Retrasos ocultos de los beneficios de mitigación climática en la carrera por el despliegue de vehículos eléctricos

Sep 05, 2023

Nature Communications volumen 14, Número de artículo: 3164 (2023) Citar este artículo

531 Accesos

3 Altmetric

Detalles de métricas

Aunque los vehículos eléctricos de batería (BEV) son alternativas respetuosas con el clima a los vehículos con motor de combustión interna (ICEV), un hecho importante pero a menudo ignorado es que los beneficios de mitigación climática de los BEV generalmente se retrasan. La fabricación de BEV es más intensiva en carbono que la de ICEV, lo que deja una deuda de gases de efecto invernadero (GEI) que se pagará en la fase de uso futuro. Aquí analizamos millones de datos de vehículos del mercado chino y mostramos que el tiempo de equilibrio de GEI (GBET) de los BEV de China varía de cero (es decir, el año de producción) a más de 11 años, con un promedio de 4,5 años. El 8% de los BEV de China producidos y vendidos entre 2016 y 2018 no pueden pagar su deuda de GEI dentro de la garantía de batería de ocho años. Sugerimos aumentar la proporción de BEV que llegan al GBET mediante la promoción de la sustitución efectiva de BEV por ICEV en lugar de la búsqueda decidida de acelerar la carrera de implementación de BEV.

La electrificación de vehículos se percibe ampliamente como una solución indispensable al cambio climático. Según la Agencia Internacional de Energía (AIE), los vehículos eléctricos (EV), incluidos los vehículos livianos y pesados, permitieron una reducción neta de 40 millones de toneladas de dióxido de carbono equivalente (CO2e) en un pozo a la rueda. base en 20211. Aunque las evaluaciones varían entre los estudios debido a los diferentes límites del sistema y los supuestos subyacentes, los beneficios climáticos generales a largo plazo de los EV en relación con los vehículos con motor de combustión interna (ICEV) en el contexto de la descarbonización de la generación de electricidad dominan la opinión general2,3,4 ,5 (ver más literatura en la Tabla complementaria 1). Por esta razón, el mundo ha experimentado una rápida expansión del mercado de vehículos eléctricos. En 2021, el inventario de vehículos eléctricos alcanzó los 16,5 millones en todo el mundo, el triple que en 20181. Un número creciente de países y regiones han anunciado ambiciosos objetivos de electrificación de vehículos para las próximas décadas6,7,8,9. El 5 de agosto de 2021, la Casa Blanca anunció un objetivo del 50 % de electricidad para todos los vehículos nuevos vendidos en 20308. El 14 de julio de 2021, la Comisión Europea anunció la prohibición de la venta de vehículos nuevos de gasolina y diésel, incluidos los vehículos híbridos, a partir de 20357.

China, que lidera el mercado mundial de vehículos eléctricos, ha realizado esfuerzos considerables para apoyar el despliegue de vehículos eléctricos y lo ha tomado como uno de los caminos más efectivos hacia el objetivo de neutralidad de carbono en el transporte. Favorecida por una serie de instrumentos de política pública y subsidios10,11, la industria de vehículos eléctricos en China continúa evolucionando y la participación de mercado de los vehículos eléctricos casi se ha duplicado durante la última década. En 2021, la producción y las ventas de vehículos eléctricos en China ascendieron a 3,5 millones, un aumento de 1,6 veces desde 202012. El futuro de la industria es prometedor bajo la ambiciosa visión propugnada por el gobierno. De acuerdo con el Plan de Desarrollo de la Industria Automotriz de Nuevas Energías (2021-2035)6 anunciado por el gobierno chino, la tasa de penetración objetivo de los vehículos de nuevas energías, incluidos los BEV, los vehículos eléctricos híbridos (HEV) y los vehículos eléctricos de celda de combustible (FCEV), alcance el 20 % para 2025. De acuerdo con el Plan de acción para alcanzar el pico de dióxido de carbono antes de 203013, la participación de mercado de los vehículos de nueva energía alcanzará ~40 % para 2030. Se espera que la mayoría de estos vehículos sean BEV, ya que representan el 80 % de vehículos de nueva energía14.

Aunque los beneficios de mitigación climática de los BEV en comparación con los ICEV son favorables15,16, un hecho que a menudo se ignora es que los beneficios no son "gratuitos". La producción de BEV, en particular la fabricación de baterías, suele emitir más gases de efecto invernadero (GEI) que los ICEV17,18. Esta deuda de GEI solo puede compensarse hasta que los BEV alcancen el punto de equilibrio19,20,21,22,23. Esto significa que el despliegue de BEV no puede generar beneficios de mitigación cuando se compran o se conducen en la carretera de inmediato; hay un retraso de tiempo. Sin embargo, tales distribuciones temporales a menudo se han ignorado en la mayoría de las estimaciones existentes al comparar BEV e ICEV. Las emisiones del ciclo de vida de los BEV e ICEV generalmente se distribuyen uniformemente por kilómetro en función del kilometraje de conducción asumido en el ciclo de vida de los vehículos24 y se compara el efecto climático por kilómetro. Solo una minoría de estudios19,20,21,22,23 abordó el efecto retardado de los beneficios climáticos. Se centraron en ciertos modelos de vehículos sin tener una visión amplia a escala nacional. Llenar este vacío es esencial para formular políticas de descarbonización profundas en el despliegue de BEV y diseñar hojas de ruta de mitigación para el sector del transporte.

En este estudio, presentamos el retraso en los beneficios de mitigación climática de los BEV en China utilizando datos a nivel de vehículo. Los datos contienen casi todos los BEV (casi 1,5 millones) y el 82 % de los ICEV (145,9 millones) en la categoría de vehículos ligeros de pasajeros producidos y vendidos en China entre 2012 y 2018. Hasta donde sabemos, este es el conjunto de datos más grande que se ha utilizado para evaluar los beneficios de mitigación climática de los BEV en el mercado chino (consulte Métodos para obtener más detalles sobre los datos), lo que nos permite investigar simultáneamente desde una perspectiva de imagen completa hacia abajo. a uno detallado en este sector. Cuantificamos el tiempo de equilibrio de los gases de efecto invernadero (GBET), que describe el tiempo que tardan los BEV en pagar la deuda inicial de GEI contraída por la producción de paquetes de baterías con alto contenido de carbono, mediante la compilación de una evaluación del ciclo de vida (LCA) con una comparación entre vehículos. (ver más detalles en "Métodos"). También realizamos análisis de sensibilidad e incertidumbre para explorar cómo los resultados se ven afectados por diferentes suposiciones y puntos de referencia de comparación. Nuestros hallazgos pueden ayudar con estimaciones más precisas de las tendencias de emisión y mejores caminos hacia la neutralidad de carbono al presentar a los responsables políticos las características temporales de las emisiones además del efecto total de las emisiones. Las perspectivas y los métodos para abordar el GBET en nuestro estudio también pueden extenderse para evaluar el umbral de longevidad de otras inversiones en infraestructura verde.

Al comparar el nivel promedio de emisiones de GEI de cada BEV producido y vendido entre 2012 y 2018, auto por auto, con sus contrapartes que funcionan con combustible (ver más detalles en Métodos), confirmamos la existencia de una deuda de GEI de BEV. Las emisiones promedio de producir un BEV son ~1.4 veces las de un ICEV. Los BEV en China tardarían un promedio de 4,5 años en compensar la "deuda" de fabricación, con plazos que varían desde cero (es decir, el año de producción) hasta más de once años (Fig. 1). Como los estudios GBET anteriores dentro del contexto chino son raros, comparamos nuestras estimaciones con las de otros países19,20,21,22,23, como muestra la Tabla complementaria 2. Las comparaciones muestran que nuestras estimaciones de GBET para BEV en China son generalmente más largas que las de Europa21, que es de aproximadamente 2 a 3 años. Hay dos razones potenciales para las diferencias. En primer lugar, la intensidad de las emisiones de GEI de las redes eléctricas de China es mayor que la de Europa, dado el papel dominante de la generación de energía a base de carbón en China. Los factores de emisión de GEI más altos debilitan el efecto de mitigación de los BEV en la fase de uso y dan como resultado un GBET más alto. En segundo lugar, el VKT anual de la mayoría de los BEV en el mercado chino (Figuras complementarias 1 y 2) es inferior a 15 000 km, la suposición que se ha utilizado ampliamente en estudios anteriores. Un VKT anual más bajo implica un kilometraje de sustitución efectivo más corto para ICEV comparables y da como resultado un GBET más alto de BEV.

a Distribución de GBET de 2012 a 2018. b Distribución de GBET de 2012 a 2015. c Distribución de GBET de 2016 a 2018. De acuerdo con los períodos oficiales de garantía de las baterías, en 2014 se requería una garantía de cinco años25 y de ocho se requirió un año de garantía en 201626. Se utilizó un umbral de cinco años para 2012 y 2013 basado en el requisito de 2014. Las barras de error indican un intervalo de confianza del 95%. Los datos de origen se proporcionan como un archivo de datos de origen.

