XiaoMi-AI文件搜索系统
World File Search SystemMVPF
对影响气候变化的政策的福利分析
解决气候变化的最多方法是什么？本文扩展并应用了公共资金（MVPF）框架的边际价值来帮助回答这个问题。我们研究了过去25年中研究的96个美国环境政策变化。这些政策涵盖了补贴（风，住宅太阳能，电动和混合动力汽车，车辆退休，设备折扣，天气 - ization），裸（营销，能源保护）和收入提高（燃料税，上限和贸易）。对于每个策略，我们借鉴了因果关系的准实验或实验评估，并将这些估计值转化为MVPF。我们将这些行为反应的一致翻译应用于其相关外部性和这些外部性的衡量标准中。我们还提供了一种新方法，用于通过进行溢出的学习。分析产生三个主要结果：首先，投资的补贴直接取代电力的肮脏产量，例如风力发电的生产税信用和住宅太阳能电池板的补贴，比我们样本中所有其他补贴的MVPF（通常超过2个）（通常超过2个）（通常为MVPF通常约为1）。第二，减少能源消耗的轻度具有较大的MVPF，而用肮脏的电网瞄准美国地区时，阀门高于5。相比之下，针对具有清洁网格（例如加利福尼亚州和东北）的政策具有较小的MVPF（通常低于1）。第三，由于存在较大的环境外部性，燃油税和上限和交易政策是提高收入的高度有效手段（MVPF低于0.7）。我们将这些结论与以前文献中使用的更传统的每吨成本指标得出的结论进行了对比。
对影响气候变化的政策的福利分析
解决气候变化的最多方法是什么？本文扩展并应用了公共资金（MVPF）框架的边际价值来帮助回答这个问题。我们研究了过去25年中研究的96个美国气候相关政策变化。这些政策涵盖了补贴（风，住宅太阳能，电动和混合动力汽车，车辆退休，设备折扣，天气 - ization），裸（营销，能源保护）和收入提高（燃料税，上限和贸易）。对于每个策略，我们借鉴了其因果关系的准实验或实验评估，并将这些估计值转化为MVPF。我们将这些行为反应的一致翻译应用于其相关外部性和这些外部性的衡量标准中。我们还提供了一种新方法，用于通过进行溢出的学习。分析产生三个主要结果：首先，投资的补贴直接取代电力的肮脏产量，例如风力发电的生产税信用和住宅太阳能电池板的补贴，比我们样本中所有其他补贴的MVPF（通常超过2个）（通常超过2个）（通常为MVPF通常约为1）。第二，在用脏电网瞄准美国地区时，轻推的轻推量具有较大的MVPF，其阀门高于5。相比之下，针对具有清洁网格（例如加利福尼亚州和东北）的政策具有较小的MVPF（通常低于1）。第三，燃油税和上限和交易政策是提高收入的高度有效手段（MVPF低于0.7）。我们将这些结论与以前文献中使用的更传统的每吨成本指标得出的结论进行了对比。
对影响气候变化的政策的福利分析
解决气候变化的最多方法是什么？本文扩展并应用了公共资金（MVPF）框架的边际价值来帮助回答这个问题。我们研究了过去25年中研究的96个美国环境政策变化。这些政策涵盖了（风，住宅太阳能，电动和混合动力汽车，车辆退休，设备折扣，气候化），推销（营销，能源保护）和收入提高者（燃料税，上限和贸易）。对于每个策略，我们借鉴了其因果关系的准实验或实验评估，并将这些估计值转化为MVPF。我们将这些行为反应的一致翻译应用于其相关外部性和这些外部性的估值的衡量标准。我们还提供了一种新方法，用于通过进行溢出的学习。分析产生三个主要结果：首先，直接取代电力生产的投资的补贴，例如风力发电的生产税信用和驻留太阳能电池板的补贴，比我们样本中所有其他补贴的MVPF（通常超过2）（通常超过2个）（通常为MVPF通常约为1）。第二，减少能源消耗的轻度具有较大的MVPF，其值高于5，而用肮脏的电网瞄准了美国地区。相比之下，针对具有清洁网格（例如加利福尼亚州和东北）的政策具有较小的MVPF（通常低于1）。第三，燃油税和上限和交易政策是提高收入的高度有效手段（MVPF低于0.7）。我们将这些结论与以前文献中使用的更传统的每吨成本指标得出的结论进行了对比。
对影响气候变化的政策的福利分析...
罗伯特·H·哈恩（Robert W.本文通过研究了96个美国环境政策变化的全面样本来解决这个问题，在过去的25年中，其因果影响经过严格估计。这些政策跨越四个主要类别：补贴（例如对风能生产商的税收抵免），午睡（例如，家庭能源报告），收入奖励（例如燃料税）和国际政策（例如，有效烹饪的补贴）。我们通过构建公共资金的边际价值（MVPF）来评估每个政策。MVPF是政策利益（通过愿意支付受益人的意愿衡量）与政策对政府的净成本的比率。这提供了每种气候政策的“雄鹿”的衡量标准。它提供了一个单一的统一指标，可以比较我们考虑的广泛政策。在这里我们重点介绍我们工作的五个关键发现：
算法的不合理有效性
8有关MVPF与其他候选社会福利标准的讨论，请参见Hendren和Sprung-Keyser（2020，2022）以及Garcia and Heckman（2022）。9当然还有许多其他关键问题，例如知道算法是否改善了决策者的实用性，因为该目标通常是隐式而不是直接观察到的；所谓的“省略回报”问题（Kleinberg等，2018a，Rambachan，2023年）；以及基本刑事司法数据中的偏见可能导致算法决策aid本身的偏见，尽管与人类在使用相同偏见的数据基于人类时会添加的任何偏见相比，这是一个特定于应用的经验问题（Kleinberg等人，2018b，2018b，Obermeyer等人，2019年）。我们在这里背景这些问题不是因为它们并不重要，而是因为它们是如此重要，因此需要在论文中进行更广泛的讨论，这些论文明确关注这些关键评估问题。