1 财政工具和监管政策是鼓励经济主体减少二氧化碳排放的主要工具。至少两种与气候变化相关的市场失灵可以通过财政工具解决:与排放相关的外部性以及与研发知识溢出相关的外部性,这些外部性可能会阻碍其充分发挥社会效益。旨在通过价格信号将外部性内部化的财政政策工具可以最佳地解决这些市场失灵。这些工具可能采取对排放征收庇古税或对研究或清洁能源提供补贴的形式(Pigou,1932 年;Stern,2007 年;Farid 等人,2016 年;De Mooij 等人,2012 年;Parry 等人,2015 年)。
鉴于人们越来越关注经济活动需要朝着“好”的方向发展(例如绿色转型、可持续发展目标)并远离“坏”的方向(例如全球变暖、不平等),因此比以往任何时候都更重要的是考虑要实现哪些“好”的目标以及如何实现。在经济学中,“好”的概念主要源于福利经济学,它通过个人效用定义来捕捉消费者和生产者的相对利益(Pigou 1951;Boadway 和 Bruce 1984;Just 等人 2008)。“好”是私人利益的集合形式。尽管有大量学术研究致力于探讨福利分析的局限性(Sen 1979;Stiglitz 1991;Little 2002),但几十年来,经济理论一直避免对“好”做出全面的定义,将其作为研究经济活动“是什么”和“如何”的集体方法(Mastromatteo and Solaria 2014;Mazzucato 2023a)。
1财政工具以及监管政策是鼓励经济代理人减少CO 2排放的主要工具。至少有两个与气候变化相关的市场失败可以通过财政工具来解决:与排放有关的外部性以及与研究和发展有关的知识溢出有关的外部性,这可能会阻止其全部社会利益受到利用。旨在通过价格信号内部化外部性的财政政策工具可以最佳解决这些市场失败。这些工具可能会对排放或清洁能源的排放税或补贴的形式(Pigou,1932; Stern,2007; Farid等,2016; De Mooij等,2012; Parry等,2015)。2“竞争力”渠道经历了施加碳定价的国家或地区高度发射行业的成本的增加:这些地区可能进口更多的“肮脏”商品和更少的出口,从而导致非屈辱地区的排放量增加,这将弥补出色的地区所获得的发射量的削减。第二,实施减少碳量的地区要求更少的排放密集型投入,这在全球市场上可能会更便宜,从而在这些地区促进了其使用较少的政策的使用,这被认为是
1 财政工具和监管政策是鼓励经济主体减少二氧化碳排放的主要工具。至少两种与气候变化相关的市场失灵可以通过财政工具解决:与排放相关的外部性以及与研发知识溢出相关的外部性,这些外部性可能会阻碍其充分发挥社会效益。旨在通过价格信号将外部性内部化的财政政策工具可以最佳地解决这些市场失灵。这些工具可能采取对排放征收庇古税或对研究或清洁能源提供补贴的形式(Pigou,1932 年;Stern,2007 年;Farid 等人,2016 年;De Mooij 等人,2012 年;Parry 等人,2015 年)。 2 “竞争力”渠道体现在实施碳定价的国家或地区,高排放行业的成本增加:这些地区可能会进口更多“肮脏”商品,出口减少,导致非减排地区的排放量增加,这将部分抵消雄心勃勃的地区所获得的减排。其次,实施碳减排措施的地区对排放密集型投入的需求较少,这些投入在全球市场上可能会变得更便宜,从而促进政策较不严格的地区使用这些投入,这被视为
1 财政工具和监管政策是鼓励经济主体减少二氧化碳排放的主要工具。至少两种与气候变化相关的市场失灵可以通过财政工具解决:与排放相关的外部性以及与研发知识溢出相关的外部性,这些外部性可能会阻碍其充分发挥社会效益。旨在通过价格信号将外部性内部化的财政政策工具可以最佳地解决这些市场失灵。这些工具可能采取对排放征收庇古税或对研究或清洁能源提供补贴的形式(Pigou,1932 年;Stern,2007 年;Farid 等人,2016 年;De Mooij 等人,2012 年;Parry 等人,2015 年)。 2 “竞争力”渠道体现在实施碳定价的国家或地区,高排放行业的成本增加:这些地区可能会进口更多“肮脏”商品,出口减少,导致非减排地区的排放量增加,这将部分抵消雄心勃勃的地区所获得的减排。其次,实施碳减排措施的地区对排放密集型投入的需求较少,这些投入在全球市场上可能会变得更便宜,从而促进政策较不严格的地区使用这些投入,这被视为
