Evaluating greenhouse gas emissions benefits of emerging green technologies in passenger transportation in the Quebec context
Bibliographic record
Abstract
Le secteur des transports contribue 43,5 % des émissions de gaz à effet de serre (GES) au Québec; plus que la moitié de ses émissions vient du transport de passager. Les émissions du secteur des transports a accrue par 30% entre 1990 et 2009. En conséquence, cette recherche évalue l'impact des carburants et technologies alternatives en transport collectif et les véhicules personnels sur les GES dans le contexte québécois en utilisant les méthodes d'estimations de GES aux niveaux des liens. Les technologies des transports communs sont analysées en utilisant l'analyse de cycle de vie, particulièrement la production du carburant et l'opération du véhicule, avec l'aide de GHGenius et MOVES. Le marché pour les véhicules hybrides, ses déterminants et puis des scénarios potentiels de pénétration du marché sont examinés pour la ville de Québec et l'Ile de Montréal. Différents sources de données sont combinés pour générer l'inventaire de GES et estimer la demande de transport incluant le GPS, le taux de consommation des carburant, le Census, les enquêtes origine-destination et l'enregistrement de véhicules automobiles.Les résultats démontrent que les technologies alternatives réduient effectivement les émissions de GES. Parmi les technologies d'autobus, les autobus hybrides sont les meilleurs choix avec des réductions de 43,3 %, suivi par le gaz à naturel compressé (20,5 %) et le biodiesel (12,5 %). Pour les trains de banlieue, les trains électriques peuvent diminuer les émissions par 98%; pourtant, les trains à hydrogène sont compétitifs selon le rapport cout-bénéfice. Bien que les véhicules hybrides ont la potentiel d'éviter beaucoup de GES, la distribution spatiale du marché des véhicules hybrides indiquent que cette technologie aura un impact modeste. Dans le cas optimiste, le remplacement de 25% du parc d'automobiles vont mener à une baisse de 10% des GES.
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 | 0.002 |
| Science and technology studies | 0.001 | 0.000 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.001 | 0.000 |
| Research integrity | 0.000 | 0.000 |
| 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".