Working Group III – Mitigation of Climate Change

Annex II: Metrics and Methodology

  A report accepted by Working Group III of the IPCC but not approved in detail.  

Note:  This document is the copy‐edited version of the final draft Report, dated 17 December 2013, of the  Working  Group  III  contribution  to  the  IPCC  5th  Assessment  Report  "Climate  Change  2014:  Mitigation of Climate Change" that was accepted but not approved in detail by the 12th Session of  Working Group III and the 39th Session of the IPCC on 12 April 2014 in Berlin, Germany. It consists  of the full scientific, technical and socio‐economic assessment undertaken by Working Group III.   The  Report  should  be  read  in  conjunction  with  the  document  entitled  “Climate  Change  2014:  Mitigation of Climate Change. Working Group III Contribution to the IPCC 5th Assessment Report ‐  Changes to the underlying Scientific/Technical Assessment” to ensure consistency with the approved  Summary  for  Policymakers  (WGIII:  12th/Doc.  2a,  Rev.2)  and  presented  to  the  Panel  at  its  39th  Session.  This  document  lists  the  changes  necessary  to  ensure  consistency  between  the  full  Report  and  the  Summary  for  Policymakers,  which  was  approved  line‐by‐line  by  Working  Group  III  and  accepted by the Panel at the aforementioned Sessions.  Before publication, the Report (including text, figures and tables) will undergo final quality check as  well as any error correction as necessary, consistent with the IPCC Protocol for Addressing Possible  Errors. Publication of the Report is foreseen in September/October 2014.   Disclaimer:  The designations employed and the presentation of material on maps do not imply the expression of  any opinion whatsoever on the part of the Intergovernmental Panel on Climate Change concerning  the  legal  status  of  any  country,  territory,  city  or  area  or  of  its  authorities,  or  concerning  the  delimitation of its frontiers or boundaries. 

Final Draft                                                               Annex II                                                         IPCC WGIII AR5   Chapter:  Title:  Author(s):    Annex II  Metrics & Methodology  CLAs:  LAs:  Volker Krey, Omar Masera  Geoffrey Blanford, Thomas Bruckner, Roger Cooke, Karen Fisher‐ Vanden, Helmut Haberl, Edgar Hertwich, Elmar Kriegler, Daniel Mueller,  Sergey Paltsev, Lynn Price, Steffen Schlömer, Diana Ürge‐Vorsatz, Detlef  van Vuuren, Timm Zwickel  Kornelis Blok, Stephane de la Rue du Can, Greet Janssens‐Maenhout,  Dominique Van Der Mensbrugghe, Alexander Radebach, Jan Steckel 

   

CAs: 

 

1 of 83  

Final Draft                                                               Annex II                                                         IPCC WGIII AR5  

Annex II:    Metrics & Methodology  Contents 
  Part I: Units and Definitions  ............................................................................................................... 4  . A.II.1 Standard units and unit conversion .......................................................................................... 4  A.II.1.1 Standard units .................................................................................................................... 4  A.II.1.2 Physical unit conversion  .................................................................................................... 5  . A.II.1.3 Monetary unit conversion ................................................................................................. 6  A.II.2 Region Definitions ..................................................................................................................... 7  A.II.2.1 RC10 ................................................................................................................................... 8  A.II.2.2 RC5 ..................................................................................................................................... 8  A.II.2.3 ECON4 ................................................................................................................................ 9  A.II.2.4 GEA R11  ............................................................................................................................. 9  . Part II: Methods ................................................................................................................................ 10  A.II.3 Costs Metrics ........................................................................................................................... 10  A.II.3.1 Levelized costs ................................................................................................................. 10  A.II.3.1.1 Levelized costs of energy .......................................................................................... 10  A.II.3.1.2 Levelized costs of conserved energy ........................................................................ 12  A.II.3.1.3 Levelized Cost of Conserved Carbon ........................................................................ 14  A.II.3.2 Mitigation cost metrics .................................................................................................... 15  A.II.4 Primary energy accounting ..................................................................................................... 17  A.II.5 Indirect Primary Energy Use and CO2 Emissions ..................................................................... 20  A.II.5.1 Primary Electricity and Heat Factors ................................................................................ 21  A.II.5.2 Carbon Dioxide Emission Factors ..................................................................................... 22  A.II.6 Material flow analysis, input‐output analysis, and lifecycle assessment ................................ 23  A.II.6.1 Material flow analysis ...................................................................................................... 24  A.II.6.2 Input‐output analysis ....................................................................................................... 25  A.II.6.3 Lifecycle assessment ........................................................................................................ 26  A.II.7 Fat Tailed Distributions ........................................................................................................... 28  A.II.8 Growth Rates ........................................................................................................................... 30  Part III: Data Sets .............................................................................................................................. 30  A.II.9 Historical Data ......................................................................................................................... 30  A.II.9.1 Mapping of Emission Sources to Sectors ......................................................................... 31  A.II.9.1.1 Energy (Chapter 7) .................................................................................................... 31 

 

2 of 83  

Final Draft                                                               Annex II                                                         IPCC WGIII AR5   A.II.9.1.2 Transport (Chapter 8) ............................................................................................... 32  A.II.9.1.3 Buildings (Chapter 9) ................................................................................................ 33  A.II.9.1.4 Industry (Chapter 10)................................................................................................ 33  A.II.9.1.5 AFOLU (Chapter 11) .................................................................................................. 35  A.II.9.1.6 Comparison of IEA and EDGAR CO2 Emission Datasets ............................................ 35  A.II.9.2 Historic GDP PPP Data  ..................................................................................................... 37  . A.II.9.3 Life cycle greenhouse gas emissions ................................................................................ 37  A.II.9.3.1 Fossil fuel based power ............................................................................................ 38  A.II.9.3.2 Nuclear power .......................................................................................................... 40  A.II.9.3.3 Renewable Energy .................................................................................................... 40  A.II.10 Scenario Data ........................................................................................................................ 41  A.II.10.1 Process ........................................................................................................................... 41  A.II.10.2 Model Inter‐comparison Exercises ................................................................................ 41  A.II.10.3 Classification of scenarios .............................................................................................. 50  A.II.10.3.1 Climate Category .................................................................................................... 50  A.II.10.3.2 Carbon Budget Categories ...................................................................................... 52  A.II.10.3.3 Overshoot Category ................................................................................................ 54  A.II.10.3.4 Negative Emissions Category  ................................................................................. 55  . A.II.10.3.5 Technology Category .............................................................................................. 55  A.II.10.3.6 Policy Category ....................................................................................................... 55  A.II.10.3.7 Classification of baseline scenarios ........................................................................ 57  A.II.10.4 Comparison of integrated and sectorally detailed studies ............................................ 60  References ........................................................................................................................................ 62   

 

3 of 83  

Final Draft                                                               Annex II                                                         IPCC WGIII AR5   This annex on methods and metrics provides background information on material used in the  Working Group III Contribution to the IPCC Fifth Assessment Report (WGIII AR5). The material  presented in this annex documents metrics, methods, and common data sets that are typically used  across multiple chapters of the report. The annex is composed of three parts: Part I introduces  standards metrics and common definitions adopted in the report; Part II presents methods to derive  or calculate certain quantities used in the report; and Part III provides more detailed background  information about common data sources that go beyond what can be included in the chapters.  While this structure may help readers to navigate through the annex, it is not possible in all cases to  unambiguously assign a certain topic to one of these parts, naturally leading to some overlap  between the parts. 

Part I: Units and Definitions  A.II.1   Standard units and unit conversion 
The following section, A.II.1.1, introduces standard units of measurement that are used throughout  this report. This includes Système International (SI) units, SI‐derived units, and other non‐SI units as  well the standard prefixes for basic physical units. It builds upon similar material from previous IPCC  reports (IPCC, 2001; Moomaw et al., 2011).   In addition to establishing a consistent set of units for reporting throughout the report, harmonized  conventions for converting units as reported in the scientific literature have been established and  are summarized in Section A.II.1.2 (physical unit conversion) and Section A.II.1.3 (monetary unit  conversion). 

A.II.1.1    Standard units 
Table A.II.1. Système International (SI) units

Physical Quantity     Length     Mass     Time     Thermodynamic temperature     Amount of substance    Physical Quantity    Force   Pressure     Energy     Power     Frequency   

Unit  meter    kilogram    second    kelvin   mole     Symbol     N   Pa     J     W     Hz   

 Symbol     m     kg     s     K     mol     Definition     kg m s^2     kg m^–1 s^–2 (= N m^–2)    kg m^2 s^–2     kg m^2 s^–3 (= J s^–1)     s^–1 (cycles per second)   Symbol  USD2010  Int$2005  Symbol  t  tCO2 

Table A.II.2. Special names and symbols for certain SI-derived units

Unit  Newton  Pascal    Joule    Watt    Hertz   

Table A.II.3. Non-SI standard units

Monetary units  Currency (Market Exchange Rate, MER)  Currency (Purchasing Power Parity, PPP)  Emission‐ and Climate‐related units  Emissions  CO2 Emissions 

Unit  constant US Dollar 2010  constant International Dollar 2005  Unit  Metric tonnes  Metric tonnes CO2 

 

4 of 83  

Final Draft                                                               Annex II                                                         IPCC WGIII AR5   CO2‐equivalent Emissions  Abatement Costs and Emissions  Prices/Taxes  CO2 concentration or mixing ratio (μmol  mol–1)  CH4 concentration or mixing ratio (μmol  mol–1)  N2O concentration or mixing ratio (μmol  mol–1)  Energy‐related units  Energy  Electricity and Heat generation  Power (peak capacity)  Capacity Factor  Technical and Economic Lifetime  Specific Energy Investment Costs  Energy Costs (e.g., LCOE) and Prices  Land‐related units  Area  Multiple   1E+21  1E+18  1E+15  1E+12  1E+09  1E+06  1E+03  1E+02  1E+01  Prefix   zeta  exa  peta  tera  giga  mega  kilo  hecto  deca  Symbol   Z   E   P   T   G   M   k   h   da   Fraction  1E‐01  1E‐02  1E‐03  1E‐06  1E‐09  1E‐12  1E‐15  1E‐18  1E‐21  Metric tonnes CO2‐equivalent1   constant US Dollar 2010 per metric  tonne  Parts per million (10^6)  Parts per billion (10^9)  Parts per billion (10^9)  Unit  Joule  Watt Hours  Watt (Watt thermal, Watt electric)  Percent  Years  US Dollar 2010 per kW (peak  capacity)  constant US Dollar 2010 per GJ or   US Cents 2010 per kWh  Unit  Hectare  Prefix   deci  centi  milli  micro  nano  pico  femto  atto  zepto  Symbol   d   c   m   μ   n   p   f   a  z  tCO2eq  USD2010/t  ppm  ppb  ppb  Symbol  J  Wh  W  %  yr  USD2010/kW  USD2010/GJ and  USct2010/kWh  Symbol  ha 

Table A.II.4. Prefixes for basic physical units

A.II.1.2    Physical unit conversion 
Table A.II.5. Conversion table for common mass units (IPCC, 2001)

From: 

To:    kg  multiply by: 

t  1.00E‐03 1 1.02E+00 9.07E‐01 4.54E‐04

lt  9.84E‐04 9.84E‐01 1 8.93E‐01 4.46E‐04

St  1.10E‐03  1.10E+00  1.12E+00  1  5.00E‐04 

lb  2.20E+00 2.20E+03 2.24E+03 2.00E+03 1

kilogram  kg  1  tonne  t  1.00E+03  long ton  lt  1.02E+03  short ton  st  9.07E+02  Pound  lb  4.54E‐01                                                              
1

 CO2‐equivalent emissions in this report are—if not stated otherwise—aggregated using global warming  potentials (GWPs) over a 100‐year time horizon, often derived from the IPCC Second Assessment Report  (Houghton et al., 1995). A discussion about different GHG metrics can be found in Sections 1.2.5 and 3.9.6 (see  Annex II.9.1 for the GWP values of the different GHGs).  

 

5 of 83  

Final Draft                                                               Annex II                                                         IPCC WGIII AR5  
Table A.II.6. Conversion table for common volumetric units (IPCC, 2001)

From: 

gal US  To:    multiply by:  gal US  gal UK  bbl  ft3  l  m3  1 1.20E+00 4.20E+01 7.48E+00 2.64E‐01 2.64E+02

gal UK  8.33E‐01 1 3.50E+01 6.23E+00 2.20E‐01 2.20E+02 Gcal  2.39E+02 1 1.00E+07 7.00E+06 2.52E‐01 8.60E+02

bbl  2.38E‐02 2.86E‐02 1 1.78E‐01 6.30E‐03 6.29E+00 Mtoe  2.39E‐05 1.00E‐07 1 7.00E‐01 2.52E‐08 8.60E‐05

ft3  1.34E‐01 1.61E‐01 5.62E+00 1 3.53E‐02 3.53E+01 Mtce  3.41E‐05 1.43E‐07 1.43E+00

l  3.79E+00  4.55E+00  1.59E+02  2.83E+01  1  1.00E+03  MBtu  9.48E+02  3.97E+00  3.97E+07  2.78E+07 

m3  3.80E‐03 4.50E‐03 1.59E‐01 2.83E‐02 1.00E‐03 1 GWh  2.78E‐01 1.16E‐03 1.16E+04 8.14E+03 2.93E‐04

US Gallon  UK/Imperial Gallon  Barrel  Cubic foot  Liter  Cubic meter 

Table A.II.7. Conversion table for common energy units (NAS, 2007; IEA, 2012a)

To:    TJ  multiply by:  TJ  Tera Joule  1 Gcal  4.19E‐03 Giga Calorie  Mega Tonne Oil   Mtoe  4.19E+04 Equivalent  Mega Tonne Coal  Mtce  2.93E+04 Equivalent  Million British   MBtu  1.06E‐03 Thermal Units  Giga Watt Hours  GWh  3.60E+00 From: 

1 3.60E‐08 0.000123 1  3.41E+03 

1

A.II.1.3    Monetary unit conversion 
To achieve comparability across cost und price information from different regions, where possible all  monetary quantities reported in the WGIII AR5 have been converted to constant US Dollars 2010  (USD2010). This only applies to monetary quantities reported in market exchange rates (MER), and not  to those reported in purchasing power parity (PPP, unit: Int$).   To facilitate a consistent monetary unit conversion process, a simple and transparent procedure to  convert different monetary units from the literature to USD2010 was established which is described  below.  It is important to note that there is no single agreed upon method of dealing with monetary unit  conversion, and thus data availability, transparency, and—for practical reasons—simplicity, were the  most important criteria for choosing a method to be used throughout this report.   To convert from year X local currency unit (LCUX) to 2010 US Dollars (USD2010) two steps are  necessary:  1. in‐/deflating from year X to 2010, and  2. converting from LCU to USD.   In practice, the order of applying these two steps will lead to different results. In this report, the  conversion route LCUX ‐> LCU2010 ‐> USD2010 is adopted, i.e., national/regional deflators are used to  measure country‐ or region‐specific inflation between year X and 2010 in local currency and current  (2010) exchange rates are then used to convert to USD2010.  To reflect the change in prices of all goods and services that an economy produces, and to keep the  procedure simple, the economy's GDP deflator is chosen to convert to a common base year. Finally,  when converting from LCU2010 to USD2010, official 2010 exchange rates, which are readily available,  but on the downside often fluctuate significantly in the short term, are adopted for currency  conversion in the report. 

 

6 of 83  

Final Draft                                                               Annex II                                                         IPCC WGIII AR5   Consistent with the choice of the World Bank databases as the primary source for gross domestic  product (GDP) (see Section A.II.9) and other financial data throughout the report, deflators and  exchange rates from the World Bank’s World Development Indicators (WDI) database (World Bank,  2013) is used.   To summarize, the following procedure has been adopted to convert monetary quantities reported  in LCUX to USD2010:  1. Use the country‐/region‐specific deflator and multiply with the deflator value to convert  from LCUX to LCU2010.   In case national/regional data are reported in non‐LCU units (e.g., USDX or EuroX), which is  often the case in multi‐national or global studies, apply the corresponding currency deflator  to convert to 2010 currency (i.e., the US deflator and the Eurozone deflator in the examples  above).   2. Use the appropriate 2010 exchange rate to convert from LCU2010 to USD2010. 

A.II.2   Region Definitions 
In this report a number of different sets of regions are used to present results of analysis. These  region sets are referred to as RC5, RC10 (Region Categorization 5 and 10, respectively), see Table  A.II.8, and ECON4 (income‐based economic categorization), see Table A.II.9.  RC10 is a breakdown of  RC5 and can be aggregated to RC5 as shown in Table A.II.8. Note that for some exceptional cases in  this report there are minor deviations from the RC5 and RC10 definitions given here. In addition to  these three standard aggregations some chapters feature an 11 region aggregation (GEA R11) used  in the Global Energy Assessment (GEA, 2012) and other studies. 
Table A.II.8. Description of regions in the RC5 and RC10 region sets.

RC5  OECD‐1990  OECD Countries in 1990 

RC10  NAM  WEU  POECD  EIT  LAM  SSA  MNA  EAS  SAS  PAS  INT TRA 

North America Western Europe Pacific OECD (Japan, Australia, New Zealand) Economies in Transition  (Eastern Europe and part of former Soviet Union) Latin America and Caribbean Sub Saharan Africa Middle East and North Africa East Asia South Asia South-East Asia and Pacific International transport 

EIT  LAM  MAF  ASIA 

Economies in Transition (sometimes referred to as Reforming Economies) Latin America and Caribbean Africa and Middle East Non-OECD Asia

INT TRA 

International transport 

Table A.II.9. ECON4 income-based economic country aggregations. HIC  High income UMC  Upper middle income LMC  Lower middle income LIC  Low income INT‐TRA  International transport

 

7 of 83  

Final Draft                                                               Annex II                                                         IPCC WGIII AR5  

A.II.2.1    RC10 
NAM (North America): Canada, Guam, Saint Pierre and Miquelon, United States   WEU (Western Europe): Aland Islands, Andorra, Austria, Belgium, Channel Islands, Denmark, Faroe  Islands, Finland, France, Germany, Gibraltar, Greece, Greenland, Guernsey, Holy See (Vatican City  State), Iceland, Ireland, Isle of Man, Italy, Jersey, Liechtenstein, Luxembourg, Monaco, Netherlands,  Norway, Portugal, San Marino, Spain, Svalbard and Jan Mayen, Sweden, Switzerland, United  Kingdom, Turkey   POECD (Pacific OECD): Australia, Japan, New Zealand   EIT (Economies in Transition): Croatia, Cyprus, Czech Republic, Estonia, Latvia, Lithuania, Malta,  Poland, Russian Federation, Slovakia, Slovenia, Kyrgyzstan, Tajikistan, Armenia, Georgia, Moldova  (Republic of), Ukraine, Uzbekistan, Albania, Azerbaijan, Belarus, Bosnia and Herzegovina, Bulgaria,  Hungary, Kazakhstan, Macedonia, Montenegro, Romania, Serbia, Serbia and Montenegro,  Turkmenistan   LAM (Latin America and Caribbean): Anguilla, Antarctica, Antigua and Barbuda, Aruba, Bahamas,  Barbados, Bermuda, Bouvet Island, British Virgin Islands, Cayman Islands, Chile, Curacao, Falkland  Islands (Malvinas), French Guiana, French Southern Territories, Guadeloupe, Martinique,  Montserrat, Netherlands Antilles, Puerto Rico, Saint Kitts and Nevis, Sint Maarten, South Georgia  and the South Sandwich Islands, Trinidad and Tobago, Turks and Caicos Islands, Uruguay, US Virgin  Islands, Haiti, Bolivia, El Salvador, Guatemala, Guyana, Honduras, Nicaragua, Paraguay, Argentina,  Belize, Brazil, Colombia, Costa Rica, Cuba, Dominica, Dominican Republic, Ecuador, Grenada,  Jamaica, Mexico, Panama, Peru, Saint Lucia, Saint Vincent and the Grenadines, Suriname, Venezuela  SSA (Sub Saharan Africa): Equatorial Guinea, Mayotte, Reunion, Saint Helena, Benin, Burkina Faso,  Burundi, Central African Republic, Chad, Comoros, Congo (The Democratic Republic of the), Eritrea,  Ethiopia, Gambia, Guinea, Guinea‐Bissau, Kenya, Liberia, Madagascar, Malawi, Mali, Mozambique,  Niger, Rwanda, Sierra Leone, Somalia, Tanzania, Togo, Uganda, Zimbabwe, Cameroon, Cape Verde,  Congo, Cote d'Ivoire, Djibouti, Ghana, Lesotho, Mauritania, Nigeria, Sao Tome and Principe, Senegal,  Swaziland, Zambia, Angola, Botswana, Gabon, Mauritius, Namibia, Seychelles, South Africa, , ,   MNA (Middle East and North Africa): Bahrain, Israel, Kuwait, Oman, Qatar, Saudi Arabia, United  Arab Emirates, Egypt, Morocco, Palestinian Territory, South Sudan, Sudan, Syrian Arab Republic,  Western Sahara, Yemen, Algeria, Iran, Iraq, Jordan, Lebanon, Libya, Tunisia   EAS (East Asia): South Korea, Korea (Democratic People's Republic of), Mongolia, China   SAS (South Asia): British Indian Ocean Territory, Afghanistan, Bangladesh, Nepal, Bhutan, India,  Pakistan, Sri Lanka, Maldives   PAS (South‐East Asia and Pacific): Brunei Darussalam, Christmas Island, Cocos (Keeling) Islands,  French Polynesia, Heard Island and McDonald Islands, New Caledonia, Norfolk Island, Northern  Mariana Islands, Pitcairn, Singapore, Tokelau, US Minor Outlying Islands, Wallis and Futuna,  Cambodia, Myanmar, Indonesia, Kiribati, Laos (People's Democratic Republic), Micronesia  (Federated States of), Nauru, Papua New Guinea, Philippines, Samoa, Solomon Islands, Timor‐Leste,  Vanuatu, Viet Nam, Niue, American Samoa, Cook Islands, Fiji, Malaysia, Marshall Islands, Palau,  Thailand, Tonga, Tuvalu   INT TRA (International transport): International Aviation, International Shipping 

A.II.2.2    RC5 
For country mapping to each of the RC5 regions see RC10 mappings (Section A.II.2.1) and their  aggregation to RC5 regions in Table A.II.8. It should be noted that this region set was also used in the 

 

8 of 83  

Final Draft                                                               Annex II                                                         IPCC WGIII AR5   so‐called Representative Concentration Pathways (RCPs, see Section 6.3.2) and therefore has been  adopted as a standard in integrated modelling scenarios (Section A.II.10). 

A.II.2.3    ECON4 
High Income (HIC): Aland Islands, Andorra, Anguilla, Antarctica, Antigua and Barbuda, Aruba,  Australia, Austria, Bahamas, Bahrain, Barbados, Belgium, Bermuda, Bouvet Island, British Indian  Ocean Territory, British Virgin Islands, Brunei Darussalam, Canada, Cayman Islands, Channel Islands,  Chile, Christmas Island, Cocos (Keeling) Islands, Croatia, Curacao, Cyprus, Czech Republic, Denmark,  Equatorial Guinea, Estonia, Falkland Islands (Malvinas), Faroe Islands, Finland, France, French  Guiana, French Polynesia, French Southern Territories, Germany, Gibraltar, Greece, Greenland,  Guadeloupe, Guam, Guernsey, Heard Island and McDonald Islands, Holy See (Vatican City State),  Iceland, Ireland, Isle of Man, Israel, Italy, Japan, Jersey, Kuwait, Latvia, Liechtenstein, Lithuania,  Luxembourg, Malta, Martinique, Mayotte, Monaco, Montserrat, Netherlands, Netherlands Antilles,  New Caledonia, New Zealand, Norfolk Island, Northern Mariana Islands, Norway, Oman, Pitcairn,  Poland, Portugal, Puerto Rico, Qatar, Reunion, Russian Federation, Saint Helena, Saint Kitts and  Nevis, Saint Pierre and Miquelon, San Marino, Saudi Arabia, Singapore, Sint Maarten, Slovakia,  Slovenia, South Georgia and the South Sandwich Islands, South Korea, Spain, Svalbard and Jan  Mayen, Sweden, Switzerland, Tokelau, Trinidad and Tobago, Turks and Caicos Islands, United Arab  Emirates, United Kingdom, United States, Uruguay, US Minor Outlying Islands, US Virgin Islands,  Wallis and Futuna  Upper Middle Income (UMC): Albania, Algeria, American Samoa, Angola, Argentina, Azerbaijan,  Belarus, Belize, Bosnia and Herzegovina, Botswana, Brazil, Bulgaria, China, Colombia, Cook Islands,  Costa Rica, Cuba, Dominica, Dominican Republic, Ecuador, Fiji, Gabon, Grenada, Hungary, Iran, Iraq,  Jamaica, Jordan, Kazakhstan, Lebanon, Libya, Macedonia, Malaysia, Maldives, Marshall Islands,  Mauritius, Mexico, Montenegro, Namibia, Niue, Palau, Panama, Peru, Romania, Saint Lucia, Saint  Vincent and the Grenadines, Serbia, Serbia and Montenegro, Seychelles, South Africa, Suriname,  Thailand, Tonga, Tunisia, Turkey, Turkmenistan, Tuvalu, Venezuela   Lower Middle Income (LMC): Armenia, Bhutan, Bolivia, Cameroon, Cape Verde, Congo, Cote  d'Ivoire, Djibouti, Egypt, El Salvador, Georgia, Ghana, Guatemala, Guyana, Honduras, India,  Indonesia, Kiribati, Laos (People's Democratic Republic), Lesotho, Mauritania, Micronesia (Federated  States of), Moldova (Republic of), Mongolia, Morocco, Nauru, Nicaragua, Nigeria, Pakistan,  Palestinian Territory, Papua New Guinea, Paraguay, Philippines, Samoa, Sao Tome and Principe,  Senegal, Solomon Islands, South Sudan, Sri Lanka, Sudan, Swaziland, Syrian Arab Republic, Timor‐ Leste, Ukraine, Uzbekistan, Vanuatu, Viet Nam, Western Sahara, Yemen, Zambia  Low Income (LIC): Afghanistan, Bangladesh, Benin, Burkina Faso, Burundi, Cambodia, Central African  Republic, Chad, Comoros, Congo (The Democratic Republic of the), Eritrea, Ethiopia, Gambia,  Guinea, Guinea‐Bissau, Haiti, Kenya, Korea (Democratic People's Republic of), Kyrgyzstan, Liberia,  Madagascar, Malawi, Mali, Mozambique, Myanmar, Nepal, Niger, Rwanda, Sierra Leone, Somalia,  Tajikistan, Tanzania, Togo, Uganda, Zimbabwe  INT TRA (International transport): International Aviation, International Shipping 

A.II.2.4    GEA R11 
The 11 regions of GEA R11 are similar to the above RC10 and consist of North America (NAM),  Western Europe (WEU), Pacific OECD (POECD [PAO]), Central and Eastern Europe (EEU), Former  Soviet Union (FSU), Centrally Planned Asia and China (CPA), South Asia (SAS), Other Pacific Asia  (PAS), Middle East and North Africa (MNA [MEA]), Latin America and the Caribbean (LAM [LAC]) and  Sub‐Saharan Africa (SSA [AFR]). The differences to RC10 are the following:   RC10 EIT is split in GEA R11 FSU and EEU. To FSU belong Armenia, Azerbaijan, Belarus, Georgia,  Kazakhstan, Kyrgyzstan, Republic of Moldova, Russian Federation, Tajikistan, Turkmenistan,  Ukraine and Uzbekistan and to EEU belong  Albania, Bosnia and Herzegovina, Bulgaria, Croatia, 

 

9 of 83  

Final Draft                                                               Annex II                                                         IPCC WGIII AR5   Czech Republic, Estonia, Macedonia, Hungary, Latvia, Lithuania, Montenegro, Poland, Romania,  Serbia, Slovak Republic and Slovenia.      GEA R11 NAM matches RC10 NAM plus Puerto Rico and the British Virgin Islands.  GEA R11 LAM matches RC10 LAM without Puerto Rico and the British Virgin Islands.  GEA R11 CPA matches RC10 EAS plus Cambodia, Laos (People's Democratic Republic), Viet Nam,  without South Korea.   GEA R11 PAS matches RC10 PAS plus South Korea and Taiwan, Province of China, without  Cambodia, Laos (People's Democratic Republic), Viet Nam.   

Part II: Methods  A.II.3   Costs Metrics 
Across this report, a number of different metrics to characterize cost of climate change mitigation  are employed. These cost metrics reflect the different levels of detail and system boundaries at  which mitigation analysis is conducted. For example, in response to mitigation policies, different  technologies are deployed across different sectors. To facilitate a meaningful comparison of  economics across diverse options at the technology level, the metric of ‘levelized costs’ is used  throughout several chapters (7, 8, 9, 10, and 11) of this report in various forms (Section A.II.3.1). In  holistic approaches to mitigation, such as the ones used in Chapter 6 on transformation pathways,  different mitigation cost metrics are used, the differences among which are discussed in Section  A.II.3.2. 

A.II.3.1    Levelized costs 
Levelizing costs means to express all lifetime expenditures of a stream of relatively homogeneous  outputs that occur over time as cost per unit of output. Most commonly, the concept is applied to  electricity as an output. It is also being applied to express costs of other streams of outputs such as  energy savings and greenhouse gas (GHG) emission savings. Each of these metrics provides a  benchmark for comparing different technologies or practices of providing the respective output.  Each also comes with a set of context‐specific caveats that need to be taken into account for correct  interpretation. Various literature sources caution against drawing too strong conclusions from these  metrics. The levelized cost of energy (LCOE), the levelized cost of conserved energy (LCCE), and the  levelized cost of conserved carbon (LCCC) are used throughout the WGIII AR5 to provide output‐ specific benchmarks for comparison. They are explained and discussed below in the mentioned  order.2 

A.II.3.1.1    Levelized costs of energy  Background 
In order to compare energy supply technologies from an economic point of view, the concept of  ‘levelized costs of energy’ (LCOE, also called levelized unit costs or levelized generation costs)  frequently is applied (IEA and NEA, 2005; IEA, 2010a; Fischedick et al., 2011; Larson et al., 2012;  Turkenburg et al., 2012; UNEP, 2012; IRENA, 2013). Simply put, ‘levelized’ cost of energy is a  measure that can be loosely defined as the long‐run ‘average’ cost of a unit of energy provided by  the considered technology (albeit, calculated correctly in an economic sense by taking into account                                                              
 This section, however, does not take into account the implications for additional objectives beyond energy  supply (LCOE), energy savings (LCCE) or mitigation (LCCC) – often referred to as co‐benefits and adverse side‐ effects (see Glossary in Annex I). In particular, external costs are not taken into account if they are not  internalized (e.g., via carbon pricing).  
22

 

10 of 83  

Final Draft                                                               Annex II                                                         IPCC WGIII AR5   the time value of money).  Strictly speaking, the levelized cost of energy is “the cost per unit of  energy that, if held constant through the analysis period, would provide the same net present  revenue value as the net present value cost of the system.” (Short et al., 1995, p. 93). The calculation  of the respective ‘average’ cost (expressed, for instance in US cent/kWh or USD/GJ) palpably  facilitates the comparison of projects, which differ in terms of plant size and/or plant lifetime. 