这些事实是我们认为的科学共识,涵盖自然科学和社会科学。此外,很明显,导致全球变暖的人类活动——碳排放——以纯粹的外部性形式出现。对于这种情况,经济学教科书有一个简单的方法:对造成损害的活动征收与外部性损害相等的税,这样就能获得“效率”:人类福利(以某种方式在时间和空间上加权)将在自然对我们施加的限制(即我们的资源约束)下最大化。自然科学机制以及所涉及的经济传导存在很大的不确定性,而对人的加权是一个哲学决定,因此很难非常准确地提出定量建议,即碳排放税率的水平。然而,原则是明确的。那么,除了在损害估计方面提供更好的精度之外,经济学家还需要做什么呢?这个问题激发了我们写这篇文章。事实上,我们怀疑许多领先的经济学家在概念上将气候变化问题视为一个微不足道的问题:我们知道如何解决它,因此高水平研究的作用有限。也许这就是 Oswald 和 Stern (2019) 最近观察到的现象背后的原因:他们认为,经济学家在这一研究领域基本上缺失了,尤其是在我们顶级期刊上发表的论文中。从这个角度来看,我们在本文中传递的信息是乐观的:我们认为,至少在气候变化与宏观经济分析重叠的领域,存在着重要且极为重要的研究问题。我们在这里强调的关键思想是,虽然我们都知道如何找到最优解——我们应用 Pigou (1920)——但我们迄今为止在提供各种次优政策之间的定量比较方面做得很少。我们在这里提供的正是框架——
1。Pigou,L。; Dieleman,s。; Kindermans,P.-J。 ; Schrauwen,B。 使用卷积神经网络的手语识别。 在计算机视觉中 - ECCV 2014研讨会; Agapito,L.,Bronstein,M.M.,Rother,C。,编辑。 ; Springer International Publishing:CHAN,2015年;卷。 8925,pp。 572–578 ISBN 9783319161778。 2。 Zaki,M.M。 ; Shaheen,S.I。 使用基于新视觉的功能组合的手语识别。 模式识别信2011,32,572–577,doi:10.1016/j.patrec.2010.11.013。 3。 Mukai,n。; Harada,n。; Chang,Y。基于分类树和机器学习的日本手指识别。 在2017年NICograph International(NICOINT)的会议记录中; IEEE:日本京都,2017年6月; pp。 19–24。 4。 bhat,a。; Yadav,V。;达根(Dargan) Yash手语使用深度学习进行文本转换。 在2022年第三届国际新兴技术会议论文集(INCET); IEEE:印度Belgaum,2022年5月27日; pp。 1-7。 5。 Gupta,Nikhil。 “字符语言转换。” Github,2023年10月29日,github.com/emnikhil/sign-language-to-text-conversion。 6。 jie huang; Wengang Zhou; Houqiang li;使用3D卷积神经网络来引导LI手语识别。 在2015年IEEE国际多媒体和博览会(ICME)会议录中; IEEE:意大利都灵,2015年6月; pp。 1-6。 7。 Liang,Z。; Liao,s。;胡,B。 8。 1-4。 9。Pigou,L。; Dieleman,s。; Kindermans,P.-J。; Schrauwen,B。使用卷积神经网络的手语识别。在计算机视觉中 - ECCV 2014研讨会; Agapito,L.,Bronstein,M.M.,Rother,C。,编辑。; Springer International Publishing:CHAN,2015年;卷。8925,pp。572–578 ISBN 9783319161778。2。Zaki,M.M。 ; Shaheen,S.I。 使用基于新视觉的功能组合的手语识别。 模式识别信2011,32,572–577,doi:10.1016/j.patrec.2010.11.013。 3。 Mukai,n。; Harada,n。; Chang,Y。基于分类树和机器学习的日本手指识别。 在2017年NICograph International(NICOINT)的会议记录中; IEEE:日本京都,2017年6月; pp。 19–24。 4。 bhat,a。; Yadav,V。;达根(Dargan) Yash手语使用深度学习进行文本转换。 在2022年第三届国际新兴技术会议论文集(INCET); IEEE:印度Belgaum,2022年5月27日; pp。 1-7。 5。 Gupta,Nikhil。 “字符语言转换。” Github,2023年10月29日,github.com/emnikhil/sign-language-to-text-conversion。 6。 jie huang; Wengang Zhou; Houqiang li;使用3D卷积神经网络来引导LI手语识别。 