Evaluation of Factors for Adoption of Alternative-Fuel-Based Vehicles
Notice bibliographique
Résumé
The transportation industry significantly contributes to greenhouse gas (GHG) emissions. Federal and provincial governments have implemented strategies to decrease dependence on gasoline and diesel fuels. This encompasses promoting the adoption of electric cars (EVs) and biofuel alternatives, investing in renewable energy sources, and enhancing public transit systems. There is a growing focus on enhancing infrastructure to facilitate active transportation modes like cycling and walking, which provide the combined advantages of decreasing emissions and advancing public health. In this paper, we propose a System Dynamics simulation model for evaluating factors for the adoption of alternative-fuel vehicles such as EVs, biofuel vehicles, bus, bikes, and hydrogen vehicles. Five factors—namely, customer awareness, government initiatives, cost of vehicles, cost of fuels, and infrastructure developments—to increase the adoption of alternative-fuel vehicles are studied. Two scenarios are modeled: A baseline scenario that follows the existing trends in transportation (namely the use of gasoline vehicles), Scenario 1, which prioritizes greater adoption of electric vehicles (EVs) and biofuel-powered vehicles, and Scenario 2, which prioritizes hydrogen fuel-based vehicles and improves biking culture. The simulation findings show that all scenarios achieve reductions in GHG emissions compared to the baseline, with Scenario 2 showing the lowest emissions. The proposed work is useful for transport decision makers and municipal administrators in devising policies for reducing overall GHG emissions, and this also aligns with Canada’s net zero goals.
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 | 0,003 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 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 ».