General formula and simplifications 
According to the definition given above, “the levelized cost is the unique break‐even cost price  where discounted revenues (price x quantities) are equal to the discounted net expenses” (Moomaw  et al., 2011):  

   

(Equation A.II.1) 

where LCOE are the levelized cost of energy, Et is the energy delivered in year t (which might vary  from year to year), Expensest cover all (net) expenses in the year t,  i is the discount rate and n the  lifetime of the project.   After solving for LCOE this gives:  

    

(Equation A.II.2) 

Note that while it appears as if energy amounts were discounted in Equation A.II.2, this is just an  arithmetic result of rearranging Equation A.II.1 (Branker et al., 2011). In fact, originally, revenues are  discounted and not energy amounts per se (see Equation A.II.1).    Considering energy conversion technologies, the lifetime expenses comprise investment costs I,  operation and maintenance cost O&M (including waste management costs), fuel costs F, carbon  costs C, and decommissioning costs D.  In this case, levelized cost can be determined by (IEA, 2010a):  

   

(Equation A.II.3) 

In simple cases, where the energy E provided annually is constant during the lifetime of the project,  this translates to:  (EquationA.II.4)    where  CRF :

i  is the capital recovery factor and NPV the net present value of all  1  (1  i) n

lifetime expenditures (Suerkemper et al., 2011). For the simplified case, where the annual costs are  also assumed constant over time, this can be further simplified to (O&M costs and fuel costs F  constants): 

 

11 of 83  

Final Draft                                                               Annex II                                                         IPCC WGIII AR5  

LCOE 

CRF  I  O & M  F   E

(Equation A.II.5) 

Where I is the upfront investment, O&M are the annual operation and maintenance costs, F are the  annual fuel costs, and E is the annual energy provision. The investment I should be interpreted (here  and also in Equations A.II.7 and A.II.9) as the sum of all capital expenditures needed to make the  investment fully operational discounted to t=0. These might include discounted payments for  retrofit payments during the lifetime and discounted decommissioning costs at the end of the  lifetime. Where applicable, annual O&M costs have to take into account revenues for by‐products  and existing carbon costs must be added or treated as part of the annual fuel costs. 

Discussion of LCOE 
The LCOE of a technology is only one indicator for its economic competitiveness, but there are more  dimensions to it. Integration costs, time dependent revenue opportunities (especially in the case of  intermittent renewables), and relative environmental impacts (e.g., external costs) play an important  role as well (Heptonstall, 2007; Fischedick et al., 2011a; Joskow, 2011a; Borenstein, 2012; Mills and  Wiser, 2012; Edenhofer et al., 2013a; Hirth, 2013). Joskow (2011b) for instance, pointed out that  LCOE comparisons of intermittent generating technologies (such as solar energy converters and  wind turbines) with dispatchable power plants (e.g., coal or gas power plants) may be misleading as  these comparisons fail to take into account the different production schedule and the associated  differences in the market value of the electricity that is provided.  An extended criticism of the  concept of LCOE as applied to renewable energies is provided by (Edenhofer et al., 2013b).     Taking these shortcomings into account, there seems to be a clear understanding that LCOE are not  intended to be a definitive guide to actual electricity generation investment decisions (IEA and NEA,  2005; DTI, 2006). Some studies suggest that the role of levelized costs is to give a ‘first order  assessment’ (EERE, 2004) of project viability.   In order to capture the existing uncertainty, sensitivity analyses, which are sometimes based on  Monte Carlo methods, are frequently carried out in numerical studies. Darling et al. (2011), for  instance, suggest that transparency could be improved by calculating LCOE as a distribution,  constructed using input parameter distributions, rather than a single number. Studies based on  empirical data, in contrast, may suffer from using samples that do not cover all cases. Summarizing  country studies in an effort to provide a global assessment, for instance, might have a bias as data  for developing countries often are not available (IEA, 2010a).  As Section 7.8.2 shows, typical LCOE ranges are broad as values vary across the globe depending on  the site‐specific renewable energy resource base, on local fuel and feedstock prices as well as on  country specific projected costs of investment, and operation and maintenance. While noting that  system and installation costs vary widely, Branker et al. (2011) document significant variations in the  underlying assumptions that go into calculating LCOE for photovoltaic (PV), with many analysts not  taking into account recent cost reductions or the associated technological advancements. In  summary, a comparison between different technologies should not be based on LCOE data solely;  instead, site‐, project‐ and investor specific conditions should be considered (Fischedick et al.,  2011b).  

A.II.3.1.2    Levelized costs of conserved energy  Background 
The concept of ‘levelized costs of conserved energy’ (LCCE), or more frequently referred to as ‘cost  of conserved energy (CCE)’, is very similar to the LCOE concept, primarily intended to be used for  comparing the cost of a unit of energy saved to the purchasing cost per unit of energy. In essence  the concept, similarly to LCOE, also annualizes the investment and operation and maintenance cost  differences between a baseline technology and the energy‐efficiency alternative, and divides this 

 

12 of 83  

Final Draft                                                               Annex II                                                         IPCC WGIII AR5   quantity by the annual energy savings (Brown et al., 2008). Similarly to LCOE, it also bridges the time  lag between the initial additional investment and the future energy savings through the application  of the capital recovery factor (Meier, 1983). 

General formula and simplifications 
The conceptual formula for LCCE is essentially the same as Equation A.II.4 above, with ΔE meaning in  this context the amount of energy saved annually (Suerkemper et al., 2011): 

LCCE :
 

CRF  NPV ( Lifetime Expenses ) Annuity ( LifetimeEx penses )   (Equation A.II.6)   E E

In the case of assumed annually constant O&M costs over the lifetime, this simplifies to (equivalent  to Equation A.II.5) (Hansen, 2012): 

LCCE 
 

CRF  I  O & M   E

(Equation A.II.7) 

Where ΔI is the difference in investment costs of an energy saving measure (e.g., in USD) as  compared to a baseline investment; ΔOM is the difference in annual operation and maintenance  costs of an energy saving measure (e.g., in USD) as compared to the baseline in which the energy  saving measure is not implemented; ΔE is the annual energy conserved by the measure (e.g., in  kWh) as compared to the usage of the baseline technology; and CRF is the capital recovery factor  depending on the discount rate i and the lifetime of the measure n in years as defined above.  It  should be stressed once more that this equation is only valid if ΔO&M and ΔE are constant over the  lifetime. As LCCE are designed to be compared with complementary levelized cost of energy supply,  they do not include the annual fuel cost difference. Any additional monetary benefits that are  associated with the energy saving measure must be taken into account as part of the O&M  difference.  

Discussion of LCCE 
The main strength of the LCCE concept is that it provides a metric of energy saving investments that  are independent of the energy price, and can thus be compared to different energy purchasing cost  values for determining the profitability of the investment (Suerkemper et al., 2011).   The key difference in the concept with LCOE is the usage of a reference/baseline technology. LCCE  can only be interpreted in context of a reference, and is thus very sensitive to how this reference is  chosen (see Section 9.3 and 9.6).  For instance, the replacement of a very inefficient refrigerator can  be very cost‐effective, but if we consider an already relatively efficient product as the reference  technology, the LCCE value can be many times higher. This is one of the main challenges in  interpreting LCCE.   Another challenge in the calculation of LCCE should be pinpointed.  The lifetimes of the efficient and  the reference technology may be different.  In this case the investment cost difference needs to be  used that incurs throughout the lifetime of the longer‐living technology. For instance, a compact  fluorescent lamp (CFL) lasts as much as 10 times as long as an incandescent lamp. Thus, in the  calculation of the LCCE for a CFL replacing an incandescent lamp the saved investments in multiple  incandescent lamps should be taken into account (Ürge‐Vorsatz, 1996). In such a case, as in some  other cases, too, the difference in annualized investment cost can be negative resulting in negative  LCCE values. Negative LCCE values mean that the investment is already profitable at the investment  level, without the need for the energy savings to recover the extra investment costs.  

 

13 of 83  

Final Draft                                                               Annex II                                                         IPCC WGIII AR5   Taking into account incremental operation and maintenance cost can be important for applications  where those are significant, for instance, the lamp replacement on streetlamps, bridges.  In such  cases a longer‐lifetime product, as it typically applies to efficient lighting technologies, is already  associated with negative costs at the investment level (less frequent needs for labour to replace the  lamps), and thus can result in significantly negative LCCEs or cost savings (Ürge‐Vorsatz, 1996). In  case of such negative incremental investment cost, some peculiarities may occur. For instance, as  can be seen from Equation A.II.7, LCCE decrease (become more negative) with increasing CRF, e.g.,  as a result of an increase in discount rates.

A.II.3.1.3    Levelized Cost of Conserved Carbon  Background 
Many find it useful to have a simple metric for identifying the costs of greenhouse gas emission  mitigation. The metric can be used for comparing mitigation costs per unit of avoided emissions, and  comparing these specific emission reduction costs for different options, within a company, within a  sector, or even between sectors. This metric is often referred to as levelized costs of conserved  carbon (LCCC) or specific greenhouse gas mitigation costs. There are several caveats, which will be  discussed below, after the general approach is introduced. 

General Formula and Simplification 
For calculation of specific mitigation costs, the following, equation holds, where ΔC is the annual  reduction in greenhouse gas emissions achieved through the implementation of an option. The  equation is equivalent to Equations A.II.4 and A.II.6.  

LCCC :
 

CRF  NPV ( Lifetime Expenses ) Annuity ( LifetimeEx penses )   (Equation A.II.8)   C C

Also this equation can be simplified under the assumption of annual greenhouse gas emission  reduction, annual O&M costs and annual benefits ΔB being constant over the lifetime of the option. 

LCCC 
 

CRF  I  O & M  B   C

(Equation A.II.9) 

Where ΔI is the difference in investment costs of a mitigation measure (e.g., in USD) as compared to  a baseline investment; ΔO&M is the difference in annual operation and maintenance costs (e.g., in  USD) and ΔB denotes the annual benefits, all compared to a baseline for which the option is not  implemented. Note that annual benefits include reduced expenditures for fuels, if the investment  project reduces GHG emissions via a reduction in fuel use. As such LCCC depend on energy prices.  An important characteristic of this equation is that LCCC can become negative if ΔB is bigger than the  sum of the other two terms in the numerator.  

Discussion of LCCC 
Several issues need to be taken into account when using LCCC. First of all, the calculation of LCCC for  one specific option does not take into account the fact that each option is implemented in a system,  and the value of the LCCC of one option will depend on whether other options will be implemented  or not (e.g., because the latter might influence the specific emissions of the background system). To  solve this issue, analysts use integrated models, in which ideally these interactions are taken into  account (see Chapter 6). Second, energy prices and other benefits are highly variable from region to  region, rarely constant over time, and often difficult to predict. This issue is relevant for any analysis  on mitigation, but it is always important to be aware of the fact that even if one single LCCC number  is reported, there will be substantial uncertainty in that number. Uncertainty tends to increase from 

 

14 of 83  

Final Draft                                                               Annex II                                                         IPCC WGIII AR5   LCOE to LCCE, for example, due to additional uncertainty with regard to the choice of the baseline,  and even further for LCCC, since not only a baseline needs to be defined, but furthermore the  monetary benefit from energy savings needs to be taken into account (if the mitigation measure  affects energy consumption). Moving from LCOE to LCCC in the field of energy supply technologies,  for instance, results in comparing LCOE differences to the differences of the specific emissions of the  mitigation technology compared to the reference plant (Rubin, 2012). As Sections 7.8.1 and 7.8.2  have shown, LCOE and specific emissions exhibit large uncertainties in their own, which result in an  even exaggerated uncertainty once combined to yield the LCCC. Third, options with negative costs  can occur, for example, in cases where incremental investment cost are taken to be negative. Finally,  there is also a debate whether options with negative costs can occur at all, as it apparently suggests  a situation of non‐optimized behaviour. For further discussion of negative costs, see Box 3.10 in  Chapter 3 of this report.  Levelized costs of conserved carbon are used to determine abatement cost curves, which are  frequently applied in climate change decision making. The merits and shortcoming of abatement  cost curves are discussed in the SRREN (Fischedick et al., 2011b) and in Chapter 3 (Section 3.9.3) of  the AR5.  In order to avoid some of the shortcomings of abatement cost curves, the IPCC AR5 opted  to use integrated modelling scenarios in order to evaluate the economic potential of specific  mitigation options in a consistent way. Integrated models are able to determine the economic  potential of single mitigation options within the context of (other) competing supply‐side and  demand‐side options by taking their interaction and potential endogenous learning effects into  account. The results obtained in this way are discussed in Chapter 6.

A.II.3.2    Mitigation cost metrics 
There is no single metric for reporting the costs of mitigation, and the metrics that are available are  not directly comparable (see Section 3.9.3 for a more general discussion; see Section 6.3.6 for an  overview of costs used in model analysis). In economic theory the most direct cost measure is a  change in welfare due to changes in the amount and composition of consumption of goods and  services by individuals. Important measures of welfare change include ‘equivalent variation’ and  ‘compensating variation’, which attempt to discern how much individual income would need to  change to keep consumers just as well off after the imposition of a policy as before. However, these  are quite difficult to calculate, so a more common welfare measurement is change in consumption,  which captures the total amount of money consumers are able to spend on goods and services.  Another common metric is the change in gross domestic product (GDP). However, GDP is a less  satisfactory measure of overall mitigation cost than those focused on individual income and  consumption, because it is an output‐related measure that in addition to consumption also includes  investment, imports and exports, and government spending. Aggregate consumption and GDP losses  are only available from an analysis of the policy impact on the full economy. Common cost measures  used in studies of the policy impact on specific economic sectors, such as the energy sector, are the  reduction in consumer and producer surplus and the ‘area under the marginal abatement cost  function’.  From a practical perspective, different modelling frameworks applied in mitigation analysis are  capable of producing different cost estimates (Section 6.2). Therefore, when comparing cost  estimates across mitigation scenarios from different models, some degree of incomparability must  necessarily result. In representing costs across transformation pathways in this report and more  specifically Chapter 6, consumption losses are used preferentially when available from general  equilibrium models, and costs represented by the area under the marginal abatement cost function  or the reduction of consumer and producer surplus are used for partial equilibrium models.   One popular measure used in different studies to evaluate the economic implications of mitigation  actions is the emissions price, often presented in per tonne of CO2 or per tonne of CO2‐equivalent  (CO2eq). However, it is important to emphasize that emissions prices are not cost measures. There 

 

15 of 83  

Final Draft                                                               Annex II                                                         IPCC WGIII AR5   are two important reasons why emissions prices are not a meaningful representation of costs. First,  emissions prices measure marginal cost, i.e., the cost of an incremental reduction of emissions by  one unit. In contrast, total costs represent the costs of all mitigation that took place at lower cost  than the emissions price. Without explicitly accounting for these ‘inframarginal’ costs, it is  impossible to know how the carbon price relates to total mitigation costs. Second, emissions prices  can interact with other existing or new policies and measures, such as regulatory policies that aim at  reducing greenhouse gas emissions (e.g., feed‐in tariffs, subsidies to low‐carbon technologies,  renewable portfolio standards) or other taxes on energy, labour, or capital. If mitigation is achieved  partly by these other measures, the emissions price will not take into account the full costs of an  additional unit of emissions reductions, and will indicate a lower marginal cost than is actually  warranted.  It is important to calculate the total cost of mitigation over the entire lifetime of a policy. The  application of discounting is common practice in economics when comparing costs over time. In  Chapter 3, Section 3.6.2 provides some theoretical background on the choice of discount rates in the  context of cost‐benefit analysis (CBA), where discounting is crucial, because potential climate  damages, and thus benefits from their avoidance, will occur far in the future, are highly uncertain,  and are often in the form of non‐market goods.  In Chapter 6, mitigation costs are assessed primarily  in the context of cost‐effectiveness analysis, in which a target for the long‐term climate outcome is  specified and models are used to estimate the cost of reaching it, under a variety of constraints and  assumptions (Section 6.3.2). These scenarios do not involve the valuation of damages and the  difficulties arising from their aggregation.  Nonetheless, the models surveyed in Chapter 6 consider  transformation pathways over long time horizons, so they must specify how decision makers view  intertemporal tradeoffs.  The standard approach is to use a discount rate that approximates the interest rate, that is, the  marginal productivity of capital. Empirical estimates of the long‐run average return to a diversified  portfolio are typically in the 4%–6% range. In scenarios where the long‐term target is set, the  discounting approach will have an effect only on the speed and shape of the mitigation schedule, not  on the overall level of stringency (note that this is in sharp contrast to cost‐benefit analysis, where  the discounting approach is a strong determinant of the level of stringency). Although a systematic  comparison of alternative discounting approaches in a cost‐effectiveness setting does not exist in  the literature, we can make the qualitative inference that when a policy‐maker places more (less)  weight on the future, mitigation effort will be shifted sooner (later) in time. Because of long‐lived  capital dynamics in the energy system, and also because of expected technical change, mitigation  effort in a cost‐effectiveness analysis typically begins gradually and increases over time, leading to a  rising cost profile. Thus, an analogous inference can be made that when a policy‐maker places more  (less) weight on the future, mitigation costs will be higher (lower) earlier and lower (higher) later.  Estimates of the macroeconomic cost of mitigation usually represent direct mitigation costs and do  not take into account co‐benefits or adverse side‐effects of mitigation actions (see red arrows in  Figure A.II.1). Further, these costs are only those of mitigation; they do not capture the benefits of  reducing CO2eq concentrations and limiting climate change.   Two further concepts are introduced in Chapter 6 to classify cost estimates (Section 6.3.6). The first  is an idealized implementation approach in which a ubiquitous price on carbon and other  greenhouse gases is applied across the globe in every sector of every country and which rises over  time at a rate that reflects the increase in the cost of the next available unit of emissions reduction.  The second is an idealized implementation environment of efficient global markets in which there  are no pre‐existing distortions or interactions with other, non‐climate market failures. An idealized  implementation approach minimizes mitigation costs in an idealized implementation environment.  This is not necessarily the case in non‐idealized environments in which climate policies interact with  existing distortions in labour, energy, capital, and land markets. If those market distortions persist or  are aggravated by climate policy, mitigation costs tend to be higher. In turn, if climate policy is 

 

16 of 83  

Final Draft                                                               Annex II                                                         IPCC WGIII AR5   brought to bear on reducing such distortions, mitigation costs can be lowered by what has been  frequently called a double dividend of climate policy (see blue arrows in Figure A.II.1). Whether or  not such a double dividend is available will depend on assumptions about the policy environment  and available climate policies.  

Figure A.II.1. Modelled policy costs in a broader context. The plotted range summarizes costs expressed as percentage loss relative to baseline across models for cost-effective scenarios reaching 430-530 ppm CO2eq. Scenarios were sorted by total NPV costs for each available metric (loss in GDP, loss in consumption, area under marginal abatement cost curve as a fraction of GDP). The lower boundary of the plotted range reflects the minimum across metrics of the 25th percentile, while the upper boundary reflects the maximum across metrics of the 75th percentile. A comprehensive treatment of costs and cost metrics, including the effects of non-idealized scenario assumptions, is provided in Section 6.3.6. Other arrows and annotations indicate the potential effects of considerations outside of those included in models. Source: AR5 Scenario Database.

A.II.4   Primary energy accounting 
Following the standard set by the IPCC Special Report on Renewable Energy Sources and Climate  Change Mitigation (SRREN), this report adopts the direct‐equivalent accounting method for the  reporting of primary energy from non‐combustible energy sources. The following section largely  reproduces Annex A.II.4 of the SRREN (Moomaw et al., 2011) with some updates and further  clarifications added.  Different energy analyses use a variety of accounting methods that lead to different quantitative  outcomes for both reporting of current primary energy use and primary energy use in scenarios that  explore future energy transitions. Multiple definitions, methodologies, and metrics are applied.  Energy accounting systems are utilized in the literature often without a clear statement as to which 

 

17 of 83  

Final Draft                                                               Annex II                                                         IPCC WGIII AR5   system is being used (Lightfoot, 2007; Martinot et al., 2007). An overview of differences in primary  energy accounting from different statistics has been described by Macknick (2011) and the  implications of applying different accounting systems in long‐term scenario analysis were illustrated  by Nakicenovic et al., (1998), Moomaw et al. (2011) and Grubler et al. (2012).  Three alternative methods are predominantly used to report primary energy. While the accounting  of combustible sources, including all fossil energy forms and biomass, is identical across the different  methods, they feature different conventions on how to calculate primary energy supplied by non‐ combustible energy sources, i.e., nuclear energy and all renewable energy sources except biomass.  These methods are:    the physical energy content method adopted, for example, by the OECD, the International  Energy Agency (IEA) and Eurostat (IEA/OECD/Eurostat, 2005);  the substitution method, which is used in slightly different variants by BP (2012) and the US  Energy Information Administration (EIA, 2012a, b, Table A6), both of which publish  international energy statistics; and  the direct equivalent method that is used by UN Statistics (2010) and in multiple IPCC  reports that deal with long‐term energy and emission scenarios (Nakicenovic and Swart,  2000; Morita et al., 2001; Fisher et al., 2007; Fischedick et al., 2011b).  



For non‐combustible energy sources, the physical energy content method adopts the principle that  the primary energy form should be the first energy form used down‐stream in the production  process for which multiple energy uses are practical (IEA/OECD/Eurostat, 2005). This leads to the  choice of the following primary energy forms:    heat for nuclear, geothermal, and solar thermal, and  electricity for hydro, wind, tide/wave/ocean, and solar PV. 

Using this method, the primary energy equivalent of hydro energy and solar PV, for example,  assumes a 100% conversion efficiency to ‘primary electricity’, so that the gross energy input for the  source is 3.6 MJ of primary energy = 1 kWh of electricity. Nuclear energy is calculated from the gross  generation by assuming a 33% thermal conversion efficiency3, i.e., 1 kWh = (3.6 ÷ 0.33) = 10.9 MJ.  For geothermal, if no country‐specific information is available, the primary energy equivalent is  calculated using 10% conversion efficiency for geothermal electricity (so 1 kWh = (3.6 ÷ 0.1) = 36  MJ), and 50% for geothermal heat.  The substitution method reports primary energy from non‐combustible sources in such a way as if  they had been substituted for combustible energy. Note, however, that different variants of the  substitution method use somewhat different conversion factors. For example, BP applies 38%  conversion efficiency to electricity generated from nuclear and hydro whereas the World Energy  Council used 38.6% for nuclear and non‐combustible renewables (WEC, 1993; Grübler et al., 1996;  Nakicenovic et al., 1998), and the Energy Information Administration (EIA) uses still different values.  For useful heat generated from non‐combustible energy sources, other conversion efficiencies are  used. Macknick (2011) provides a more complete overview.  The direct equivalent method counts one unit of secondary energy provided from non‐combustible  sources as one unit of primary energy, i.e., 1 kWh of electricity or heat is accounted for as 1 kWh =  3.6 MJ of primary energy. This method is mostly used in the long‐term scenarios literature, including  multiple IPCC reports (Watson et al., 1995; Nakicenovic and Swart, 2000; Morita et al., 2001; Fisher                                                              
 As the amount of heat produced in nuclear reactors is not always known, the IEA estimates the primary  energy equivalent from the electricity generation by assuming an efficiency of 33%, which is the average of  nuclear power plants in Europe (IEA, 2012b). 
3

 

18 of 83  

Final Draft                                                               Annex II                                                         IPCC WGIII AR5   et al., 2007; Fischedick et al., 2011b), because it deals with fundamental transitions of energy  systems that rely to a large extent on low‐carbon, non‐combustible energy sources.  The accounting of combustible sources, including all fossil energy forms and biomass, includes some  ambiguities related to the definition of the heating value of combustible fuels. The higher heating  value (HHV), also known as gross calorific value (GCV) or higher calorific value (HCV), includes the  latent heat of vaporization of the water produced during combustion of the fuel. In contrast, the  lower heating value (LHV) (also: net calorific value (NCV) or lower calorific value (LCV)) excludes this  latent heat of vaporization. For coal and oil, the LHV is about 5% smaller than the HHV, for natural  gas and derived gases the difference is roughly 9–10%, while the concept does not apply to non‐ combustible energy carriers such as electricity and heat for which LHV and HHV are therefore  identical (IEA, 2012a).   In the WGIII AR5, IEA data are utilized, but energy supply is reported using the direct equivalent  method. In addition, the reporting of combustible energy quantities, including primary energy,  should use the LHV which is consistent with the IEA energy balances (IEA, 2012a; b). Table A.II.10  compares the amounts of global primary energy by source and percentages using the physical  energy content, the direct equivalent and a variant of the substitution method for the year 2010  based on IEA data (IEA, 2012b). In current statistical energy data, the main differences in absolute  terms appear when comparing nuclear and hydro power. As they both produced comparable  amounts of electricity in 2008, under both direct equivalent and substitution methods, their share of  meeting total final consumption is similar, whereas under the physical energy content method,  nuclear is reported at about three times the primary energy of hydro. 
Table A.II.10. Comparison of global total primary energy supply in 2010 using different primary energy accounting methods (data from IEA (2012b)).

Physical content  method    Fossil fuels  Nuclear  Renewables   Bioenergy  Solar  Geothermal  Hydro  Ocean  Wind  Other  Total   

Direct equivalent method 

Substitution method4 

EJ  % EJ % EJ  % 432.99  81.32 432.99 84.88 432.99  78.83 30.10  5.65 9.95 1.95 26.14  4.76 69.28  13.01 67.12 13.16 90.08  16.40 52.21  9.81 52.21 10.24 52.21  9.51 0.75  0.14 0.73 0.14 1.03  0.19 2.71  0.51 0.57 0.11 1.02  0.19 12.38  2.32 12.38 2.43 32.57  5.93 0.002  0.0004 0.002 0.0004 0.005  0.001 1.23  0.23 1.23 0.24 3.24  0.59 0.07  0.01  0.07  0.01  0.07  0.01  532.44  100.00  510.13  100.00  549.29  100.00 

The alternative methods outlined above emphasize different aspects of primary energy supply.  Therefore, depending on the application, one method may be more appropriate than another.  However, none of them is superior to the others in all facets. In addition, it is important to realize  that total primary energy supply does not fully describe an energy system, but is merely one                                                              
 For the substitution method, conversion efficiencies of 38% for electricity and 85% for heat from non‐ combustible sources were used. The value of 38% is used by BP for electricity generated from hydro and  nuclear. BP does not report solar, wind, and geothermal in its statistics for which, here, also 38% is used for  electricity and 85% for heat. 
4

 

19 of 83  

Final Draft                                                               Annex II                                                         IPCC WGIII AR5   indicator amongst many. Energy balances as published by IEA (2012a; b) offer a much wider set of  indicators which allows tracing the flow of energy from the resource  to final energy use. For  instance, complementing total primary energy consumption by other indicators, such as total final  energy consumption (TFC) and secondary energy production (e.g., of electricity, heat), using  different sources helps link the conversion processes with the final use of energy. 

A.II.5   Indirect Primary Energy Use and CO2 Emissions 
Energy statistics in most countries of the world and at the International Energy Agency (IEA) display  energy use and carbon dioxide (CO2) emissions from fuel combustion directly in the energy sectors.  As a result, the energy sector is the major source of reported energy use and CO2 emissions, with the  electricity and heat industries representing the largest shares.   However, the main driver for these energy sector emissions is the consumption of electricity and  heat in the end use sectors (industry, buildings, transport, and agriculture). Electricity and heat  mitigation opportunities in these end use sectors reduce the need for producing these energy  carriers upstream and therefore reduce energy and emissions in the energy sector.  In order to account for the impact of mitigation activities in the end use sectors, a methodology has  been developed to reallocate the energy consumption and related CO2 emissions from electricity  and heat produced and delivered to the end use sectors (de Ia Rue du Can and Price, 2008).  Using IEA data, the methodology calculates a series of primary energy factors and CO2 emissions  factors for electricity and heat production at the country level. These factors are then used to re‐ estimate energy and emissions from electricity and heat produced and delivered to the end use  sectors proportionally to their use in each end‐use sectors. The calculated results are referred to as  primary energy5 and indirect CO2 emissions.    The purpose of allocating primary energy consumption and indirect CO2 emissions to the sectoral  level is to relate the energy used and the emissions produced along the entire supply chain to  provide energy services in each sector (consumption‐based approach). For example, the  consumption of one kWh of electricity is not equivalent to the consumption of one kWh of coal or  natural gas, because of the energy required and the emissions produced in the generation of one  kWh of electricity.   Figure A.II.2 shows the resulting reallocation of CO2 emissions from electricity and heat production  from the energy sector to the industrial, buildings, transport, and agriculture sectors at the global  level based on the methodology outlined in de la Rue du Can and Price (2008) and described further  below.   

                                                            
 Note that final energy and primary energy consumption are different concepts (Section A.II.3.4). Final energy  consumption (sometimes called site energy consumption) represents the amount of energy consumed in end  use applications whereas primary energy consumption (sometimes called source energy consumption) in  addition includes the energy required to generate, transmit and distribute electricity and heat. 
5

 

20 of 83  

Final Draft                                                               Annex II                                                         IPCC WGIII AR5  

Figure A.II.2. Energy sector electricity and heat CO2 emissions calculated for the end-use sectors in 2010. Data source: (IEA, 2012b; c)

 

A.II.5.1    Primary Electricity and Heat Factors 
Primary electricity and heat factors have been derived as the ratio of fuel inputs of power plants  relative to the electricity and heat delivered. These factors reflect the efficiency of these  transformations.  