La gran escala del conjunto de datos que utilizamos permite una visión amplia de la distribución de GBET en los BEV de todo el país. La forma de la curva de distribución GBET está sesgada, con una desviación estándar de 2,4 años y un factor de sesgo de 0,8. Aproximadamente el 70,4 % de los vehículos pagaría la deuda de GEI dentro de un rango de desviación estándar (es decir, 2,1 a 6,9 años). Además, aproximadamente una quinta parte de los BEV producidos y vendidos antes de 2016 no pagaron la deuda de GHG dentro de los cinco años, que era el período de garantía de batería EV requerido por el gobierno chino en 201425. En 2016, la garantía de batería requerida se extendió a ocho años26, y el 8 % de los BEV producidos y vendidos entre 2016 y 2018 no pueden alcanzar el GBET dentro del umbral de garantía de la batería (Tabla complementaria 3). Los BEV con cero GBET emiten menos emisiones de GEI en el ciclo del vehículo que sus contrapartes de petróleo y solo representan el 1,7% de la muestra total. Estos BEV "GBET cero" son predominantemente autos de clase A00, que tienen una capacidad de batería significativamente menor y un peso en vacío más liviano que otras clases de vehículos. Los BEVs cuyo GBET es mayor a 11 años representan ~2.9% del total de la muestra. Un total del 97,8% de estos BEV pertenecen a la clase MPV-A0. Esta ocurrencia probablemente se deba a que la diferencia de peso en los vehículos MPV-A0 entre los vehículos que funcionan con electricidad y los que funcionan con combustible es la más grande (ver más detalles en la Tabla complementaria 4), lo que resulta en una enorme deuda de GEI y el GBET más largo.

Dos tendencias contradictorias influyen en los cambios año tras año en BEV GBET. Por un lado, con el avance de la tecnología de baterías, la capacidad de la batería y el rango de manejo de los BEV aumentan, ofreciendo un kilometraje de sustitución más efectivo para los ICEV y resultando en una tendencia decreciente en GBET. Por otro lado, las baterías de mayor capacidad generalmente tienen un tamaño más grande, un peso más pesado y un peso en vacío más pesado para el soporte, lo que probablemente genera una mayor deuda de carbono en la fase de producción y, por lo tanto, necesita más tiempo para pagar. Bajo el efecto combinado de estas dos tendencias, el GBET de BEV producidos y vendidos entre 2012 y 2018 muestra una tendencia fluctuante, que varía según la clase de vehículo (Tabla 1). Por ejemplo, el GBET de los automóviles de clase A y los SUV de clase A0 muestra una tendencia general creciente con fluctuaciones de un año a otro, mientras que el de los monovolúmenes de clase B generalmente disminuye.

El GBET de BEV también muestra una heterogeneidad significativa entre varios modos de transporte (automóvil, SUV y MPV) y clases de tamaño (A00, A0, A, B y C) (ver más detalles de la clasificación de vehículos en la Tabla complementaria 5). El impacto de los factores influyentes también es bidireccional. Por un lado, los modos de transporte más pesados ​​y los vehículos de mayor tamaño suelen tener baterías de mayor capacidad y peso, lo que genera mayores emisiones de GEI en la fase de producción y, por lo tanto, más deuda de GEI (consulte la Tabla complementaria 4). Esta tendencia aumenta potencialmente GBET. Por otro lado, las contrapartes que funcionan con combustible de los modos de transporte más pesados ​​y los vehículos de mayor tamaño consumen mucha energía (consulte la Tabla complementaria 4) y emiten más GEI durante el ciclo del combustible, lo que resulta en beneficios de reducción de emisiones más notables de los BEV en relación con los ICEV y más cortos. Períodos de pago de la deuda de GEI. Esta tendencia potencialmente disminuye GBET. Bajo el efecto combinado de estas dos tendencias, el GBET de los BEV muestra una tendencia general creciente con clases de mayor tamaño (A00 < A0 < A < B) y modos de transporte más grandes (Auto < SUV < MPV).

Más específicamente, los efectos del modo de transporte y la clase de tamaño interactúan. El impacto del modo de transporte varía según las clases de tamaño. Para los vehículos de clase A0, el GBET aumenta en el orden de Automóvil, SUV y MPV. Este orden implica que los impactos crecientes de una mayor deuda de GEI causada por el mayor peso de los modos de transporte más grandes superan los impactos decrecientes causados ​​por la mejora de la eficiencia de pago de la deuda durante el ciclo del combustible (la terminología combustible se usa convencionalmente, refiriéndose a la producción de electricidad, transmisión, y uso para BEV). Para los vehículos de clase A y clase B, el GBET del automóvil es el más grande (6,3 a 7,3 años), el MPV está en el medio (5,8 a 6,1 años) y el SUV es el más pequeño (3,1 a 4,8 años) . Esto indica que bajo estas dos clases de tamaño, el efecto positivo del aumento en la tasa de pago de la deuda en el ciclo de combustible de los SUV y MPV compensa completamente el efecto negativo debido al aumento del peso en vacío. De manera similar, el efecto de la clase de tamaño en GBET está relacionado con el modo de transporte. Para Cars, GBET muestra una tendencia creciente con un tamaño más grande. El efecto de prolongación de GBET causado por el aumento en la deuda de GEI con el aumento en la clase de tamaño excede el efecto de reducción causado por el aumento en la reducción de emisiones del ciclo de combustible. Los SUV y MPV muestran la tendencia opuesta: GBET disminuye con el aumento de la clase de tamaño. En este caso, las ventajas relativas de los BEV en la reducción de emisiones del ciclo de combustible generadas por el aumento en la clase de tamaño son más dominantes. Por lo tanto, en general, los SUV y MPV con clases de tamaño más grandes y los automóviles con clases de tamaño más pequeño tienen GBET más cortos.

El GBET de BEV en China varía significativamente entre provincias (Fig. 2a). El GBET promedio de BEV producidos y vendidos en 2018 es de 6,9 ​​a 7,9 años en las provincias del noreste, de 2 a 6 años más que el promedio en las provincias del suroeste. Las variaciones entre provincias de cuatro factores (Fig. 2b), incluida la composición de las clases de tamaño, la composición de los modos de transporte, los kilómetros recorridos por vehículo (VKT) anuales y la intensidad de emisión de GEI de la red eléctrica local, podrían explicar la heterogeneidad regional de GBET. En el mismo año, la participación de los vehículos de clase A00 en las ventas totales de BEV por provincia osciló entre el 5,7 % en Qinghai y el 90,2 % en Guangxi, con una media del 42,4 %. La participación de Automóviles en las ventas totales de BEV por provincia osciló entre el 26,4 % en Jilin y el 96,3 % en Guangxi, con una media del 70,3 %. El promedio provincial de VKT anual de 2018 osciló entre 678 km en el Tíbet y 15 927 km en Guangdong, y el promedio provincial de intensidad de emisión de GEI de la producción de electricidad osciló entre 38 gCO2e/kW en el Tíbet y 801 gCO2e/kW en Tianjin, un rango de veinte veces mayor en su extremo superior que en su extremo inferior.

a El GBET promedio de BEV por provincia en 2018. Los datos de la Región Administrativa Especial (RAE) de Hong Kong, la RAE de Macao y la provincia de Taiwán no están disponibles. b Cuatro factores influyentes de GBET por provincia en 2018, incluida la composición de las clases de tamaño de los vehículos, la composición de los modos de transporte, el promedio anual de kilómetros recorridos por vehículos y la intensidad de las emisiones de gases de efecto invernadero de las redes a nivel provincial. Vehículo utilitario deportivo SUV, vehículo polivalente MPV. Los datos de origen se proporcionan como un archivo de datos de origen. El uso del mapa base en a se aplicó sin respaldo utilizando datos del servicio de mapas estándar publicado por el Ministerio de Recursos Naturales (http://bzdt.ch.mnr.gov.cn/).

