Greenhouse Gas Emissions and Potential for Electrifying Transportation Network Companies in Toronto
Notice bibliographique
Résumé
This study investigates the spatial and temporal patterns of greenhouse gas (GHG) emissions from transportation network companies (TNCs) in Toronto, Canada. TNC services primarily consist of short-distance trips in the central business district. Deadheading—driving without passengers—contributes 40% of TNC GHG emissions, and part-time drivers had a higher deadheading proportion than full-time drivers. Pooled TNC trips account for 10% of total trips, and just 27% of pooled trips resulted in multiple passengers sharing a vehicle on the same route. The GHG implications of pooled trips were compared with other TNC services and with a consumer driving their own private vehicle, through the estimation of median trip emission intensities of each TNC service in grams of CO 2eq per passenger-km, while accounting for deadheading. Non-pooled internal combustion engine (ICE) ride-hailing trips have a median emission intensity 61% higher than that of a single-occupancy private vehicle. The median emission intensity for a pooled ICE ride-hailing trip is 20% higher than that of driving one’s own vehicle. Vehicle electrification provides a 91% daily GHG emission reduction for this fleet. This reduction is mainly achieved through full-time drivers, who, on average, achieve three times as much GHG savings per electrified vehicle compared with part-time drivers.
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 | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 ».