Smart urban mobility for mitigating carbon emissions, reducing health impacts and avoiding environmental damage costs
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
Significant global investments are being made into smart urban mobility technologies but there is limited evidence of the potential co-benefits for reducing carbon emissions, environmental pollutants and human health impacts at scale and over the long-term. We use conservative estimates of vehicle electrification and grid decarbonization to focus specifically on ICT (information and communication technology) interventions. In doing so, we develop a smart mobility framework focusing on more efficient road networks and driving behaviour enabled by rapid (ICT) deployment. Our scenarios suggest that a combination of ambitious policy measures aimed at smoothing traffic speeds as well as improving driver behaviour in urban areas could reduce carbon emissions for cars ~29% saving ~7 MtCO2 and for vans ~33% saving ~3 MtCO2 by 2050. Potential reductions in NOX and PM2.5 for cars are ~22% and vans ~10% and ~16% respectively. We use human toxicological classification of air pollution (HCA) to assess the potential damage on human health and our scenarios suggest an upper range of ~23% and ~30% reductions in HCA by 2050 for cars and vans respectively. Using conservative cost values, we estimate damage costs could be avoided from car emissions range from ~£42 - £130 million and vans ~£89 - £163 million per year. However, our baseline projections indicate that emissions and damage costs avoided from passenger cars could be partially offset by growing demand for urban van delivery and freight services that are currently outpacing improved fuel and emissions performance of the vehicle stock. This may reflect broader lifestyle and consumer trends towards on-line shopping, food and delivery services, which warrants further investigation.
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 | 0,001 | 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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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