	 Primary	Electricity	Factor:	 	 ∑ , 						 	∑ 	 	 	 	 Where		 	 EI	is	the	total	energy	 e 	inputs	for	producing	Electricity	in	TJ	 	 EO	is	the	total	Electricity	Output	produced	in	TJ	 	 E	OU	is	the	energy	use	for	own	use	for	Electricity	production	 	 E	DL	is	the	distribution	losses	needed	to	deliver	electricity	to	the	end	use	sectors	 	 Primary	Heat	Factor:			 	 ∑ , 				 	∑ 	 	 	 	 Where		 HI	is	the	total	energy	 e 	inputs	for	producing	Heat	in	TJ	 HO	is	the	total	Heat	Output	produced	in	TJ	 H	OU	is	the	energy	use	for	own	use	for	Heat	production	 H	DL	is	the	distribution	losses	needed	to	deliver	heat	to	the	end	use	sectors	 	

 

21 of 83  

Final Draft                                                               Annex II                                                         IPCC WGIII AR5  

p	represents	the	6	plant	types	in	the	IEA	statistics	 Main	Activity	Electricity	Plant,	Autoproducer	 Electricity	Plant,	Main	Activity	CHP	plant,	Autoproducer	CHP	plant,	Main	Activity	Heat	Plant	and	 Autoproducer	Heat	Plant 	 	 e	represents	the	energy	products	 	 	
It is important to note that two accounting conventions were used to calculate these factors. The  first involves estimating the portion of fuel input that produces electricity in combined heat and  power plants (CHP) and the second involves accounting for the primary energy value of non‐ combustible fuel energy used as inputs for the production of electricity and heat. The source of  historical data for these calculations is the International Energy Agency (IEA, 2012c; d).  For the CHP calculation, fuel inputs for electricity production were separated from inputs for heat  production according to the fixed‐heat‐efficiency approach used by the IEA (IEA, 2012c). This  approach fixes the efficiency for heat production equal to 90%, which is the typical efficiency of a  heat boiler (except when the total CHP efficiency was greater than 90%, in which case the observed  efficiency is used). The estimated input for heat production based on this efficiency was then  subtracted from the total CHP fuel inputs, and the remaining fuel inputs to CHP were attributed to  the production of electricity. As noted by the IEA, this approach may overstate the actual heat  efficiency in certain circumstances (IEA, 2012c; d).  As described in Section A.II.4 in more detail, different accounting methods to report primary energy  use of electricity and heat production from non‐combustible energy sources, including non‐biomass  renewable energy and nuclear energy, exist. The direct equivalent accounting method is used here  for this calculation.   Global average primary and electricity factors and their historical trends are presented in Figure  A.II.3. Average factors for fossil power and heat plants are in the range of 2.5 and 3 and factors for  non‐biomass renewable energy and nuclear energy are by convention a little above one, depending  on heat and electricity own use consumption and distribution losses. 

Figure A.II.3. Historical primary electricity and heat factors. Data source: (IEA, 2012b)

 

A.II.5.2    Carbon Dioxide Emission Factors 
Carbon dioxide emission factors for electricity and heat have been derived as the ratio of CO2  emissions from fuel inputs of power plants relative to the electricity and heat delivered. The method  is equivalent to the one described above for primary factors. The fuel inputs have in addition been  multiplied by their CO2 emission factors of each fuel type as defined in IPCC (2006). The calculation  of electricity and heat related CO2 emission factors are conducted at the country level. Indirect 

 

22 of 83  

Final Draft                                                               Annex II                                                         IPCC WGIII AR5   carbon emissions related to electricity and heat consumption are then derived by simply multiplying  the amount of electricity and heat consumed with the derived electricity and heat CO2 emission  factors at the sectoral level.  When the results of the methodology described above to estimate end‐use CO2 emissions from  electricity and heat production are compared with the reported IEA direct emissions from the heat  and electricity sectors there is an average difference of + 1.36%% over the years 1970 to 2010,  indicating a slight overestimation of global CO2 emissions. This difference varies by year, with the  largest negative difference in 1976 (‐2.99%) and the largest positive difference in 1990 (3.23%).   The cross‐sectoral annual total indirect carbon emissions were then normalized to the direct  emission from electricity and heat production on the global level. 

Figure A.II.4. Historical electricity and heat CO2 emissions factors. Data source: (IEA, 2012b; c)

 

  Figure A.II.4 shows the historical electricity CO2 emission factors. The factors reflect both the fuel  mix and conversion efficiencies in electricity generation and the distribution losses. Regions with  high shares of non‐fossil electricity generation have low emissions coefficient. For example, Latin  America has a high share of hydro power and therefore a low CO2 emission factor in electricity  generation.  Primary heat and heat carbon factors were also calculated however, due to irregularity in data  availability over the years at the global level, only data from 1990 are shown in the figures.   The emission factor for natural gas, 56.1 tCO2 per unit of PJ combusted, is shown in the graph for  comparison.   

A.II.6   Material flow analysis, input‐output analysis, and lifecycle assessment 
In the WGIII AR5, findings from material flow analysis, input‐output analysis, and lifecycle  assessment are used in Chapters 1, 4, 5, 7, 8, 9, 11, and 12. The following section briefly sketches the  intellectual background of these methods and discusses their usefulness for mitigation research, and  discusses some relevant assumptions, limitations, and methodological issues.   The anthropogenic contributions to climate change, caused by fossil fuel combustion, land  conversion for agriculture, commercial forestry and infrastructure, and numerous agricultural and  industrial processes, result from the use of natural resources, i.e., the manipulation of material and  energy flows by humans for human purposes. Mitigation research has a long tradition of addressing  the energy flows and associated emissions, however, the sectors involved in energy supply and use  are coupled with each other through material stocks and flows, which leads to feedbacks and delays. 

 

23 of 83  

Final Draft                                                               Annex II                                                         IPCC WGIII AR5   These linkages between energy and material stocks and flows have, despite their considerable  relevance for GHG emissions, so far gained little attention in climate change mitigation (and  adaptation). The research agendas of industrial ecology and ecological economics with their focus on  the socioeconomic metabolism (Wolman, 1965; Baccini and Brunner, 1991; Ayres and Simonis, 1994;  Fischer‐Kowalski and Haberl, 1997) also known as the biophysical economy (Cleveland et al., 1984),  can complement energy assessments in important manners and support the development of a  broader framing of mitigation research as part of sustainability science. The socioeconomic  metabolism consists of the physical stocks and flows with which a society maintains and reproduces  itself (Fischer‐Kowalski and Haberl, 2007). These research traditions are relevant for sustainability  because they comprehensively account for resource flows and hence can be used to address the  dynamics, efficiency, and emissions of production systems that convert or utilize resources to  provide goods and services to final consumers. Central to the socio‐metabolic research methods are  material and energy balance principles applied at various scales ranging from individual production  processes to companies, regions, value chains, economic sectors, and nations.  An important application of these methods is carbon footprinting, i.e., the determination of lifecycle  greenhouse gas emissions of products, organizations, households, municipalities, or nations. The  carbon footprint of products usually determined using lifecycle assessment, while the carbon  footprint of households, regional entities, or nations is commonly modeled using input‐output  analysis. 

A.II.6.1    Material flow analysis 
Material flow analysis (MFA)—including substance flow analysis (SFA)—is a method for describing,  modelling (using socio‐economic and technological drivers), simulating (scenario development), and  visualizing the socioeconomic stocks and flows of matter and energy in systems defined in space and  time to inform policies on resource and waste management and pollution control. Mass‐ and energy  balance consistency is enforced at the level of goods and/or individual substances. As a result of the  application of consistency criteria they are useful to analyze feedbacks within complex systems, e.g.,  the interrelations between diets, food production in cropland and livestock systems, and availability  of area for bioenergy production (e.g., Erb et al. (2012), see Section 11.4).  The concept of socioeconomic metabolism (Ayres and Kneese, 1969; Boulding, 1972; Martinez‐Alier,  1987; Baccini and Brunner, 1991; Ayres and Simonis, 1994; Fischer‐Kowalski and Haberl, 1997) has  been developed as an approach to study the extraction of materials or energy from the  environment, their conversion in production and consumption processes, and the resulting outputs  to the environment. Accordingly, the unit of analysis is the socioeconomic system (or some of its  components), treated as a systemic entity, in analogy to an organism or a sophisticated machine that  requires material and energy inputs from the natural environment in order to carry out certain  defined functions and that results in outputs such as wastes and emissions.   Some MFAs trace the stocks and flows of aggregated groups of materials (fossil fuels, biomass, ores  and industrial minerals, construction materials) through societies and can be performed on the  global scale (Krausmann et al., 2009), for national economies and groups of countries (Weisz et al.,  2006), urban systems (Wolman, 1965; Kennedy et al., 2007) or other socioeconomic subsystems.  Similarly comprehensive methods that apply the same system boundaries have been developed to  account for energy flows (Haberl, 2001a), (Haberl, 2001b), (Haberl et al., 2006), carbon flows (Erb et  al., 2008) and biomass flows (Krausmann et al., 2008) and are often subsumed in the Material and  Energy Flow Accounting (MEFA) framework (Haberl et al., 2004). Other MFAs have been conducted  for analyzing the cycles of individual substances (e.g., carbon, nitrogen, or phosphorus cycles (Erb et  al., 2008)) or metals (e.g., copper, iron, or cadmium cycles; (Graedel and Cao, 2010)) within socio‐ economic systems. A third group of MFAs have a focus on individual processes with an aim to  balance a wide variety of goods and substances (e.g., waste incineration, a shredder plant, or a city). 

 

24 of 83  

Final Draft                                                               Annex II                                                         IPCC WGIII AR5   The MFA approach has also been extended towards the analysis of socio‐ecological systems, i.e.,  coupled human‐environment systems. One example for this research strand is the ‘human  appropriation of net primary production’ or HANPP which assesses human‐induced changes in  biomass flows in terrestrial ecosystems (Vitousek et al., 1986)(Wright, 1990)(Imhoff et al.,  2004)(Haberl et al., 2007). The socio‐ecological metabolism approach is particularly useful for  assessing feedbacks in the global land system, e.g., interrelations between production and  consumption of food, agricultural intensity, livestock feeding efficiency, and bioenergy potentials,  both residue potentials and area availability for energy crops (Erb et al., 2012)(Haberl et al., 2011).  Anthropogenic stocks (built environment) play a crucial role in socio‐metabolic systems: (1) they  provide services to the inhabitants, (2) their operation often requires energy and releases emissions,  (3) any increase or renewal/maintenance of these stocks requires materials, and (4) the stocks  embody materials (often accumulated over the past decades or centuries) that may be recovered at  the end of the stocks’ service lives (‘urban mining’) and, when recycled or reused, substitute primary  resources and save energy and emissions in materials production (Müller et al., 2006). In contrast to  flow variables, which tend to fluctuate much more, stock variables usually behave more robustly and  are therefore often suitable as drivers for developing long‐term scenarios (Müller, 2006). The  exploration of built environment stocks (secondary resources), including their composition,  performance, and dynamics, is therefore a crucial pre‐requisite for examining long‐term  transformation pathways (Liu et al., 2012). Anthropogenic stocks have therefore been described as  the engines of socio‐metabolic systems. Moreover, socioeconomic stocks sequester carbon (Lauk et  al., 2012); hence policies to increase the carbon content of long‐lived infrastructures may contribute  to climate‐change mitigation (Gustavsson et al., 2006).  So far, MFAs have been used mainly to inform policies for resource and waste management. Studies  with an explicit focus on climate change mitigation are less frequent, but rapidly growing. Examples  involve the exploration of long‐term mitigation pathways for the iron/steel industry (Milford et al.,  2013; Pauliuk et al., 2013a), the aluminium industry (Liu et al., 2011)(Liu et al., 2012), the vehicle  stock (Melaina and Webster, 2011), (Pauliuk et al., 2011) or the building stock (Pauliuk et al., 2013b). 

A.II.6.2    Input‐output analysis 
Input‐output (IO) analysis is an approach to trace the production process of products by economic  sectors, and their use as intermediate demand by producing sectors (industries) and final demand  including that by households and the public sector (Miller and Blair, 1985). Input‐output tables  describe the structure of the economy, i.e., the interdependence of different producing sectors and  their role in final demand. Input‐output tables are produced as part of national economic accounts  (Leontief, 1936). Through the assumption of fixed input coefficients, input‐output models can be  formed, determining, e.g., the economic activity in all sectors required to produce a unit of final  demand. The mathematics of input‐output analysis can be used with flows denoted in physical or  monetary units and has been applied also outside economics, e.g., to describe energy and nutrient  flows in ecosystems (Hannon et al., 1986).  Environmental applications of input‐output analysis include analyzing the economic role of  abatement sectors (Leontief, 1971), quantifying embodied energy (Bullard and Herendeen, 1975)  and the employment benefits of energy efficiency measures (Hannon et al., 1978), describing the  benefits of pre‐consumer scrap recycling (Nakamura and Kondo, 2001), tracing the material  composition of vehicles (Nakamura et al., 2007), and identifying an environmentally desirable global  division of labour (Stromman et al., 2009). Important for mitigation research, input‐output analysis  has been used to estimate the greenhouse gas emissions associated with the production and  delivery of goods for final consumption, the ‘carbon footprint’ (Wiedmann and Minx, 2008). This  type of analysis basically redistributes the emissions occurring in producing sectors to final  consumption. It can be used to quantify GHG emissions associated with import and export (Wyckoff  and Roop, 1994), with national consumption (Hertwich and Peters, 2009), or the consumption by 

 

25 of 83  

Final Draft                                                               Annex II                                                         IPCC WGIII AR5   specific groups of society (Lenzen and Schaeffer, 2004), regions (Turner et al., 2007), or institutions  (Berners‐Lee et al., 2011)(Larsen and Hertwich, 2009)(Minx et al., 2009)(Peters, 2010).6   Global, multiregional input‐output models are currently seen as the state‐of‐the‐art tool to quantify  ‘consumer responsibility’ (Chapter 5)(Wiedmann et al., 2011)(Hertwich, 2011). Multiregional tables  are necessary to adequately represent national production patterns and technologies in the  increasing number of globally sourced products. Important insights provided to mitigation research  are the quantification of the total CO2 emissions embodied in global trade (Peters and Hertwich,  2008), the growth of net emissions embodied in trade from non‐Annex B to Annex B countries  (Peters et al., 2011b), to show that the UK (Druckman et al., 2008)(Wiedmann et al., 2010) and other  Annex B countries have increasing carbon footprints while their territorial emissions are decreasing,  to identify the contribution of different commodity exports to the rapid growth in China’s  greenhouse gas emissions (Xu et al., 2009), and to quantify the income elasticity of the carbon  footprint of different consumption categories like food, mobility, and clothing (Hertwich and Peters,  2009).  Input‐output models have an increasingly important instrumental role in mitigation. They are used  as a backbone for consumer carbon calculators, to provide sometimes spatially explicit regional  analysis (Lenzen et al., 2004), to help companies and public institutions target climate mitigation  efforts , and to provide initial estimates of emissions associated with different alternatives (Minx et  al., 2009).  Input‐output calculations are usually based on industry‐average production patterns and emissions  intensities and do not provide an insight into marginal emissions caused by additional purchases.  However, efforts to estimate future and marginal production patterns and emissions intensities exist  (Lan et al., 2012). At the same time, economic sector classifications in many countries are not very  fine, so that IO tables provide carbon footprint averages of broad product groups rather than specific  products, but efforts to disaggregate tables to provide more detail in environmentally relevant  sectors exist (Tukker et al., 2013). Many models are not good at addressing waste management and  recycling opportunities, although hybrid models with a physical representation of end‐of‐life  processes do exist (Nakamura and Kondo, 2001).  At the time of publication, national input‐output  tables describe the economy several years ago. Multiregional input‐output tables are produced as  part of research efforts and need to reconcile different national conventions for the construction of  the tables and conflicting international trade data (Tukker et al., 2013). Efforts to provide a higher  level of detail of environmentally relevant sectors and to now‐cast tables are currently under  development (Lenzen et al., 2012).  

A.II.6.3    Lifecycle assessment 
Product lifecycle assessment (LCA) was developed as a method to determine the embodied energy  use (Boustead and Hancock, 1979) and environmental pressures associated with specific product  systems (Finnveden et al., 2009). A product system describes the production, distribution, operation,  maintenance, and disposal of the product. From the beginning, the assessment of energy  technologies has been important, addressing questions such as how many years of use would be  required to recover the energy expended in producing a photovoltaic cell (Kato et al., 1998).  Applications in the consumer products industry addressing questions of whether cloth or paper  nappies (diapers) are more environmentally friendly (Vizcarra et al., 1994), or what type of washing  powder, prompted the development of a wider range of impact assessment methods addressing  issues such as aquatic toxicity (Gandhi et al., 2010), eutrophication, and acidification (Huijbregts et  al., 2000). By now, a wide range of methods has been developed addressing either the contribution  to specific environmental problems (midpoint methods) or the damage caused to ecosystem or                                                              
 GHG emissions related to land‐use change have not yet been addressed in MRIO‐based carbon footprint  analysis due to data limitations.  
6

 

26 of 83  

Final Draft                                                               Annex II                                                         IPCC WGIII AR5   human health (endpoint methods). At the same time, commonly used databases have collected  lifecycle inventory information for materials, energy products, transportation services, chemicals,  and other widely used products. Together, these methods form the backbone for the wide  application of LCA in industry and for environmental product declarations, as well as in policy.  Lifecycle analysis plays an increasingly important role in climate mitigation research (SRREN Annex II,  Moomaw et al. (2011)). In AR5, lifecycle assessment has been used to quantify the greenhouse gas  emissions associated with mitigation technologies, e.g., wind power, heat recovery ventilation  systems, or carbon dioxide capture and storage. Lifecycle analysis is thus used to compare different  ways to deliver the same functional unit, such as one kWh of electricity.   Lifecycle analysis has also been used to quantify co‐benefits and detrimental side‐effects of  mitigation technologies and measures, including other environmental problems and the use of  resources such as water, land, and metals. Impact assessment methods have been developed to  model a wide range of impact pathways.    A range of approaches is used in LCA to address the climate impact of environmental interventions,  starting from GHG through other pollutants (such as aerosols) to the inclusion of geophysical effects  such as albedo changes or indirect climate effects (Bright et al., 2012), also exploring radiation‐based  climate metrics (Peters et al., 2011a). The timing of emissions and removals has traditionally not  been considered, but issues associated with biomass production and use have given rise to a  approaches to quantify the effects of carbon sequestration and temporary carbon storage in long‐ lived products (Brandão et al., 2013; Guest et al., 2013; Levasseur et al., 2013) and of temporarily  increased atmospheric CO2 concentrations from ‘carbon‐neutral’ bioenergy systems (Cherubini et  al., 2011).   Life‐cycle inventories are normally derived from empirical information on actual processes or  modelled based on engineering calculations. A key aspect of lifecycle inventories for energy  technologies is that they contribute to understanding the thermodynamics of the wider product  system; combined with appropriate engineering insight, they can provide some upper bound for  possible technological improvements. These process LCAs provide detail and specificity, but do  usually not cover all input requirements, as this would be too demanding. The cut‐off error is the  part of the inventory that is not covered by conventional process analysis; it is commonly between  20‐50% of the total impact (Lenzen, 2001). Hybrid lifecycle assessment utilizes input‐output models  to cover inputs of services or items that are used in small quantities (Treloar, 1996)(Suh et al.,  2004)(Williams et al., 2009). Through their better coverage of the entire product system, hybrid LCAs  tend to more accurately represent all inputs to production (Majeau‐Bettez et al., 2011). They have  also been used to estimate the cut‐off error of process LCAs (Norris, 2002)(Deng et al., 2011).   It must be emphasized that LCA is a research method that answers specific research questions. To  understand how to interpret and use the results of an LCA case study, it is important to understand  what the research question is. The research questions “what are the environmental impacts of  product x” or “… of technology y” needs to be specified with respect to timing, regional context,  operational mode, background system, etc. Modelling choices and assumption thus become part of  an LCA. This implies that LCA studies are not always comparable because they do not address the  same research question.  Further, most LCAs are interpreted strictly on a functional unit basis,  expressing the impact of a unit of the product system in a described production system, without  either up‐scaling the impacts to total impacts in the entire economy or saying something about the  scale‐dependency of the activity. For example, an LCA may identify the use of recycled material as  beneficial, but the supply of recycled material is limited by the availability of suitable waste, so that  an up‐scaling of recycling is not feasible. Hence, an LCA that shows that recycling is beneficial is not  sufficient to document the availability of further opportunities to reduce emissions. Lifecycle  analysis, however, coupled with an appropriate system models (using material flow data) is suitable  to model the emission gains from the expansion of further recycling activities.  

 

27 of 83  

Final Draft                                                               Annex II                                                         IPCC WGIII AR5   Lifecycle analysis was developed with the intention to quantify resource use and emissions  associated with existing or prospective product systems, where the association reflects physical  causality within economic systems. Depending on the research question, it can be sensible to  investigate average or marginal inputs to production. Departing from this descriptive approach, it  has been proposed to model a wider socioeconomic causality describing the consequences of  actions (Ekvall and Weidema, 2004). While established methods and a common practice exist for  descriptive or ‘attributional’ LCA, such methods and standard practice are not yet established in  ‘consequential’ LCA (Zamagni et al., 2012). Consequential LCAs are dependent on the decision  context. It is increasingly acknowledged in LCA that for investigating larger sustainability questions,  the product focus is not sufficient and larger system changes need to be modelled as such (Guinée et  al., 2010).  For climate change mitigation analysis, it is useful to put LCA in a wider scenario context (Arvesen  and Hertwich, 2011; Viebahn et al., 2011). The purpose is to better understand the contribution a  technology can make to climate change mitigation and to quantify the magnitude of its resource  requirements, co‐benefits and side‐effects. For mitigation technologies on both the demand and  supply side, important contributors to the total impact are usually energy, materials, and transport.  Understanding these contributions is already valuable for mitigation analysis. As all of these sectors  will change as part of the scenario, LCA‐based scenarios show how much impacts per unit are likely  to change as part of the scenario.   Some LCAs take into account behavioural responses to different technologies (Takase et al., 2005;  Girod et al., 2011). Here, two issues must be distinguished. One is the use of the technology. For  example, it has been found that better insulated houses consistently are heated or cooled to  higher/lower average temperature (Haas and Schipper, 1998)(Greening et al., 2001). Not all of the  theoretically possible technical gain in energy efficiency results in reduced energy use (Sorrell and  Dimitropoulos, 2008). Such direct rebound effects can be taken into account through an appropriate  definition of the energy services compared, which do not necessarily need to be identical in terms of  the temperature or comfort levels. Another issue are larger market‐related effects and spillover  effects. A better‐insulated house leads to energy savings. Both questions of (1) whether the saved  energy would then be used elsewhere in the economy rather than not produced, and (2) what the  consumer does with the money saved, are not part of the product system and hence of product  lifecycle assessment. They are sometimes taken up in LCA studies, quantified, and compared.  However, for climate mitigation analysis, these mechanisms need to be addressed by scenario  models on a macro level. (See also Section 11.4 for a discussion of such systemic effects). 

A.II.7   Fat Tailed Distributions 
If we have observed N independent loss events from a given loss distribution, the probability that  the next loss event will be worse than all the others is 1/(N+1). How much worse it will be depends  on the tail of the loss distribution. Many loss distributions including losses due to hurricanes are very  fat tailed. The notion of a ‘fat tailed distribution’ may be given a precise mathematical meaning in  several ways, each capturing different intuitions.  Older definitions refer to ‘fat tails’ as ‘leptokurtic’  meaning that the tails are fatter than the normal distribution. Nowadays, mathematical definitions  are most commonly framed in terms of regular variation or subexponentiality (Embrechts et al.,  1997).  A positive random variable X has regular variation with tail index α > 0 if the probability P(X > x) of  exceeding a value x decreases at a polynomial rate x‐  as x gets large. For any r > α, the r‐th moment  of X is infinite, the α‐th moment may be finite or infinite depending on the distribution. If the first  moment is infinite, then running averages of independent realizations of X increase to infinity. If the  second moment is infinite, then running averages have an infinite variance and do not converge to a 

 

28 of 83  

Final Draft                                                               Annex II                                                         IPCC WGIII AR5   finite value. In either case, historical averages have little predictive value. The gamma, exponential,  and Weibull distributions all have finite r‐th moment for all positive r.  A positive random variable X is subexponential if for any n independent copies X1,…Xn,   the  probability that the sum X1+...+Xn exceeds a value x becomes identical to the probability that the  maximum of X1,…Xn exceeds  x, as x gets large. In other words, ‘the sum of X1,…Xn is driven  by the  largest of the X1,…Xn'.  Every regularly varying distribution is subexponential, but the converse does  not hold. The Weibull distribution with shape parameter less than one is subexponential but not  regularly varying. All its moments are finite, but the sum of n independent realizations tends to be  dominated by the single largest value.  For X with finite first moment, the mean excess curve is a useful diagnostic. The mean excess curve  of X at point x is the expected value of X ‐ x given that X exceeds x.  If X is regularly varying with tail  index α > 1, the mean excess curve of X is asymptotically linear with slope 1/(α‐1). If X is  subexponential its mean excess curve increases to infinity, but is not necessarily asymptotically  linear. Thus, the mean excess curve for a subexponential distribution may be ‘worse’ than a regularly  varying distribution, even though the former has finite moments. The mean excess curve for the  exponential distribution is constant, that for the normal distribution is decreasing. The following  figures show mean excess curves for flood insurance claims in the United States, per county per year  per dollar income (hereby correcting for growth in exposure, Figure A.II.5) and insurance indemnities  for crop loss per county per year in the United States (Figure A.II.6). Note that flood claims’ mean  excess curve lies well above the line with unit slope, whereas that for crop losses lie below (Kousky  and Cooke, 2009). 

Figure A.II.5. Mean excess curve for US flood insurance claims from the National Flood Insurance Program per dollar income per county per year for the years 1980 to 2008 in USD2010. Considering dollar claims per dollar income in each county corrects for increasing exposure. Note: The vertical axis gives mean excess loss, given loss at least as large as the horizontal axis. Source: adapted from (Kousky and Cooke, 2009)

 

29 of 83  

Final Draft                                                               Annex II                                                         IPCC WGIII AR5  

Figure A.II.6. Mean excess curve of US crop insurance indemnities paid from the US Department of Agriculture's Risk Management Agency, aggregated by county and year for the years 1980 to 2008 in USD2010. Note: The vertical axis gives mean excess loss, given loss at least as large as the horizontal axis. Source: adapted from (Kousky and Cooke, 2009)

A.II.8   Growth Rates 
For the calculation of annual growth rates as frequently shown in this report, a number of different  methods exist, all of which lead to slightly different numerical results. If not stated otherwise, the  annual growth rates shown, have been derived using the Log Difference Regression technique or  Geometric Average, techniques which can be shown to be equivalent   The Log Difference Regression growth rate rLD is calculated the following way:  1 with    The Geometric Average growth rate rGEO is calculated as shown below:  1      Other methods that are used to calculate annual growth rates include the Ordinary Least Square  technique and the Average Annual Growth Rate technique.  (Equation A.II.11)  ∑ ∆ln	   (Equation A.II.10) 

Part III: Data Sets  A.II.9   Historical Data 
To aid coherency and consistency, core historic data presented throughout the report uses the same  sources and applied the same methodologies and standards – these are detailed here: 

 

30 of 83  

Final Draft                                                               Annex II                                                         IPCC WGIII AR5     The standard country aggregations to regions are detailed in Section A.II.2.  The central historic GHG emission data set was based on IEA (2012c) and Emissions Database for  Global Atmospheric Research (EDGAR) (JRC/PBL, 2012) data. This data set provides annual  emissions on a country level for the time span 1970 to 2010. The two sources are mapped as  described in Section A.II.9.1.  As default dataset for GDP in Purchasing Power Parity (PPP) World Bank data was supplemented  according to the methodology described in Section A.II.9.2.  The data sources and methodology for historic indirect emissions from electricity and heat  production are defined in Section A.II.5.   Lifecycle GHG emission data sets of energy supply technologies, predominantly used in Chapter  7, are introduced in Section A.II.9.3. The underlying methodology is explained in Section A.II.6 of  this Annex. 

  

A.II.9.1    Mapping of Emission Sources to Sectors 
The list below shows how emission sources are mapped to sectors throughout the WGIII AR5. This  defines unambiguous system boundaries for the sectors as represented in Chapters 7–11 in the  report and enables a discussion and representation of emission sources without double‐counting.  Emission sources refer to the definitions by the IPCC Task Force on National Greenhouse Gas  Inventories (TFI) (IPCC, 2006). Where further disaggregated data was required, additional source  categories were introduced consistent with the underlying datasets (IEA, 2012c; JRC/PBL, 2012). This  information appears in the following systematic sequence throughout this section: 

Emission Source Category (Chapter Emission Source Category Numbering) 
Emission Source (Sub‐)Category (IPCC Task force definition) [gases emitted by emission source (CO2  data set used)]  A common dataset (‘IEA/EDGAR’) is used across WGIII AR5 chapters to ensure coherency consistent  representation of emission trends across the report. Uncertainties of this data are discussed in the  respective chapters (Chapter 1; Chapter 5; and Chapter 11). CO2 emissions from fossil fuel  combustion are taken from IEA (2012c), the remaining CO2 and non‐CO2 greenhouse gas emissions  are taken from EDGAR (JRC/PBL, 2012), see the following sections for categories and sources used.  For the FOLU sub‐sector EDGAR (JRC/PBL, 2012) represents land‐based CO2 emissions from forest  and peat fires and decay to approximate the CO2 flux from anthropogenic emission sources.  Following general scientific practice, 100‐year GWPs from the IPCC Second Assessment Report (SAR)  (Schimel et al., 1996) are used as the index for converting GHG emissions to common units of CO2   equivalent emissions in EDGAR (JRC/PBL, 2012). The following gases and associated GWPs based on  the SAR are covered in EDGAR: CO2 (1), CH4 (21), N2O (310), HFC‐125 (2800), HFC‐134a (1300), HFC‐ 143a (3800), HFC‐152a (140), HFC‐227ea (2900), HFC‐23 (11700), HFC‐236fa (6300), HFC‐245fa (560),  HFC‐32 (650), HFC‐365mfc (1000), HFC‐43‐10‐mee (1300), C2F6 (9200), C3F8 (7000), C4F10 (7000), C5F12  (7500), C6F14 (7400), C7F16 (7400), c‐C4F8 (8700), CF4 (6500), SF6 (23900). 