Para los BEV producidos y vendidos en 2018, las cinco provincias principales con el GBET más largo fueron Jiangxi, Jilin, Heilongjiang, Liaoning y Tibet. Para las tres provincias del noreste (es decir, Jilin, Heilongjiang, Liaoning), las razones del GBET largo son similares, ya que estas provincias tienen vehículos de mayor tamaño/modos, mayores intensidades de emisión de GEI para las redes eléctricas locales y un VKT relativamente más bajo. La mayor intensidad de emisión de GEI es consistente con la estructura de generación de energía predominantemente de carbón en estas regiones, y el VKT más bajo implica que los BEV no se utilizan lo suficiente, lo que lleva a más tiempo para pagar la deuda de GEI. Los tamaños de los vehículos y los modos de transporte de la provincia de Jiangxi son relativamente pequeños, pero las altas intensidades de emisión de GEI y el bajo VKT contribuyen al largo GBET. El GBET largo en el Tíbet se debe principalmente a su VKT extremadamente bajo, que es casi un 90% menos que el promedio nacional anual. Esto probablemente se puede explicar por el retraso en el progreso en la construcción de infraestructura de carga para BEV y la topografía especial del Tíbet (p. ej., el rango de conducción limitado de los vehículos eléctricos puede no satisfacer las necesidades locales de viajes de larga distancia). Aunque el Tíbet tiene la intensidad de emisión de GEI más baja para su red eléctrica, ya que la generación de energía con carbón representa solo el 1,5 % de la cantidad total provincial, la tasa de utilización más baja de vehículos eléctricos en el Tíbet compensa por completo los beneficios climáticos que trae su generación de electricidad con bajas emisiones de carbono. estructura y explica por qué tiene el GBET largo. Las cinco provincias con el GBET más corto son Guizhou, Guangxi, Hunan, Tianjin y Sichuan. Los tamaños/modos de vehículos más pequeños, una combinación de electricidad más limpia o un VKT más alto explican el corto GBET de estas provincias.

Las estimaciones de GBET se ven afectadas principalmente por dos fuentes de incertidumbre. Una es la incertidumbre del parámetro y la otra es la incertidumbre debida al uso de diferentes puntos de referencia de comparación. En términos de incertidumbre de los parámetros, agrupamos todos los factores influyentes en diez grupos (Tabla complementaria 6) y realizamos un análisis de sensibilidad de perturbación de una variable a la vez para cada variable agrupada (ver más detalles en "Métodos"). Los seis principales factores sensibles, en orden descendente, son el peso en vacío, los factores de emisión de GEI de la producción de material del vehículo, la capacidad de la batería, los factores de emisión de GEI de la producción de material de la batería, el VKT anual y los factores de emisión de GEI de las redes eléctricas (Tabla complementaria 7). Podemos decir que los GBET son más sensibles a los factores del ciclo del vehículo (los primeros cuatro factores) que a los factores del ciclo del combustible (los dos últimos). Esto es diferente de los estudios anteriores de LCA, que revelaron efectos más fuertes de los factores del ciclo de combustible en las emisiones del ciclo de vida que los del ciclo del vehículo5,27,28,29. La razón de los diferentes resultados del análisis es que la estimación de GBET solo considera las emisiones de GEI antes del punto de equilibrio, mientras que el LCA considera las emisiones del ciclo de vida; la escala más pequeña de las primeras da como resultado un poder de influencia debilitado del ciclo de combustible. factores Los seis factores sensibles se incluyen luego en el análisis de incertidumbre utilizando el enfoque de rango y el método de diseño experimental ortogonal (OED) (ver más detalles en Métodos). Los resultados (Fig. 3 complementaria) muestran que el GBET promedio nacional (4,5 años en la estimación básica) cae a ~1,9 años en el escenario de la extremidad inferior con un aumento anual radical de VKT, vehículos más livianos, red eléctrica más limpia y bajo -factores de emisión de material de carbono mientras aumenta a 6,5 ​​años en la extremidad superior.

Además, el GBET de los BEV también depende en gran medida del punto de referencia de comparación de los ICEV, que varía en un amplio rango. Para la verificación de robustez, emparejamos BEV con ICEV en diferentes clases de tamaño e incluimos los ICEV más y menos eficientes como puntos de referencia para presentar estimaciones de GBET pesimistas y optimistas. En comparación entre las clases de tamaño adyacentes, las estimaciones de GBET fluctúan entre −74 y 156 % (Tabla complementaria 8). En comparación con los ICEV de la misma clase de tamaño pero cuyas emisiones de GEI se encuentran en el cuartil inferior (es decir, el 25 % superior de ICEV de bajas emisiones), el GBET aumenta entre 1,9 y 6,7 años, con un aumento promedio de 3,9 años (Fig. 4). En este caso, casi la mitad de los BEV producidos y vendidos en 2018 no pueden pagar la deuda de GEI en 11 años. Cuando cambiamos el punto de referencia a los ICEV cuyas emisiones de GEI se encuentran en el cuartil superior (es decir, el 25 % superior de ICEV de altas emisiones), el GBET disminuye entre 1,6 y 5,1 años, con una disminución promedio de 2,9 años (Figura complementaria 4) . En este caso, todos los BEV vendidos en 2018 alcanzan el GBET en 7 años y el 95 % de ellos en 3 años.

La estimación de GBET en este estudio alerta a los responsables políticos de que los beneficios climáticos de los BEV no son gratuitos, sino que están condicionados al tiempo necesario para pagar su deuda de GEI contraída en la etapa de producción del vehículo. Esta circunstancia también trae la comprensión de los beneficios climáticos retrasados ​​de los BEV de China de un nivel abstracto a un umbral concreto. Tales hallazgos tienen enormes implicaciones para el mundo real.

Primero, se pueden desarrollar nuevos indicadores basados ​​en GBET para guiar la implementación de BEV. Por ejemplo, el porcentaje de BEV que han alcanzado GBET (P-GBET) es un indicador que complementa el índice de penetración (PR) de BEV ampliamente utilizado. En otras palabras, no es solo cuántos BEV se producen y venden, sino también cuántos de ellos tienen reducciones de emisiones positivas que contribuyen a los beneficios climáticos del sector del transporte. Hasta ahora, China y muchos otros países han aprovechado múltiples incentivos de adquisición, como créditos fiscales, descuentos o devoluciones, exención de los BEV de los controles de congestión y cuotas separadas de matrículas para BEV30,31,32,33, para lograr un PR más alto. Sin embargo, una vez que se completa la venta, estas políticas ya no están vigentes, lo que deja sin gestionar el verdadero efecto climático34. Una solución directa a este problema es establecer políticas de seguimiento para el despliegue de BEV, como adoptar subsidios por etapas (es decir, extender el cronograma del subsidio desde el momento de la compra hasta el momento en que alcanza su GBET), invertir en infraestructuras de carga, y motivar el reemplazo de ICEV, para promover una mayor P-GBET.

GBET también puede ayudar a establecer estándares técnicos para la esperanza de vida o el tiempo de reemplazo de la batería de los BEV para garantizar beneficios climáticos netos. Por ejemplo, China exige actualmente una garantía de ocho años o 120 000 kilómetros (lo que ocurra primero) para las baterías de vehículos eléctricos26. Sin embargo, como muestran nuestras estimaciones en las secciones anteriores, no todos los vehículos pueden alcanzar su GBET dentro del período de garantía de la batería, especialmente para algunos vehículos de gran tamaño o modo grande. Esta situación exige un período de garantía requerido más prolongado para los modos de transporte pesado. De hecho, GBET proporciona pautas para períodos de garantía diferenciados y otros estándares relevantes para la longevidad. Este proceso, por un lado, facilita los beneficios climáticos al evitar el reemplazo temprano de las baterías y, por otro lado, motiva a los proveedores de BEV a mejorar el desempeño climático de sus productos.

