How Many Electric Vehicles Are Needed to Reach CO2 Emissions Goals? A Case Study from Montreal, Canada
Notice bibliographique
Résumé
In the province of Quebec, Canada where the electricity is nearly carbon-free, the road transport sector represents 35.6% of all emissions. As such, electric vehicles (EVs) have been proposed as a means to reduce such emissions. However, it is not clear how many conventional vehicles (CVs) would need to change to electric in order to meet the greenhouse gas (GHG) emissions reduction target of reducing 1990 CO2 emissions by 37.5% by 2030 in the province. In fact, various considerations exist such as which vehicles will change and how those vehicles are used. This articleaddresses this issue in the case of Montreal, Canada. First, to create a baseline, direct emissions by all personal vehicles in Montreal in 2018 are calculated using data from the 2018 origin-destination (OD) survey and provincial vehicle registration. Next, five scenarios are studied to calculate the variations in the number of EVs needed in the fleet in order to achieve provincial targets. The most optimistic scenario shows that roughly 49% of the fleet would need to change. The most pessimistic scenario estimates that almost 73% of the fleet would need to be converted to EVs. It can be concluded that the strategy used can have a great impact on how many vehicles need to be replaced in the fleet. However, all simulations show that the necessary replacements are far from negligible. It must surely be coupled with other actions such as reducing veh.km travelled (vkmt) or increasing public transport use.
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 | 0,001 |
| 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 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 ».