Examining Emerging Risks of Vehicle Electrification in Emergency Medical Transport
Notice bibliographique
Résumé
An increasing number of countries have begun to utilize electric ambulances (EAs) in emergency medical transport (EMT) to meet net-zero emission targets. However, the extended battery-recovery time and limited battery capacity of EAs pose significant risks to time-sensitive and efficiency-critical EMT. On the basis of this, we aim to examine the effect of battery recovery on the performance of the EMT system with EAs and explore the carbon-reduction benefits in deploying EAs compared to fuel-powered ones. We develop a queuing model to characterize the EAs using the EMT system with two battery-recovery strategies (plug-in charging and battery swapping) and derive its key performance indicators for risk assessment. The results illustrate that when the ambulance fleet is small and most of them are EAs, the throughput time for EMT increases significantly. However, with a larger ambulance fleet, incorporating EAs can deliver a level of transportation service comparable to that of the fuel-powered ambulances, especially when the battery-swapping strategy is employed. While the use of EAs raises the input costs, achieving a critical scale of EAs enables the reduced energy cost and the social cost of carbon to quickly offset the initial investment. Finally, this study proposes policy recommendations on the construction of battery-recovery infrastructure and the deployment scale and timing of vehicles, providing optimized solutions to balance the risks of using EAs with the safety of EMT.
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 | 0,004 |
| 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 ».