Simulating the Impacts of Hybrid Campus and Autonomous Electric Vehicles as GHG Mitigation Strategies: A Case Study for a Mid-Size Canadian Post-Secondary School
Notice bibliographique
Résumé
This paper presents how a post-secondary institution like University of British Columbia’s Okanagan (UBCO) campus can reduce its carbon footprint and be aligned with the government’s target through promoting virtual campus and autonomous electric vehicles (AEVs). Different virtual campus scenarios are developed: online classes only, working-from-home only, and a hybrid of both. In the case of AEVs, alternative penetration rates for levels 2 and 5 are considered. A total of 50 scenarios are tested using a sub-area transport simulation model for UBCO, which is extracted from the regional travel demand forecasting model. The results suggest that a 40% AEV penetration rate coupled with fully in-person classes reduces GHG by ~36% compared to the 2018-level, which will help UBCO to achieve their 2030 emission reduction target and be aligned with the provincial target. The 50% AEV and 10% hybrid virtual campus reduces emissions by ~48%, which is aligned with the 2040 provincial target. A fully virtual campus will help to reach the 2050 provincial target by reducing GHG by ~76%. The results further demonstrate that level 5 AEVs produce lesser emissions than level 2 at a lower AEV penetration rate for the fully in-person campus scenario. At higher penetration rates, level 5 performs better only if it is coupled with 10% of students, faculties and staffs attending virtual campus scenario.
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 | 0,001 | 0,004 |
| 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 | 0,000 |
| 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 ».