Health benefits of US light-duty vehicle electrification: Roles of fleet dynamics, clean electricity, and policy timing
Notice bibliographique
Résumé
We present a dynamic perspective to quantify the air quality–related health impacts of the electrification of light-duty vehicles in the United States between 2022 and 2050. Using a fleet turnover model and future electricity generation mix scenarios, we compare ambitious vehicle electrification to fleet renewal relying on newer internal combustion engine vehicles, without electric vehicles. The model includes vehicle-level pollutant emission factors and a reduced complexity air quality and valuation model and covers direct (tailpipe, brake wear, and tire wear) and indirect (production of electricity and liquid fuels) emissions of NO x , SO 2 , PM 2.5 , NH 3 , and VOCs, with a breakdown at the county level to identify geographical disparities in the distribution of health impacts. Short-term health benefits are mostly generated by reductions in NO x emissions from newer gasoline vehicles, while fleet electrification generates further benefits in the long term. The electricity mix plays a crucial role in the success of electrification policies. With continued grid decarbonization, electrification would reduce harmful air quality–related health impacts cumulatively by 84 to 188 billion USD over the study period, compared with fleet renewal without electric vehicles. In contrast, artificially freezing the 2022 grid would make electrification responsible for 32 to 71 billion USD additional health disbenefits compared with fleet renewal. Finally, we show that while fleet electrification achieves most of its benefits over fleet renewal in the long term, delaying the implementation of such policies would sacrifice meaningful cumulative benefits.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,000 | 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 ».