Market diffusion of alternative fuels and powertrains in heavy-duty vehicles: A literature review
Notice bibliographique
Résumé
With about 22%, the transport sector is one of the largest global emitters of the greenhouse gas CO2. Long-distance road freight transport accounts for a large and rising share within this sector. For this reason, in February 2019, the European Union agreed to introduce CO2 emission standards following Canada, China, Japan and the United States. One way to reduce CO2 emissions from long-distance road freight transport is to use alternative powertrains in trucks — especially heavy-duty vehicles (HDV) because of their high mileage, weight and fuel consumption. Multiple alternative fuels and powertrains (AFPs) have been proposed as potential options to lower CO2 emissions. However, the current research does not paint a clear picture of the path towards decarbonizing transport that uses AFPs in HDVs. The aim of this literature review is to understand the current state of research on the market diffusion of HDVs with alternative powertrains. We present a summary of market diffusion studies of AFPs in HDVs, including their methods, main findings and policy recommendations. We compare and synthesize the results of these studies to identify strengths and weaknesses in the field, and to propose further options to improve AFP HDV market diffusion modelling. All the studies expect AFPs on a small scale in their reference scenarios under current regulations. In climate protection scenarios, however, AFPs dominate the market, indicating their positive effect on CO2 reduction. There is a high degree of uncertainty regarding the emergence of a superior AFP technology for HDVs. The authors of this review recommend more research into policy measures, and that infrastructure development and energy supply should be included in order to obtain a holistic understanding of modelling AFP market diffusion for HDVs.
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 | 0,002 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,006 | 0,011 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,004 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,001 |
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 ».