A.II.9.1.1    Energy (Chapter 7)  Electricity & heat (7.1) 
Power and Heat Generation (1A1a) [CO2 (IEA), CH4, N2O]  Public Electricity Plants (1A1a1) [CO2 (IEA)]  Public Combined Heat and Power Generation (1A1a2) [CO2 (IEA)]  Public Heat Plants (1A1a3) [CO2 (IEA)]  Public Electricity Generation (own use) (1A1a4) [CO2 (IEA)] 

 

31 of 83  

Final Draft                                                               Annex II                                                         IPCC WGIII AR5   Electricity Generation (autoproducers) (1A1a5) [CO2 (IEA)]  Combined Heat and Power Generation (autoproducers) (1A1a6) [CO2 (IEA)]  Heat Plants (autoproducers) (1A1a7) [CO2 (IEA)]  Public Electricity and Heat Production (biomass) (1A1ax) [CH4, N2O] 

Petroleum refining (7.2) 
Other Energy Industries (1A1bc) [CO2 (IEA)] 

Manufacture of solid fuels (7.3) 
Other transformation sector (BKB, etc.) (1A1r) [CH4, N2O]  Manufacture of Solid Fuels and Other Energy Industries (biomass) (1A1cx) [CH4, N2O] 

Fuel production and transport (7.4) 
Fugitive emissions from solids fuels except coke ovens (1B1r) [CO2 (EDGAR), CH4, N2O]  Flaring and fugitive emissions from oil and Natural Gas (1B2) [CO2 (EDGAR), CH4, N2O] 

Others (7.5) 
Electrical Equipment Manufacture (2F8a) [SF6]  Electrical Equipment Use (includes site installation) (2F8b) [SF6]  Fossil fuel fires (7A) [CO2 (EDGAR), CH4, N2O] 

Indirect N2O emissions from energy (7.6) 
Indirect N2O from NOx emitted in cat. 1A1 (7B1) [N2O]  Indirect N2O from NH3 emitted in cat. 1A1 (7C1) [N2O] 

A.II.9.1.2    Transport (Chapter 8)  Aviation (8.1) 
Domestic air transport (1A3a) [CO2 (IEA), CH4, N2O] 

Road transportation (8.2) 
Road transport (includes evaporation) (fossil) (1A3b) [CO2 (IEA), CH4, N2O]  Road transport (includes evaporation) (biomass) (1A3bx) [CH4, N2O]  Adiabatic prop: tyres (2F9b) [SF6] 

Rail transportation (8.3) 
Rail transport (1A3c) [CO2 (IEA), CH4, N2O]  Non‐road transport (rail, etc.) (fossil) (biomass) (1A3cx) [CH4, N2O] 

Navigation (8.4) 
Inland shipping (fossil) (1A3d) [CO2 (IEA), CH4, N2O]  Inland shipping (fossil) (biomass) (1A3dx) [CH4, N2O] 

Others incl. indirect N2O emissions from transport (8.5) 
Non‐road transport (fossil) (1A3e) [CO2 (IEA), CH4, N2O]  Pipeline transport (1A3e1) [CO2 (IEA)]  Non‐specified transport (1A3er) [CO2 (IEA)]  Non‐road transport (fossil) (biomass) (1A3ex) [CH4, N2O]  Refrigeration and Air Conditioning Equipment (HFC) (Transport) (2F1a1) [HFC]  Indirect N2O from NOx emitted in cat. 1A3 (7B3) [N2O]  Indirect N2O from NH3 emitted in cat. 1A3 (7C3) [N2O] 

 

32 of 83  

Final Draft                                                               Annex II                                                         IPCC WGIII AR5  

International Aviation (8.6) 
Memo: International aviation (1C1) [CO2 (IEA), CH4, N2O] 

International Shipping (8.7) 
Memo: International navigation (1C2) [CO2 (IEA), CH4, N2O] 

A.II.9.1.3    Buildings (Chapter 9)  Commercial (9.1) 
Commercial and public services (fossil) (1A4a) [CO2 (IEA), CH4, N2O]  Commercial and public services (biomass) (1A4ax) [CH4, N2O] 

Residential (9.2) 
Residential (fossil) (1A4b) [CO2 (IEA), CH4, N2O]  Residential (biomass) (1A4bx) [CH4, N2O] 

Others (9.3) 
Refrigeration and Air Conditioning Equipment (HFC) (Building) (2F1a2) [HFC]  Fire Extinguishers (2F3) [PFC]  Aerosols/ Metered Dose Inhalers (2F4) [HFC]  Adiabatic prop: shoes and others (2F9a) [SF6]  Soundproof windows (2F9c) [SF6] 

Indirect N2O Emissions from Buildings (9.4) 
Indirect N2O from NOx emitted in cat. 1A4 (7B4) [N2O]  Indirect N2O from NH3 emitted in cat. 1A4 (7C4) [N2O] 

A.II.9.1.4    Industry (Chapter 10)  Ferrous and non‐ferrous metals (10.1) 
Fuel combustion coke ovens (1A1c1) [CH4, N2O]  Blast furnaces (pig iron prod.) (1A1c2) [CH4, N2O]  Iron and steel (1A2a) [CO2 (IEA), CH4, N2O]  Non‐ferrous metals (1A2b) [CO2 (IEA), CH4, N2O]  Iron and steel (biomass) (1A2ax) [CH4, N2O]  Non‐ferrous metals (biomass) (1A2bx) [CH4, N2O]  Fuel transformation coke ovens (1B1b1) [CO2 (EDGAR), CH4]  Metal Production (2C) [CO2 (EDGAR), CH4, PFC, SF6]  Iron and Steel Production (2C1) [CO2 (EDGAR)]  Crude steel production total (2C1a) [CO2 (EDGAR)]  Ferroy Alloy Production (2C2) [CO2 (EDGAR)]  Aluminum production (primary) (2C3) [PFC]  SF6 Used in Aluminium and Magnesium Foundries (2C4) [SF6]  Magnesium foundries: SF6 use (2C4a) [SF6]  Aluminium foundries: SF6 use (2C4b) [SF6]  Non‐ferrous metals production (2Cr) [CO2 (EDGAR)] 

Chemicals (10.2) 
Chemicals (1A2c) [CO2 (IEA), CH4, N2O]  Chemicals (biomass) (1A2cx) [CH4, N2O]  Production of chemicals (2B) [CO2 (EDGAR), CH4, N2O]  Production of Halocarbons and SF6 (2E) [HFC, SF6] 

 

33 of 83  

Final Draft                                                               Annex II                                                         IPCC WGIII AR5   Non‐energy use of lubricants/waxes (2G) [CO2 (EDGAR)]  Solvent and other product use: paint (3A) [CO2 (EDGAR)]  Solvent and other product use: degrease (3B) [CO2 (EDGAR)]  Solvent and other product use: chemicals (3C) [CO2 (EDGAR)]  Other product use (3D) [CO2 (EDGAR), N2O] 

Cement production (10.3) 
Cement production (2A1) [CO2 (EDGAR)] 

Landfill & waste incineration (10.4) 
Solid waste disposal on land (6A) [CH4]  Waste incineration (6C) [CO2 (EDGAR), CH4, N2O]  Other waste handling (6D) [CH4, N2O] 

Wastewater treatment (10.5) 
Wastewater handling (6B) [CH4, N2O] 

Other industries (10.6) 
Pulp and paper (1A2d) [CO2 (IEA), CH4, N2O]  Food and tobacco (1A2e) [CO2 (IEA), CH4, N2O]  Other industries (stationary) (fossil) (1A2f) [CO2 (IEA), CH4, N2O]  Non‐metallic minerals (1A2f1) [CO2 (IEA)]  Transport equipment (1A2f2) [CO2 (IEA)]  Machinery (1A2f3) [CO2 (IEA)]  Mining and quarrying (1A2f4) [CO2 (IEA)]  Wood and wood products (1A2f5) [CO2 (IEA)]  Construction (1A2f6) [CO2 (IEA)]  Textile and leather (1A2f7) [CO2 (IEA)]  Non‐specified industry (1A2f8) [CO2 (IEA)]  Pulp and paper (biomass) (1A2dx) [CH4, N2O]  Food and tobacco (biomass) (1A2ex) [CH4, N2O]  Off‐road machinery: mining (diesel) (1A5b1) [CH4, N2O]  Lime production (2A2) [CO2 (EDGAR)]  Limestone and Dolomite Use (2A3) [CO2 (EDGAR)]  Production of other minerals (2A7) [CO2 (EDGAR)]  Refrigeration and Air Conditioning Equipment (PFC) (2F1b) [PFC]  Foam Blowing (2F2) [HFC]  F‐gas as Solvent (2F5) [PFC]  Semiconductor Manufacture (2F7a) [HFC, PFC, SF6]  Flat Panel Display (FPD) Manufacture (2F7b) [PFC, SF6]  Photo Voltaic (PV) Cell Manufacture (2F7c) [PFC]  Other use of PFC and HFC (2F9) [HFC, PFC]  Accelerators/HEP (2F9d) [SF6]  Misc. HFCs/SF6 consumption (AWACS, other military, misc.) (2F9e) [SF6]  Unknown SF6 use (2F9f) [SF6] 

Indirect N2O Emissions from Industry (10.7) 
Indirect N2O from NOx emitted in cat. 1A2 (7B2) [N2O]  Indirect N2O from NH3 emitted in cat. 1A2 (7C2) [N2O] 

 

34 of 83  

Final Draft                                                               Annex II                                                         IPCC WGIII AR5  

A.II.9.1.5    AFOLU (Chapter 11)  Fuel combustion (11.1) 
Agriculture and forestry (fossil) (1A4c1) [CO2 (IEA), CH4, N2O]  Off‐road machinery: agric./for. (diesel) (1A4c2) [CH4, N2O]  Fishing (fossil) (1A4c3) [CO2 (IEA), CH4, N2O]  Non‐specified Other Sectors (1A4d) [CO2 (IEA), CH4, N2O]  Agriculture and forestry (biomass) (1A4c1x) [CH4, N2O]  Fishing (biomass) (1A4c3x) [N2O]  Non‐specified other (biomass) (1A4dx) [CH4, N2O] 

Livestock (11.2) 
Enteric Fermentation (4A) [CH4]  Manure management (4B) [CH4, N2O] 

Rice cultivation (11.3) 
Rice cultivation (4C) [CH4] 

Direct soil emissions (11.4) 
Other direct soil emissions (4D4) [CO2 (EDGAR)]  Agricultural soils (direct) (4Dr) [N2O] 

Forrest fires and decay (11.5) 
Savannah burning (4E) [CH4, N2O]  Forest fires (5A) [CO2 (EDGAR), CH4, N2O]  Grassland fires (5C) [CH4, N2O]  Forest Fires‐Post burn decay (5F2) [CO2 (EDGAR), N2O] 

Peat fires and decay (11.6) 
Agricultural waste burning (4F) [CH4, N2O]  Peat fires and decay of drained peatland (5D) [CO2 (EDGAR), CH4, N2O] 

Indirect N2O emissions from AFOLU (11.7) 
Indirect Emissions (4D3) [N2O]  Indirect N2O from NOx emitted in cat. 5 (7B5) [N2O]  Indirect N2O from NH3 emitted in cat. 5 (7C5) [N2O] 

A.II.9.1.6    Comparison of IEA and EDGAR CO2 Emission Datasets 
As described above the merged IEA/EDGAR historic emission dataset uses emission data from IEA  (2012c) and EDGAR (JRC/PBL, 2012). Here we compare IEA/EDGAR to the pure EDGAR dataset  (JRC/PBL, 2012). The comparison details the differences between the two datasets as the remaining  CO2 and non‐CO2 greenhouse gas emissions are identical between the two datasets. Table A.II.11  maps EDGAR categories to the IEA categories used in IEA/EDGAR forming 21 groups. Figure A.II.7  shows the quantitative differences for aggregated global emissions of these 21 groups between the  two sources.  

 

35 of 83  

Final Draft                                                               Annex II                                                         IPCC WGIII AR5  
Table A.II.11. Mapping of IEA (2012c) and EDGAR (JRC/PBL, 2012) CO2 emission categories. Figure A.II.7 shows the quantitative difference for each Comparison Group (using Comparison Group number as reference). Comparison Groups EDGAR IEA IEA/EDGAR IPCC  category category name category name  number group name category
Main activity electricity plants Main activity CHP plants Main activity heat plants Own use in electricity, CHP and heat plants Autoproducer electricity plants Autoproducer CHP plants Autoproducer heat plants 1A1a1 1A1a2 1A1a3 1A1a4 1A1a5 1A1a6 1A1a7

1

Power Generation

1A1a

Public electricity and heat production

1A1c1 2 Other Energy Industries Iron and steel Non-ferrous metals Chemicals Pulp and paper Food and tobacco 1A1c2 1A1r 3 4 5 6 7 1A2a 1A2b 1A2c 1A2d 1A2e

Fuel combustion coke ovens Blast furnaces (pig iron prod.) Other energy industry own use Other transformation sector (BKB, etc.) Iron and steel Iron and steel Non-ferrous metals Non-ferrous metals Chemical and Chemicals petrochemical Pulp and paper Paper, pulp and printing Food and tobacco Food and tobacco Transport equipment Machinery Mining and quarrying Other industries (incl. offWood and wood products road) (fos.) Construction Textile and leather Non-specified industry Non-metallic minerals Non-metallic minerals (cement proxy) Domestic air transport Domestic aviation Road transport (incl. evap.) Road (foss.) Non-road transport (rail, etc.) Rail (fos.) Inland shipping (fos.) Domestic navigation Pipeline transport Non-specified transport Non-road transport (fos.) Non-energy use in transport Commercial and public services (fos.) Residential (fos.) Agriculture and forestry (fos.) Off-road machinery: agric./for. (diesel) Off-road machinery: mining (diesel) Fishing (fos.) Non-specified other (fos.) International air transport Commercial and public services Residential 1A1bc

1A2a 1A2b 1A2c 1A2d 1A2e 1A2f2 1A2f3 1A2f4 1A2f5 1A2f6 1A2f7 1A2f8 1A2f1 1A3a 1A3b 1A3c 1A3d 1A3e1 1A3er 1A3er 1A4a 1A4b

8

Other Industries w/o NMM

1A2f

9 10 11 12 13 14

1A2fNMM Domestic air transport 1A3a Road transport (incl. 1A3b evap.) (foss.) Non-metallic minerals Rail transport Inland shipping (fos.) Other transport 1A3c 1A3d 1A3e

15 16

Commercial and public 1A4a services (fos.) Residential (fos.) 1A4b 1A4c1 Agriculture and forestry (fos.) Fishing (fos.) Non-specified Other Sectors Memo: International aviation Memo: International navigation 1A4c2 1A5b1

17

Agriculture/forestry

1A4c1

18 19 20 21

1A4c3 1A4d 1C1 1C2

Fishing Non-specified other

1A4c3 1A4d

Memo: International aviation 1C1 bunkers International marine transport Memo: International marine 1C2 (bunkers) bunkers

 

 

36 of 83  

Final Draft                                                               Annex II                                                         IPCC WGIII AR5  

 
Figure A.II.7. Difference of CO2 emissions between analogous IEA (2012c) and EDGAR (JRC/PBL, 2012) categories as detailed in Table A.II.11. (Numbers in key refer to Table A.II.11 Comparison Groups).

A.II.9.2    Historic GDP PPP Data 
As default dataset for GDP in Purchasing Power Parity (PPP) World Bank data was used (World Bank,  2013). In line with the methodology described in Section A.II.1.3 and by Nordhaus (2007) the initial  dataset (1980‐2012 PPP in constant Int$20057) was extended backwards using World Bank GDP  growth rates in constant local currency units8. Further data gaps were closed extending World Bank  data by applying growth rates as supplied by the IMF (2012) for 1980 and later. For gaps prior to  1980 Penn World Tables (PWT)(Heston et al., 2011) was used. In addition, missing countries were  added using PWT (Heston et al., 2011)(Cuba, Puerto Rico, Marshall Islands, Somalia, Bermuda), IMF  (2012) (Kosovo, Myanmar, Tuvala, Zimbabwe) and IEA (Dem Rep. Korea, Gibraltar, Netherlands  Antilles) GDP data. 

A.II.9.3    Life cycle greenhouse gas emissions 
In Chapter 7, Figure 7.6 and 7.7, the lifecycle greenhouse gas emissions of different technologies are  compared. This section describes how these numbers are derived. The air pollutant emission  numbers in Figure 7.8 are from (Hertwich et al., 2013). The assessment of greenhouse gas emissions  and other climate effects associated with electricity production technologies presented here is based  on two distinct research enterprises.  The first effort started with the review of life‐cycle GHG emission started for SRREN (Sathaye et al.,  2011). This work was extended to a harmonization of LCA studies following the approach by Farrell  et al. (2006) and resulted in a set of papers published a special issue of the Journal of Industrial  Ecology (Brandão et al., 2012; Heath and Mann, 2012). The collected data points of LCA results of                                                              
7 8

 http://data.worldbank.org/indicator/NY.GDP.MKTP.PP.KD   http://data.worldbank.org/indicator/NY.GDP.MKTP.KN 

 

37 of 83  

Final Draft                                                               Annex II                                                         IPCC WGIII AR5   GHG emissions of different technologies from this comprehensive review are available online in  tabular and chart form at http://en.openei.org/apps/LCA/ and have been obtained from there, but  the underlying scientific papers from the peer reviewed literature are referred to here.   The second effort is a broader study of lifecycle environmental impacts and resource requirements  under way for the International Resource Panel (Hertwich et al., 2013). The study aims at a  consistent technology comparison where lifecycle data collected under uniform instructions in a  common format are evaluated in a single assessment model based on a common set of background  processes. The model is capable of evaluating environmental impacts in nine different regions and  reflecting the background technology at three different points in time (2010/30/50). It addresses  more complete inventories than common process‐based analysis through the use of hybrid LCA.   The GHG emissions for coal carbon dioxide capture and storage (CCS), PV, concentrating solar power  (CSP), and wind power associated with the two different efforts have been compared and have been  found to be in agreement. The data has been supplemented by selected literature data where  required. The specific numbers displayed come from following data sources. 

A.II.9.3.1    Fossil fuel based power 
For fossil fuel based power, three different sources of emissions were distinguished: (1) direct  emissions from the power plant, (2) emissions of methane from the fuel production and delivery  system, and (3) the remaining lifecycle emissions, mostly connected to the infrastructure of the  entire energy system including the power plant itself, and supplies such as solvents. Each of these  emissions categories was assessed separately, because emerging findings on methane emissions  required a reassessment of the lifecycle emissions of established studies, which often use only a  generic emissions factor. In our work, probability distributions for emissions from the three different  systems were assessed and combined through a Monte Carlo analysis.   Fugitive emissions: The most important source of indirect emissions of fossil fuel based power is the  supply of fuel, where fugitive emissions of methane are a major source of GHG gases. We have  revisited the issue of fugitive methane emissions given new assessments of these emissions. As  described in Section 7.5.1, fugitive emissions were modelled as the product of a log‐normal  distributions based on the parameters specified in Table A.II.12 and the efficiencies given by a  triangular distribution with the parameters specified in Table A.II.13.    
Table A.II.12. Methane emission (gCH4/MJLHV) from coal and gas production (Burnham et al., 2012). Based on the minimum, mean, and maximum values provided by Burnham, the parameters μ and σ of a lognormal distribution were estimated. Coal is the weighted average of 60% from underground mines and 40% from surface mines.  Min Mean Max  μ  σ Underground coal mining  0.25 0.34 0.45  ‐1.09  0.147 Surface coal mining  Natural gas production  0.025 0.18 0.05 0.52 0.068  1.03  ‐3.09  ‐0.75  0.291 0.432

   

 

38 of 83  

Final Draft   

Annex II 

IPCC WGIII AR5 

Table A.II.13 Efficiency ranges assumed in power generation assumed in the calculation of fugitive emissions. The best estimate plant efficiency are based on NETL (NETL, 2010a; b; c; d; e) with ranges based (Singh et al., 2011a; Corsten et al., 2013). Note that the min and max efficiencies are not derived from the literature and were not used to calculate direct emissions; rather, they are used only to establish the possible range of fugitive emissions.

Direct emissions  (tCO2eq/MWh) Efficiency (% based on LHV) Infrastructure & Supplies  (tCO2eq/MWh) Technology  Gas – Single Cycle  Coal – average  Gas – average  Gas – Combined Cycle  Coal – PC  Coal – IGCC  CCS ‐ Coal ‐ Oxyfuel  CCS ‐  Coal – PC  CCS ‐ Coal – IGCC  CCS ‐ Gas – Combined Cycle 
 

Min 0.621 0.913 0.458 0.349 0.673 0.713 0.014 0.095 0.102 0.030

Average 0.667 0.961 0.483 0.370 0.744 0.734 0.096 0.121 0.124 0.047

Max 0.706 1.009 0.507 0.493 0.868 0.762 0.110 0.138 0.148 0.098

Max 33.1 33.3 39.9 59.0 47.6 44.9 35 32 34 49

Avg  30.8  35.0  42.0  55.6  43.0  43.6  30.2  29.4  32.3  47.4 

Min 29.1 36.8 44.1 41.7 36.9 42.0 27 27 27 35

Min 0.001 0.010 0.001 0.001 0.008 0.003 0.014 0.022 0.008 0.007

Average 0.002 0.011 0.002 0.002 0.010 0.004 0.017 0.028 0.010 0.009

Max 0.002 0.013 0.003 0.002 0.012 0.006 0.023 0.036 0.013 0.012

 

39 of 83  

Final Draft 

Annex II 

IPCC WGIII AR5 

  The data for the infrastructure component is from Singh et al. (2011a). A uniform distribution was  used in the Monte Carlo Analysis. The data is provided in Table A.II.13. Direct emissions and  associated efficiency data for Natural Gas Combined Cycle (NGCC) with and without CCS is from  Singh et al. (2011b). Minimum and maximum numbers are from Corsten et al. (2013, Table 4), with  an assumed direct/indirect share of 40% and 60%. For pulverized coal, Corsten et al. (2013, Table 5)  reports characterized impacts, with direct and indirect emission shares for pulverized coal with and  without CCS. For Integrated Gasification Combined Cycle (IGCC), calculations were performed by  Hertwich et al. (2013) based on data obtained from NETL (2010a; d). For oxyfuel, the best estimate is  based on a 90% separation efficiency from Singh et al. (2011a) with the range assuming higher  separation efficiency as indicated by Corsten et al. (2013). Ranges are based on Corsten et al. (2013)  also considering the ranges reported by NETL (2010a; b; c; d; e). Triangular distributions were used  in the Monte Carlo simulation. The contribution analysis shown in Figure 7.6 is based on Singh et al.  (2011a) with adjustments to the higher fugitive emissions based on Burnham (2012) and lower  average efficiencies and hence direct emissions for gas fired power as obtained from the  distributions above.  A log‐normal distribution does not have well‐defined maximum and minimum values. The range in  Figures 7.6 and 7.7 hence shows the 1st to 99th percentile. 

A.II.9.3.2    Nuclear power 
The data on nuclear power was taken from Lenzen (2008) and Warner and Heath (2012). There is no  basis in the literature as far as we know to distinguish between 2nd and 3rd generation power  plants. 

A.II.9.3.3    Renewable Energy 
Concentrated solar power: The data range is based on both the assessments conducted for the  International Resource Panel (Hertwich et al., 2013) work based on the analysis of Viebahn et al.  (2011), Burkhardt et al. (2011), Whitaker et al. (2013), and the review of Burkhardt et al. (2012).  Photovoltaic power: Ranges are based largely on the reviews of Hsu et al. (2012) and Kim et al.  (2012). The analysis of newer thin‐film technologies analyzed in Hertwich et al. (2013) indicates that  recent technical progress has lowered emissions.  Wind power: The data is based on the review of Arvesen and Hertwich (2012) and has been cross‐ checked with Dolan and Heath (2012) and Hertwich et al. (2013).  Ocean Energy: There have been very few LCAs of ocean energy devices. The numbers are based on  the Pelamis (Parker et al., 2007) and Oyster wave energy device (Walker and Howell, 2011), the  SeaGen tidal turbine (Douglas et al., 2008; Walker and Howell, 2011), and tidal barrages  (Woollcombe‐Adams et al., 2009; Kelly et al., 2012). Based on these available assessments, tidal  turbines have the lowest GHG emissions and tidal barrages the highest.  Hydropower: The indirect emissions of hydropower are largely associated with fossil fuel  combustion in the construction of the plant. The data presented here is based on SRREN (Kumar et  al., 2011). The data was cross‐checked with a recent review (Raadal et al., 2011) and analysis  (Moreau et al., 2012).   The issue of biogenic emissions resulting from the degradation of biomass in reservoirs had been  reviewed in SRREN, however, without providing estimates of the size of biogenic GHG emissions per  kWh. Please note that only CH4 emissions are included in the analysis. N2O emissions have not been  broadly investigated, but are assumed to be small (Demarty and Bastien, 2011). Carbon dioxide  emissions can be substantial, but these emissions represent carbon that would probably have  oxidized elsewhere; it is not clear what fraction of the resulting CO2 would have entered the  atmosphere (Hertwich, 2013). We have hence excluded biogenic CO2 emissions from reservoirs from 

40 of 83   

Final Draft 

Annex II 

IPCC WGIII AR5 

the assessment. The distribution of biogenic methane emissions comes from an analysis of methane  emissions per kWh of power generated by Hertwich (2013) based on literature data collected and  reviewed by Barros et al. (2011). Independent estimates based on recent empirical studies (Maeck et  al., 2013) come to similar results. For the maximum number (2 kg CO2eq/kWh), a specific power  station analyzed by Kemenes et al. (2007) was chosen; as it is not clear that the much higher value  from the 99th percentile of the distribution determined by Hertwich (2013) is really realistic.  Biomass: Life‐cycle direct global climate impacts of bioenergy come from the peer‐reviewed  literature from 2010 to 2012 and are based on a range of electric conversion efficiencies of 27‐50%.  The category “Biomass ‐ dedicated and crop residues” includes perennial grasses, like switchgrass  and miscanthus, short rotation species, like willow and eucalyptus, and agricultural byproducts, like  wheat straw and corn stover. “Biomass – forest wood” refers to forest biomass from long rotation  species in various climate regions. Ranges include global climate impacts of CO2 emissions from  combustion of regenerative biomass (i.e., biogenic CO2) and the associated changes in surface  albedo following ecosystem disturbances, quantified according to the IPCC framework for emission  metrics (Forster et al., 2007) and using 100‐year GWPs as characterization factors (Cherubini et al.,  2012).   These impacts are site‐specific and generally more significant for long rotation species. The range in  “Biomass ‐ forest wood” is representative of various forests and climates, e.g., aspen forest in  Wisconsin (US), mixed forest in Pacific Northwest (US), pine forest in Saskatchewan (Canada), and  spruce forest in Southeast Norway.  In areas affected by seasonal snow cover, the cooling  contribution from the temporary change in surface albedo can be larger than the warming  associated with biogenic CO2 fluxes and the bioenergy system can have a net negative impact (i.e.,  cooling). Change in soil organic carbon can have a substantial influence on the overall GHG balance  of bioenergy systems, especially for the case “Biomass – dedicated and crop residues”, but are not  covered here due to their high dependence on local soil conditions and previous land use (Don et al.,  2012; Gelfand et al., 2013).  Additional information on the LCA of bioenergy alternatives is provided in Section 11.A.4. 

A.II.10   Scenario Data 
A.II.10.1    Process 
The AR5 Scenarios Database comprises 31 models and 1,184 scenarios, summarized in Table A.II.14.  In an attempt to be as inclusive as possible, an open call for scenarios was made through the  Integrated Assessment Modeling Consortium (IAMC) with approval from the IPCC WGIII Technical  Support Unit. To be included in the database, four criteria must be met. First, only scenarios  published in the peer‐reviewed literature could be considered, per IPCC protocol. Second, the  scenario must contain a minimum set of required variables and some basic model and scenario  documentation (meta data) must be provided. Third, only models with at least full energy system  representation were considered given that specific sectoral studies were assessed in Chapters 8‐11.   Lastly, the scenario must provide data out to at least 2030. Scenarios were submitted by entering  the data into a standardized data template that is subsequently uploaded to a database system9  administered by the International Institute of Applied System Analysis (IIASA). 

A.II.10.2    Model Inter‐comparison Exercises 
The majority of scenarios (about 95%) included in the database were generated as part of nine  model inter‐comparison exercises, summarized in Table A.II.15. The Energy Modeling Forum (EMF),  established at Stanford University in 1976, is considered one of the first major efforts to bring  together modelling teams for the purpose of model inter‐comparison. Since its inception, EMF and                                                              
9

 https://secure.iiasa.ac.at/web‐apps/ene/AR5DB  

41 of 83   

Final Draft 

Annex II 

IPCC WGIII AR5 

other institutions have worked on a large number of model inter‐comparison projects with topics  ranging from energy and the economy, to natural gas markets, to climate change mitigation  strategies. Recent model inter‐comparison studies have focused on, for example, delayed and  fragmented mitigation, effort sharing, the role of technology availability and energy resources for  mitigation and have looked into the role of specific regions (e.g., Asia) in a global mitigation regime. 

