How to slash GHG emissions in the freight sector? Policy insights from a technology adoption model of Canada
Notice bibliographique
Résumé
The movement of goods through freight transportation accounts for approximately 6% of total Greenhouse Gas (GHG) emissions worldwide and 10% of Canada’s emissions, yet the freight sector is rarely targeted by GHG abatement research and policy. To address this gap, I use a technology adoption model (CIMS-Freight) to explore the effectiveness of policies in achieving GHG reductions in land freight (trucking and rail), and to determine scenarios that achieve Canada’s ambitious GHG reduction targets (i.e. 80% by 2050 relative to 2005 levels). To account for uncertainty in model parameters, I incorporate a Monte Carlo Analysis in which I run 1000 iterations of each simulation. My modeling results indicate that current policies (i.e. fuel efficiency standards as well as the federally proposed carbon price and low-carbon fuel standard) will not achieve 2030 and 2050 GHG reduction targets – where freight emissions will continue to rise, albeit at a lower rate than a “no policy” scenario. I also simulate the effectiveness of several individual policies: fuel efficiency standards, a carbon tax, low-carbon fuel standard (LCFS), a zero-emissions vehicle (ZEV) mandate for truck and purchase subsidy. Even at their most stringent levels, no individual policy has a high probability (at least 67% of Monte Carlo iterations) of achieving 2030 or 2050 GHG reduction targets. Finally, I find that several policy combinations can have a high probability of achieving 2050 goals, in particular a stringent ZEV mandate for trucks complemented by a stringent LCFS. While other effective policies and policy combinations are possible, it is clear that Canada’s present and proposed policies are not nearly stringent enough to reach its ambitious emissions reductions targets.
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) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,006 | 0,005 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».