Optimal Pathway for Decarbonizing Canada's Maritime Transport: Short-Term (2025–2035), Medium-Term (2035–2050), and Long-Term (2050 and beyond)
Bibliographic record
Abstract
La décarbonation du secteur du transport maritime au Canada constitue une priorité, portée par les engagements climatiques et la nécessité de réduire les émissions du transport maritime. Alors que la plupart des études se concentrent sur des technologies spécifiques ou des critères isolés, cette recherche applique le cadre de la prise de décision multicritère (MCDM)—méthode hiérarchique analytique (AHP) afin d’évaluer plusieurs stratégies de décarbonation selon des facteurs économiques, environnementaux, technologiques et réglementaires. Elle identifie les critères clés, évalue les stratégies et explore leurs interactions, y compris le rôle du secteur financier dans l'accompagnement de la transition. L'impact environnemental (28 %) est classé comme le critère le plus déterminant, suivi par la viabilité économique (20 %), la faisabilité technologique (13 %), l’évolutivité et la flexibilité (9 %), ainsi que la sécurité énergétique (9 %). D'autres facteurs incluent l'analyse du cycle de vie (5 %), les besoins en infrastructures (4 %), la faisabilité sociale et politique (4 %), la sécurité et la gestion des risques (4 %), et le calendrier de mise en œuvre (4 %). L’évaluation classe l'amélioration de l'efficacité énergétique (S7) comme la stratégie la plus efficace (0,753), en raison de sa faisabilité et de ses bénéfices économiques. Le gaz naturel liquéfié (GNL) (S1) arrive ensuite (0,698), mais ses performances sont limitées par les émissions de méthane. Les biocarburants (S2) et l’électrification (S8) obtiennent un score de 0,563, freinés respectivement par des enjeux de durabilité et des contraintes liées aux batteries. L'hydrogène vert (S3), l'ammoniac vert (S4) et les carburants synthétiques (S5) atteignent 0,483, offrant un potentiel à long terme mais confrontés à des défis d'infrastructures. Les carburants d'origine océanique (S6) obtiennent le score le plus faible (0,403), car ils en sont encore à un stade précoce de développement. La voie optimale de décarbonation suit une approche progressive : donner la priorité à l'efficacité énergétique et aux carburants de transition (GNL, biocarburants) à court terme (2025–2035), intensifier le recours à l'hydrogène vert, à l'ammoniac et aux carburants synthétiques à moyen terme (2035–2050), puis développer pleinement l’électrification et les carburants océaniques au-delà de 2050, soutenus par des politiques publiques, des investissements et des infrastructures adaptés. Cette étude fournit des éclairages utiles aux décideurs publics, aux acteurs industriels et aux institutions financières, en aidant à hiérarchiser les investissements et les mesures politiques, tout en soulignant la nécessité de partenariats public-privé, d'incitations réglementaires et de financements verts. Toutefois, l'approche MCDM-AHP repose sur des pondérations subjectives, nécessitant une validation au moyen d’études de cas et de modélisations quantitatives. Les recherches futures devraient également explorer la propulsion nucléaire, comme solution à haute densité énergétique pour le transport maritime longue distance, ainsi que les technologies de capture du carbone, susceptibles de piéger les émissions de CO2 des navires et de contribuer à réduire leur impact environnemental.
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 | 0.001 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.003 | 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".