A regional cost-benefit analysis of replacing motorized modes by a shared automated electric vehicle service
Notice bibliographique
Résumé
Shared automated electric vehicles (SAEVs) have the potential to transform regional transportation, particularly in low-density areas where accessibility and resource optimization are challenging. However, their integrated economic impact on operators, users, environment, and society have been little explored. This paper presents a cost-benefit analysis methodology, incorporating a flow-based integer programming model, to assess the viability of SAEV services in a regional interurban context. The case study is based on mobility data from the Aveiro and Coimbra regions (Portugal). We evaluate the replacement of all motorized intermunicipal trips with various SAEV configurations, including automated cars (with and without pooling), automated minibuses, and a mixed fleet (cars and minibuses). Results indicate that SAEV providers can achieve profitability with fares ranging from €0.08 to €0.36 per kilometer. Even at these rates, SAEV services generate economic benefits for users, particularly pooled car-based services, as private car expenses dominate current mobility costs. Additionally, all SAEV configurations contribute to cost reductions related to air pollution, noise, global warming potential, and road accidents, with pooled services offering the greatest savings. A series of SAEV transition scenarios using a fleet of pooled cars also demonstrated benefits for all stakeholders, albeit lower than those from fully replacing motorized trips. A second sensitivity analysis confirms that reducing vehicle acquisition costs is key to lowering fares and increasing user savings. This paper represents one of the first evaluations of large-scale SAEV services for intermunicipal trips with significant distances between urban centers, contributing insights into smart and sustainable transportation solutions for such contexts.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 ».