在2015年IEEE国际多媒体和博览会(ICME)会议录中; IEEE:意大利都灵,2015年6月; pp。 1-6。 7。 Liang,Z。; Liao,s。;胡,B。 8。 1-4。 9。Zaki,M.M。; Shaheen,S.I。使用基于新视觉的功能组合的手语识别。模式识别信2011,32,572–577,doi:10.1016/j.patrec.2010.11.013。3。Mukai,n。; Harada,n。; Chang,Y。基于分类树和机器学习的日本手指识别。 在2017年NICograph International(NICOINT)的会议记录中; IEEE:日本京都,2017年6月; pp。 19–24。 4。 bhat,a。; Yadav,V。;达根(Dargan) Yash手语使用深度学习进行文本转换。 在2022年第三届国际新兴技术会议论文集(INCET); IEEE:印度Belgaum,2022年5月27日; pp。 1-7。 5。 Gupta,Nikhil。 “字符语言转换。” Github,2023年10月29日,github.com/emnikhil/sign-language-to-text-conversion。 6。 jie huang; Wengang Zhou; Houqiang li;使用3D卷积神经网络来引导LI手语识别。 在2015年IEEE国际多媒体和博览会(ICME)会议录中; IEEE:意大利都灵,2015年6月; pp。 1-6。 7。 Liang,Z。; Liao,s。;胡,B。 8。 1-4。 9。Mukai,n。; Harada,n。; Chang,Y。基于分类树和机器学习的日本手指识别。在2017年NICograph International(NICOINT)的会议记录中; IEEE:日本京都,2017年6月; pp。19–24。4。bhat,a。; Yadav,V。;达根(Dargan) Yash手语使用深度学习进行文本转换。在2022年第三届国际新兴技术会议论文集(INCET); IEEE:印度Belgaum,2022年5月27日; pp。1-7。5。Gupta,Nikhil。 “字符语言转换。” Github,2023年10月29日,github.com/emnikhil/sign-language-to-text-conversion。 6。 jie huang; Wengang Zhou; Houqiang li;使用3D卷积神经网络来引导LI手语识别。 在2015年IEEE国际多媒体和博览会(ICME)会议录中; IEEE:意大利都灵,2015年6月; pp。 1-6。 7。 Liang,Z。; Liao,s。;胡,B。 8。 1-4。 9。Gupta,Nikhil。“字符语言转换。” Github,2023年10月29日,github.com/emnikhil/sign-language-to-text-conversion。6。jie huang; Wengang Zhou; Houqiang li;使用3D卷积神经网络来引导LI手语识别。在2015年IEEE国际多媒体和博览会(ICME)会议录中; IEEE:意大利都灵,2015年6月; pp。1-6。7。Liang,Z。; Liao,s。;胡,B。 8。 1-4。 9。Liang,Z。; Liao,s。;胡,B。8。1-4。9。3D卷积神经网络,用于动态手语识别。计算机期刊2018,61,1724–1736,doi:10.1093/comjnl/bxy049。Kanavos,A。; Papadimitriou,O。; mylonas,p。; Maragoudakis,M。使用深层卷积神经网络增强手语识别。 在第2023届第14届国际信息,情报,系统与应用程序(IISA)会议录中; IEEE:沃尔斯,希腊,2023年7月10日; pp。 张,p。; Wang,D。; Lu,H。多模式视觉跟踪:审查和实验比较。 comp。 Visual Media 2024,10,193–214,doi:10.1007/s41095-023-0345-5。Kanavos,A。; Papadimitriou,O。; mylonas,p。; Maragoudakis,M。使用深层卷积神经网络增强手语识别。在第2023届第14届国际信息,情报,系统与应用程序(IISA)会议录中; IEEE:沃尔斯,希腊,2023年7月10日; pp。张,p。; Wang,D。; Lu,H。多模式视觉跟踪:审查和实验比较。comp。Visual Media 2024,10,193–214,doi:10.1007/s41095-023-0345-5。