42 of 83   

Final Draft                                                                                                               Annex II                                                                                                           IPCC WGIII AR5 
Table A.II.14. Contributing models to the AR5 Scenario Database. Representation  Model  Economic  Myopic/  Regional and  of climate and  (versions)  coverage  Foresight  emissions10  land use  and  detail  feedback  AIM‐ Enduse  (12.1;  backcast  1.0)  BET (1.5)  Partial  Myopic  equilibrium  32 regions; 5  substances (v.  12.1)/8  substances (v.  backcast 1.0)  32 regions; CO2  only  54 regions; 6  substances  (v.11)/13  substances  (v.12)  11 regions; 6 substances  1 region; 3  substances  15 regions; 6  substances  None

Cost measures 

Scenario Publications

Number of  Scenarios  included in  AR5 data  base 

General  Foresight  equilibrium  Partial  Foresight  equilibrium  

DNE21+  (v.11, v.12) 

Energy system cost  mark‐up (v 12.1;  backcast 1.0)/area under  marginal abatement cost  curve (backcast 1.0)  Climate  Consumption loss, GDP  damages; no  loss, energy system cost  land use  mark‐up  Temperature  Energy system cost  change; no land  mark‐up  use 

(Akashi et al., 2014; Kriegler et  al., 2014b; Tavoni et al., 2014) 

41 

(Yamamoto et al., 2014) 
23 

(Akimoto et al., 2012; Wada et  al., 2012; Kriegler et al., 2014a;  Riahi et al., 2014; Sano et al.,  2014)  (Kriegler et al., 2014c) 

43 

EC‐IAM  2012  Ecofys  Energy  Model  ENV‐ Linkages  (WEO2012)  FARM (3.0) 

General  Foresight  equilibrium  Partial  Myopic  equilibrium  General  Myopic  equilibrium 

General  Myopic  equilibrium 

15 regions; CO2 only 

Climate  damages; no  land use  No climate;  land use for  bioenergy  No climate;  land use for  food  consumption   No climate;  land use by  land type for  bioenergy and 

Consumption loss, GDP  loss, energy system cost  mark‐up, welfare loss  Energy system cost  mark‐up  Consumption loss, GDP  loss, equivalent  variation, welfare loss  Consumption loss, GDP  loss, equivalent  variation, welfare loss 

21 

(Deng et al., 2012) 
1 

(Kriegler et al., 2014c) 
17 

(Sands et al., 2014) 
12 

                                                            
 The substances reported under emissions detail include GHGs, radiatively and chemically active substances where the reference list includes the following set of 13  substances: CO2, CH4, N2O, CFCs, HFCs, SF6, CO, NOx, VOC, SO2, BC, OC, and NH3. 
10

43 of 83   

Final Draft                                                                                                               Annex II                                                                                                           IPCC WGIII AR5 
food  consumption  Temperature  change; Land  use by land  type for  bioenergy and  food  consumption  No climate;  land use for  food  consumption  Temperature  change; land  use by land  type for food  consumption  No climate;  land use for  food  consumption  and crop prices  Temperature  change; no land  use  Climate  damages; land  use by land  type for  bioenergy, food  consumption  and crop prices  Temperature  change; no land  use 

GCAM (2.0,  3.0, 3.1,  MiniCAM) 

Partial  Myopic  equilibrium 

14 regions; 13  substances 

Area under marginal  abatement cost curve 

(Calvin, Edmonds, et al., 2009;  Calvin et al., 2012, 2013, 2014;  Iyer et al., 2013; Kriegler,  Tavoni, et al., 2014; Tavoni et  al., 2014) 

139 

GEM‐E3‐ ICCS 

General  Myopic  equilibrium 

37 regions; 11  substances 

Consumption loss, GDP  (Kriegler et al., 2014a)  loss, equivalent variation 

11 

GRAPE  (ver1998,  ver2011) 

General  Foresight  equilibrium 

15 regions; 5  substances 

Consumption loss, GDP  loss 

(Calvin et al., 2012; Kriegler et  al., 2014c) 

14 

GTEM  REF32 

General  Myopic  equilibrium 

13 regions; 5  substances 

Consumption loss, GDP  loss, welfare loss 

(Mi et al., 2012) 
4 

IEEJ  (ver.2011)  IGSM 

Econometri c 

Foresight 

43 regions; CO2 only  16 regions; 12  substances 

Energy system cost  mark‐up  Consumption loss, GDP  loss, equivalent  variation, welfare loss;  area under marginal  abatement cost curve;  energy system cost  mark‐up  Welfare loss, GDP loss,  consumption loss,  equivalent variation 

(Matsuo et al.) 
2 

General  Myopic  equilibrium 

(Prinn et al., 2011) 
5 

IMACLIM  (v1.1) 

General  Myopic  equilibrium 

12 regions; CO2 only 

(Bibas and Méjean, 2013; Kriegler  et al., 2014a; Riahi et al., 2014) 

53 

44 of 83   

Final Draft                                                                                                               Annex II                                                                                                           IPCC WGIII AR5 
IMAGE  (2.4)  Partial  Myopic  equilibrium  26 regions; 13  substances  Temperature  change; land  use by land  type for  bioenergy and  food  consumption  Land use for  food  consumption  No climate;  land use for  food  consumption  and crop prices  Temperature  change and  climate  damage; land  use by land  type for  bioenergy and  food  consumption  Climate  damages; no  land use  Area under marginal  abatement cost curve 

(van Vliet et al., 2009, 2014;  van Ruijven et al., 2012; Lucas  et al., 2013; Kriegler et al.,  2014a; b; Riahi et al., 2014;  Tavoni et al., 2014) 
(O’Neill et al., 2012)

79 

iPETS  (1.2.0)  KEI‐ Linkages 

General  Foresight  equilibrium  General  Myopic  equilibrium 

9 regions; CO2 only  13 regions; CO2 only 

Consumption loss, GDP  loss, welfare loss  Consumption loss,  equivalent variation 

4 

(Lim and Kim, 2012) 
4 

MARIA23_o rg 

General  Foresight  equilibrium 

23 regions; 6  substances 

Welfare loss, GDP loss,  consumption loss, GDP  loss, energy system cost  mark‐up 

(Mori, 2012)

5 

MERGE  (AME,  EMF22,  EMF27)  

General  Foresight  equilibrium 

MERGE‐ETL  (2011)  MESSAGE  (V.1, V.2,  V.3, V.4) 

General  Foresight  equilibrium  General  Foresight  equilibrium 

9 (AME)/8  (EMF22)  regions; 7  (AME,EMF22)  /12 (EMF27)  substances  9 regions; 5  substances  11 regions; 10  (V.1)/13 (V.2,  V.3, V.4) 

Consumption loss, GDP  loss, welfare loss 

(Blanford et al., 2009, 2013;  Calvin et al., 2012) 
44 

Temperature  Consumption loss, GDP  change; no land  loss, welfare loss  use  Temperature  change; land  use by land  GDP loss, energy system  cost mark‐up (all  versions); area under 

(Marcucci and Turton, 2013;  Kriegler et al., 2014a; Riahi et  al., 2014)  (Krey and Riahi, 2009; Riahi et  al., 2011, 2012, 2014; van Vliet  et al., 2012; Kriegler et al., 

48 

140 

45 of 83   

Final Draft                                                                                                               Annex II                                                                                                           IPCC WGIII AR5 
substances type for  bioenergy (all  versions)  marginal abatement cost  curve (V.1, V.3, V.4);  consumption loss (V.3,  V.4)   Welfare loss, GDP loss,  consumption loss,  equivalent variation 

2014a; b; McCollum et al.,  2014; Tavoni et al., 2014)  (Fisher‐Vanden et al., 2012;  Kriegler et al., 2014c) 
31 

Phoenix  (2012.4) 

General  Myopic  equilibrium 

POLES  (AMPERE,  EMF27,  AME)  REMIND  (1.1, 1.2,  1.3, 1.4,  1.5) 

Partial  Myopic  equilibrium /  econometri c  General  Foresight  equilibrium 

SGM 

General  Myopic  equilibrium 

Radiative  forcing; land as  factor of  production in  agriculture and  forestry  (including  feedstocks for  biofuels)  57 regions  No climate;  (AMPERE,  land use by  EMF27)/47  land type for  regions (AME);  bioenergy  6 substances  (AMPERE, AME)  11 regions; CO2 Temperature  only (1.1, 1.2)/4  change; land  substances  use emissions  (1.3)/ 6  via MAC (1.2,  substances  1.3, 1.4) and  (1.4)/6–9  from a land use  substances  model (MAgPIE;  (1.5)  1.5)  None 8 regions; CO2 only  24 regions; CO2 only  

Area under marginal  abatement cost curve 

(Dowling and Russ, 2012;  Griffin et al., 2014; Kriegler et  al., 2014a; Riahi et al., 2014) 
(Leimbach et al., 2010; Luderer et  al., 2012a; b; Arroyo‐Currás et al.,  2013; Bauer et al., 2013;  Aboumahboub et al., 2014; Tavoni  et al., 2014; Klein et al., 2014;  Kriegler et al., 2014a; b; Riahi et  al., 2014) 

79 

Consumption loss, GDP  loss, welfare loss 

158 

TIAM‐ECN 

Partial  Foresight  equilibrium 

15 regions; 3  Substances 

Radiative  forcing; no land  use 

Consumption loss, GDP  (Calvin et al., 2009b)  loss, equivalent  variation,  area under  marginal abatement cost  curve  Energy cost increase;  (Kober et al., 2014; Kriegler et  energy system cost  al., 2014b; Tavoni et al., 2014)  mark‐up 

7 

12 

46 of 83   

Final Draft                                                                                                               Annex II                                                                                                           IPCC WGIII AR5 
TIAM‐ World  (2007,  2012.02,  Mar2012)  Partial  Foresight  equilibrium  16 regions; 3  Substances  Area under marginal  abatement cost curve  (all versions); welfare  loss (2012.02);   energy system cost  mark‐ups (2007,  Mar2012)  Temperature  Consumption loss,  change; no land  energy system cost  use  mark‐ups  Temperature  Consumption loss, GDP  change (AME,  loss, welfare loss, energy  AMPERE);  system cost mark‐ups  climate  damages  (EMF22,  EMF27; no land  use  No climate;  Welfare loss, GDP loss,  land use for  equivalent variation  food  consumption  Temperature  change; land  use for  bioenergy 

(Loulou et al., 2009; Labriet et  al., 2012; Kanudia et al., 2013) 
41 

TIMES‐VTT 

Partial  Foresight  equilibrium  General  Foresight  equilibrium 

17 regions; 6  Substances  13 regions/ 12  regions  (RECIPE); 6  Substances 

(Koljonen and Lehtilä, 2012) 6 

WITCH  (AME,  AMPERE,  EMF22,  EMF27,  LIMITS,  RECIPE,  ROSE)  WorldScan 2 

(Bosetti et al., 2009; de Cian et  al., 2012; Massetti and Tavoni,  2012; De Cian et al., 2013a;  Kriegler et al., 2014a; b;  Marangoni and Tavoni, 2014;  Riahi et al., 2014; Tavoni et al.,  2014)  (Kriegler et al., 2014a) 

132 

General  Myopic  equilibrium 

5 regions; 8  Substances 

8 

 

47 of 83   

Final Draft                                                                                                               Annex II                                                                                                           IPCC WGIII AR5 

Table A.II.15. Model inter-comparison exercises generating transformation pathway scenarios included in AR5 database. Model Intercomparison  Exercise  Year  Compl eted  Number  of Models  in AR5  scenario  database  1 Number of  Scenarios  in AR5  scenario  database  15 Areas of  Harmonization  Lead Institution Overview Publication

ADAM (Adaptation and  Mitigation Strategies— Supporting European  Climate Policy)  AME (Asian Modeling  Exercise)  AMPERE (Assessment of  Climate Change  Mitigation Pathways and  Evaluation of the  Robustness of Mitigation  Cost Estimates)  EMF 22 (Energy Modeling  Forum 22)  EMF 27 (Energy Modeling  Forum 27)  LIMITS (Low Climate  Impact Scenarios and the  Implications of required  tight emissions control  strategies)  POeM (Policy Options to  engage Emerging Asian  economies in a post‐ Kyoto regime)  

2009

Technology  availability,  Mitigation policy  Mitigation policy 

2012

16

83

2013

11

378

Technology  availability;  mitigation policy;  GDP; population 

 Potsdam Institute for  Climate Impact  Research (PIK)    Pacific Northwest  National Laboratories  (PNNL)  Potsdam Institute for  Climate Impact  Research (PIK) 

(Edenhofer et al., 2010) 

(Calvin et al., 2012) 
AMPERE2:

(Riahi et al., 2014)  AMPERE3:  (Kriegler et al., 2014a)    (Clarke et al., 2009)  (Blanford et al., 2014; Krey  et al., 2014; Kriegler et al.,  2014c)  (Kriegler et al., 2014b;  Tavoni et al., 2014) 

2009

7

70

2013

16

362

Technology  availability,  mitigation policy  Technology  availability,  mitigation policy  Mitigation policies 

Stanford University

Stanford University

2014 

7

84

Fondazione Eni Enrico  Mattei (FEEM) 

2012

1

4

Mitigation policies 

Chalmers University of  Technology 

(Lucas et al., 2013) 

48 of 83   

Final Draft                                                                                                               Annex II                                                                                                           IPCC WGIII AR5 
RECIPE (Report on Energy  and Climate Policy in  Europe)  RoSE (Roadmaps towards  Sustainable Energy  futures)  2009 2 18 Potsdam Institute for  Climate Impact  Research (PIK)  Mitigation policy;  Potsdam Institute for GDP growth;  Climate Impact  population growth,  Research (PIK)  fossil fuel  availability  Mitigation policies 

(Luderer et al., 2012a)  (Bauer et al., 2013; De Cian  et al., 2013b; Calvin et al.,  2014; Chen et al., 2014;  Luderer et al., 2014) 

2013 

3

105

49 of 83   

Final Draft                                                               Annex II                                                         IPCC WGIII AR5  

A.II.10.3    Classification of scenarios 
The analysis of transformation pathway or scenario data presented in Chapters 1, 6, 7, 8, 9, 10 and  11 uses a common classification scheme to distinguish the scenarios along several dimensions. The  key dimensions of this classification are:       Climate Target (determined by 2100 CO2eq concentrations and radiative forcing or carbon  budgets)   Overshoot of 2100 CO2eq concentration or radiative forcing levels  Scale of deployment of carbon dioxide removal or net negative emissions  Availability of mitigation technologies, in particular carbon dioxide removal (CDR) or  negative emissions technologies  Policy configuration, such as immediate mitigation, delayed mitigation, or fragmented  participation 

  Table A.II.16 summarizes the classification scheme for each of these dimensions, which are discussed  in more detail in the following sections.  
Table A.II.16. Scenario classifications.
Name  Climate Category  Carbon Budget 2050 and  2100 Category  Cumulative  CO2  emissions  budget to  2100  Cumulative  CO2  emissions  budget to  2050  Overshoot  Category  Maximum  annual net  negative  emissions  Negative  Emissions  Category  Overshoot  of 2100  forcing  levels  Technology  Category  Availability  of negative  emissions  and other  technology  Policy  Category  Scenario  definitions  in Model  Intercompa rison  Projects  (MIPs)  11 classes  (P0–P7,  P1+, P3+,  P4+)   

Binning  criterion 

Radiative forcing  (total or Kyoto),  CO2 budget 

# of classes 

7 classes (1–7) 

7 classes  (1–7) 

7 classes  (1–7) 

2 classes  (N1, N2) 

2 classes  (O1, O2) 

4 classes  (T0–T3) 

Notes 

Extended to  models that do  not report forcing  based on CO2  budgets.  Extrapolated to a  subset of 2050  scenarios.  

 

Classes for  2050  budgets  cannot be  unambiguo usly  mapped to  climate  outcomes  and thus  overlap  

Only for  scenarios  that run  out to  2100 

Only for  models  that run  out to  2100 and  report full  or Kyoto  forcing 

 

 

A.II.10.3.1    Climate Category  
Climate target outcomes are classified in terms of radiative forcing as expressed in CO2‐equivalent  concentrations (CO2eq). Note that in addition to CO2eq concentrations, also CO2eq emissions are  used in the WGIII AR5 to express the contribution of different radiative forcing agents in one metric.  The CO2‐equivalent concentration metric refers to the hypothetical concentration of CO2 that would  result in the same instantaneous radiative forcing as the total from all sources, including aerosols11.  By contrast, the CO2eq emissions metric refers to a sum of Kyoto greenhouse gas emissions  weighted by their global warming potentials (GWPs, see Chapter 3, Section 3.9.6) as calculated in the                                                              
  More technically speaking, CO2‐equivalent concentrations can be converted to forcing numbers using the  formula log(CO2eq / CO2_preindustrial) / log(2) * RF(2 x CO2) with RF(2 x CO2) = 3.7 W/m2 the forcing from a  doubling of preindustrial CO2 concentration.  
11

   

50 of 83  

         

Final Draft                                                               Annex II                                                         IPCC WGIII AR5   IPCC's second assessment report (Houghton et al., 1995), for consistency with other data sources. It  is important to note that these are fundamentally different notions of ‘CO2‐equivalence’.   There are several reasons to use radiative forcing as an indicator for anthropogenic interference  with the climate system and—in the case of climate policy scenarios—mitigation stringency: 1) it  connects well to the Representative Concentration Pathways (RCPs) used in CMIP5 (see WGI AR5), 2)  it is used as a definition of mitigation target in many modelling exercises, 3) it avoids problems  introduced by the uncertainty in climate sensitivity, and 4) it integrates across different radiative  forcing agents. These advantages outweigh some difficulties of the radiative forcing approach,  namely that not all model scenarios in the AR5 Scenario Database fully represent radiative forcing,  and that there is still substantial natural science uncertainty involved in converting emissions (a  direct output of all models investigated in Chapter 6) into global radiative forcing levels.   To rectify these difficulties, the following steps were taken:   1. The emissions of all scenarios in the AR5 Scenario Database (see following bullets for details)  were run through a single climate model MAGICC6.3 (where applicable) to establish  comparability between the concentration, forcing, and climate outcome between scenarios.  This removes natural science uncertainty due to different climate model assumptions in  integrated models. The MAGICC output comes with an estimate of parametric uncertainty  within the MAGICC framework (Meinshausen et al., 2009, 2011a; b). Calculated MAGICC  radiative forcing values are mean values given these uncertainties. MAGICC closely reflects  the climate response of General Circulation Model (GCM) ensembles such as studied in  CMIP5, and therefore can be considered a useful yardstick for measuring and comparing  forcing outcomes between scenarios (Schaeffer et al., 2013). Emissions scenarios were  harmonized to global inventories in 2010 to avoid a perturbation of climate projections from  differences in reported and historical emissions that were assumed for the calibration of  MAGICC (Schaeffer et al., 2013). The scaling factors were chosen to decline linearly to unity  in 2050 to preserve as much as possible the character of the emissions scenarios. In general,  the difference between harmonized and reported emissions is very small. The MAGICC runs  were performed independently of whether or not a model scenario reports endogenous  climate information, and both sets of information can deviate. As a result, MAGICC output  may no longer fully conform to ‘nameplate’ targets specified in the given scenarios and as  originally assessed by the original authors. Nevertheless, given the benefit of comparability  both between AR5 scenarios and with WGI climate projections, scenarios were classified  based on radiative forcing derived from MAGICC.   2. As a minimum requirement to apply MAGICC to a given emissions scenario, CO2 from the  fossil fuel and industry (FFI) sector, CH4 from FFI and land use sectors, and N2O from FFI and  land use sectors needed to be reported. In case of missing land‐use related CO2 emissions  the average of the RCPs was used. If fluorinated gas (F‐gas), carbonaceous aerosols and/or  nitrate emissions were missing, those were added by interpolating data from RCP2.6 and  RCP8.5 on the basis of the energy‐related CO2 emissions of the relevant scenario vis‐à‐vis  these RCPs. If scenarios were part of a model intercomparison project and gases, or forcers  were missing, data was used from what was diagnosed as a "central" model for the same  scenario (Schaeffer u. a., 2013). As a minimum requirement to derive not only Kyoto forcing,  but also full anthropogenic forcing, sulfur emissions in addition to CO2, CH4, and N2O needed  to be reported. Forcing from mineral dust and land use albedo was fixed at year‐2000  values.    3. For the remaining scenarios, which only run to 2050 or that do not fulfill the minimum  requirements to derive Kyoto forcing with MAGICC, an auxiliary binning based on cumulative  CO2 emissions budgets was implemented. Those scenarios came from models that only  represent fossil fuel and industry emissions or only CO2 emissions. The categorization of  those scenarios is discussed below and includes a considerable amount of uncertainty from  the mapping of CO2 emissions budgets to forcing outcomes. The uncertainty increases      51 of 83            

Final Draft                                                               Annex II                                                         IPCC WGIII AR5   significantly for scenarios that only run to 2050. In many cases, 2050 scenarios could only be  mapped to the union of two neighbouring forcing categories given the large uncertainty.  
Table A.II.17. Climate forcing classes (expressed in ppm CO2eq concentration levels)

 Cate gory  1  2  3  4  5  6  7 

Forcing  Full anthropogenic  categories (in  forcing equivalent  ppm CO2eq)  [W/m2]  430 – 480  480 – 530  530 – 580  580 – 650  650 – 720  720 – 1000  >1000   2.3 – 2.9  2.9 – 3.45  3.45 – 3.9  3.9 – 4.5  4.5 – 5.1  5.1 – 6.8   > 6.8 

Kyoto forcing  equivalent  [W/m2]  2.5 – 3.1  3.1 – 3.65  3.65 – 4.1  4.1– 4.7 

Centre  455  505  555 

RCP (W/m2)  2.6   ‐  (3.7) 

650  4.7 – 5.3  5.3 – 7.0   > 7.0  860   ‐ 

4.5 

6  8.5 

  The CO2‐equivalent concentrations were converted to full anthropogenic forcing ranges by using the  formula in footnote 11, assuming CO2_preindustrial = 278 ppm and rounding to the first decimal. All  scenarios from which full forcing could be re‐constructed from MAGICC were binned on this basis  (Table A.II.17). Those scenarios that only allowed the re‐construction of Kyoto forcing were binned  on the basis of the adjusted Kyoto forcing scale that was derived from a regression of Kyoto vs. full  forcing on the subset of those scenarios that reported both quantities. Thus, the binning in terms of  Kyoto forcing already entails an uncertainty associated with this mapping.     We note the following:    CO2 equivalent and forcing numbers refer to the year 2100. Temporary overshoot of the  forcing prior to 2100 can occur. The overshoot categories (see Section A.II.10.3.3) can be  used to further control for overshoot.   No scenario included in the AR5 Scenario Database showed lower forcing than 430 CO2eq  and 2.3 W/m2, respectively, so no lower climate category was needed   When labeling the climate categories in figures and text, the CO2‐equivalent range should be  specified, e.g., 430‐480 ppm CO2eq for Category 1. If neighbouring categories are lumped  into one bin, then the lower and upper end of the union of categories should be named, e.g.,  430‐530 ppm CO2eq for Categories 1 & 2 or >720 ppm CO2eq for Categories 6 and 7. 

A.II.10.3.2    Carbon Budget Categories 
The classification of scenarios in terms of cumulative CO2 emissions budgets is mainly used as an  auxiliary binning to map scenarios that do not allow the direct calculation of radiative forcing (see  above) to forcing categories (Tables A.II.18 and A.II.19). However, it is also entertained as a separate  binning across scenarios for diagnostic purposes. The mapping between full anthropogenic forcing  and CO2 emissions budgets has been derived from a regression over model scenarios that report  both quantities (from the models GCAM, MESSAGE, IMAGE, MERGE, REMIND) and is affected by  significant uncertainty (Figure A.II.8). This uncertainty is the larger the shorter the time span of  cumulating CO2 emissions is. Due to the availability of negative emissions, and the inclusion of      52 of 83            

Final Draft                                                               Annex II                                                         IPCC WGIII AR5   delayed action scenarios in some studies, the relationship of 2011‐2050 CO2 emissions budgets and  year 2100 radiative forcing was weak to the point that a meaningful mapping was hard to identify  (Figure A.II.9). As a remedy, a mapping was only attempted for 2050 scenarios that do not include a  strong element of delayed action (i.e., scenario policy classes P0, P1, P2 and P6; see Section  A.II.10.3.6), and the mapping was differentiated according to whether or not negative emissions  would be available (scenario technology classes T0–T3, see Section A.II.10.3.5). As a result of the  weak relationship between budgets and radiative forcing, 2050 CO2 emissions budget categories  could only be mapped to the union of neighbouring forcing categories in some cases (Table A.II.19).   
Table A.II.18. 2011-2100 emissions budget binning (rounded to 25 GtCO2eq).

2100  Emissions  Category  1  2  3  4  5  6  7   

Cumulated 2011‐2100  CO2 emissions [GtCO2]  350 – 950    950 – 1500  1500 – 1950  1950 ‐ 2600  2600 – 3250  3250 – 5250  > 5250 
 

Associated Climate  forcing category  1  2  3  4  5  6  7 

Forcing (in ppm  CO2eq)  430 – 480  480 – 530  530 – 580  580 – 650  650 – 720  720 – 1000  >1000 

Figure A.II.8. Regression of radiative forcing against 2011-2100 cumulative CO2 emissions. Scenarios of full forcing models GCAM, MERGE, MESSAGE, REMIND and IMAGE were used for this analysis. Regression was done separately for each model, and resulting budget ranges averaged across models.   

 

   

53 of 83  

         

Final Draft                                                               Annex II                                                         IPCC WGIII AR5  
Table A.II.19. 2011-2050 emissions budget binning (rounded to 25 GtCO2eq).

 2050  Emissions  Category  1  2  3  4  5  6 

Cumulated 2011‐2050  CO2 emissions [GtCO2] 

Associated Climate  forcing category if  negative emissions are  available   (Classes T0 or T2 below)  1  1 – 2   2 – 4   3 – 5   4 – 6   6 

Associated Climate  forcing category if  negative emissions are  not available   (Classes T1 or T3 below)  1  2  3 – 4   4 – 5   5 – 6   6 

< 825  825 – 1125  1125 – 1325   1325 – 1475  1475 – 1625   1625 – 1950  

7  > 1950  7  7    CO2 emissions numbers refer to total CO2 emissions including emissions from the AFOLU sector.  However, those models that only reported CO2 fossil fuel and industrial emissions were also binned  according to this scheme. This can be based on the simplifying assumption that net land use change  emissions over the cumulation period are zero.     

Figure A.II.9. Regression of radiative forcing against 2011–2050 CO2 emissions. Red lines show mean results of fit and depend on whether (left panel) or not (right panel) negative emissions are available. Green lines show harmonized bins between both categories for the mapping in Table A.II.19.  

 

A.II.10.3.3    Overshoot Category  
The overshoot categorization shown in Table A.II.20 applies to the maximum overshoot of the 2100  radiative forcing level before 2100. The binning is only applied to models running until 2100. If full  radiative forcing was not available, Kyoto forcing was used. If radiative forcing information was not  available, no assignment was made.      54 of 83            

Final Draft                                                               Annex II                                                         IPCC WGIII AR5  
Table A.II.20. Overshoot categories

Small Overshoot  Large Overshoot  <0.4 W/m2  O1  >0.4 W/m2  O2 

A.II.10.3.4    Negative Emissions Category 
The negative emissions categories apply to the maximum amount of net negative CO2 emissions  (incl. land use) in any given year over the 21st century. Scenarios with very large annual fluxes of  negative emissions are also able to overshoot strongly, because the overshoot can be compensated  with large net negative emissions within a relatively short period of time. Only a small number of  scenarios show net negative emissions larger than 20 GtCO2/yr, which was used to separate  scenarios with large negative emissions from those with bounded negative emissions (Table A.II.21).  
Table A.II.21. Negative emissions categories.

Bounded net negative  emissions  <20 GtCO2/yr  N1 

Large net negative  emissions  > 20 GtCO2/yr  N212 

A.II.10.3.5    Technology Category 
The technology dimension of the categorization scheme indicates the technology availability in a  given scenario. We identify two key factors:   1. the availability of negative emissions or CDR technologies that can be either confined by  restrictions stipulated in the scenario definition or by the fact that the model does not  represent negative emissions technologies, and   2. the restricted use of the portfolio of mitigation technologies that would be available in the  model with default technology assumptions.   Combining these two factors lead to four distinct technology categories as shown in Table A.II.22. 
Table A.II.22. Technology categories.

No restriction   Neg. Emissions 

No negative  emissions model 

Restriction, but  with negative  emissions 

No negative emissions  and (other)  restrictions 

T0  T1  T2  T3  Note that some scenarios improve technology performance over the default version (e.g., larger  biomass availability, higher final energy intensity improvements, or advanced / expanded technology  assumptions). These cases were not further distinguished and assigned to T0 and T1, if no additional  technology restrictions existed. 

A.II.10.3.6    Policy Category 
Policy categories are assigned based on scenario definitions in the study protocols of model  intercomparison projects (MIPs). The policy categories summarize the type of different policy  designs that were investigated in recent studies (Table A.II.23). We stress that the long‐term target  level (where applicable) is not part of the policy design categorization. This dimension is  characterized in terms of climate categories (see above). Individual model studies not linked to one  of the larger MIPs were assigned to baseline (P0) and immediate action (P1) categories where                                                              
12

 The GCAM 3.0 scenario EMF27‐450‐FullTech came in at ‐19.96 GtCO2/yr and was also included in class N2. 

   

55 of 83  

         

Final Draft                                                               Annex II                                                         IPCC WGIII AR5   obvious, and otherwise left unclassified. The residual class (P7) contains the G8 scenario from the  EMF27 study (Table A.II.15), with ambitious emissions caps by Annex I countries (starting  immediately) and Non‐Annex I countries (starting after 2020), but with a group of countries (fossil  resource owners) never taking a mitigation commitment over the 21st century. The RECIPE model  intercomparison project’s delay scenarios start acting on a global target already in 2020, and thus  are in between categories P1 and P2. P0 does not include climate policy after 2010 (it may or may  not include Kyoto Protocol commitments until 2012), while P1 typically assumes full ‘when’, ‘where’  and ‘what’ flexibility of emissions reductions in addition to immediate action on a target (so called  idealized implementation scenarios). The scenario class P6 characterizes the case of moderate  fragmented action throughout the 21st century, without aiming at a long term global target, usually  formulated as extrapolations of the current level of ambition. Policy categories P2 to P4 describe  variants of adopting a global target or a global carbon price at some later point in the future. With  the important exception of the AMPERE2 study, all scenarios in the P2‐P4 class assume a period of  regionally fragmented action prior to the adoption of a global policy regime. For further details of  the scenario policy categories P2‐P6, see the individual studies listed in Table A.II.15. 
Table A.II.23. Policy categories.

 Category   P0  P1  Baseline  Idealized 

Target  adoption   None  Immediate  Immediate 

Staged  accession  No  No  No 

Long‐term frag /    MIPs                                          Free rider  N/A  No / No  No / No  No / No  No / No  No / No  No / No  No / No  All  All  AMPERE2, AMPERE3  RoSE, LIMITS   RoSE, LIMITS, AMPERE2  AMPERE2  AMPERE3  AMPERE3 

P1+  Idealized +   Supp. Policies  P2  P3  Delay 2020  Delay 2030 

Model year  No  after 2020  Model year  No  after 2030  Model year  No  after 2030  None  Yes (2030‐ 2050)  Yes (2030‐ 2050)  Yes (2030‐ 2070)  N/A 

P3+  Delay 2030 +  Supp. Policies  P4  Accession to  Price Regime 

P4+  Accession to  None  Price Regime +  Supp. Policies  P5  Accession to  Yes (starting  Target  2010)  P6  Fragmented Ref  No  Pol  Other cases  N/A 

No / No  Yes /   Yes (EMF27) –   No (Other)  N/A 

EMF22  EMF27, RoSE, LIMITS,  AMPERE3  EMF27, RECIPE 

P7 

N/A 

  For the policy categories P1 (Idealized), P3 (Delay 2030), and P4 (Accession to Price Regime)  subcategories P1+, P3+ and P4+ respectively exist for which in addition to climate policy  supplementary policies (Supp.)(e.g., infrastructure polices) that are not part of the underlying      56 of 83            

Final Draft                                                               Annex II                                                         IPCC WGIII AR5   baseline scenario have been included. These categories have been assigned to the climate policy  scenarios of the IMACLIM v1.1 model from the AMPERE project to distinguish them from similar  scenarios (e.g., EMF27) where these supplementary policies were not included and therefore policy  costs are generally higher. 