Vale la pena mencionar que un GBET más pequeño no necesariamente produce una mayor reducción de emisiones durante el ciclo de vida. Por ejemplo, los BEV con un rango de manejo esperado más largo tienden a tener una vida útil más larga, lo que resulta en mayores beneficios de reducción de emisiones durante todo el ciclo de vida. Sin embargo, el aumento del rango de conducción a menudo depende de una mayor capacidad de la batería y un mayor peso, lo que aumenta las emisiones de GEI en la producción de baterías y conduce a una mayor deuda de GEI. Por lo tanto, llevará más tiempo pagar estas deudas de GEI, lo que llevará a un GBET más prolongado. El GBET es un indicador complementario a las métricas existentes, ya que proporciona información sobre la rapidez con la que se generan los beneficios climáticos, mientras que la evaluación LCA anterior sugiere la escala de los beneficios a lo largo de la vida útil del vehículo. Ambas informaciones deben tenerse en cuenta al evaluar los efectos de mitigación climática de la electrificación de vehículos.

Además, aunque pueden existir compensaciones entre las reducciones de las emisiones del ciclo de vida y tiempos de recuperación más rápidos, todavía hay espacio para la sinergia. Los formuladores de políticas pueden alentar más exploraciones en reducciones de emisiones de BEV más y más rápidas, por ejemplo, reduciendo la deuda de carbono mediante el aligeramiento de vehículos20,35,36,37,38,39, reciclaje de materiales40,41, reciclaje y reutilización de baterías42,43,44. Otra estrategia es acelerar la tasa de pago de la deuda de GEI intensificando el uso de los BEV existentes a través del uso compartido de vehículos o priorizando los BEV como taxis45,46. Intensificar el uso de BEV mediante el uso compartido de vehículos en lugar de expandir la propiedad de vehículos simultáneamente acortaría el GBET, lograría más reducciones de emisiones de GEI y resolvería otros problemas, como la congestión del tráfico, el agotamiento de los recursos minerales, la presión de construcción de infraestructura y la contaminación ambiental47,48. Esta estrategia es factible, ya que esencialmente lo que la gente realmente necesita es un servicio de transporte de alta calidad en lugar del vehículo en sí49. Además, la alineación de los sitios de producción de BEV con la red de energía renovable planificada puede facilitar una mayor y más rápida reducción de las emisiones de GEI de BEV50. Actualmente, las producciones de baterías y BEV de China se ubican principalmente en la región costera del sureste y el noreste, donde la intensidad de las emisiones de GEI de la red es relativamente alta (ver más detalles en la figura complementaria 5). La distribución geográfica de los fabricantes de baterías y automóviles en China está determinada por las ventajas de producción históricas, como la disponibilidad de líneas de producción maduras. Por ejemplo, Contemporary Amperex Technology Co., Limited (CATL), el mayor fabricante de baterías para vehículos eléctricos en China, inicialmente producía baterías para teléfonos. Sus ventajas de producción históricas facilitan las externalidades de la aglomeración, el derrame de tecnología y las ganancias de productividad, lo que le permite cambiar rápidamente a la producción de baterías BEV. Como un paso adelante para igualar el desarrollo bajo en carbono de las redes eléctricas, CATL construyó más fábricas en las provincias del sudoeste con abundante energía renovable, como la primera fábrica de cero emisiones de carbono construida en Yibin, provincia de Sichuan51. La incorporación de una producción de electricidad más limpia en el diseño de la producción de BEV es favorable tanto para acortar GBET como para reducir las emisiones del ciclo de vida.

Aunque nuestros hallazgos tienen grandes implicaciones, también notamos que existen varias limitaciones. En primer lugar, asumimos que el millaje de sustitución efectivo anual de un BEV por ICEV es el VKT promedio anual en la provincia en la que se vende, sin considerar el efecto de rebote o el efecto indirecto52 de la absorción de BEV en las emisiones de GEI. Esta suposición podría sesgar la estimación de GBET. En el escenario en el que el propietario de un automóvil por primera vez compró un BEV para reemplazar el servicio de transporte público en lugar de los ICEV, el millaje de sustitución efectivo es menor que el VKT anual del BEV y da como resultado una subestimación del GBET. En el otro escenario en el que se compra un BEV para reemplazar realmente al ICEV que ya posee, debido a la limitada autonomía de conducción del BEV, el usuario podría reducir el uso del automóvil en comparación con cuando posee un ICEV. Aquí se produce un efecto indirecto positivo y el kilometraje de sustitución efectivo es mayor que el VKT anual del BEV. De hecho, es complicado hasta qué punto los BEV sustituyen efectivamente a los ICEV, ya que es relevante para los comportamientos de los consumidores34; esta relación no se ha discutido completamente y deja amplias oportunidades para futuras investigaciones.

En segundo lugar, si bien distinguimos el GBET del mismo modelo de vehículo (1894 modelos en total de 2012 a 2018) por ubicación de producción y venta, otros datos del mundo real a nivel de vehículo, incluida la eficiencia de combustible en carretera y el real -Tiempo factor de emisión de GEI relativo al tiempo de carga, no se adquieren. La falta de estos datos sesgaría las estimaciones de GBET. La diferencia entre la eficiencia de combustible en carretera y la eficiencia de combustible oficial informada por los fabricantes varía, influenciada por factores ambientales del mundo real y comportamientos de conducción53,54. El uso de factores de emisión de la red eléctrica promedio anual sin considerar los efectos estacionales y diarios en la combinación de electricidad podría subestimar nuestra estimación de GBET. Por ejemplo, la mayoría de los BEV en Shanghai se cargan por la noche55, cuando la intensidad de emisión de la red es más alta que el promedio debido a que la demanda de electricidad residencial alcanza su punto máximo y hay menos energía renovable disponible para la generación de energía en este momento56. El uso de los factores de emisión de electricidad marginales57 permite estimaciones más precisas, aunque hacerlo es un desafío debido a la falta de datos.

En tercer lugar, no hemos considerado el efecto del reciclaje de baterías, el proceso de degradación o el efecto de antigüedad en el consumo de energía de los vehículos eléctricos y las emisiones de GEI. Los vehículos eléctricos que usan baterías recicladas y de uso secundario tienen una deuda de GEI mucho más baja que los vehículos eléctricos producidos inicialmente58. Teniendo en cuenta la degradación de la batería59, el GBET de los BEV podría ser más largo que las estimaciones. También vale la pena mencionar que los retrasos adicionales se deben a que las existencias de vehículos más antiguos y menos eficientes permanecen en la flota de automóviles durante mucho tiempo60.

A pesar de las limitaciones, nuestro estudio amplía la comprensión de los retrasos en los beneficios climáticos de los BEV desde un nivel conceptual hasta una medida de umbral concreta utilizando datos del mercado chino. La escala de los datos nos permite investigar simultáneamente desde una perspectiva completa (es decir, perspectiva nacional y heterogeneidad regional) hasta una detallada (perspectiva del modelo de vehículo). Este estudio es un recordatorio oportuno para que los formuladores de políticas presten más atención a la distribución temporal de los efectos climáticos y brinde pautas para las políticas de implementación de BEV y el diseño estándar de longevidad. Los indicadores basados ​​en GBET, como la proporción de BEV que han alcanzado el GBET, podrían ser un factor complementario vital para los indicadores existentes de la tasa de penetración de BEV. Brindan dimensiones adicionales para que los formuladores de políticas las consideren, especialmente en la promoción de la sustitución efectiva de BEV por ICEV, en lugar de simplemente acelerar la carrera de implementación de BEV.

El GBET de los BEV se define como el tiempo necesario para pagar la deuda de GEI contraída durante la producción de paquetes de baterías con alto contenido de carbono y materiales para vehículos asociados. Las estimaciones de GBET se basan en la evaluación del ciclo de vida (LCA) de las emisiones de GEI de los vehículos y las comparaciones entre vehículos BEV y sus contrapartes que funcionan con combustible año tras año. Comenzamos esta sección estableciendo la configuración de LCA. Luego, presentamos cómo los BEV se emparejan con los puntos de referencia de ICEV para la estimación de GBET, así como las fuentes de datos y los supuestos clave. Finalmente, se realiza un análisis de sensibilidad e incertidumbre para demostrar cómo cambian los resultados con diferentes suposiciones de parámetros y varios puntos de referencia ICEV emparejados.

