Are vehicle lifespan caps an effective and efficient method for reducing US light-duty vehicle fleet GHG emissions?
Notice bibliographique
Résumé
Abstract With light duty vehicles (LDVs) responsible for 17% of annual US greenhouse gas (GHG) emissions, integrating emerging GHG-reducing technologies into the fleet is essential. However, the slow rate of vehicle turnover presents a significant barrier to the market penetration of new technologies, with adoption delayed by the low number of vehicles needing replacement each year. A strategy of accelerated vehicle turnover through a vehicle lifespan cap could potentially mitigate this limit. While older studies reach differing conclusions on their effectiveness, two newer studies that incorporate life cycle assessment find that accelerated turnover strategies can be effective if coupled with high levels of electric vehicle deployment. We seek to determine whether a vehicle lifespan cap strategy can be an effective and efficient (cost-effective) method for reducing US LDV fleet GHG emissions. We augment the capabilities of the Fleet Life Cycle Assessment and Material Flow Estimation (FLAME) fleet life cycle assessment model, integrating vehicle lifespan caps and comprehensive calculations of cost along with sensitivity analysis for electric vehicle survival curves and battery degradation. The augmented FLAME model is used to analyse the impact of vehicle lifespan caps of varying lengths on a suite of scenarios, including a business as usual (BAU) scenario and eight scenarios modelling different technology improvement assumptions. This work confirms that vehicle lifespan caps have limited effectiveness in reducing GHG emissions under a BAU scenario but show potential to meaningfully reduce GHG emissions in a scenario with accelerated deployment of electric vehicles. However, abatement costs are high, exceeding 2020 USD 1000/tCO2eq under baseline assumptions, but falling within the range of current estimates of the social cost of carbon under more optimistic assumptions. Overall, vehicle lifespan caps must be carefully considered as they accelerate both the benefits and costs of new vehicle technologies, and are best positioned as part of a larger integrated strategy for tackling transportation GHG emissions.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 source (Gemma direct ou Codex distillé), 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 ».