A.II.10.3.7    Classification of baseline scenarios 
Baseline scenarios used in the literature are often identical or at least very close for one model  across different studies. However, in some exercises, characteristics of baseline scenarios, such as  population and economic growth assumptions, are varied systematically to study their influence on  future emissions, energy demand, etc. Table A.II.24 below provides an overview of unique Kaya‐ factor decompositions of baseline scenarios in the AR5 scenario database. The results are shown in  Figures 6.1 and 6.2 in Chapter 6. 

   

57 of 83  

         

Final Draft                                                                                                                 Annex II                                                                                                           IPCC WGIII    
Table A.II.24 Classification of unique Kaya factor projections in the baseline scenario literature.

Population  Harmonized  Unharmonized Study  ADAM  AME  AMPERE  EMF22  EMF27  GEA  LIMITS  POeM  RECIPE  RCP 8.5  RoSE  Other  Models  Contributing  Global Results  1  16  11  7  16  1  7  1  1  1  3  2  67 

Per Capita Income  Harmonized  Unharmonized

Energy Intensity  Unharmonized 

Carbon Intensity  Unharmonized 

High  Default              11                      1     3  3          4  14

   1    16       7    16    1    7    1    1      

High 

Default Low        10 1 

   1 16 10 7 31 0 7 1 1

Default  1 15 10 8 16 0 7 1 1 1 15 1 76      

Fast 

   3  15  65  8  119  1  7  1  1  1  31  1  253 

9    15                      24  = 110

5 2    52  = 70    5

3    13

2     7     10  2 76  = 114

Notes: All AMPERE scenarios harmonized population along a default trajectory RoSE specified two harmonized population trajectories: default and high RCP 8.5 was based on an intentionally high population trajectory In all other cases, no guidance was given regarding population harmonization AMPERE scenarios specified a default harmonization of GDP One model in AMPERE (IMAGE) did not follow GDP harmonization, thus it was classified as unharmonized AMPERE WP2 (9 of 11 participated) specified an alternative low energy intensity baseline with unharmonized implications for per capita income One model in EMF22 (MERGE) included an alternative baseline with intentionally low per capita income EMF27 specified an alternative low energy intensity baseline (15 of 16 ran it) with unharmonized implications for per capita income ROSE specified several alternative GDP baselines, some run by all three models, others by only one or two In all other cases, no guidance was given regarding per capita income or GDP harmonization One study included a model not reporting data for GDP: GEA (MESSAGE)

   

58 of 83 

        

Final Draft                                                                                                                 Annex II                                                                                                           IPCC WGIII    
Three studies included a model not reporting data for total primary energy: AME (Phoenix); AMPERE (GEM-E3); and Other (IEEJ) No study successfully harmonized energy demand, thus scenarios are classified as default if a low energy intensity baseline was not specifically indicated Alternative supply technology scenarios generally do not affect energy intensity, thus only default supply technology scenarios are classified Alternative

   

59 of 83 

        

Final Draft                                                               Annex II                                                         IPCC WGIII AR5  

A.II.10.4    Comparison of integrated and sectorally detailed studies  
In Section 6.8 of this report, but also in a number of other sections, integrated studies included in  the AR5 Scenario Database that is described in Sections A.II.10.1 to A.II.10.3 above are compared to  sectorally detailed studies assessed in Chapters 8, 9, and 10 that deal with the end‐use sectors  transport, buildings and industry respectively. Table A.II.25 provides an overview of the sectorally  detailed studies that are included in this comparison. It should be noted that not all studies provide  the data necessary to derive final energy demand reduction compared to baseline and low‐carbon  fuel shares as, for example, shown in Figure 6.37 and 6.38. In addition, some of sectorally detailed  studies do not cover the entire sector, but restrict themselves to the most important services within  a sector (e.g., space heating and cooling and hot water provision in the buildings sector). 
Table A.II.25. Sectorally detailed energy end-use studies compared to transformation pathways. 

Sector 

Study (Literature Reference) 

Scenario Name  New Policies  450 Scenario  Baseline  ACT Map  BLUE Map  BLUE conservative   BLUE EV  BLUE FCV 

Scenario Type  Base  Policy  Base  Policy  Policy  Policy  Policy  Policy  Base  Policy  Policy  Policy  Base  Policy  Policy  Policy  Policy  Policy  Base  Policy  Policy  Base  Policy  Base 

Transport  World Energy Outlook 2012  (IEA, 2012e)  (Ch. 8)  Energy Technology Perspectives 2008  (IEA, 2008) 

Energy Technology Perspectives 2010  (IEA, 2010b)  Energy Technology Perspectives 2012  (IEA, 2012f)  Global Energy Assessment  (Kahn Ribeiro et al., 2012) 

Baseline  BlueMap  4DS  2DS  REF  GEA‐Act  GEA‐Supply  GEA‐Mix  GEA‐Efficiency 

World Energy Technology Outlook 2050  (EC, 2006)  World Energy Council 2011  (WEC, 2011)  Asia/World Energy Outlook 2011  (IEEJ, 2011)  Buildings  (Ch. 9)  World Energy Outlook 2010  (IEA, 2010c)  Energy Technology Perspectives 2010 

Hydrogen Scenario  Freeway  Tollway  Enhanced Development  Scenario  Current Policies  450 Scenario  Baseline 

   

60 of 83 

        

Final Draft                                                               Annex II                                                         IPCC WGIII AR5   (IEA, 2010b)  3CSEP HEB  (Ürge‐Vorsatz et al., 2012)  Harvey   (Harvey, 2010)  BlueMap  Frozen efficiency  Deep efficiency  High Slow efficiency no  heat pump  Policy  Base  Policy  Base 

High Fast efficiency with  Policy  heat pump  The Energy Report  (WWF/Ecofys/OMA, 2011; Deng et al.,  2012)  Industry  (Ch. 10)  Energy Technology Perspectives 2012  (IEA, 2012f)  Baseline  The Energy Report  6DS Low‐demand  6DS High‐demand  4DS Low‐demand  4DS High‐demand  2DS Low‐demand  2DS High‐demand  Energy Technology Transitions for Industry  (IEA, 2009)  Global Energy Assessment  (Banerjee et al., 2012)  Energy [R]evolution 2012  (GWEC et al., 2012)  The Energy Report  (WWF/Ecofys/OMA, 2011; Deng et al.,  2012)  BLUE low  BLUE high  Base  Policy  Base  Base  Policy  Policy  Policy  Policy  Policy  Policy 

Energy Efficient Scenario  Policy  Reference Scenario  Energy [R]evolution  The Energy Report  Base  Policy  Policy 

 

   

61 of 83 

        

Final Draft                                                               Annex II                                                         IPCC WGIII AR5  

References 
Aboumahboub T., G. Luderer, E. Kriegler, M. Leimbach, N. Bauer, M. Pehl, and L. Baumstark  (2014). On the regional distribution of climate mitigation costs: the impact of delayed cooperative  action, Climate Change Economics In Press.  Akashi O., T. Hanaoka, T. Masui, and M. Kainuma (2014). Halving global GHG emissions by 2050  without depending on nuclear and CCS, Climatic Change In Press (DOI: 10.1007/s10584‐013‐0942‐x).  Akimoto K., F. Sano, T. Homma, K. Wada, M. Nagashima, and J. Oda (2012). Comparison of  marginal abatement cost curves for 2020 and 2030: Longer perspectives for effective global GHG  emission reductions, Sustainability Science 7 157–168 pp. . Available at:  http://www.scopus.com/inward/record.url?eid=2‐s2.0‐ 84863305602&partnerID=40&md5=f350f19c22cf8c64fb447144955fd735.  Arroyo‐Currás T., N. Bauer, E. Kriegler, V.J. Schwanitz, G. Luderer, T. Aboumahboub, A.  Giannousakis, and J. Hilaire (2013). Carbon leakage in a fragmented climate regime: The dynamic  response of global energy markets. . Available at: http://www.scopus.com/inward/record.url?eid=2‐ s2.0‐84886964819&partnerID=40&md5=e6bcdf723648bb504e9b5ebdb8bcc784.  Arvesen A., and E.G. Hertwich (2011). Environmental implications of large‐scale adoption of wind  power: a scenario‐based life cycle assessment, Environmental Research Letters 6 045102 pp. (DOI:  10.1088/1748‐9326/6/4/045102).  Arvesen A., and E.G. Hertwich (2012). Assessing the life cycle environmental impacts of wind power:  A review of present knowledge and research needs, Renewable and Sustainable Energy Reviews 16  5994–6006 pp. . Available at: http://dx.doi.org/10.1016/j.rser.2012.06.023.  Ayres R.U., and A.V. Kneese (1969). Production, Consumption, and Externalities, American Economic  Review 59 282–297 pp. .  Ayres R.U., and U.E. Simonis (1994). Industrial Metabolism ‐‐ Restructuring for Sustainable  Development. United Nations University Press, Tokyo.  Baccini P., and P.H. Brunner (1991). Metabolism of the Anthroposphere. Springer‐Verlag, Berlin;  New York, (ISBN: 9780387537788). .  Banerjee R., Y. Cong, D. Gielen, G. Jannuzzi, F. Maréchal, A.T. McKane, M.A. Rosen, D. van Es, and  E. Worrell (2012). Chapter 8 ‐ Energy End Use: Industry. In: Global Energy Assessment ‐ Toward a  Sustainable Future. Cambridge University Press, Cambridge, UK and New York, NY, USA and the  International Institute for Applied Systems Analysis, Laxenburg, Austria, pp.513–574(ISBN: 9781  10700 5198 hardback 9780 52118 2935 paperback).  Barros N., J.J. Cole, L.J. Tranvik, Y.T. Prairie, D. Bastviken, V.L.M. Huszar, P. Del Giorgio, and F.  Roland (2011). Carbon emission from hydroelectric reservoirs linked to reservoir age and latitude,  Nature Geoscience 4 593–596 pp. . Available at: http://www.scopus.com/inward/record.url?eid=2‐ s2.0‐80052327821&partnerID=40&md5=50f1d17d9b0ad719ae969a2cbf0999c2.  Bauer N., I. Mouratiadou, G. Luderer, L. Baumstark, R.J. Brecha, O. Edenhofer, and E. Kriegler  (2013). Global fossil energy markets and climate change mitigation ‐ an analysis with REMIND. 1 pp.  Available at: http://www.scopus.com/inward/record.url?eid=2‐s2.0‐ 84885487916&partnerID=40&md5=52829908e1ebe62ffcf07393d56adf96. 

   

62 of 83 

        

Final Draft                                                               Annex II                                                         IPCC WGIII AR5   Berners‐Lee M., D.C. Howard, J. Moss, K. Kaivanto, and W.A. Scott (2011). Greenhouse gas  footprinting for small businesses ‐ The use of input‐output data, Science of the Total Environment  409 883–891 pp. .  Bibas R., and A. Méjean (2013). Potential and limitations of bioenergy for low carbon transitions. 1  pp. Available at: http://www.scopus.com/inward/record.url?eid=2‐s2.0‐ 84888791798&partnerID=40&md5=5034e76815888138bafa9006236a2469.  Blanford G., E. Kriegler, and M. Tavoni (2014). Harmonization vs. Fragmentation: Overview of  Climate Policy Scenarios in EMF27, Accepted for publication in Climatic Change (DOI: DOI:  10.1007/s10584‐013‐0951‐9).  Blanford G., J. Merrick, R. Richels, and S. Rose (2013). Trade‐offs between mitigation costs and  temperature change. 1 pp. Available at: http://www.scopus.com/inward/record.url?eid=2‐s2.0‐ 84883451969&partnerID=40&md5=f5bbfc8e018b0f1c51736f28ac7189f4.  Blanford G.J., R.G. Richels, and T.F. Rutherford (2009). Feasible climate targets: The roles of  economic growth, coalition development and expectations, International, U.S. and E.U. Climate  Change Control Scenarios: Results from EMF 22 31, Supplement 2 S82–S93 pp. (DOI:  10.1016/j.eneco.2009.06.003), (ISSN: 0140‐9883).  Borenstein S. (2012). The Private and Public Economics of Renewable Electricity Generation, Journal  of Economic Perspectives, American Economic Association 26 67–92 pp. .  Bosetti V., C. Carraro, and M. Tavoni (2009). Climate change mitigation strategies in fast‐growing  countries: The benefits of early action, International, U.S. and E.U. Climate Change Control Scenarios:  Results from EMF 22 31, Supplement 2 S144–S151 pp. (DOI: 10.1016/j.eneco.2009.06.011), (ISSN:  0140‐9883).  Boulding K. (1972). The Economics of the Coming Spaceship Earth. In: Steady State Economics. H.E.  Daly, (ed.), W.H. Freeman, San Francisco pp.121–132.  Boustead I., and G.F. Hancock (1979). Handbook of Industrial Energy Analysis. Ellis Horwood,  Chichester, UK.  BP (2012). BP Statistical Review of World Energy June 2012. BP, London. . Available at:  www.bp.com/statisticalreview.  Brandão M., G. Heath, and J. Cooper (2012). What Can Meta‐Analyses Tell Us About the Reliability  of Life Cycle Assessment for Decision Support?, Journal of Industrial Ecology 16 S3–S7 pp. . Available  at: http://www.scopus.com/inward/record.url?eid=2‐s2.0‐ 84860503389&partnerID=40&md5=da46f3574094a32179803d59e7afc24d.  Brandão M., A. Levasseur, M.U.F. Kirschbaum, B.P. Weidema, A.L. Cowie, S.V. Jørgensen, M.Z.  Hauschild, D.W. Pennington, and K. Chomkhamsri (2013). Key issues and options in accounting for  carbon sequestration and temporary storage in life cycle assessment and carbon footprinting,  International Journal of Life Cycle Assessment 18 230–240 pp. . Available at:  http://www.scopus.com/inward/record.url?eid=2‐s2.0‐ 84872363292&partnerID=40&md5=0d6e78439e46751a717e9145effb53fb.  Branker K., M.J.M. Pathak, and J.M. Pearce (2011). A review of solar photovoltaic levelized cost of  electricity. 15, 4470–4482. 

   

63 of 83 

        

Final Draft                                                               Annex II                                                         IPCC WGIII AR5   Bright R.M., F. Cherubini, and A.H. Strømman (2012). Climate impacts of bioenergy: Inclusion of  carbon cycle and albedo dynamics in life cycle impact assessment, Environmental Impact Assessment  Review 37 2–11 pp. (DOI: 10.1016/j.eiar.2012.01.002), (ISSN: 01959255).  Brown R., J. Borgeson, J. Koomey, and P. Biermayer (2008). U.S. Building‐Sector Energy Efficiency  Potential. Ernest Orlando Lawrence Berkeley National Laboratory, University of California, Berkeley,  CA. . Available at: http://enduse.lbl.gov/info/LBNL‐1096E.pdf.  Bullard I., and R.A. Herendeen (1975). The energy cost of goods and services, Energy Pol 3 268–278  pp. .  Burkhardt J.J., G. Heath, and E. Cohen (2012). Life Cycle Greenhouse Gas Emissions of Trough and  Tower Concentrating Solar Power Electricity Generation, Journal of Industrial Ecology 16 S93–S109  pp. (DOI: 10.1111/j.1530‐9290.2012.00474.x), (ISSN: 1530‐9290).  Burkhardt J.J., G.A. Heath, and C.S. Turchi (2011). Life Cycle Assessment of a Parabolic Trough  Concentrating Solar Power Plant and the Impacts of Key Design Alternatives, Environmental Science  & Technology 45 2457–2464 pp. (DOI: 10.1021/es1033266), (ISSN: 0013‐936X).  Burnham A., J. Han, C.E. Clark, M. Wang, J.B. Dunn, and I. Palou‐Rivera (2012). Life‐cycle  greenhouse gas emissions of shale gas, natural gas, coal, and petroleum, Environmental Science and  Technology 46 619–627 pp. . Available at: http://www.scopus.com/inward/record.url?eid=2‐s2.0‐ 84855935864&partnerID=40&md5=05decf25bdfd9f78a9afe31cb8669514.  Calvin K., L. Clarke, V. Krey, and G. Blanford (2012). The role of Asia in Mitigating Climate Change:  Results from the Asia Modeling Excercise, Energy Economics.  Calvin K., J. Edmonds, B. Bond‐Lamberty, L. Clarke, S.H. Kim, P. Kyle, S.J. Smith, A. Thomson, and  M. Wise (2009a). 2.6: Limiting climate change to 450 ppm CO2 equivalent in the 21st century,  Energy Economics 31 S107–S120 pp. . Available at:  http://www.scopus.com/inward/record.url?eid=2‐s2.0‐ 70749105333&partnerID=40&md5=f355c9a5dc64f8ded72f37166c42d86f.  Calvin K., P. Patel, A. Fawcett, L. Clarke, K. Fisher‐Vanden, J. Edmonds, S.H. Kim, R. Sands, and M.  Wise (2009b). The distribution and magnitude of emissions mitigation costs in climate stabilization  under less than perfect international cooperation: SGM results, Energy Economics 31 S187–S197  pp. . Available at: http://www.scopus.com/inward/record.url?eid=2‐s2.0‐ 70749148583&partnerID=40&md5=bc30f872f2017c16e2616b0abd18d660.  Calvin K., M. Wise, P. Kyle, P. Patel, L. Clarke, and J. Edmonds (2013). Trade‐offs of different land  and bioenergy policies on the path to achieving climate targets, Climatic Change In press (DOI:  10.1007/s10584‐013‐0897‐y).  Calvin K., M. Wise, P. Luckow, P. Kyle, L. Clarke, and J. Edmonds (2014). Implications of uncertain  future fossil energy resources on bioenergy use and terrestrial carbon emissions, Climatic Change  Forthcoming.  Chen W., H. Yin, and H. Zhang (2014). Towards low carbon development in China: a comparison of  national and global models, Climatic Change In Press (DOI: 10.1007/s10584‐013‐0937‐7).  Cherubini F., R.M. Bright, and A.H. Strømman (2012). Site‐specific global warming potentials of  biogenic CO 2 for bioenergy: contributions from carbon fluxes and albedo dynamics, Environmental  Research Letters 7 045902 pp. (DOI: 10.1088/1748‐9326/7/4/045902), (ISSN: 1748‐9326).      64 of 83          

Final Draft                                                               Annex II                                                         IPCC WGIII AR5   Cherubini F., G.P. Peters, T. Berntsen, A.H. Strømman, and E. Hertwich (2011). CO2 emissions from  biomass combustion for bioenergy: atmospheric decay and contribution to global warming, GCB  Bioenergy 3 413–426 pp. (DOI: 10.1111/j.1757‐1707.2011.01102.x), (ISSN: 1757‐1707).  De Cian E., V. Bosetti, and M. Tavoni (2012). Technology innovation and diffusion in ‘less than ideal’  climate policies: An assessment with the WITCH model, Climatic Change 114 121–143 pp. . Available  at: http://www.scopus.com/inward/record.url?eid=2‐s2.0‐ 84865409649&partnerID=40&md5=5730ca23fbc3f618d933ff8cce0ca500.  De Cian E., S. Carrara, and M. Tavoni (2013a). Innovation benefits from nuclear phase‐out: can they  compensate the costs? 1 pp. Available at: http://www.scopus.com/inward/record.url?eid=2‐s2.0‐ 84882803767&partnerID=40&md5=9aa3d77f7eaed5874fa5f59feace67b6.  De Cian E., F. Sferra, and M. Tavoni (2013b). The influence of economic growth, population, and  fossil fuel scarcity on energy investments. 1 pp. Available at:  http://www.scopus.com/inward/record.url?eid=2‐s2.0‐ 84883628921&partnerID=40&md5=86b5e3c2a5fc7d3af1ab22dc01f6b650.  Clarke L., J. Edmonds, V. Krey, R. Richels, S. Rose, and M. Tavoni (2009). International climate policy  architectures: Overview of the EMF 22 International Scenarios, International, U.S. and E.U. Climate  Change Control Scenarios: Results from EMF 22 31, Supplement 2 S64–S81 pp. (DOI:  10.1016/j.eneco.2009.10.013), (ISSN: 0140‐9883).  Cleveland C.J., R. Costanza, C.A.S. Hall, and R. Kaufmann (1984). Energy and the United‐States‐ economy ‐ a biophysical perspective, Science 225 890–897 pp. (ISSN: 0036‐8075).  Corsten M., A. Ramírez, L. Shen, J. Koornneef, and A. Faaij (2013). Environmental impact  assessment of CCS chains ‐ Lessons learned and limitations from LCA literature, International Journal  of Greenhouse Gas Control 13 59–71 pp. . Available at:  http://www.scopus.com/inward/record.url?eid=2‐s2.0‐ 84872421378&partnerID=40&md5=1aed2b9726e322bc529253388cdd0749.  Darling S.B., F. You, T. Veselka, and A. Velosa (2011). Assumptions and the levelized cost of energy  for photovoltaics, Energy and Environmental Science 4 3133–3139 pp. . Available at:  http://www.scopus.com/inward/record.url?eid=2‐s2.0‐ 80052245869&partnerID=40&md5=3dc8d73c656258b00afb045b68ade3d2.  Demarty M., and J. Bastien (2011). GHG emissions from hydroelectric reservoirs in tropical and  equatorial regions: Review of 20 years of CH 4 emission measurements, Energy Policy 39 4197–4206  pp. . Available at: http://www.scopus.com/inward/record.url?eid=2‐s2.0‐ 79957667930&partnerID=40&md5=fdfc17bcac43435370041df7c7b60f32.  Deng L., C.W. Babbitt, and E.D. Williams (2011). Economic‐balance hybrid LCA extended with  uncertainty analysis: Case study of a laptop computer, Journal of Cleaner Production 19 1198–1206  pp. .  Deng Y.Y., K. Blok, and K. van der Leun (2012). Transition to a fully sustainable global energy  system, Energy Strategy Reviews 1 109–121 pp. . Available at:  http://www.scopus.com/inward/record.url?eid=2‐s2.0‐ 84866275674&partnerID=40&md5=12475e678d04453757d38c536bb899ff.  Dolan S.L., and G.A. Heath (2012). Life Cycle Greenhouse Gas Emissions of Utility‐Scale Wind Power:  Systematic Review and Harmonization, Journal of Industrial Ecology 16 S136–S154 pp. . Available at:      65 of 83          

Final Draft                                                               Annex II                                                         IPCC WGIII AR5   https://www.scopus.com/inward/record.url?eid=2‐s2.0‐ 84860508486&partnerID=40&md5=b47cad282f4112c33d80e0453d07c675.  Don A., B. Osborne, A. Hastings, U. Skiba, M.S. Carter, J. Drewer, H. Flessa, A. Freibauer, N.  Hyvönen, M.B. Jones, G.J. Lanigan, Ü. Mander, A. Monti, S.N. Djomo, J. Valentine, K. Walter, W.  Zegada‐Lizarazu, and T. Zenone (2012). Land‐use change to bioenergy production in Europe:  implications for the greenhouse gas balance and soil carbon, GCB Bioenergy 4 372–391 pp. (DOI:  10.1111/j.1757‐1707.2011.01116.x), (ISSN: 1757‐1707).  Douglas C.A., G.P. Harrison, and J.P. Chick (2008). Life cycle assessment of the Seagen marine  current turbine, Proceedings of the Institution of Mechanical Engineers Part M: Journal of  Engineering for the Maritime Environment 222 1–12 pp. . Available at:  http://www.scopus.com/inward/record.url?eid=2‐s2.0‐ 40549102801&partnerID=40&md5=d6a06847480c6d08be7867cfd6459775.  Dowling P., and P. Russ (2012). The benefit from reduced energy import bills and the importance of  energy prices in GHG reduction scenarios, The Asia Modeling Exercise: Exploring the Role of Asia in  Mitigating Climate Change 34, Supplement 3 S429–S435 pp. (DOI: 10.1016/j.eneco.2011.12.010),  (ISSN: 0140‐9883).  Druckman A., P. Bradley, E. Papathanasopoulou, and T. Jackson (2008). Measuring progress  towards carbon reduction in the UK, Ecological Economics 66 594–604 pp. (DOI:  10.1016/j.ecolecon.2007.10.020), (ISSN: 0921‐8009).  DTI (2006). Our Energy Challenge: Securing Clean, Affordable Energy for the Long Term. Department  of Trade and Industry, London. . Available at: http://www.official‐ documents.gov.uk/document/cm68/6887/6887.pdf.  EC (2006). World Energy Technology Outlook 2050 – WETO H2. European Commission, Brussels. 168  pp. Available at: http://ec.europa.eu/research/energy/pdf/weto‐h2_en.pdf.  Edenhofer O., L. Hirth, B. Knopf, M. Pahle, S. Schloemer, E. Schmid, and F. Ueckerdt (2013a). On  the economics of renewable energy sources, Energy Economics.  Edenhofer O., L. Hirth, B. Knopf, M. Pahle, S. Schlömer, E. Schmid, and F. Ueckerdt (2013b). On the  economics of renewable energy sources., Energy Economics 40 S12–S23 pp. (DOI:  10.1016/j.eneco.2013.09.015).  Edenhofer O., B. Knopf, M. Leimbach, and N. Bauer (2010). ADAM’s Modeling Comparison Project‐ Intentions and Prospects, The Energy Journal 31 7–10 pp. .  EERE (2004). Project Financial Evaluation. US Department of Energy, Washington, DC.  EIA (2012a). International Energy Statistics. U.S. Energy Information Administration, Washington,  D.C. Available at: http://www.eia.gov/cfapps/ipdbproject/IEDIndex3.cfm.  EIA (2012b). Annual Energy Review 2011. U.S. Energy Information Administration, Washington, D.C.  Available at: http://www.eia.gov/aer.  Ekvall T., and B.P. Weidema (2004). System Boundaries and Input Data in Consequential Life Cycle  Inventory Analysis, International Journal of Life Cycle Assessment 9 161–171 pp. . 

   

66 of 83 

        

Final Draft                                                               Annex II                                                         IPCC WGIII AR5   Embrechts P., C. Klüppelberg, and T. Mikosch (1997). Modelling Extremal Events for Insurance and  Finance. Springer.  Erb K., S. Gingrich, F. Krausmann, and H. Haberl (2008). Industrialization, Fossil Fuels, and the  Transformation of Land Use, Journal of Industrial Ecology 12 686–703 pp. (DOI: 10.1111/j.1530‐ 9290.2008.00076.x), (ISSN: 1530‐9290).  Erb K.‐H., H. Haberl, and C. Plutzar (2012). Dependency of global primary bioenergy crop potentials  in 2050 on food systems, yields, biodiversity conservation and political stability, Energy Policy 47  260–269 pp. (DOI: 10.1016/j.enpol.2012.04.066), (ISSN: 0301‐4215).  Farrell A.E., R.J. Plevin, B.T. Turner, A.D. Jones, M. O’Hare, and D.M. Kammen (2006). Ethanol Can  Contribute to Energy and Environmental Goals, Science 311 506–508 pp. (DOI:  10.1126/science.1121416).  Finnveden G., M.Z. Hauschild, T. Ekvall, J. Guinee, R. Heijungs, S. Hellweg, A. Koehler, D.  Pennington, and S. Suh (2009). Recent developments in Life Cycle Assessment, Journal of  Environmental Management 91 1–21 pp. . Available at:  http://www.scopus.com/inward/record.url?eid=2‐s2.0‐ 70350200874&partnerID=40&md5=bf5126e8bdc1f995e062253e3a7c301f.  Fischedick M., R. Schaeffer, A. Adedoyin, M. Akai, T. Bruckner, L. Clarke, V. Krey, I. Savolainen, S.  Teske, D. Ürge‐Vorsatz, and R. Wright (2011a). Mitigation Potential and Costs. In: IPCC Special  Report on Renewable Energy Sources and Climate Change Mitigation. O. Edenhofer, R. Pichs‐ Madruga, Y. Sokona, K. Seyboth, P. Matschoss, S. Kadner, T. Zwickel, P. Eickemeier, G. Hansen, S.  Schlömer, C. von Stechow, (eds.), Cambridge University Press, Cambridge, UK and New York, NY,  USA.  Fischedick M., R. Schaeffer, A. Adedoyin, M. Akai, T. Bruckner, L. Clarke, V. Krey, I. Savolainen, S.  Teske, D. Urge‐Vorsatz, R. Wright, and G. Luderer (2011b). Chapter 10: Mitigation potential and  costs. In: IPCC Special Report on Renewable Energy Sources and Climate Change Mitigation [O.  Edenhofer, R. Pichs‐Madruga, Y. Sokona, K. Seyboth, P. Matschoss, S. Kadner, T. Zwickel, P.  Eickemeier, G. Hansen, S. Schlömer, C. von Stechow (eds)]. Cambridge University Press, Cambridge.  Fischer‐Kowalski M., and H. Haberl (1997). Tons, Joules and Money: Modes of Production and their  Sustainability Problems, Society & Natural Resources 10 61–85 pp. .  Fischer‐Kowalski M., and H. Haberl (2007). Socioecological Transitions and Global Change.  Trajectories of Social Metabolism and Land Use. E.Elgar, Cheltenham, UK.  Fisher B.S., N. Nakicenovic, K. Alfsen, J. Corfee Morlot, F. de la Chesnaye, J.‐C. Hourcade, K. Jiang,  M. Kainuma, E. La Rovere, A. Matysek, A. Rana, K. Riahi, R. Richels, S. Rose, D. van Vuuren, and R.  Warren (2007). Issues related to mitigation in the long term context. In: Climate Change 2007:  Mitigation. Contribution of Working Group III to the Fourth Assessment Report of the Inter‐ governmental Panel on Climate Change. Cambridge University Press, Cambridge, UK.  Fisher‐Vanden K., K. Schu, I. Sue Wing, and K. Calvin (2012). Decomposing the impact of alternative  technology sets on future carbon emissions growth, The Asia Modeling Exercise: Exploring the Role  of Asia in Mitigating Climate Change 34, Supplement 3 S359–S365 pp. (DOI:  10.1016/j.eneco.2012.07.021), (ISSN: 0140‐9883).  Forster P., V. Ramaswamy, P. Artaxo, T. Berntsen, R. Betts, D.W. Fahey, J. Haywood, J. Lean, D.C.  Lowe, G. Myhre, J. Nganga, R. Prinn, G. Raga, M. Schulz, and R.V. Dorland (2007). Chapter 2.      67 of 83          

Final Draft                                                               Annex II                                                         IPCC WGIII AR5   Changes in Atmospheric Constituents and in Radiative Forcing. In: Climate Change 2007 ‐ The  Physical Science Basis. Contribution of Working Group I to the Fourth Assessment Report of the  Intergovernmental Panel on Climate Change. S. Solomon, D. Qin, M. Manning, M. Marquis, K. Averyt,  M.M.. Tignor, H.L. Miller, (eds.), Cambridge University Press, New York, NY. Available at:  file://localhost/Users/rjp/literature/i/IPCC%20AR4/ar4‐wg1‐chapter2.pdf.  Gandhi N., M.L. Diamond, D. van de Meent, M.A.J. Huijbregts, W.J.G.M. Peijnenburg, and J.  Guinee (2010). New Method for Calculating Comparative Toxicity Potential of Cationic Metals in  Freshwater: Application to Copper, Nickel, and Zinc, Environmental Science & Technology 44 5195– 5201 pp. (DOI: 10.1021/es903317a), (ISSN: 0013‐936X).  GEA (2012). Annex II ‐ Technical Guidelines: Common terms, definitions and units used in GEA. In:  Global Energy Assessment ‐ Toward a Sustainable Future. Cambridge University Press, Cambridge,  UK and New York, NY, USA and the International Institute for Applied Systems Analysis, Laxenburg,  Austria, pp.1815–1821.  Gelfand I., R. Sahajpal, X. Zhang, R.C. Izaurralde, K.L. Gross, and G.P. Robertson (2013). Sustainable  bioenergy production from marginal lands in the US Midwest, Nature 493 514–517 pp. (ISSN: 1476‐ 4687).  Girod B., P. de Haan, and R.W. Scholz (2011). Consumption‐as‐usual instead of ceteris paribus  assumption for demand, International Journal of Life Cycle Assessment 16 3–11 pp. (DOI:  10.1007/s11367‐010‐0240‐z), (ISSN: 0948‐3349).  Graedel T.E., and J. Cao (2010). Metal spectra as indicators of development, Proceedings of the  National Academy of Sciences 107 20905–20910 pp. (DOI: 10.1073/pnas.1011019107), (ISSN: 0027‐ 8424, 1091‐6490).  Greening L.A., M. Ting, and T.J. Krackler (2001). Effects of changes in residential end‐uses and  behavior on aggregate carbon intensity: comparison of 10 OECD countries for the period 1970  through 1993, Energy Economics 23 153–178 pp. . Available at: ://000167447200003.  Griffin B., P. Buisson, P. Criqui, and S. Mima (2014). White Knights: will wind and solar come to the  rescue of a looming capacity gap from nuclear phase‐out or slow CCS start‐up?, Climatic Change In  Press (DOI: 10.1007/s10584‐013‐0963‐5).  Grübler A., M. Jefferson, and N. Nakićenović (1996). Global energy perspectives: A summary of the  joint study by the international institute for applied systems analysis and world energy council,  Technological Forecasting and Social Change 51 237–264 pp. (DOI: 10.1016/0040‐1625(95)00251‐0),  (ISSN: 0040‐1625).  Grubler A., T.B. Johansson, L. Mundaca, N. Nakicenovic, S. Pachauri, K. Riahi, H.‐H. Rogner, L.  Strupeit, P. Kolp, V. Krey, J. Macknick, Y. Nagai, M.L. Rogner, K.R. Smith, K. Steen‐Olsen, and J.  Weinzettel (2012). Energy Primer. In: The Global Energy Assessment: Toward a More Sustainable  Future. IIASA, Laxenburg, Austria and Cambridge University Press, Cambridge, UK, . Available at:  http://www.iiasa.ac.at/web/home/research/researchPrograms/Energy/Chapter1.en.html.  Guest G., R.M. Bright, F. Cherubini, and A.H. Strømman (2013). Consistent quantification of climate  impacts due to biogenic carbon storage across a range of bio‐product systems, Environmental  Impact Assessment Review 43 21–30 pp. . Available at:  http://www.scopus.com/inward/record.url?eid=2‐s2.0‐ 84879595520&partnerID=40&md5=67ae8fb71b8560d972dab5eee38bf2e5. 

