Filtern nach
Letzte Suchanfragen

Ergebnisse für *

Zeige Ergebnisse 1 bis 2 von 2.

  1. Structural breaks in carbon emissions
    a machine learning analysis
    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)
    Staatsbibliothek zu Berlin - Preußischer Kulturbesitz, Haus Unter den Linden
    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
  2. Structural breaks in carbon emissions
    a machine learning analysis
    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)
    Verlag (kostenfrei)
    Orient-Institut Beirut
    Online
    keine Fernleihe
    Staatsbibliothek zu Berlin - Preußischer Kulturbesitz, Haus Potsdamer Straße
    keine Fernleihe
    Universitätsbibliothek Braunschweig
    keine Fernleihe
    Staats- und Universitätsbibliothek Bremen
    keine Fernleihe
    Universitätsbibliothek Erfurt / Forschungsbibliothek Gotha, Universitätsbibliothek Erfurt
    keine Fernleihe
    Bibliothek der Pädagogischen Hochschule Freiburg/Breisgau
    keine Fernleihe
    Niedersächsische Staats- und Universitätsbibliothek Göttingen
    keine Fernleihe
    Universitäts- und Landesbibliothek Sachsen-Anhalt / Zentrale
    keine Fernleihe
    Helmut-Schmidt-Universität, Universität der Bundeswehr Hamburg, Universitätsbibliothek
    keine Fernleihe
    Technische Universität Hamburg, Universitätsbibliothek
    keine Fernleihe
    Technische Informationsbibliothek (TIB) / Leibniz-Informationszentrum Technik und Naturwissenschaften und Universitätsbibliothek
    keine Fernleihe
    Duale Hochschule Baden-Württemberg Heidenheim, Bibliothek
    e-Book Nationallizenz
    keine Fernleihe
    Thüringer Universitäts- und Landesbibliothek
    keine Fernleihe
    Fachhochschule Kiel, Zentralbibliothek
    keine Fernleihe
    ZBW - Leibniz-Informationszentrum Wirtschaft, Standort Kiel
    VS 301
    keine Fernleihe
    Universitätsbibliothek Leipzig
    keine Fernleihe
    Leuphana Universität Lüneburg, Medien- und Informationszentrum, Universitätsbibliothek
    keine Fernleihe
    Duale Hochschule Baden-Württemberg Mosbach, Bibliothek
    E-Book Nationallizenz IMF
    keine Fernleihe
    Hochschule Offenburg, University of Applied Sciences, Bibliothek Campus Offenburg
    E-Book International Monetary Fund
    keine Fernleihe
    Hochschulbibliothek Pforzheim, Bereichsbibliothek Technik und Wirtschaft
    e-Book International Monetary Fund eLibrary
    keine Ausleihe von Bänden, nur Papierkopien werden versandt
    Duale Hochschule Baden-Württemberg Ravensburg, Bibliothek
    E-Book IMF
    keine Fernleihe
    Hochschule Albstadt-Sigmaringen, Bibliothek Sigmaringen
    keine Ausleihe von Bänden, nur Papierkopien werden versandt
    Duale Hochschule Baden-Württemberg Villingen-Schwenningen, Bibliothek
    E_Book IMF
    keine Fernleihe

     

    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