Analysis of the Environmental and Socio-economic Benefits of Introducing Cleaner Vehicles in China: Policy Implications
Notice bibliographique
Résumé
Along with its impressive economic growth China has experienced not only serious environmental pollution but also a very rapid increase in Green House Gas emissions and is now the largest emitter of CO2. Together with the power and steel sectors the transportation sector is the main contributor to CO2 emissions. In addition the transportation sector is also associated with air pollution and health damage. In order to address these challenges, at the COP15, the Chinese government set the target to decrease its CO2 emission per GDP by 40%-45% by 2020 compared with 2005 levels and increase non-fossil fuels rate at primary energy sector of 15%. The government has also put especial efforts to reduce air pollution through the Five Year Plans by introducing targets to reduce SO2, NOx, PM, among others. In order to determine the feasibility to reduce GHG emissions this research evaluates the potential of environmentally friendly motorized road vehicles (Hybrid Vehicle and Electric Vehicle). The research proposed 4 scenarios and designed social-economic model & environment model & automotive model based on Input-Out analysis. The results show that HV could be the most suitable option for promoting both GHG reduction and GDP increase with 1% GDP per GHG Emission (GpE) increase under 0.23 ton /Yuan carbon tax rate in China in the short term. The results of the study also show that these options should be followed by a transition to introduce EV in 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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 source (Gemma direct ou Codex distillé), 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 ».