   

68 of 83 

        

Final Draft                                                               Annex II                                                         IPCC WGIII AR5   Guinée J.B., R. Heijungs, G. Huppes, A. Zamagni, P. Masoni, R. Buonamici, T. Ekvall, and T. Rydberg  (2010). Life Cycle Assessment: Past, Present, and Future, Environmental Science & Technology 45  90–96 pp. (DOI: 10.1021/es101316v), (ISSN: 0013‐936X).  Gustavsson L., K. Pingoud, and R. Sathre (2006). Carbon Dioxide Balance of Wood Substitution:  Comparing Concrete‐ and Wood‐Framed Buildings, Mitigation and Adaptation Strategies for Global  Change 11 667–691 pp. (DOI: 10.1007/s11027‐006‐7207‐1), (ISSN: 1381‐2386).  GWEC, EREC, and Greenpeace (2012). Energy [R]evolution ‐ A Sustainable World Energy Outlook.  GWEC/EREC/Greenpeace. . Available at:  http://www.greenpeace.org/international/Global/international/publications/climate/2012/Energy% 20Revolution%202012/ER2012.pdf.  Haas R., and L. Schipper (1998). Residential energy demand in OECD‐countries and the role of  irreversible efficiency improvements, Energy Econ 20 421–442 pp. . Available  at: ://000076287300005.  Haberl H. (2001a). The Energetic Metabolism of Societies Part I: Accounting Concepts, Journal of  Industrial Ecology 5 11–33 pp. (DOI: 10.1162/108819801753358481), (ISSN: 1530‐9290).  Haberl H. (2001b). The Energetic Metabolism of Societies: Part II: Empirical Examples, Journal of  Industrial Ecology 5 71–88 pp. (DOI: 10.1162/10881980152830141), (ISSN: 1530‐9290).  Haberl H., K.‐H. Erb, F. Krausmann, A. Bondeau, C. Lauk, C. Müller, C. Plutzar, and J.K. Steinberger  (2011). Global bioenergy potentials from agricultural land in 2050: Sensitivity to climate change,  diets and yields, Biomass and Bioenergy 35 4753–4769 pp. (DOI: 16/j.biombioe.2011.04.035), (ISSN:  0961‐9534).  Haberl H., K.H. Erb, F. Krausmann, V. Gaube, A. Bondeau, C. Plutzar, S. Gingrich, W. Lucht, and M.  Fischer‐Kowalski (2007). Quantifying and mapping the human appropriation of net primary  production in earth’s terrestrial ecosystems, Proceedings of the National Academy of Sciences 104  12942 –12947 pp. (DOI: 10.1073/pnas.0704243104).  Haberl H., M. Fischer‐Kowalski, F. Krausmann, H. Weisz, and V. Winiwarter (2004). Progress  towards sustainability? What the conceptual framework of material and energy flow accounting  (MEFA) can offer, Land Use Policy 21 199–213 pp. (DOI: 16/j.landusepol.2003.10.013), (ISSN: 0264‐ 8377).  Haberl H., H. Weisz, C. Amann, A. Bondeau, N. Eisenmenger, K. Erb, M. Fischer‐Kowalski, and F.  Krausmann (2006). The Energetic Metabolism of the European Union and the United States: Decadal  Energy Input Time‐Series with an Emphasis on Biomass, Journal of Industrial Ecology 10 151–171 pp.  (DOI: 10.1162/jiec.2006.10.4.151), (ISSN: 1530‐9290).  Hannon B., R. Costanza, and R.A. Herendeen (1986). Measures of Energy‐Cost and Value in  Ecosystems, Journal of Environmental Economics and Management 13 391–401 pp. .  Hannon B., R.G. Stein, B.Z. Segal, and D. Serber (1978). Energy and Labor in the Construction Sector,  Science 202 837–847 pp. .  Hansen S. (2012). Economical optimization of building elements for use in design of nearly zero  energy buildings, Proceedings of the 5th IBPC Kyoto, Japan . Available at:  http://orbit.dtu.dk/fedora/objects/orbit:113660/datastreams/file_10074204/content. 

   

69 of 83 

        

Final Draft                                                               Annex II                                                         IPCC WGIII AR5   Harvey L.D.D. (2010). Energy and the New Reality 1: Energy Efficiency and the Demand for Energy  Services. Routledge, 672 pp., (ISBN: 1849710724). .  Heath G.A., and M.K. Mann (2012). Background and Reflections on the Life Cycle Assessment  Harmonization Project, Journal of Industrial Ecology . Available at:  http://www.scopus.com/inward/record.url?eid=2‐s2.0‐ 84859302585&partnerID=40&md5=bf96d688c46732536c7658b334a78a4f.  Heptonstall (2007). A Review of Electricity Unit Cost Estimates. UK Energy Research Centre, London,  UK.  Hertwich E.G. (2011). The life cycle environmental impacts of consumption, Economic Systems  Research 23 27–47 pp. (DOI: 10.1080/09535314.2010.536905), (ISSN: 0953‐5314).  Hertwich E.G. (2013). Addressing Biogenic Greenhouse Gas Emissions from Hydropower in LCA,  Environmental Science & Technology 47 9604–9611 pp. . Available at:  http://dx.doi.org/10.1021/es401820p.  Hertwich E.G., T. Gibon, E. Bouman, A. Arvesen, S. Suh, A. Ramirez, M.V. Coloma, J.D. Bergerson, S.  Lei, and G. Heath (2013). Resource requirements and environmental benefits of low‐carbon  electricity supply. , draft under review.  Hertwich E.G., and G.P. Peters (2009). Carbon footprint of nations: A global, trade‐linked analysis,  Environmental Science & Technology 43 6414–6420 pp. .  Heston A., R. Summers, and B. Aten (2011). Penn World Table Version 7.0. Center for International  Comparisons of Production, Income and Prices at the University of Pennsylvania.  Hirth L. (2013). The Market Value of Variable Renewables: The Effect of Solar‐Wind Power Variability  on their Relative Price, Energy Economics 38 218–236 pp. (DOI: doi:10.1016/j.eneco.2013.02.004).  Hsu D.D., P. O’Donoughue, V. Fthenakis, G.A. Heath, H.C. Kim, P. Sawyer, J.‐K. Choi, and D.E.  Turney (2012). Life Cycle Greenhouse Gas Emissions of Crystalline Silicon Photovoltaic Electricity  Generation, Journal of Industrial Ecology 16 S122–S135 pp. (DOI: 10.1111/j.1530‐ 9290.2011.00439.x), (ISSN: 1530‐9290).  Huijbregts M., W. Schöpp, E. Verkuijlen, R. Heijungs, and L. Reijnders (2000). Spatially explicity  characterization of acidifying and eutrophying air pollution in life‐cycle assessment, J. Ind. Ecol. 4  125–142 pp. .  De Ia Rue du Can S., and L. Price (2008). Sectoral trends in global energy use and greenhouse gas  emissions, Energy Policy 36 1386–1403 pp. . Available at:  http://www.scopus.com/inward/record.url?eid=2‐s2.0‐ 40349093220&partnerID=40&md5=13ba5f5af0084dd43480ad1746cbc2c7.  IEA (2008). Energy Technology Perspectives 2008 ‐ Scenarios and Strategies to 2050. IEA/OECD, Paris,  France.  IEA (2009). Energy Technology Transitions for Industry. Strategies for the Next Industrial Revolution.  IEA/OECD, Paris.  IEA (2010a). Projected Costs of Generating Electricity ‐ 2010 Edition. International Energy Agency,  Paris, France.      70 of 83          

Final Draft                                                               Annex II                                                         IPCC WGIII AR5   IEA (2010b). Energy Technology Perspectives 2010 ‐ Scenarios and Strategies to 2050. IEA; OECD,  Paris, France :, (ISBN: 9789264085978). .  IEA (2010c). World Energy Outlook 2010. OECD/IEA, Paris, (ISBN: 978‐92‐64‐08624‐1). .  IEA (2012a). Energy Balances of OECD Countries. International Energy Agency, Paris, (ISBN: 978‐92‐ 64‐17382‐8). .  IEA (2012b). Energy Balances of Non‐OECD Countries. International Energy Agency, Paris, (ISBN: 978‐ 92‐64‐17466‐5). .  IEA (2012c). CO2 Emissions from Fuel Combustion. Beyond 2020 Online Database. . Available at:  http://data.iea.org.  IEA (2012d). World Energy Statistics. International Energy Agency, Paris.  IEA (2012e). World Energy Outlook 2012. OECD/IEA, Paris, (ISBN: 978‐92‐64‐18084‐0). .  IEA (2012f). Energy Technology Perspectives 2012. IEA/OECD, Paris.  IEA, and NEA (2005). Projected Costs of Generating Electricity. NEA/IEA/OECD, Paris.  IEA/OECD/Eurostat (2005). Energy Statistics Manual. OECD/IEA, Paris. . Available at:  http://www.iea.org/stats/docs/statistics_manual.pdf.  IEEJ (2011). Asia/World Energy Outlook 2011. The Institute of Energy Economics, Japan, Tokyo.  IMF (2012). World Economic Outlook. International Monetary Fund, Washington D.C., USA.  Imhoff M.L., L. Bounoua, T. Ricketts, C. Loucks, R. Harriss, and W.T. Lawrence (2004). Global  patterns in human consumption of net primary production, Nature 429 870–873 pp. (DOI:  10.1038/nature02619), (ISSN: 0028‐0836).  IPCC (1995a). Climate Change 1995. The Science of Climate Change: Contribution of Working Group I  to the Second Assessment Report of the Intergovernmental Panel on Climate Change [Houghton J.T.,  L.G. Meira Filho, B.A. Callander, N. Harris, A. Kattenberg, K. Maskell (eds)]. Cambridge Univeristy  Press, Cambridge, 572 pp.  IPCC (1995b). Climate Change 1995. Impacts, Adaptations and Mitigation of Climate Change:  Scientific Analyses. Contribution of Working Group II to the Second Assessment Report of the  Intergovernmental Panel on Climate Change [Watson R., M.C. Zinyowera, R. Moss (eds)]. Cambridge  University Press, Cambridge, 861 pp.  IPCC (2001). Climate Change 2001: Mitigation Appendices ‐ IV Units, Conversion Factors, and GDP  Deflators. In: Climate Change 2001: Mitigation; Contribution of Working Group III to the Third  Assessment Report of the IPCC [Metz B., O. Davidson, R. Swart, J. Pan (eds)]. Cambridge University  Press, Cambridge pp.727–732(ISBN: ISBN 0‐521‐01502‐2).  IPCC (2006). IPCC Guidelines for National Greenhouse Gas Inventories [J.T. Houghton, L.G. Meira  Filho, B. Lim, K. Treanton, I. Mamaty, Y. Bonduki, D.J. Griggs, B.A. Callender (eds)]. IGES, Japan. .  Available at: http://www.ipcc‐nggip.iges.or.jp/public/2006gl/index.html. 

   

71 of 83 

        

Final Draft                                                               Annex II                                                         IPCC WGIII AR5   IRENA (2013). Renewable Power Generation Costs in 2012: An Overview. International Renewable  Energy Agency, Abu Dhabi. Available at:  http://www.irena.org/DocumentDownloads/Publications/Overview_Renewable%20Power%20Gene ration%20Costs%20in%202012.pdf.  Iyer G., N. Hultman, J. Eom, H. McJeon, P. Patel, and L. Clarke (2013). Diffusion of low‐carbon  technologies and the feasibility of long‐term climate targets. . Available at:  http://www.scopus.com/inward/record.url?eid=2‐s2.0‐ 84884553147&partnerID=40&md5=8d59dfe4bb008e036029e7660751c8d9.  Joskow P.L. (2011a). Comparing the Costs of Intermittent and Dispatchable Electricity Generating  Technologies, American Economic Review: Papers & Proceedings 100 238–241 pp. .  Joskow P.L. (2011b). Comparing the costs of intermittent and dispatchable electricity generating  technologies, American Economic Review 101 238–241 pp. . Available at:  http://www.scopus.com/inward/record.url?eid=2‐s2.0‐ 79958280724&partnerID=40&md5=e99c8a5bb29d5fac696d50a965701948.  JRC/PBL (2012). European Commission, Joint Research Centre (JRC)/PBL Netherlands Environmental  Assessment Agency. Emission Database for Global Atmospheric Research (EDGAR). . Available at:  http://edgar.jrc.ec.europa.eu.  Kahn Ribeiro S., M.J. Figueroa, F. Creutzig, C. Dubeux, J. Hupe, and S. Kobayashi (2012). Chapter 9 ‐  Energy End‐Use: Transport. In: Global Energy Assessment ‐ Toward a Sustainable Future.Cambridge  University Press, Cambridge, UK and New York, NY, USA and the International Institute for Applied  Systems Analysis, Laxenburg, Austria pp.575–648(ISBN: 9781 10700 5198 hardback 9780 52118 2935  paperback).  Kanudia A., M. Labriet, and R. Loulou (2013). Effectiveness and efficiency of climate change  mitigation in a technologically uncertain World. 1 pp. Available at:  http://www.scopus.com/inward/record.url?eid=2‐s2.0‐ 84881326022&partnerID=40&md5=b1ea775d2d2f3422755ab82ae073cd17.  Kato K., A. Murata, and K. Sakuta (1998). Energy pay‐back time and life‐cycle CO2 emission of  residential PV power system with silicon PV module, Progress in Photovoltaics 6 105–115 pp. (ISSN:  1062‐7995).  Kelly K.A., M.C. McManus, and G.P. Hammond (2012). An energy and carbon life cycle assessment  of tidal power case study: The proposed Cardiff‐Weston severn barrage scheme, Energy 44 692–701  pp. . Available at: http://www.scopus.com/inward/record.url?eid=2‐s2.0‐ 84864373242&partnerID=40&md5=87f550eefe7f8c19c75440d5fec8d54b.  Kemenes A., B.R. Forsberg, and J.M. Melack (2007). Methane release below a tropical hydroelectric  dam, Geophysical Research Letters 34 . Available at:  http://www.scopus.com/inward/record.url?eid=2‐s2.0‐ 38849139629&partnerID=40&md5=51bf50942a58570748b91033e7b81244.  Kennedy C., J. Cuddihy, and J. Engel‐Yan (2007). The Changing Metabolism of Cities, Journal of  Industrial Ecology 11 43–59 pp. (DOI: 10.1162/jie.2007.1107), (ISSN: 1530‐9290).  Kim H.C., V. Fthenakis, J.‐K. Choi, and D.E. Turney (2012). Life Cycle Greenhouse Gas Emissions of  Thin‐film Photovoltaic Electricity Generation, Journal of Industrial Ecology 16 S110–S121 pp. (DOI:  10.1111/j.1530‐9290.2011.00423.x), (ISSN: 1530‐9290).      72 of 83          

Final Draft                                                               Annex II                                                         IPCC WGIII AR5   Klein D., G. Luderer, E. Kriegler, J. Strefler, N. Bauer, M. Leimbach, A. Popp, J.P. Dietrich, F.  Humpenöder, H. Lotze‐Campen, and O. Edenhofer (2014). The value of bioenergy in low  stabilization scenarios: an assessment using REMIND‐MAgPIE, Climatic Change In Press (DOI:  10.1007/s10584‐013‐0940‐z).  Kober T., B. van der Zwaan, and H. Rösler (2014). Emission Certificate Trade and Costs under  Regional Burden‐Sharing Regimes for a 2°C Climate Change Control Target, Climate Change  Economics In Press.  Koljonen T., and A. Lehtilä (2012). The impact of residential, commercial, and transport energy  demand uncertainties in Asia on climate change mitigation, The Asia Modeling Exercise: Exploring  the Role of Asia in Mitigating Climate Change 34, Supplement 3 S410–S420 pp. (DOI:  10.1016/j.eneco.2012.05.003), (ISSN: 0140‐9883).  Kousky C., and R. Cooke (2009). The Unholy Trinity: Fat Tails, Tail Dependence, and Micro‐ Correlations. Resources for the Future (RFF), Washington, DC. . Available at:  http://www.rff.org/documents/RFF‐DP‐09‐36‐REV.pdf.  Krausmann F., K.‐H. Erb, S. Gingrich, C. Lauk, and H. Haberl (2008). Global patterns of  socioeconomic biomass flows in the year 2000: A comprehensive assessment of supply,  consumption and constraints, Ecological Economics 65 471–487 pp. (DOI:  16/j.ecolecon.2007.07.012), (ISSN: 0921‐8009).  Krausmann F., S. Gingrich, N. Eisenmenger, K.‐H. Erb, H. Haberl, and M. Fischer‐Kowalski (2009).  Growth in global materials use, GDP and population during the 20th century, Ecological Economics  68 2696–2705 pp. (DOI: 16/j.ecolecon.2009.05.007), (ISSN: 0921‐8009).  Krey V., G. Luderer, L. Clarke, and E. Kriegler (2014). Getting from here to there – energy technology  transformation pathways in the EMF‐27 scenarios, Accepted for publication in Climatic Change (DOI:  DOI 10.1007/s10584‐013‐0947‐5).  Krey V., and K. Riahi (2009). Implications of delayed participation and technology failure for the  feasibility, costs, and likelihood of staying below temperature targets—Greenhouse gas mitigation  scenarios for the 21st century, International, U.S. and E.U. Climate Change Control Scenarios: Results  from EMF 22 31, Supplement 2 S94–S106 pp. (DOI: 10.1016/j.eneco.2009.07.001), (ISSN: 0140‐ 9883).  Kriegler E., K. Riahi, N. Bauer, V.J. Schanitz, N. Petermann, V. Bosetti, A. Marcucci, S. Otto, L.  Paroussos, and et al. (2014a). Making or breaking climate targets: The AMPERE study on staged  accession scenarios for climate policy, Accepted for publication in Technological Forecasting and  Social Change.  Kriegler E., M. Tavoni, T. Aboumahboub, G. Luderer, K. Calvin, G. DeMaere, V. Krey, K. Riahi, H.  Rosler, M. Schaeffer, and D.P. Van Vuuren (2014b). Can we still meet 2°C with a climate agreement  in force by 2020? The LIMITS study on implications of Durban Action Platform scenarios, Accepted  for publication in Climate Change Economics.  Kriegler E., J. Weyant, G. Blanford, L. Clarke, J. Edmonds, A. Fawcett, V. Krey, G. Luderer, K. Riahi,  R. Richels, S. Rose, M. Tavoni, and D. van Vuuren (2014c). The Role of Technology for Climate  Stabilization: Overview of the EMF 27 Study on Energy System Transition Pathways Under  Alternative Climate Policy Regimes., Accepted for publication in Climatic Change In press. 

   

73 of 83 

        

Final Draft                                                               Annex II                                                         IPCC WGIII AR5   Kumar A., T. Schei, A. Ahenkorah, R.C. Rodriguez, J.‐M. Devernay, M. Freitas, D. Hall, Å.  Killingtveit, and Z. Liu (2011). Hydropower. In: IPCC Special Report on Renewable Energy Sources and  Climate Change Mitigation [O. Edenhofer, R. Pichs‐Madruga, Y. Sokona, K. Seyboth, P. Matschoss, S.  Kadner, T. Zwickel, P. Eickemeier, G. Hansen, S. Schlömer, C. von Stechow (eds)]. Cambridge  University Press, Cambridge, United Kingdom and New York, NY, USA.  Labriet M., A. Kanudia, and R. Loulou (2012). Climate mitigation under an uncertain technology  future: A TIAM‐World analysis, The Asia Modeling Exercise: Exploring the Role of Asia in Mitigating  Climate Change 34, Supplement 3 S366–S377 pp. (DOI: 10.1016/j.eneco.2012.02.016), (ISSN: 0140‐ 9883).  Lan J., M. Lenzen, E. Dietzenbacher, D. Moran, K. Kanemoto, J. Murray, and A. Geschke (2012).  Structural Change and the Environment, Journal of Industrial Ecology 16 623–635 pp. (DOI:  10.1111/j.1530‐9290.2012.00518.x), (ISSN: 1530‐9290).  Larsen H.N., and E.G. Hertwich (2009). The case for consumption‐based accounting of greenhouse  gas emissions to promote local climate action, Environmental Science and Policy 12 791–798 pp. .  Larson E.D., Z. Li, and R.H. Williams (2012). Chapter 12 ‐ Fossil Energy. In: Global Energy Assessment  ‐ Toward a Sustainable Future.Cambridge University Press, Cambridge, UK and New York, NY, USA  and the International Institute for Applied Systems Analysis, Vienna, Austria pp.901–992(ISBN:  9780521182935).  Lauk C., H. Haberl, K.H. Erb, S. Gingrich, and F. Krausmann (2012). Global socioeconomic carbon  stocks and carbon sequestration in long‐lived products 1900‐2008, Environmental Research Letters  in review.  Leimbach M., N. Bauer, L. Baumstark, M. Lüken, and O. Edenhofer (2010). Technological change  and international trade ‐ Insights from REMIND‐R, Energy Journal 31 109–136 pp. . Available at:  http://www.scopus.com/inward/record.url?eid=2‐s2.0‐ 77749319292&partnerID=40&md5=46ee4d8b8d59affbc9a55eed04e01a98.  Lenzen M. (2001). Errors in conventional and input‐output‐based life‐cycle inventories, Journal of  Industrial Ecology 4 127–148 pp. .  Lenzen M. (2008). Life cycle energy and greenhouse gas emissions of nuclear energy: A review,  Energy Conversion and Management 49 2178–2199 pp. (DOI: 10.1016/j.enconman.2008.01.033),  (ISSN: 0196‐8904).  Lenzen M., C. Dey, and B. Foran (2004). Energy requirements of Sydney households, Ecol. Econ. 49  375–399 pp. .  Lenzen M., K. Kanemoto, D. Moran, and A. Geschke (2012). Mapping the Structure of the World  Economy, Environmental Science & Technology 46 8374–8381 pp. (DOI: 10.1021/es300171x), (ISSN:  0013‐936X, 1520‐5851).  Lenzen M., and R. Schaeffer (2004). Environmental and social accounting for Brazil, Environ. Resour.  Econ. 27 201–226 pp. .  Leontief W.W. (1936). Quantitative input and output relations in the economic system of the United  States, Rev. Econ. Stat. 18 105–125 pp. . 

   

74 of 83 

        

Final Draft                                                               Annex II                                                         IPCC WGIII AR5   Leontief W. (1971). Environment and Economic Structure, Analyse Et Prevision 11 253–276 pp.  (ISSN: 0003‐262X).  Levasseur A., P. Lesage, M. Margni, and R. Samson (2013). Biogenic Carbon and Temporary Storage  Addressed with Dynamic Life Cycle Assessment, Journal of Industrial Ecology 17 117–128 pp. .  Available at: http://www.scopus.com/inward/record.url?eid=2‐s2.0‐ 84874199501&partnerID=40&md5=d470cafd3464b3f6f106874f33f15219.  Lightfoot H.D. (2007). Understand the three different scales for measuring primary energy and avoid  errors, Energy 32 1478–1483 pp. . Available at:  http://www.sciencedirect.com/science/article/B6V2S‐4MD9G1P‐ 1/2/114802d4f6e2f08d52271f165e9838c8.  Lim J.‐S., and Y.‐G. Kim (2012). Combining carbon tax and R&D subsidy for climate change  mitigation, The Asia Modeling Exercise: Exploring the Role of Asia in Mitigating Climate Change 34,  Supplement 3 S496–S502 pp. (DOI: 10.1016/j.eneco.2012.04.012), (ISSN: 0140‐9883).  Liu G., C.E. Bangs, and D.B. Müller (2011). Unearthing Potentials for Decarbonizing the U.S.  Aluminum Cycle, Environ. Sci. Technol. 45 9515–9522 pp. (DOI: 10.1021/es202211w), (ISSN: 0013‐ 936X).  Liu G., C.E. Bangs, and D.B. Müller (2012). Stock dynamics and emission pathways of the global  aluminium cycle, Nature Climate Change Advance online publication (DOI: 10.1038/nclimate1698),  (ISSN: 1758‐678X).  Loulou R., M. Labriet, and A. Kanudia (2009). Deterministic and stochastic analysis of alternative  climate targets under differentiated cooperation regimes, International, U.S. and E.U. Climate  Change Control Scenarios: Results from EMF 22 31, Supplement 2 S131–S143 pp. (DOI:  10.1016/j.eneco.2009.06.012), (ISSN: 0140‐9883).  Lucas P.L., P.R. Shukla, W. Chen, B.J. van Ruijven, S. Dhar, M.G.J. den Elzen, and D.P. van Vuuren  (2013). Implications of the international reduction pledges on long‐term energy system changes and  costs in China and India, Energy Policy 63 1032–1041 pp. . Available at:  http://www.scopus.com/inward/record.url?eid=2‐s2.0‐ 84887193120&partnerID=40&md5=f9a22599b485aaea7ef2adcf7a49fc40.  Luderer G., C. Bertram, K. Calvin, E. De Cian, and E. Kriegler (2014). Implications of weak near‐term  climate policies on long‐term mitigation pathways, Climatic Change In Press (DOI: 10.1007/s10584‐ 013‐0899‐9).  Luderer G., V. Bosetti, M. Jakob, M. Leimbach, J. Steckel, H. Waisman, and O. Edenhofer (2012a).  The economics of decarbonizing the energy system—results and insights from the RECIPE model  intercomparison, Climatic Change 114 9–37 pp. (DOI: 10.1007/s10584‐011‐0105‐x), (ISSN: 0165‐ 0009).  Luderer G., R.C. Pietzcker, E. Kriegler, M. Haller, and N. Bauer (2012b). Asia’s role in mitigating  climate change: A technology and sector specific analysis with ReMIND‐R, The Asia Modeling  Exercise: Exploring the Role of Asia in Mitigating Climate Change 34, Supplement 3 S378–S390 pp.  (DOI: 10.1016/j.eneco.2012.07.022), (ISSN: 0140‐9883).  Macknick J. (2011). Energy and CO2 emission data uncertainties, Carbon Management 2 189–205  pp. . Available at: http://www.scopus.com/inward/record.url?eid=2‐s2.0‐ 79953867230&partnerID=40&md5=7793140e0323c1ea5744cad771eaee8f.      75 of 83          

Final Draft                                                               Annex II                                                         IPCC WGIII AR5   Maeck A., T. DelSontro, D.F. McGinnis, H. Fischer, S. Flury, M. Schmidt, P. Fietzek, and A. Lorke  (2013). Sediment Trapping by Dams Creates Methane Emission Hot Spots, Environmental Science &  Technology (DOI: 10.1021/es4003907), (ISSN: 0013‐936X).  Majeau‐Bettez G., A.H. Strømman, and E.G. Hertwich (2011). Evaluation of process‐ and input‐ output‐based life cycle inventory data with regard to truncation and aggregation issues,  Environmental Science and Technology 45 10170–10177 pp. . Available at:  http://www.scopus.com/inward/record.url?eid=2‐s2.0‐ 82355163550&partnerID=40&md5=1cb40992c4005fed9387ffaaeabcb7f1.  Marangoni G., and M. Tavoni (2014). The clean energy R&D strategy for 2°C, Climate Change  Economics In Press.  Marcucci A., and H. Turton (2013). Induced technological change in moderate and fragmented  climate change mitigation regimes. . Available at: http://www.scopus.com/inward/record.url?eid=2‐ s2.0‐84888789970&partnerID=40&md5=0d21a48e4bb6e57cb0c95d68934a01ae.  Martinez‐Alier J. (1987). Ecological Economics. Energy, Environment and Society. Blackwell, Oxford,  UK.  Martinot E., C. Dienst, L. Weiliang, and C. Qimin (2007). Renewable Energy Futures: Targets,  Scenarios, and Pathways, Annual Review of Environment and Resources 32 205–239 pp. (DOI:  10.1146/annurev.energy.32.080106.133554).  Massetti E., and M. Tavoni (2012). A developing Asia emission trading scheme (Asia ETS), The Asia  Modeling Exercise: Exploring the Role of Asia in Mitigating Climate Change 34, Supplement 3 S436– S443 pp. (DOI: 10.1016/j.eneco.2012.02.005), (ISSN: 0140‐9883).  Matsuo Y., R. Komiyama, Y. Nagatomi, S. Suehiro, Z. Shen, Y. Morita, and K. Ito. Energy Supply and  Demand Analysis for Asia and the World towards Low‐Carbon Society in 2050, J. Jpn. Soc. Energy and  Resources 32 1–8 pp. .  McCollum D.L., V. Krey, P. Kolp, Y. Nagai, and K. Riahi (2014). Transport electrification:  a key  element for energy system transformation and climate stabilization, Climatic Change In Press (DOI:  DOI 10.1007/s10584‐013‐0969‐z).  Meier A. (1983). The cost of conserved energy as an investment statistic, Heating, Piping, and Air  Conditioning 55 73–77 pp. .  Meinshausen M., N. Meinshausen, W. Hare, S.C.B. Raper, K. Frieler, R. Knutti, D.J. Frame, and M.R.  Allen (2009). Greenhouse‐gas emission targets for limiting global warming to 2 degrees C, Nature  458 1158–1162 pp. (DOI: 10.1038/nature08017), (ISSN: 1476‐4687).  Meinshausen M., S.C.B. Raper, and T.M.L. Wigley (2011a). Emulating coupled atmosphere‐ocean  and carbon cycle models with a simpler model, MAGICC6 – Part 1: Model description and calibration,  Atmospheric Chemistry and Physics 11 1417–1456 pp. (DOI: 10.5194/acp‐11‐1417‐2011).  Meinshausen M., T.M.L. Wigley, and S.C.B. Raper (2011b). Emulating atmosphere‐ocean and  carbon cycle models with a simpler model, MAGICC6 – Part 2: Applications, Atmos. Chem. Phys. 11  1457–1471 pp. (DOI: 10.5194/acp‐11‐1457‐2011), (ISSN: 1680‐7324). 