Las emisiones de GEI de los BEV e ICEV se estiman utilizando el Modelo de evaluación del ciclo de vida automotriz de China (CALCM). La unidad funcional de este LCA es 1 km recorrido por un vehículo de pasajeros en China durante 11 años. El modelo es la compilación y evaluación de las entradas, salidas y posibles impactos ambientales de un sistema vehicular durante su ciclo de vida61. Aquí, seguimos las instrucciones de los estándares nacionales GB/T24044–200862, GB/T 24040–200863 y el estándar internacional ISO 14067-2018 para realizar la evaluación64. Tanto para los BEV como para los ICEV, el límite del sistema del ciclo de vida evaluado en este estudio incluye el ciclo del vehículo y el ciclo del combustible de los vehículos de pasajeros. El ciclo del vehículo comienza con la adquisición de materias primas, luego pasa al procesamiento y fabricación de materiales, la producción completa del vehículo y el mantenimiento (neumático, batería de plomo y reemplazo de fluidos). El ciclo de combustible se refiere a "Well to Wheels (WTW)", incluida la producción de combustible (Well to Pump/WTP) y el uso de energía (Pump to Wheels/PTW). Para los ICEV, WTP incluye extracción, refinación y procesamiento de petróleo crudo; PTW se refiere a la combustión de combustible. Para BEV, la terminología de combustible se usa en un sentido convencional, refiriéndose a la producción, transmisión y uso de electricidad. Las emisiones de GEI de BEV en WTP ocurren con la producción y transmisión de electricidad, mientras que las emisiones de GEI de BEV en PTW son cero, ya que no hay emisión de GEI durante la fase de uso de la electricidad. Se excluyen el transporte de materiales, la fabricación de equipos e infraestructura, y la producción y tratamiento de residuos de fabricación (Fig. 3).

El límite del sistema del ciclo de vida evaluado en este estudio incluye el ciclo del vehículo y el ciclo del combustible de los vehículos de pasajeros. El ciclo del vehículo comienza con la adquisición de materias primas, luego pasa al procesamiento y fabricación de materiales, la producción completa del vehículo y el mantenimiento (neumático, batería de plomo y reemplazo de fluidos). El ciclo de combustible se refiere a "Well to Wheels (WTW)", incluida la producción de combustible (Well to Pump/WTP) y el uso de energía (Pump to Wheels/PTW). Para BEV, la terminología de combustible se usa en un sentido convencional, refiriéndose a la producción, transmisión y uso de electricidad.

Las estimaciones del GBET incluyen dos fases: la comparación de los BEV con sus homólogos de combustible y el cálculo del GBET mediante la comparación de los vehículos combinados. Los métodos de estas dos fases se describen a continuación.

Dado que el GBET de BEV se calcula a nivel de vehículo, encontramos contrapartes impulsadas por combustible para cada uno de los BEV producidos y vendidos entre 2012 y 2018. Un BEV puede tener múltiples contrapartes impulsadas por combustible porque, en el mundo real, un BEV determinado puede percibirse como un posible sustituto de muchos vehículos de combustible. Teniendo en cuenta que, en la mayoría de los casos, los reemplazos ocurren en la misma clase de vehículo, comparamos cada uno de los BEV con los ICEV en la misma antigüedad, modo de transporte (automóvil, SUV y MPV) y clase de tamaño (A00, A0, A, B y C) (ver más detalles de la aclaración del vehículo en la Tabla complementaria 5) para generar estimaciones básicas, en referencia a la Fig. 4. Como la comparación es "uno (BEV) a muchos (ICEV)", para la comparación sistemática, generar una representación de los ICEV seleccionados, cuyos parámetros son el promedio de los ICEV equivalentes. Luego, la comparación se convierte en "uno (BEV) a uno (ICEV representativo). Luego calculamos el GBET promedio de BEV dentro del mismo estrato para generar una estimación general. En el análisis de incertidumbre, consideramos más posibilidades de los sustitutos en diferentes clases y más posibilidades de los ICEV representativos (ver análisis de sensibilidad e incertidumbre para más detalles).

Vehículo utilitario deportivo SUV, vehículo polivalente MPV.

Usando los ICEV representativos como punto de referencia para la comparación, calculamos el GBET de los BEV a nivel de vehículo individual. Las diferencias en las emisiones de GEI del ciclo del vehículo entre los puntos de referencia BEV e ICEV se estiman primero mediante la ecuación. (1), revelando la magnitud de la deuda de GEI. Luego, las emisiones anuales de GEI pagadas se calculan comparando las emisiones anuales de los puntos de referencia BEV e ICEV cuando se conducen para el kilometraje de sustitución efectivo, como se muestra en la ecuación. (2). Suponemos que el millaje de sustitución efectivo es el VKT anual de los BEV. Cuando las emisiones pagadas acumuladas igualan la deuda de GEI, se alcanza el punto de equilibrio, como Eq. (3) espectáculos.

donde \({E}_{{debt}}\left({t}_{0}\right)\) es la deuda de GEI de los BEV en relación con las contrapartes de ICEV en el año de producción t0. \({E}_{{BEV}}({t}_{0})\) y \({E}_{{ICEV}}({t}_{0})\) son GEI del ciclo del vehículo emisiones de BEV e ICEV, respectivamente. \({E}_{{payback}}(t)\) denota el payback acumulado de GEI en el año t. \({E}_{{BEV}}(t)\) y \({E}_{{ICEV}}(t)\) son emisiones anuales del ciclo de combustible de BEV e ICEV, respectivamente, cuando se conducen por el kilometraje efectivo de sustitución en el año t. Si \({E}_{{debt}}\left({t}_{0}\right)\le 0\), el GBET es cero, lo que significa que el BEV emite menos GEI que su punto de referencia ICEV comparable. De lo contrario, el GBET es el año \(t{\prime}\), cuando el BEV pagó su deuda de GEI por primera vez. Los cambios de un año a otro en las emisiones del ciclo de combustible se consideran tanto para los BEV como para los ICEV. Dado que nuestros cálculos son anuales, dentro del mismo año, asumimos que las emisiones acumuladas aumentan linealmente. En otras palabras, cuando encontramos un intervalo entero [t, t + 1] donde \({E}_{{debt}}({t}_{0})+{E}_{{payback}}(t )\) > 0 y \({E}_{{debt}}({t}_{0})+{E}_{{payback}}(t+1)\) < 0, usamos el lineal método de interpolación para encontrar la hora exacta \(t^{\prime}\).

Los datos utilizados en las estimaciones de GBET se pueden clasificar en cuatro categorías según sus niveles de resolución (consulte la Tabla complementaria 9). La primera categoría es el conjunto de datos a nivel de vehículos del mundo real, que contiene el tipo de modelo, el año y la ubicación de producción y ventas de casi todos los BEV (casi 1,5 millones de unidades) y el 82% de los ICEV (145,9 millones de unidades) en China desde 2012 a 2018 (ver figuras complementarias 5, 6). El conjunto de datos proviene del Seguro obligatorio de responsabilidad civil por accidentes de tráfico (CTALI) de China, proporcionado por el Centro de investigación y tecnología automotriz de China (CATARC)65,66. Dado que CTALI es obligatorio para todos los vehículos matriculados en China, los datos tienen una amplia cobertura y una alta credibilidad. Los datos a nivel de vehículo nos permiten distinguir el GBET de los BEV entre modelos de vehículos, años y ubicaciones.

La segunda categoría es la información del modelo del vehículo. La base de datos de CTALI registró 227 tipos de modelos BEV y 1667 tipos de modelos ICEV de 2012 a 2018. Para cada tipo de modelo de vehículo, se recopilaron más especificaciones técnicas, incluido el tipo de modelo, el peso en vacío, el peso de la batería, la capacidad de la batería y el consumo de combustible. del Anuncio de Empresas de Fabricación de Vehículos y Productos de Vehículos67 que se rige por el Ministerio de Industria y Tecnología de la Información (MIIT) de China. El consumo de combustible para cada tipo de modelo se basó en las condiciones de prueba del Nuevo ciclo de conducción europeo (NEDC)68. Se proporcionan más descripciones estadísticas de los datos en las figuras complementarias. 7–9. Estos detalles técnicos se utilizaron en el análisis de LCA, lo que permitió la estimación de las emisiones de GEI a nivel de modelo de vehículo. Además, al combinar esta información con el año de producción y el lugar de venta de cada vehículo, podemos identificar la heterogeneidad regional de GBET para el mismo modelo de vehículo utilizando los datos VKT y los factores de emisión de GEI de las redes eléctricas que varían según las provincias.

