How to slash greenhouse gas emissions in the freight sector: Policy insights from a technology-adoption model of Canada
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Freight or goods-movement transportation accounts for 6% of global greenhouse gas (GHG) emissions and 10% of emissions in our case study of Canada – mostly from heavy-duty trucks. Little research has explored the types of policies needed to achieve 2050 GHG mitigation goals in the land freight sector, i.e., 80% reductions from 2005 levels. We use a behaviourally-realistic technology-adoption model (CIMS-Freight) to simulate the GHG impacts of several climate policies, individually and in combinations, on the land freight sector (trucking and rail). Results indicate that current policies in Canada (including standards and carbon pricing) will not achieve GHG reduction targets for this sector – in fact, emissions continue to rise. Further, no individual policy has a high probability of achieving 2030 or 2050 GHG targets, including more stringent versions of the carbon tax, fuel efficiency standards, low-carbon fuel standard (LCFS), or a zero-emissions vehicle (ZEV) mandate for trucks. Finally, we identify several policy combinations that have a high probability of achieving 2050 goals, in particular a stringent ZEV mandate for trucks complemented by a stringent LCFS. While other effective policies and policy combinations are possible, Canada's present and proposed policies are not stringent enough to reach deep GHG 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.
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 | 0,000 |
| 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 découle