Expert Assessments of Maritime Shipping Decarbonization Pathways by 2030 and 2050
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract International shipping conveys over 80% of global trade by volume and emits an estimated 3% of the world's greenhouse gases (GHGs). There are many potential pathways and barriers to decarbonizing the diverse and fragmented international shipping sector, with numerous uncertainties. Here, we employ expert elicitation, gathering perspectives from 149 world‐leading experts in maritime shipping and decarbonization, to characterize uncertainties in shipping decarbonization pathways. These experts predict a 30%–40% (25th–75th percentile range) carbon intensity reduction by 2030 compared to 2008, meeting the International Maritime Organization's (IMO) target. By 2050, they anticipate an approximate 40%–75% cut in GHG emissions, falling short of the IMO's 2050 net‐zero GHG goal. Responding experts see decarbonization occurring through three types of measures: operational, technological, and alternative energy sources. In the short‐term, decarbonization is predicted to be dominated by operational measures, while in the long‐term, it will be dominated by alternative energy, although there is no consensus on which fuels will dominate. Technological upgrades are expected to play crucial supporting roles. The experts believe that differences in business models and governance may lead to different decarbonization pathways by ship segment. The experts' qualitative responses highlight: alternative energy systems, ship fleet turnover, spillover effects from other sectors, reducing industry pessimism, and the supply chain as critical leverage points that can propel shipping toward sustainable decarbonization pathways. Navigating this transition demands support from key levers identified in this study: politics and policy, maritime governance, and contractual architecture.
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.
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 | 0,000 |
| 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) | 0,002 | 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 découle