La tercera categoría de datos se informa a nivel de provincia, incluidos los Kilómetros de viaje por vehículo (VKT) anuales para BEV e ICEV y la intensidad de emisión de las redes eléctricas. Los datos de VKT para 2018 se extrajeron de National Big Data Alliance of New Energy Vehicles (NDANEV)69, que registra la conducción, la carga y el estado de falla de los vehículos en el mundo real, automóvil por automóvil. De acuerdo con los requisitos del estándar nacional GB/T 3296070, los datos se cargan en la plataforma cada 30 segundos cuando el vehículo está conduciendo y el estado de falla se carga cada segundo. Entre 2018 y el 17 de julio de 2022, la NDENEV accedió a 9,27 millones de vehículos de nuevas energías con un VKT total de 295.500 millones de kilómetros. Aunque los datos en NDENEV son auto por auto, los datos VKT a nivel de vehículo no se usaron en el análisis de GBET ya que no teníamos acceso a la información de identificación del vehículo para hacer coincidir la base de datos NDENEV con la base de datos CTALI. Por lo tanto, agregamos los datos a nivel provincial, asumiendo que el VKT de los vehículos dentro de las mismas provincias es homogéneo. En el SI se proporciona más información estadística sobre los datos VKT del mundo real (consulte las figuras complementarias 1, 2).

En la estimación de GBET, los datos VKT del vehículo por provincia cambian anualmente. Con base en los datos del mundo real de NDENEV en 2018, proyectamos el VKT antes y después de 2018 utilizando dos métodos: uno mantiene actitudes conservadoras hacia el aumento de VKT, mientras que el otro es más radical. Según la estimación conservadora, el VKT objetivo en 2030 por provincia contiene cinco niveles, es decir, 18 000, 15 000, 13 000 km, 12 000 y 8000 km, para reflejar la heterogeneidad regional en la velocidad de desarrollo de vehículos de nueva energía. Luego, el VKT en cada provincia antes y después de 2018 se proyectó linealmente, asumiendo que el VKT aumenta a distintas velocidades entre las provincias (consulte la Tabla complementaria 10). Al utilizar la estimación radical, establecimos un objetivo VKT más ambicioso para 2030, lo que refleja un posible escenario en el que los BEV de pasajeros y las infraestructuras de carga en China se desarrollarían dramáticamente (consulte la Tabla complementaria 11).

La intensidad de emisión de la generación de electricidad por provincia se calculó con base en la estructura de generación de energía y los factores de emisión de GEI en todos los tipos de generación de energía, asumiendo que la estructura de consumo de electricidad es la misma que la de la generación de electricidad. Tal suposición podría subestimar la intensidad de las emisiones porque el consumo marginal de electricidad para los BEV generalmente depende de las centrales eléctricas de carbón y gas natural cuyas operaciones son relativamente estables con intensidades de emisión de GEI más altas que la estructura de la red. Los datos de la estructura de generación de energía provincial de 2012 a 2019 se adquirieron del Consejo de Electricidad de China71, y los de 2020 a 2028 se obtuvieron de los datos de pronóstico a los que se hace referencia en Li et al.72. Los factores de emisión de GEI de diferentes tecnologías de generación de energía (es decir, carbón, eólica, solar, nuclear, etc.) fueron referenciados en el Quinto Informe de Evaluación del IPCC (AR5)73. En las estimaciones básicas se utilizó el valor medio reportado por IPCC AR5; este valor se encuentra dentro del rango de la mayoría de las investigaciones existentes sobre las emisiones de GEI de las tecnologías de generación de energía en China (consulte más literatura en la Tabla complementaria 12). Empleamos los valores máximos y mínimos de la investigación existente en el análisis de incertidumbre. Los resultados de la intensidad de emisión de la red eléctrica por provincia se presentan en las Tablas Complementarias 13–15.

La última categoría de datos son los datos del inventario del ciclo de vida (LCI) de la última base de datos del ciclo de vida automotriz de China (CALCD)-2021 (consulte las tablas complementarias 16, 17), desarrollada por CATARC66. Estos datos son homogéneos entre provincias. Comparamos los datos de LCI de CALCD-2021 con dos bases de datos de LCI conocidas internacionalmente, Greenhouse gases, Regulated Emissions, and Energy use in Technologies Mode (GREET) y ecoinvent 3.674,75. Encontramos una consistencia bastante alta entre estas bases de datos (consulte la Tabla complementaria 17).

Consideramos dos fuentes de incertidumbre que podrían modular las estimaciones de GBET. Uno son las incertidumbres de los parámetros en el análisis LCA y el otro son los métodos de comparación entre los BEV y los ICEV.

Realizamos un análisis de sensibilidad de perturbación de una variable a la vez de los parámetros de entrada (Tabla complementaria 6) que influyen en el GBET. Para cada variable, se calcularon los coeficientes de sensibilidad (σi), que indican el cambio porcentual en GBET cuando la variable cambió en un 1% (Ec. 4).

donde \({{GBET}}_{i}^{{\prime} }\) representa el valor en el caso de la primera solución (línea base); \({{GBET}}_{i}\) representa el valor de GBET bajo el supuesto cambio de la variable i; \({{Inf}}_{i}^{{\prime} }\) denota el valor inicial de la variable i; y \({{Inf}}_{i}\) representa la variable modificada i. Los coeficientes de sensibilidad más altos denotan una mayor sensibilidad de la estimación GBET a los cambios de las variables. En general, incluimos diez factores influyentes en nuestro análisis. Dado que los datos de LCI tienen un gran volumen, los agrupamos en cuatro factores para facilitar la ejecución: factores de emisión de GEI de la producción de materiales para vehículos, factores de emisión de GEI de la producción de materiales para baterías, consumo de electricidad durante la etapa de producción de vehículos, consumo de electricidad durante la producción de baterías etapa (ver más detalles en la Tabla complementaria 6). Los seis factores restantes se obtienen directamente de las bases de datos que utilizamos. Con base en los resultados del análisis de sensibilidad, identificamos los seis principales factores sensibles en orden descendente: peso en vacío, factores de emisión de GEI de la producción de materiales para vehículos, capacidad de la batería, factores de emisión de GEI de la producción de materiales para baterías, VKT anual y factores de emisión de GEI de las redes eléctricas. (mostrado en la Tabla Suplementaria 7).

Además, consideramos estos factores sensibles en el análisis de incertidumbre. El método más común de análisis de incertidumbre es la simulación Monte Carlo. Sin embargo, es un desafío para la estimación de GBET ya que la curva de distribución de múltiples parámetros de entrada, especialmente los de los datos de LCI, son difíciles de alcanzar. Aquí, llevamos a cabo un análisis de incertidumbre combinando el enfoque de rango con el diseño experimental ortogonal (OED). El enfoque de rango prueba los efectos de muestrear los parámetros en el extremo de sus rangos de variabilidad sobre la incertidumbre de salida76,77 para evitar hacer un juicio sobre la probabilidad de ocurrencias diferentes78. Asumimos una cobertura uniforme del espacio de entrada de incertidumbre, es decir, ±5 %, para estos factores: peso en vacío, capacidad de la batería, factores de emisión de GEI de la producción de materiales para vehículos y factores de emisión de GEI de la producción de materiales para baterías. Para la intensidad de las emisiones de GEI de las redes eléctricas, utilizamos los factores de emisión de GEI de la generación de energía del informe del IPCC73 en la estimación básica y los valores bajos o altos a los que se hace referencia en los estudios en el contexto chino como los dos extremos (Tablas complementarias 13–15 ). Para el VKT anual, consideramos un escenario conservador y un escenario de desarrollo radical, respectivamente, para reflejar las variaciones (Tablas complementarias 10, 11). El OED es un método eficaz para organizar y analizar interacciones multifactoriales. Como alternativa a la presentación de todas las formas de combinación de múltiples factores, el método OED programa eficientemente experimentos multifactoriales con niveles de combinación óptimos79,80. Para los seis factores sensibles anteriores, utilizamos una tabla ortogonal (Fig. 3 complementaria) que contiene 18 escenarios representativos para investigar sus impactos combinados, siguiendo las pautas de la ref. 81.

