Sustainability in Maritime: Human-Centered Decarbonization Through Behavioral Change
Notice bibliographique
Résumé
Abstract This paper explores a transformative approach to maritime decarbonization by emphasizing human behavior—termed "Carbon Culture"—as a central lever for reducing emissions. The maritime sector is responsible for approximately 2.89% of global CO2 emissions, translating to more than 1 billion metric tons annually. While most decarbonization strategies center around technical retrofits, alternative fuels, and regulatory compliance with frameworks like EEXI, CII, and national / local regulations, this study proposes a complementary, human-centric model. It focuses on real-time reporting, crew awareness, continuous training, and performance-based incentives to drive behavioral change towards optimizing fuel efficiency. The core methodology integrates behavioral science with digital operations, embedding sustainability directly into day-to-day workflows. Crews and shore teams are encouraged to make deliberate, fuel-saving choices through data-informed voyage planning, maintenance , engine load optimization, trim management, and energy-efficient auxiliary usage. These behavioral shifts are enabled and reinforced through user-friendly software platform, which provides mobile dashboards, gamified leaderboards, and microlearning modules to engage seafarers and reinforce sustainability principles. Global industry benchmarks suggest that operational inefficiencies account for 10–15% of excess fuel usage. According to Clarkson Research, a typical medium-sized tanker consumes 25–35 metric tons of fuel oil per day. Behavioral interventions can reduce this consumption by 2.5–3.5 tons per day. Fleet-wide data analyzed in this study indicates a 5–10% reduction in daily fuel consumption, resulting in direct cost savings of $1,000–$2,000 per vessel per day, depending on fuel price and voyage profile. These findings affirm that human behavior, when properly supported by digital tools and incentives, can deliver tangible environmental and financial benefits. This approach offers an accessible, scalable, and cost-effective pathway to help maritime sector fleets meet evolving IMO, EU ETS, and national decarbonization mandates. It also serves as a strategic bridge during the industry's transition to future fuel systems, helping close short-term compliance gaps while positioning ships crews for long-term sustainability roles. In conclusion, the integration of human factors with digital maritime operations presents a timely and replicable solution to support the global maritime sector's decarbonization ambitions.
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 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,034 | 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 ».