Modelling the greenhouse gas emissions intensity of plug-in electric vehicles in Canada using short-term and long-term perspectives
Notice bibliographique
Résumé
Plug-in electric vehicles (PEVs) have the potential to achieve deep greenhouse gas (GHG) emission reductions. However, the magnitude of these reductions depends largely on the source(s) of electricity, which can vary regionally and over time, making it unclear how policymakers should regulate PEVs over the short and long-term. To contribute to this discussion, I model the short and long-term operational (source-to-wheels) greenhouse gas emissions intensity of PEVs in the Canadian provinces of British Columbia, Alberta, and Ontario. I use empirical data on vehicle preferences, driving patterns, and potential recharge access from the Canadian Plug-in Electric Vehicle Survey (n=1754) to construct a temporally explicit model of PEV usage and emissions over the short-term. Fleet-wide emissions intensity of PEVs varies substantially between the three regions studied, with the greatest reduction potential in British Columbia (78-99%), followed by Ontario (58-92%) and Alberta (34-41%) relative to conventional (gasoline) vehicles. I then model the potential long-term dynamics of technology, behaviour, and emissions with the CIMS energy-economy model under three policy scenarios. Emissions intensity of electricity decreases by at least one-third by 2050 even under current policies, with the deepest reductions in Alberta (64%). Consequently, by 2050, fleet average PEV emissions are 23-40% (BC), 51-68% (Alberta), and 25-40% (Ontario) below 2015 levels. Despite the large range of emissions intensities between regions and over time, PEVs offer substantial GHG emissions benefits compared to conventional vehicles. Therefore, policy makers should look to design policies that concurrently promote vehicle electrification and decarbonisation of the electricity supply to help achieve long-term mitigation targets.
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 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».