The Approach to Carbon Emission Quotas of Road Transportation: A Carbon Emission Intensity Perspective
Notice bibliographique
Résumé
Carbon trading is an effective measure for the road transportation to reduce energy consumption and carbon emissions. Carbon emission quotas are the primary concern to ensuring the efficiency of carbon trading. However, the existing studies have mostly focused on carbon emission quotas in different regions, i.e., countries and provinces. Few literature studies simulate carbon quota allocation in the road transportation. A novel approach from the perspective of carbon emission intensity of vehicle is proposed, on the basis of data envelopment analysis (DEA) model. Unlike other studies, the idea of allocation of baseline excitation is introduced and the intensity is included in the model as the baseline. Firstly, the Delphi method is employed to select input and output indicators. Secondly, carbon emission intensity is determined by the cumulative distribution function (CDF). Furthermore, the carbon emission quotas in road transportation in 30 provinces of China are used to validate the model. The results show that (1) the carbon emission intensity of commercial trucks and buses in China’s road transport industry is 75.04 g/t·km and 13.12 g/p·km, respectively; (2) the provinces of Shanghai, Guangdong, and Xinjiang have the greatest carbon reduction potential and Henan, Hunan, and Anhui have the largest increase in emission quotas; (3) compared with traditional “history responsibility” and “baseline” methods, the proposed approach increases allocation efficiency by 19% and 14%, respectively; and (4) the approach can make the carbon emission quotas play the role of incentive while taking fairness into account and can more effectively promote the implementation of carbon trading system in road transportation.
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 ».