How Stringent Should Vehicle Emission Standards Be? Simulating Impacts on Greenhouse Gas Emissions, Zero-Emissions Vehicle Sales, and Cost-Effectiveness
Bibliographic record
Abstract
Les normes d’émissions des véhicules (NEV) font régulièrement l’objet de modifications et de mises à jour dans divers pays, y compris les États-Unis et le Canada. Pour éclairer la conception d’une politique sur les NEV, nous simulons les effets additifs de différents resserrements des NEV sur les émissions de gaz à effet de serre (GES), les ventes de véhicules zéro émission (VZE) et la rentabilité ($/tonne) jusqu’en 2030, dans le cas du Canada. Les resserrements de la politique sur les NEV comprennent ceux du gouvernement Trump (améliorations annuelles de l’efficacité de 1,5% jusqu’en 2026), ceux du type Californie (améliorations annuelles de 3,7% jusqu’en 2026), ceux du gouvernement Obama (améliorations annuelles de 5%), ceux du gouvernement Biden (proposes ; améliorations annuelles de 10% en 2023 et de 5% par la suite jusqu’en 2026), et ceux de l’Union européenne (UE), qui améliorent l’efficacité de 6,5% par an jusqu’en 2030. Nous appliquons le modèle fabricant-consommateur ( AUtomaker-consumer Model, AUM), qui simule de manière endogène les décisions des consommateurs et des constructeurs automobiles ainsi que les changements technologiques. Les résultats montrent que, bien que les NEV du gouvernement Biden soient plus efficaces que les autres modèles envisagés en Amérique du Nord, seule la politique de type européen permet des progrès substantiels vers les objectifs de réduction des émissions de GES et de vente de VZE. Soulignons qu’en définissant le rapport cout-efficacité comme le cout en dollars de chaque tonne en moins de dioxyde de carbone, nous constatons que la version européenne des NEV, qui est la plus stricte, affiche une rentabilité supérieure de 13% aux autres versions des NEV, dans le cas médian. Ces résultats plaident en faveur d’un renforcement des NEV tendant vers les niveaux de l’UE.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.005 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.000 | 0.001 |
| Science and technology studies | 0.000 | 0.001 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.001 | 0.000 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.004 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".