   

76 of 83 

        

Final Draft                                                               Annex II                                                         IPCC WGIII AR5   Melaina M., and K. Webster (2011). Role of Fuel Carbon Intensity in Achieving 2050 Greenhouse  Gas Reduction   Goals within the Light‐Duty Vehicle Sector, Environmental Science & Technology 45  3865–3871 pp. (DOI: 10.1021/es1037707), (ISSN: 0013‐936X).  Mi R., H. Ahammad, N. Hitchins, and E. Heyhoe (2012). Development and deployment of clean  electricity technologies in Asia: A multi‐scenario analysis using GTEM, The Asia Modeling Exercise:  Exploring the Role of Asia in Mitigating Climate Change 34, Supplement 3 S399–S409 pp. (DOI:  10.1016/j.eneco.2012.06.001), (ISSN: 0140‐9883).  Milford R.L., S. Pauliuk, J.M. Allwood, and D.B. Müller (2013). The roles of energy and material  efficiency in meeting steel industry CO2 targets, Environmental Science and Technology 47 3455– 3462 pp. . Available at: http://www.scopus.com/inward/record.url?eid=2‐s2.0‐ 84875802015&partnerID=40&md5=6a22fc91a0743821b7347fdfcbae46d1.  Miller R.E., and P.D. Blair (1985). Input‐Output Analysis: Foundations and Extensions. Prentice‐Hall,  Englewood Cliffs, NJ.  Mills A., and R. Wiser (2012). Changes in the Economic Value of Variable Generation at High  Penetration Levels: A Pilot case Study of California. Lawrence Berkeley National Laboratory.  Minx J.C., T. Wiedmann, R. Wood, G.P. Peters, M. Lenzen, A. Owen, K. Scott, J. Barrett, K. Hubacek,  G. Baiocchi, A. Paul, E. Dawkins, J. Briggs, D. Guan, S. Suh, and F. Ackerman (2009). INPUT‐OUTPUT  ANALYSIS AND CARBON FOOTPRINTING: AN OVERVIEW OF APPLICATIONS, Economic Systems  Research 21 187–216 pp. (DOI: 10.1080/09535310903541298), (ISSN: 0953‐5314).  Moomaw W., P. Burgherr, G. Heath, M. Lenzen, J. Nyboer, and A. Verbruggen (2011). Annex II:  Methodology. In: IPCC Special Report on Renewable Energy Sources and Climate Change Mitigation  [O. Edenhofer, R. Pichs‐Madruga, Y. Sokona, K. Seyboth, P. Matschoss, S. Kadner, T. Zwickel, P.  Eickemeier, G. Hansen, S. Schlömer, C. von Stechow (eds)]. Cambridge University Press, Cambridge.  Moreau V., G. Bage, D. Marcotte, and R. Samson (2012). Statistical estimation of missing data in life  cycle inventory: An application to hydroelectric power plants, Journal of Cleaner Production 37 335– 341 pp. . Available at: http://www.scopus.com/inward/record.url?eid=2‐s2.0‐ 84865503922&partnerID=40&md5=4a89e45537cd7462aab73b80c1a42d46.  Mori S. (2012). An assessment of the potentials of nuclear power and carbon capture and storage in  the long‐term global warming mitigation options based on Asian Modeling Exercise scenarios, The  Asia Modeling Exercise: Exploring the Role of Asia in Mitigating Climate Change 34, Supplement 3  S421–S428 pp. (DOI: 10.1016/j.eneco.2012.03.017), (ISSN: 0140‐9883).  Morita T., J. Robinson, A. Adegbulugbe, J. Alcamo, D. Herbert, E. Lebre la Rovere, N. Nakicenivic, H.  Pitcher, P. Raskin, K. Riahi, A. Sankovski, V. Solkolov, B. de Vries, and D. Zhou (2001). Greenhouse  gas emission mitigation scenarios and implications. In: Climate Change 2001: Mitigation;  Contribution of Working Group III to the Third Assessment Report of the IPCC [Metz B., O. Davidson,  R. Swart, J. Pan (eds)]. Cambridge University Press, Cambridge pp.115–166(ISBN: ISBN 0‐521‐01502‐ 2).  Müller D.B. (2006). Stock dynamics for forecasting material flows‐‐Case study for housing in The  Netherlands, Ecological Economics 59 142–156 pp. (ISSN: 0921‐8009).  Müller D.B., T. Wang, B. Duval, and T.E. Graedel (2006). Exploring the engine of anthropogenic iron  cycles, Proceedings of the National Academy of Sciences 103 16111 –16116 pp. (DOI:  10.1073/pnas.0603375103).      77 of 83          

Final Draft                                                               Annex II                                                         IPCC WGIII AR5   Nakamura S., and Y. Kondo (2001). Input‐Output Analysis of Waste Management, J. Ind. Ecol. 6 39– 64 pp. .  Nakamura S., K. Nakajima, Y. Kondo, and T. Nagasaka (2007). The waste input‐output approach to  materials flow analysis ‐ Concepts and application to base metals, Journal of Industrial Ecology 11  50–63 pp. (ISSN: 1088‐1980).  Nakicenovic N., A. Grubler, and A. McDonald (1998). Global Energy Perspectives. Cambridge  University Press, Cambridge.  Nakicenovic N., and R. Swart (2000). IPCC Special Report on Emissions Scenarios. Cambridge  University Press, Cambridge.  NAS (2007). Coal: Research and Development to Support National Energy Policy (Committee on Coal  Research and Technology and National Research Council, Eds.). The National Academies Press, (ISBN:  9780309110228). .  NETL (2010a). Cost and Performance Baseline for Fossil Energy Plants‐Volume 1: Bituminous Coal and  Natural Gas to Electricity‐Revision 2. National Energy Technology Laboratory, Pittsburgh PA.  NETL (2010b). Life Cycle Analysis: Existing Pulverized Coal (EXPC) Power Plant. National Energy  Technology Laboratory, Pittsburgh PA.  NETL (2010c). Life Cycle Analysis: Supercritical Pulverzied Coal (SCPC) Power Plant. National Energy  Technology Laboratory, Pittsburgh PA.  NETL (2010d). Life Cycle Analysis: Integrated Gasification Combined Cycle (IGCC) Power Plant.  National Energy Technology Laboratory, Pittsburgh PA.  NETL (2010e). Life Cycle Analysis: Natural Gas Combined Cycle (NGCC) Power Plant. National Energy  Technology Laboratory, Pittsburgh PA.  Nordhaus W. (2007). Alternative measures of output in global economic‐environmental models:  Purchasing power parity or market exchange rates?, Energy Economics 29 349–372 pp. . Available at:  http://www.scopus.com/inward/record.url?eid=2‐s2.0‐ 33947137646&partnerID=40&md5=183a688092feb714400282074431c712.  Norris G.A. (2002). Life cycle emission distributions within the economy: Implications for life cycle  impact assessment, Risk Analysis 22 919–930 pp. .  O’Neill B.C., X. Ren, L. Jiang, and M. Dalton (2012). The effect of urbanization on energy use in India  and China in the iPETS model, The Asia Modeling Exercise: Exploring the Role of Asia in Mitigating  Climate Change 34, Supplement 3 S339–S345 pp. (DOI: 10.1016/j.eneco.2012.04.004), (ISSN: 0140‐ 9883).  Parker R.P.M., G.P. Harrison, and J.P. Chick (2007). Energy and carbon audit of an offshore wave  energy converter, Proceedings of the Institution of Mechanical Engineers, Part A: Journal of Power  and Energy 221 1119–1130 pp. . Available at: http://www.scopus.com/inward/record.url?eid=2‐ s2.0‐38549181167&partnerID=40&md5=1fb2d29aeddeb1645bef4e0451179e38.  Pauliuk S., N.M.A. Dhaniati, and D. Müller (2011). Reconciling Sectoral Abatement Strategies with  Global Climate Targets: The Case of the Chinese Passenger Vehicle Fleet, Environ. Sci. Technol. (DOI:  10.1021/es201799k), (ISSN: 0013‐936X).      78 of 83          

Final Draft                                                               Annex II                                                         IPCC WGIII AR5   Pauliuk S., R.L. Milford, D.B. Müller, and J.M. Allwood (2013a). The Steel Scrap Age, Environmental  Science & Technology 47 3448–3454 pp. (DOI: 10.1021/es303149z), (ISSN: 0013‐936X).  Pauliuk S., K. Sjöstrand, and D.B. Müller (2013b). Transforming the dwelling stock to reach the 2°C  climate target – combining MFA and LCA models for a case study on Norway, Journal of Industrial  Ecology In press.  Peters G.P. (2010). Carbon footprints and embodied carbon at multiple scales, Current Opinion in  Environmental Sustainability 2 245–250 pp. (DOI: 10.1016/j.cosust.2010.05.004), (ISSN: 1877‐3435).  Peters G.P., B. Aamaas, M. T. Lund, C. Solli, and J.S. Fuglestvedt (2011a). Alternative ‘Global  Warming’ Metrics in Life Cycle Assessment: A Case Study with Existing Transportation Data,  Environmental Science & Technology 45 8633–8641 pp. (DOI: 10.1021/es200627s), (ISSN: 0013‐936X,  1520‐5851).  Peters G.P., and E.G. Hertwich (2008). CO2 embodied in international trade with implications for  global climate policy, Environmental Science and Technology 42 1401–1407 pp. . Available at:  http://www.scopus.com/inward/record.url?eid=2‐s2.0‐ 40949115484&partnerID=40&md5=0c172cd49688d0a0aa50b7d5338b7f99.  Peters G.P., J.C. Minx, C.L. Weber, and O. Edenhofer (2011b). Growth in emission transfers via  international trade from 1990 to 2008, Proceedings of the National Academy of Sciences of the  United States of America 108 8903–8908 pp. (DOI: 10.1073/pnas.1006388108).  Prinn R., S. Paltsev, A. Sokolov, M. Sarofim, J. Reilly, and H. Jacoby (2011). Scenarios with MIT  integrated global systems model: Significant global warming regardless of different approaches,  Climatic Change 104 515–537 pp. . Available at: http://www.scopus.com/inward/record.url?eid=2‐ s2.0‐78651428392&partnerID=40&md5=6ea60de89d7aafbc93355a1b50737e9f.  Raadal H.L., L. Gagnon, I.S. Modahl, and O.J. Hanssen (2011). Life cycle greenhouse gas (GHG)  emissions from the generation of wind and hydro power, Renewable and Sustainable Energy  Reviews 15 3417–3422 pp. . Available at: http://www.scopus.com/inward/record.url?eid=2‐s2.0‐ 79960352673&partnerID=40&md5=d962849795cef588b16a9e8e0c92514b.  Riahi K., F. Dentener, D. Gielen, A. Grubler, J. Jewell, Z. Klimont, V. Krey, D. McCollum, S. Pachauri,  S. Rao, B. van Ruijven, D.P. van Vuuren, and C. Wilson (2012). Chapter 17 ‐ Energy Pathways for  Sustainable Development. In: Global Energy Assessment ‐ Toward a Sustainable Future.Cambridge  University Press, Cambridge, UK and New York, NY, USA and the International Institute for Applied  Systems Analysis, Laxenburg, Austria pp.1203–1306(ISBN: 9781 10700 5198 hardback 9780 52118  2935 paperback).  Riahi K., E. Kriegler, N. Johnson, C. Bertram, M. Den Elzen, J. Eom, M. Schaeffer, J. Edmonds, and et  al. (2014). Locked into Copenhagen Pledges ‐ Implications of short‐term emission targets for the cost  and feasibility of long‐term climate goals, Accepted for publication in Technological Forecasting and  Social Change (DOI: 10.1016/j.techfore.2013.09.016).  Riahi K., S. Rao, V. Krey, C. Cho, V. Chirkov, G. Fischer, G. Kindermann, N. Nakicenovic, and P. Rafaj  (2011). RCP 8.5—A scenario of comparatively high greenhouse gas emissions, Climatic Change 109  33–57 pp. (DOI: 10.1007/s10584‐011‐0149‐y), (ISSN: 0165‐0009, 1573‐1480).  Rubin E.S. (2012). Understanding the pitfalls of CCS cost estimates., International Journal of  Greenhouse Gas Control 10 181–190 pp. . 

   

79 of 83 

        

Final Draft                                                               Annex II                                                         IPCC WGIII AR5   Van Ruijven B.J., D.P. van Vuuren, J. van Vliet, A. Mendoza Beltran, S. Deetman, and M.G.J. den  Elzen (2012). Implications of greenhouse gas emission mitigation scenarios for the main Asian  regions, The Asia Modeling Exercise: Exploring the Role of Asia in Mitigating Climate Change 34,  Supplement 3 S459–S469 pp. (DOI: 10.1016/j.eneco.2012.03.013), (ISSN: 0140‐9883).  Sands R., H. Förster, C. Jones, and K. Schumacher (2014). Bio‐electricity and land use in the Future  Agricultural Resources Model (FARM), Climatic Change In Press (DOI: 10.1007/s10584‐013‐0943‐9).  Sano F., K. Wada, K. Akimoto, and J. Oda (2014). Assessments of GHG emission reduction scenarios  of different levels and different short‐term pledges through macro‐ and sectoral decomposition  analyses, Technological Forecasting and Social Change In Press . Available at:  http://www.scopus.com/inward/record.url?eid=2‐s2.0‐ 84887812588&partnerID=40&md5=23b8251f9d87e5951714396d1543a42c.  Sathaye J., O. Lucon, A. Rahman, J. Christensen, F. Denton, J. Fujino, G. Heath, S. Kadner, M. Mirza,  H. Rudnick, A. Schlaepfer, and A. Shmakin (2011). Renewable Energy in the Context of Sustainable  Development. In: IPCC Special Report on Renewable Energy Sources and Climate Change Mitigation  [O. Edenhofer, R. Pichs‐Madruga, Y. Sokona, K. Seyboth, P. Matschoss, S. Kadner, T. Zwickel, P.  Eickemeier, G. Hansen, S. Schlömer, C. von Stechow (eds)]. Cambridge University Press, Cambridge,  United Kingdom and New York, NY, USA.  Schaeffer M., L. Gohar, E. Kriegler, J. Lowe, K. Riahi, and D. Van Vuuren (2013). Mid‐ and long‐term  climate projections for fragmented and delayed‐action scenarios, Accepted for publication in  Technological Forecasting and Social Change In press.  Schimel D., D. Alves, I. Enting, M. Heimann, R. Joos, D. Raynaud, T. Wigley, M. Prather, R. Derwent,  D. Ehhalt, R. Eraser, E. Sanhueza, X. Zhou, R. Jonas, R. Charlson, H. Rohde, S. Sadasivan, K.R. Shine,  Y. Fouquart, V. Ramaswamy, S. Solomon, and J. Srinivasan (1996). Radiative forcing of climate  change. In: Climate Change 1995: The Science of Clímate Change [J.T. Houghton, L.G. Meira Filho,  B.A. Callander, N. Harris, A. Kattenberg and K. Maskell (eds)]. Cambride University Press, Cambridge  pp.65–131.  Short W., D.J. Packey, and T. Holt (1995). A Manual for the Economic Evaluation of Energy Efficiency  and Renewable Energy Technologies. NREL.  Singh B., A.H. Strømman, and E.G. Hertwich (2011a). Comparative life cycle environmental  assessment of CCS technologies, International Journal of Greenhouse Gas Control 5 911–921 pp. .  Available at: http://www.scopus.com/inward/record.url?eid=2‐s2.0‐ 80051468840&partnerID=40&md5=68c13b569bcd51229ab877907b8a55d9.  Singh B., A.H. Strømman, and E.G. Hertwich (2011b). Life cycle assessment of natural gas combined  cycle power plant with post‐combustion carbon capture, transport and storage, International Journal  of Greenhouse Gas Control 5 457–466 pp. (DOI: 10.1016/j.ijggc.2010.03.006), (ISSN: 1750‐5836).  Sorrell S., and J. Dimitropoulos (2008). The rebound effect: Microeconomic definitions, limitations  and extensions, Ecological Economics 65 636–649 pp. (DOI: 10.1016/j.ecolecon.2007.08.013), (ISSN:  0921‐8009).  Stromman A.H., E.G. Hertwich, and F. Duchin (2009). Shifting Trade Patterns as a Means of  Reducing Global Carbon Dioxide Emissions, Journal of Industrial Ecology 13 38–57 pp. (DOI:  10.1111/j.1530‐9290.2008.00084.x), (ISSN: 1088‐1980). 

   

80 of 83 

        

Final Draft                                                               Annex II                                                         IPCC WGIII AR5   Suerkemper F., S. Thomas, D. Osso, and P. Baudry (2011). Cost‐effectiveness of energy efficiency  programmes‐evaluating the impacts of a regional programme in France, Energy Efficiency 5 121–135  pp. . Available at: http://www.scopus.com/inward/record.url?eid=2‐s2.0‐ 84355162322&partnerID=40&md5=c43d9c4972bdb358a4df0fec8f84251f.  Suh S., M. Lenzen, G.J. Treloar, H. Hondo, A. Horvath, G. Huppes, O. Jolliet, U. Klann, W. Krewitt, Y.  Moriguchi, J. Munksgaard, and G. Norris (2004). System Boundary Selection in Life‐Cycle Inventories  Using Hybrid Approaches, Environ. Sci. Technol. 38 657 –664 pp. .  Takase K., Y. Kondo, and A. Washizu (2005). An analysis of sustainable consumption by the waste  input‐output model, Journal of Industrial Ecology 9 201–220 pp. .  Tavoni M., E. Kriegler, T. Aboumahboub, K. Calvin, G. DeMaere, T. Kober, J. Jewell, P. Lucas, G.  Luderer, D. McCollum, and et al. (2014). The distribution of the major economies’ effort in the  Durban platform scenarios, Accepted for publication in Climate Change Economics In press.  Treloar G. (1996). Extracting embodied energy paths from input‐output tables: towards an input‐ output‐based hybrid energy analysis method, Econ. Systems Res. 9 375–391 pp. .  Tukker A., A. de Koning, R. Wood, T. Hawkins, S. Lutter, J. Acosta, J.M. Rueda Cantuche, M.  Bouwmeester, J. Oosterhaven, T. Drosdowski, and J. Kuenen (2013). EXIOPOL ‐ development and  illustrative analyses of detailed global multiregional, environmentally extended supply and use  tables and symmetric input‐output tables, Economic Systems Research 25 in press pp. (DOI:  10.1080/09535314.2012.761953).  Turkenburg W.C., D. Arent, R. Bertani, A. Faaij, M. Hand, W. Krewitt, E.D. Larson, J. Lund, M.  Mehos, T. Merrigan, C. Mitchell, J.R. Moreira, W. Sinke, V. Sonntag‐O’Brien, B. Thresher, W. van  Sark, and E. Usher (2012). Chapter 11 ‐ Renewable Energy. In: Global Energy Assessment ‐ Toward a  Sustainable Future.Cambridge University Press, Cambridge, UK and New York, NY, USA and the  International Institute for Applied Systems Analysis, Vienna, Austria pp.761–900(ISBN:  9780521182935).  Turner K., M. Lenzen, T. Wiedmann, and J. Barrett (2007). Examining the global environmental  impact of regional consumption activities ‐ Part 1: A technical note on combining input‐output and  ecological footprint analysis, Ecological Economics 62 37–44 pp. (DOI:  10.1016/j.ecolecon.2006.12.002), (ISSN: 0921‐8009).  UN Statistics (2010). Energy Balances and Electricity Profiles ‐ Concepts and definitions. . Available  at: http://unstats.un.org/unsd/energy/balance/concepts.htm.  UNEP (2012). Global Trends in Renewable Energy Investment 2012. UNEP, Frankfurt School of  Finance and Management, Bloomberg New Energy Finance. . Available at: http://fs‐unep‐ centre.org/sites/default/files/publications/globaltrendsreport2012final.pdf.  Ürge‐Vorsatz D. (1996). Exploring US residential and commercial electricity conservation potentials:  analysis of the lighting sector. University of California, Los Angeles, CA.  Ürge‐Vorsatz (D.), K. Petrichenko, M. Antal, M. Staniec, M. Labelle, E. Ozden, and E. Labzina  (2012). Best Practice Policies for Low Energy and Carbon Buildings. A Scenario Analysis. Research  Report Prepared by the Center for Climate Change and Sustainable Policy (3CSEP) for the Global Best  Practice Network for Buildings. Central European University (CEU) and Global Buildings Performance  Network. 

   

81 of 83 

        

Final Draft                                                               Annex II                                                         IPCC WGIII AR5   Viebahn P., Y. Lechon, and F. Trieb (2011). The potential role of concentrated solar power (CSP) in  Africa and Europe‐A dynamic assessment of technology development, cost development and life  cycle inventories until 2050, Energy Policy 39 4420–4430 pp. .  Vitousek P.M., P.R. Ehrlich, A.H. Ehrlich, and P.A. Matson (1986). Human Appropriation of the  Products of Photosynthesis, Bioscience 36 363–373 pp. .  Vizcarra A.T., K.V. Lo, and P.H. Liao (1994). A life‐cycle inventory of baby diapers subject to canadian  conditions, Environmental Toxicology And Chemistry 13 1707–1716 pp. (ISSN: 0730‐7268).  Van Vliet J., M.G.J. den Elzen, and D.P. van Vuuren (2009). Meeting radiative forcing targets under  delayed participation, International, U.S. and E.U. Climate Change Control Scenarios: Results from  EMF 22 31, Supplement 2 S152–S162 pp. (DOI: 10.1016/j.eneco.2009.06.010), (ISSN: 0140‐9883).  Van Vliet J., A. Hof, A. Mendoza Beltran, M. van den Berg, S. Deetman, M.G.J. den Elzen, P. Lucas,  and D.P. van Vuuren (2014). The impact of technology availability on the timing and costs of  emission reductions for achieving long‐term climate targets, Climatic Change In Press (DOI:  10.1007/s10584‐013‐0961‐7).  Van Vliet O., V. Krey, D. McCollum, S. Pachauri, Y. Nagai, S. Rao, and K. Riahi (2012). Synergies in  the Asian energy system: Climate change, energy security, energy access and air pollution, The Asia  Modeling Exercise: Exploring the Role of Asia in Mitigating Climate Change 34, Supplement 3 S470– S480 pp. (DOI: 10.1016/j.eneco.2012.02.001), (ISSN: 0140‐9883).  Wada K., F. Sano, K. Akimoto, and T. Homma (2012). Assessment of Copenhagen pledges with long‐ term implications, Energy Economics 34 S481–S486 pp. . Available at:  http://www.scopus.com/inward/record.url?eid=2‐s2.0‐ 84870484157&partnerID=40&md5=2db6298e7ad1ef4726ca55dc695ad34e.  Walker S., and R. Howell (2011). Life cycle comparison of a wave and tidal energy device,  Proceedings of the Institution of Mechanical Engineers Part M: Journal of Engineering for the  Maritime Environment 225 325–327 pp. . Available at:  http://www.scopus.com/inward/record.url?eid=2‐s2.0‐ 81455141794&partnerID=40&md5=a8990dcc3ee5a19737bf080f4f2c9af2.  Warner E.S., and G.A. Heath (2012). Life Cycle Greenhouse Gas Emissions of Nuclear Electricity  Generation: Systematic Review and Harmonization, Journal of Industrial Ecology 16 S73–S92 pp. .  Available at: http://www.scopus.com/inward/record.url?eid=2‐s2.0‐ 84860511260&partnerID=40&md5=e264b5b846e81aa31b93c48860b7d98b.  WEC (1993). Energy for Tomorrow’s World. WEC Commission Global Report. London, UK.  WEC (2011). Global Transport Scenarios 2050. Wolrd Energy Council, London. . Available at:  http://www.worldenergy.org/documents/wec_transport_scenarios_2050.pdf.  Weisz H., F. Krausmann, C. Amann, N. Eisenmenger, K.‐H. Erb, K. Hubacek, and M. Fischer‐Kowalski  (2006). The physical economy of the European Union: Cross‐country comparison and determinants  of material consumption, Ecological Economics 58 676–698 pp. (DOI: 16/j.ecolecon.2005.08.016),  (ISSN: 0921‐8009).  Whitaker M.B., G.A. Heath, J.J. Burkhardt, and C.S. Turchi (2013). Life Cycle Assessment of a Power  Tower Concentrating Solar Plant and the Impacts of Key Design Alternatives, Environmental Science  & Technology 47 5896–5903 pp. (DOI: 10.1021/es400821x), (ISSN: 0013‐936X).      82 of 83          

Final Draft                                                               Annex II                                                         IPCC WGIII AR5   Wiedmann T., and J. Minx (2008). A Definition of ‘carbon footprint’. In: Ecological Economics  Research Trends. Nova Sci., New York pp.1–11(ISBN: 1‐60021‐941‐1).  Wiedmann T., H.C. Wilting, M. Lenzen, S. Lutter, and V. Palm (2011). Quo Vadis MRIO?  Methodological, data and institutional requirements for multi‐region input–output analysis, Special  Section ‐ Earth System Governance: Accountability and Legitimacy 70 1937–1945 pp. (DOI:  10.1016/j.ecolecon.2011.06.014), (ISSN: 0921‐8009).  Wiedmann T., R. Wood, J.C. Minx, M. Lenzen, D.B. Guan, and R. Harris (2010). A Carbon Footprint  Time Series of the UK ‐ Results from a Multi‐Region Input‐Output Model, Economic Systems Research  22 19–42 pp. (DOI: 10.1080/09535311003612591), (ISSN: 0953‐5314).  Williams E.D., C.L. Weber, and T.R. Hawkins (2009). Hybrid framework for managing uncertainty in  life cycle inventories, Journal of Industrial Ecology 13 928–944 pp. .  Wolman A. (1965). The metabolism of cities, Scientific American 213 179–190 pp. . Available at:  http://www.scopus.com/inward/record.url?eid=2‐s2.0‐ 70449549269&partnerID=40&md5=cd23f61024e88a5d946f262dd376088b.  Woollcombe‐Adams C., M. Watson, and T. Shaw (2009). Severn Barrage tidal power project:  implications for carbon emissions, Water and Environment Journal 23 63–68 pp. (DOI:  10.1111/j.1747‐6593.2008.00124.x), (ISSN: 1747‐6593).  World Bank (2013). World Development Indicators (WDI) Database. World Bank, Washington, DC. .  Available at: http://data.worldbank.org/data‐catalog/world‐development‐indicators.  Wright D.H. (1990). Human Impacts on Energy Flow through Natural Ecosystems, and Implications  for Species Endangerment, Ambio 19 189–194 pp. (ISSN: 0044‐7447).  WWF/Ecofys/OMA (2011). The Energy Report ‐ 100% Renewable Energy by 2050. World Wildlife  Fund, Gland. 256 pp. Available at: http://www.ecofys.com/files/files/ecofys‐wwf‐2011‐the‐energy‐ report.pdf.  Wyckoff A.W., and J.M. Roop (1994). The Embodiment of Carbon in Imports of Manufactured  Products ‐ Implications for International Agreements on Greenhouse‐Gas Emissions, Energy Policy 22  187–194 pp. .  Xu M., B. Allenby, and W.Q. Chen (2009). Energy and Air Emissions Embodied in China‐US Trade:  Eastbound Assessment Using Adjusted Bilateral Trade Data, Environmental Science & Technology 43  3378–3384 pp. (DOI: 10.1021/es803142v), (ISSN: 0013‐936X).  Yamamoto H., M. Sugiyama, and J. Tsutsui (2014). Role of end‐use technologies in long‐term GHG  reduction scenarios developed with the BET model, Climatic Change In Press (DOI: DOI  10.1007/s10584‐013‐0938‐6).  Zamagni A., J. Guinée, R. Heijungs, P. Masoni, and A. Raggi (2012). Lights and shadows in  consequential LCA, International Journal of Life Cycle Assessment 17 904–918 pp. .   

   

83 of 83