Spatial Analysis of Demand for Hybrid Electric Vehicles and Its Potential Impact on Greenhouse Gases in Montreal and Quebec City, Canada
Notice bibliographique
Résumé
Personal cars contribute 56% of greenhouse gas (GHG) emissions generated from passenger transportation. As vehicle ownership increases, a promising solution to reduce emissions is to turn to greener technologies, namely electric and hybrid-electric vehicles. The hybrid vehicle fleet in Quebec has increased dramatically from 339 in 2003 to 7,085 in 2008. People are turning to cleaner technologies as a means to reduce fuel costs. They are also motivated by government incentives in the form of tax rebates. This study explores the link between socio-demographics, travel behavior and market penetration of hybrid vehicles in Montreal and Quebec City using a negative binomial regression. Moreover, the impact on GHG of different hybrid market penetration scenarios is evaluated. The regression shows that population density, post-secondary education and trip distances have the most significant influence on hybrid vehicle ownership. This implies that the market is geared towards households with higher incomes, living in dense neighborhoods with high accessibility to transit and service. Although hybrid vehicles have the potential for great GHG reductions, the spatial market distribution indicates that this technology will have a more modest impact than what is expected. From an optimistic perspective where 25% of the vehicle fleet is converted to hybrid vehicles, there would only be a 10% decrease in GHGs in both cities. This is a daily savings of 390.9 tonnes in Montreal and 297.3 tonnes in Quebec City.
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 | 0,004 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 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 ».