MétaCan
Menu
Retour à la cohorte
Enregistrement W4313562796 · doi:10.1109/epec56903.2022.10000170

Comparative Economic Analysis of Conventional and Plug-in Battery Electric Vehicles in Canada

2022· article· en· W4313562796 sur OpenAlexafffundabout
Muhammad M. Rehman, Walid G. Morsi

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineEngineering
ThématiqueElectric Vehicles and Infrastructure
Établissements canadiensOntario Tech University
Organismes subventionnairesNatural Sciences and Engineering Research Council of Canada
Mots-clésGasolineMiles per gallon gasoline equivalentTotal cost of ownershipElectricityBattery (electricity)Automotive engineeringInternal combustion engineElectric vehicleEconomic analysisBattery electric vehicleVolatility (finance)Environmental economicsBusinessGreen vehicleEconomicsEngineeringFinanceFuel efficiencyElectrical engineeringAgricultural economicsWaste managementAccountingPower (physics)

Résumé

récupéré en direct d'OpenAlex

Conventional vehicles typically use gasoline for their internal combustion engines (ICEs). On the other hand, plug-in battery electric vehicles (PBEVs) use electricity to charge their batteries, and hence they do not need gasoline. With the soaring gasoline prices in Canada and around the world, the interest in electric vehicles from the public and the government has increased. However, given the wide range in prices of PBEVs, the high maintenance cost of conventional vehicles and the volatility in gasoline prices, there is a need for a comparative economic analysis to address the following two main questions: (1) What should be the minimum ownership period of a PBEV to be economical than a conventional vehicle? (2) At what gasoline prices do the PBEVs become more economical than conventional vehicles? The work in this paper addresses these questions to assist customers in making the right decision when they intend to purchase a new vehicle. The results have shown that the longer the ownership period is, the PBEVs become more economical compared to conventional vehicles. The study has shown that the total ownership cost savings may reach up to $88,482 over 15 years.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,415
Score d'incertitude au seuil0,639

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,005
Tête enseignante GPT0,185
Écart entre enseignants0,179 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations6
Publié2022
Routes d'admission3
Résumé présentoui

Explorer davantage

Même sujetElectric Vehicles and InfrastructureTravaux en français237 207