Advantages and disadvantages of using electric delivery vehicles in the last mile delivery
Notice bibliographique
Résumé
Prijevoz u kapilarnoj distribuciji odvija se prema krajnjem kupcu u lancu opskrbe, koncentriran je u urbanim područjima i odgovoran je za emisiju oko 25% stakleničkih plinova. Velika potrošnja energije cestovnog teretnog prometa povećava potražnju za razvojem održivih logističkih rješenja. Smanjenje emisija stakleničkih plinova u najvećem dijelu postiže se korištenjem električnih vozila, koja unatoč tome što generiraju više stakleničkih plinova tijekom proizvodnje, ne generiraju ih tijekom eksploatacije i samim time bolje su rješenje za okoliš. No, korištenje električnih vozila ima i druge prednosti. Elektrifikacijom vlastitog voznog parka, tvrtke mogu postići uštede, prvenstveno u pogledu izbjegavanja troškova goriva, a kroz određeno vremensko razdoblje, troškovi održavanja bi se također trebali svesti na minimum. Također, razvojem tehnologije, cijena baterija bit će sve niža, a samim time i nabavna cijena električnih vozila, koja iako još uvijek odstupa od nabavne cijene vozila s unutarnjim izgaranjem, razlika je manja nego prije. Veliki izazov za elektrifikaciju voznog parka predstavlja prometna infrastruktura za punjenje električnih vozila koja je potrebna, a troškovi ugradnje su visoki. Također, veliki nedostatak je nepoznavanje gdje i što učiniti s baterijama nakon njenog životnog vijeka.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 ».