El GBET de los BEV también depende en gran medida del punto de referencia de comparación de los ICEV. En las estimaciones básicas, usamos el nivel promedio de ICEV en la misma clasificación de vehículos (es decir, año de producción, modo de transporte y clase de tamaño) como punto de referencia para cada BEV. Teniendo en cuenta la posibilidad de que los compradores de BEV no sean compradores potenciales de un ICEV en la misma clase de tamaño, comparamos cada BEV con ICEV en clases de tamaño adyacentes (consulte la Tabla complementaria 8). Además, para presentar el impacto de la variación de los puntos de referencia de ICEV en las estimaciones de GBET, utilizamos el nivel promedio de ICEV como referencia y consideramos las situaciones pesimista y optimista comparando los BEV con los ICEV más y menos eficientes en el análisis de incertidumbre. Más específicamente, si el BEV estudiado es un SUV de clase A0, usamos el nivel de emisión promedio y el nivel de emisiones superior e inferior del 25 % de los SUV de clase A0 que funcionan con combustible como puntos de referencia en la comparación (consulte la Fig. 4 complementaria). La compilación de estos escenarios facilita una comprensión más completa de las estimaciones de GBET.

Los datos fuente para las Figs. 1 y 2 se proporcionan con este documento como un archivo de datos de origen (https://doi.org/10.6084/m9.figshare.22437775). Los datos adicionales utilizados en los análisis se proporcionan en la Información complementaria. Las especificaciones técnicas de los modelos de vehículos están disponibles públicamente en el sitio web de consulta de anuncios de automóviles (http://chinacar.com.cn/search.html). La Base de datos del ciclo de vida del automóvil de China (CALCD) y el Modelo de evaluación del ciclo de vida del automóvil de China (CALCM) están disponibles en el Centro de investigación y tecnología del automóvil de China (CATARC) previa solicitud (http://www.catarc.info/). Los datos de ventas a nivel de vehículos del Seguro Obligatorio de Responsabilidad Civil por Accidentes de Tránsito (CTALI, por sus siglas en inglés) de China son confidenciales. Debido a la restricción del acuerdo de licencia, los autores no tienen derecho a divulgar públicamente el conjunto de datos original. Los datos de origen se proporcionan con este documento.

El código utilizado para estimar el tiempo de equilibrio de los gases de efecto invernadero está disponible gratuitamente en Figshare (https://doi.org/10.6084/m9.figshare.22491034).

Agencia Internacional de Energía (AIE). Global EV Outlook 2022. https://www.iea.org/reports/global-ev-outlook-2022 (2022).

Zeng, D. et al. ¿Son los vehículos eléctricos más sostenibles que los convencionales? Influencias de los supuestos y enfoques de modelado en el caso de automóviles típicos en China. recurso Conservar reciclar 167, 105210 (2021).

Artículo Google Académico

Wu, D. et al. Heterogeneidad regional en los beneficios de emisiones de los vehículos ligeros electrificados y aligerados. Reinar. ciencia Tecnología 53, 10560–10570 (2019).

Artículo ADS CAS PubMed Google Scholar

Knobloch, F. et al. Reducciones netas de emisiones de automóviles eléctricos y bombas de calor en 59 regiones del mundo a lo largo del tiempo. Nat. Sostener. 3, 437–447 (2020).

Artículo PubMed PubMed Central Google Académico

Cox, B., Mutel, CL, Bauer, C., Beltran, AM y van Vuuren, DP Huella ambiental incierta de los vehículos eléctricos de batería actuales y futuros. Reinar. ciencia Tecnología 52, 4989–4995 (2018).

Artículo ADS CAS PubMed Google Scholar

Plan de desarrollo de la industria de vehículos de nueva energía (2021-2035), Oficina General del Consejo de Estado de la República Popular China, 20 de octubre de 2020, consultado el 4 de agosto de 2022; http://www.gov.cn/zhengce/content/2020-11/02/content_5556716.htm.

Fit for 55, Consejo Europeo, consultado el 5 de agosto de 2022; https://www.consilium.europa.eu/en/policies/green-deal/fit-for-55-the-eu-plan-for-a-green-transition/.

Hoja informativa: El presidente Biden anuncia pasos para impulsar el liderazgo estadounidense en automóviles y camiones limpios, La Casa Blanca, 5 de agosto de 2021, consultado el 15 de octubre de 2022; https://www.whitehouse.gov/briefing-room/statements-releases/2021/08/05/fact-sheet-president-biden-announces-steps-to-drive-american-leadership-forward-on-clean- coches-y-camiones/.

Japan Transition to Electric Vehicles, Administración de Comercio Internacional, 7 de julio de 2021, consultado el 1 de abril de 2023; https://www.trade.gov/market-intelligence/japan-transition-electric-vehicles.

Zhang, X., Liang, Y., Yu, E., Rao, R. & Xie, J. Revisión de las políticas de vehículos eléctricos en China: resumen de contenido y análisis de efectos. Renovar. Sostener. Energy Rev. 70, 698–714 (2017).

Artículo Google Académico

Zhang, X. & Bai, X. Políticas de incentivos de 2006 a 2016 y adopción de vehículos de nueva energía en 2010-2020 en China. Renovar. Sostener. Energía Rev. 70, 24–43 (2017).

Artículo Google Académico

Operación Industria | Operación económica de la industria automotriz en 2021, Asociación China de Fabricantes de Automóviles, 12 de enero de 2022, consultado el 5 de agosto de 2022; http://www.caam.org.cn/chn/4/cate_154/con_5235337.html.

Plan de acción para el pico de dióxido de carbono antes de 2030, Comisión Nacional de Desarrollo y Reforma (NDRC) de la República Popular China, 27 de octubre de 2021, consultado el 5 de agosto de 2022; https://en.ndrc.gov.cn/policies/202110/t20211027_1301020.html.

Datos de propiedad de vehículos y conductores para el primer semestre de 2022 publicados por el Ministerio de Seguridad Pública. Gestión del Tráfico Vial 455, 5 (2022).

Wu, Z. et al. Ciclo de vida potencial de reducción de emisiones de gases de efecto invernadero del vehículo eléctrico de batería. J. Limpio. prod. 190, 462–470 (2018).

Artículo Google Académico

Fernández, R. Á. Un enfoque más realista de la contribución de los vehículos eléctricos a las emisiones de gases de efecto invernadero en la ciudad. J. Limpio. Pinchar. 172, 949–959 (2018).

Artículo Google Académico

Bouter, A. & Guichet, X. Las emisiones de gases de efecto invernadero de las baterías de iones de litio para automóviles: una revisión estadística de los estudios de evaluación del ciclo de vida. J. Limpio. Pinchar. 344, 130994 (2022).

Artículo CAS Google Académico

Xia, X. & Li, P. Una revisión de la evaluación del ciclo de vida de los vehículos eléctricos: considerando la influencia de las baterías. ciencia Entorno Total. 814, 152870 (2022).

Artículo ADS CAS PubMed Google Scholar

Ambrose, H. & Kendall, A. Efectos de la química y el rendimiento de la batería en la intensidad de los gases de efecto invernadero del ciclo de vida de la movilidad eléctrica. transporte Res. D. Transporte Reinar. 47, 182–194 (2016).

Artículo Google Académico

Ellingsen, LAW, Singh, B. & Stromman, AH El efecto de tamaño y rango: emisiones de gases de efecto invernadero del ciclo de vida de los vehículos eléctricos. Reinar. Res. Letón. 11, 054010 (2016).

Artículo ANUNCIOS Google Académico

Hall, D. & Lutsey, N. Efectos de la fabricación de baterías en las emisiones de gases de efecto invernadero del ciclo de vida del vehículo eléctrico, The International Council on Clean Transportation, 9 de febrero de 2018, consultado el 5 de agosto de 2022; https://theicct.org/publication/effects-of-battery-manufacturing-on-electric-vehicle-life-cycle-greenhouse-gas-emissions/.

Patterson, J., Gurr, A., Marion, F. & Williams, G. Selección estratégica de la tecnología EV futura basada en el período de recuperación del carbono. Electr. mundial Veh. J. 5, 825–835 (2012).

