische Staats- und Universitätsbibliothek Göttingen
    Fernleihe:
    keine Fernleihe

    Standort:
    Universitäts- und Landesbibliothek Sachsen-Anhalt / Zentrale
    Fernleihe:
    keine Fernleihe

    Standort:
    Helmut-Schmidt-Universität, Universität der Bundeswehr Hamburg, Universitätsbibliothek
    Fernleihe:
    keine Fernleihe

    Standort:
    Technische Universität Hamburg, Universitätsbibliothek
    Fernleihe:
    keine Fernleihe

    Standort:
    Technische Informationsbibliothek (TIB) / Leibniz-Informationszentrum Technik und Naturwissenschaften und Universitätsbibliothek
    Fernleihe:
    keine Fernleihe

    Standort:
    Duale Hochschule Baden-Württemberg Heidenheim, Bibliothek
    Signatur:
    e-Book Nationallizenz
    Fernleihe:
    keine Fernleihe

    Standort:
    Thüringer Universitäts- und Landesbibliothek
    Fernleihe:
    keine Fernleihe

    Standort:
    Fachhochschule Kiel, Zentralbibliothek
    Fernleihe:
    keine Fernleihe

    Standort:
    ZBW - Leibniz-Informationszentrum Wirtschaft, Standort Kiel
    Signatur:
    VS 301
    Fernleihe:
    keine Fernleihe

    Standort:
    Universitätsbibliothek Leipzig
    Fernleihe:
    keine Fernleihe

    Standort:
    Leuphana Universität Lüneburg, Medien- und Informationszentrum, Universitätsbibliothek
    Fernleihe:
    keine Fernleihe

    Standort:
    Duale Hochschule Baden-Württemberg Mosbach, Bibliothek
    Signatur:
    E-Book Nationallizenz IMF
    Fernleihe:
    keine Fernleihe

    Standort:
    Hochschule Offenburg, University of Applied Sciences, Bibliothek Campus Offenburg
    Signatur:
    E-Book International Monetary Fund
    Fernleihe:
    keine Ausleihe von Bänden, nur Papierkopien werden versandt

    Standort:
    Hochschulbibliothek Pforzheim, Bereichsbibliothek Technik und Wirtschaft
    Signatur:
    e-Book International Monetary Fund eLibrary
    Fernleihe:
    keine Ausleihe von Bänden, nur Papierkopien werden versandt

    Standort:
    Duale Hochschule Baden-Württemberg Ravensburg, Bibliothek
    Signatur:
    E-Book IMF
    Fernleihe:
    keine Fernleihe

    Standort:
    Hochschule Albstadt-Sigmaringen, Bibliothek Sigmaringen
    Fernleihe:
    keine Ausleihe von Bänden, nur Papierkopien werden versandt

     

    To reach the global net-zero goal, the level of carbon emissions has to fall substantially at speed rarely seen in history, highlighting the need to identify structural breaks in carbon emission patterns and understand forces that could bring about such breaks. In this paper, we identify and analyze structural breaks using machine learning methodologies. We find that downward trend shifts in carbon emissions since 1965 are rare, and most trend shifts are associated with non-climate structural factors (such as a change in the economic structure) rather than with climate policies. While we do not explicitly analyze the optimal mix between climate and non-climate policies, our findings highlight the importance of the nonclimate policies in reducing carbon emissions. On the methodology front, our paper contributes to the climate toolbox by identifying country-specific structural breaks in emissions for top 20 emitters based on a user-friendly machine-learning tool and interpreting the results using a decomposition of carbon emission ( Kaya Identity)

     
    Export in Literaturverwaltung   RIS-Format
      BibTeX-Format
    Quelle: Staatsbibliothek zu Berlin
    Sprache: Englisch
    Medientyp: Ebook
    Format: Online
    ISBN: 9798400200267
    Weitere Identifier:
    Schriftenreihe: Working paper / International Monetary Fund ; WP/22, 9
    Schlagworte: Climate Policies; Carbon Emissions; Machine Learning; Structural Break; Kaya Identity; Panel Data Models; Climate; Econometric Modeling; Natural Disasters and Their Management; Spatio-Temporal Models
    Umfang: 1 Online-Ressource (circa 48 Seiten), Illustrationen
  2. Structural breaks in carbon emissions
    a machine learning analysis
    Autor*in: Yao, Jiaxiong; Zhao, Yunhui
    Erschienen: 2022 JAN
    Verlag:  International Monetary Fund, [Washington, D.C.]

    To reach the global net-zero goal, the level of carbon emissions has to fall substantially at speed rarely seen in history, highlighting the need to identify structural breaks in carbon emission patterns and understand forces that could bring about... mehr

    Zugang:
    Verlag (kostenfrei)
    Verlag (kostenfrei)
    Resolving-System (kostenfrei)

    Standort:
    Staatsbibliothek zu Berlin - Preußischer Kulturbesitz, Haus Unter den Linden
    Fernleihe:
    uneingeschränkte Fernleihe, Kopie und Ausleihe

     

    To reach the global net-zero goal, the level of carbon emissions has to fall substantially at speed rarely seen in history, highlighting the need to identify structural breaks in carbon emission patterns and understand forces that could bring about such breaks. In this paper, we identify and analyze structural breaks using machine learning methodologies. We find that downward trend shifts in carbon emissions since 1965 are rare, and most trend shifts are associated with non-climate structural factors (such as a change in the economic structure) rather than with climate policies. While we do not explicitly analyze the optimal mix between climate and non-climate policies, our findings highlight the importance of the nonclimate policies in reducing carbon emissions. On the methodology front, our paper contributes to the climate toolbox by identifying country-specific structural breaks in emissions for top 20 emitters based on a user-friendly machine-learning tool and interpreting the results using a decomposition of carbon emission ( Kaya Identity)

     
    Export in Literaturverwaltung   RIS-Format
      BibTeX-Format
    Quelle: Staatsbibliothek zu Berlin
    Sprache: Englisch
    Medientyp: Ebook
    Format: Online
    ISBN: 9798400200267
    Weitere Identifier:
    Schriftenreihe: Working paper / International Monetary Fund ; WP/22, 9
    Schlagworte: Climate Policies; Carbon Emissions; Machine Learning; Structural Break; Kaya Identity; Panel Data Models; Climate; Econometric Modeling; Natural Disasters and Their Management; Spatio-Temporal Models
    Umfang: 1 Online-Ressource (circa 48 Seiten), Illustrationen