Electric vehicles — A ‘one-size-fits-all’ solution for emission reduction from transportation?
Notice bibliographique
Résumé
Electric vehicles are broadly considered to have a great potential for reducing emissions from transportation and are sometimes presented as a `one-size-fits-all' solution. A simulation study was performed to forecast least emitting options for single vehicles as well as for total light duty vehicle fleets in the Canadian provinces of Québec, Ontario and Alberta for the year 2025. The study used the Plug-in Electric Vehicle - Charge Impact Model (PEV-CIM), a software tool developed by Natural Resources Canada for evaluating the impact of PEVs on the electricity grid, on fuel costs, and on emissions. Simulation results from PEV-CIM indicate that battery electric vehicles (BEVs) and plug-in hybrid electric vehicles (PHEVS) offer a great potential to drastically reduce GHG emissions in the provinces of Québec and Ontario thanks to the low emission intensity of their electrical grids. However, the slow turnover of the light duty vehicle fleet limits the overall emission reduction of the provincial fleets for the year 2025 to only 5-12%. Power generation in the province of Alberta is dominated by the use of coal and natural gas. Its GHG emission intensity is higher than the threshold of 720 gCO <sub xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">2</sub> eq per kWh at which the emissions of BEVs and PHEVs are equal to those of hybrid electric vehicles (HEVs). For this province, HEVs will give the lowest emissions. Electric vehicles do reduce GHG emissions compared to gasoline vehicles. However, a `one-size-fits-all' does not exist as local conditions greatly influence which type of electric vehicle (HEV, PHEV, or BEV) is the best option. Besides, short term solutions may differ from those for the long term.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».