Material efficiency for transport decarbonization: a case study of carsharing in montreal
Notice bibliographique
Résumé
• Carsharing can lower carbon footprint by improving material efficiency. • Largest gains come from low-mileage users shifting to shared vehicles. • High-mileage users yield smaller or no carbon benefits with carsharing. • EV-based carsharing cuts carbon footprint up to 29% at 60% adoption rate. • Results offer a baseline for policy targeting appropriate carsharing users. This study quantifies the climate impacts and benefits of carsharing by focusing on one key mechanism: improved material efficiency through the more intensive use of shared vehicles. We assess this mechanism by evaluating how variations in annual driving distance and resulting lifetime mileage affect carbon footprints from a life cycle perspective. Adoption scenarios reflect a continuum in which users progressively shift to carsharing based on their annual driving distance, while their travel demand remains constant. Results show that most carbon footprint reductions occur between 10 % and 60 % adoption, beyond which marginal benefits decline. These reductions are driven by the collective contribution of users driving less than 15,000 km/year, with per-person impacts vary significantly depending on individual annual driving distance. While the study does not incorporate behavioral change or system dynamics, it offers a conservative, mechanism-based estimate of carsharing’s environmental potential. The findings complement behavior-oriented research on carsharing for transport decarbonization.
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 | 0,000 | 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) | 0,000 | 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 ».