Artículo Google Académico

Kim, H.-J., McMillan, C., Keoleian, GA & Skerlos, SJ Recuperación de las emisiones de gases de efecto invernadero para vehículos livianos que usan aluminio y acero de alta resistencia. J. Ind. Ecol. 14, 929–946 (2010).

Artículo Google Académico

Yu, R., Cong, L., Hui, Y., Zhao, D. & Yu, B. Emisiones de CO2 del ciclo de vida para los vehículos de nueva energía en China basándose en el patrón de supervivencia reformado. ciencia Entorno Total. 826, 154102–154102 (2022).

Artículo ADS CAS PubMed Google Scholar

Anuncio sobre la exención del impuesto sobre la compra de vehículos de nueva energía, Oficina Estatal de Impuestos de la República Popular China, 1 de agosto de 2014, consultado el 5 de agosto de 2022; http://www.chinatax.gov.cn/n810341/n810755/c1150779/content.html.

El apoyo financiero para la promoción y aplicación de vehículos de nueva energía durante 2016-2020, Ministerio de Finanzas de la República Popular China, 29 de abril de 2015, consultado el 5 de agosto de 2022; http://www.gov.cn/xinwen/2015-04/29/content_2855040.htm.

Yu, A., Wei, Y., Chen, W., Peng, N. & Peng, L. Impactos ambientales del ciclo de vida y emisiones de carbono: un estudio de caso de vehículos eléctricos y de gasolina en China. transporte Res. D. Transporte Reinar. 65, 409–420 (2018).

Artículo Google Académico

Yu, Y. et al. ¿Qué tipo de vehículo eléctrico vale la pena promover principalmente en el contexto del pico de carbono y la neutralidad de carbono? Un estudio de caso para una metrópoli en China. ciencia Entorno Total. 837, 155626 (2022).

Artículo ADS CAS PubMed Google Scholar

Franzo, S. & Nasca, A. El impacto ambiental de los vehículos eléctricos: un nuevo marco de evaluación basado en el ciclo de vida y sus aplicaciones en escenarios de varios países. J. Limpio. Pinchar. 315, 128005 (2021).

Artículo CAS Google Académico

Hardman, S. & Tal, G. Comprender la interrupción entre los propietarios de vehículos eléctricos de California. Nat. Energía 6, 538–545 (2021).

Artículo ANUNCIOS Google Académico

Zhang, X., Bai, X. & Shang, J. ¿Es sostenible la adopción de vehículos eléctricos subsidiados? Percepciones y motivación de los consumidores hacia políticas de incentivos, beneficios ambientales y riesgos. J. Limpio. Pinchar. 192, 71–79 (2018).

Artículo Google Académico

Li, L., Wang, Z., Chen, L. y Wang, Z. Preferencias de los consumidores por los vehículos eléctricos con batería: una encuesta experimental de elección en China. Transporte. Res. D. Transporte Reinar. 78, 102185 (2020).

Artículo Google Académico

Zhuge, C., Wei, B., Shao, C., Shan, Y. y Dong, C. El papel de la política de lotería de matrículas en la adopción de vehículos eléctricos: un estudio de caso de Beijing. Política Energética 139, 111328 (2020).

Artículo Google Académico

Nunes, A., Woodley, L. & Rossetti, P. Repensar los incentivos de adquisición para vehículos eléctricos para lograr emisiones netas cero. Nat. Sostener. 5, 527–532 (2022).

Artículo Google Académico

Raugei, M., Morrey, D., Hutchinson, A. & Winfield, P. Una evaluación coherente del ciclo de vida de una variedad de estrategias de aligeramiento para vehículos compactos. J. Limpio. Pinchar. 108, 1168–1176 (2015).

Artículo CAS Google Académico

Luk, JM, Kim, HC, De Kleine, R., Wallington, TJ & MacLean, HL Revisión del ahorro de combustible, las emisiones de GEI del ciclo de vida y los impactos en los costos de propiedad de los vehículos aligerados con diferentes sistemas de propulsión. Reinar. ciencia Tecnología 51, 8215–8228 (2017).

Artículo ADS CAS PubMed Google Scholar

Burd, JTJ, Moore, EA, Ezzat, H., Kirchain, R. & Roth, R. Las mejoras en la tecnología de baterías de vehículos eléctricos influyen en las decisiones de sustitución de materiales y aligeramiento de vehículos. aplicación Energía 283, 116269 (2021).

Artículo Google Académico

Das, S. et al. Impactos del uso de energía de aligeramiento de vehículos en la flota de vehículos ligeros de EE. UU. Sostener. Mate. Tecnología 8, 5–13 (2016).

Google Académico

Kelly, JC, Sullivan, JL, Burnham, A. & Elgowainy, A. Impactos de la reducción del peso del vehículo a través de la sustitución de materiales en las emisiones de gases de efecto invernadero del ciclo de vida. Reinar. ciencia Tecnología 49, 12535–12542 (2015).

Artículo ADS CAS PubMed Google Scholar

Sakai, S. et al. Un estudio comparativo internacional de los sistemas de reciclaje de vehículos al final de su vida útil (ELV). J.Mater. Gestión de residuos de ciclos. 16, 1–20 (2014).

Artículo Google Académico

Wolfram, P., Tu, QS, Heeren, N., Pauliuk, S. y Hertwich, EG Eficiencia de los materiales y mitigación del cambio climático de los vehículos de pasajeros. J. Ind. Ecol. 25, 511–522 (2021).

Artículo Google Académico

Baars, J., Domenech, T., Bleischwitz, R., Melin, HE y Heidrich, O. Las estrategias de economía circular para baterías de vehículos eléctricos reducen la dependencia de las materias primas. Nat. Sostener. 4, 71–79 (2021).

Artículo Google Académico

Koroma, MS et al. Evaluación del ciclo de vida de los vehículos eléctricos con batería: Implicaciones de la futura combinación de electricidad y diferente gestión del final de la vida útil de la batería. ciencia Entorno Total. 831, 154859 (2022).

Artículo ADS CAS PubMed PubMed Central Google Scholar

Recicle las pilas usadas. Nat. Energía 4, 253–253, https://doi.org/10.1038/s41560-019-0376-4 (2019).

Morfeldt, J. & Johansson, DJA Impactos de la movilidad compartida en la vida útil de los vehículos y en la huella de carbono de los vehículos eléctricos. Nat. común 13, 6400 (2022).

Artículo ADS PubMed PubMed Central Google Scholar

Soukhov, A. & Mohamed, M. Ocupación y emisiones de GEI: umbrales para modos de transporte disruptivos y tecnologías emergentes. Transporte. Res. D. Transporte Reinar. 102, 103127 (2022).

Artículo Google Académico

Steinhilber, S., Wells, P. & Thankappan, S. Inercia sociotécnica: comprensión de las barreras a los vehículos eléctricos. Política energética 60, 531–539 (2013).

Artículo Google Académico

Hernandez, M., Messagie, M., De Gennaro, M. & Van Mierlo, J. Agotamiento de recursos en el tren motriz de un vehículo eléctrico utilizando diferentes métodos de impacto LCA. recurso Conservar reciclar 120, 119–130 (2017).

Artículo Google Académico

Panel Intergubernamental sobre Cambio Climático (IPCC). Cambio Climático 2022: Mitigación del Cambio Climático. Contribución del Grupo de Trabajo III al Sexto Informe de Evaluación del Panel Intergubernamental sobre Cambio Climático. https://www.ipcc.ch/report/ar6/wg3/ (2022).

Fernández, R. Análisis estocástico de escenarios futuros para el despliegue de vehículos eléctricos de batería y la mejora del sistema de generación eléctrica en España. J. Limpio. Pinchar. 316, 128101 (2021).

Artículo Google Académico

La planta de Sichuan de CATL certificada como la primera fábrica del mundo sin emisiones de carbono en la industria de nuevas energías, Contemporary Amperex Technology Co., Limited (CATL), 25 de marzo de 2022, consultado el 15 de octubre de 2022; https://www.catl.com/es/noticias/912.html.

Klöckner, CA, Nayum, A. y Mehmetoglu, M. Efectos indirectos positivos y negativos de la compra de automóviles eléctricos al uso del automóvil. Transporte. Res. D. Transporte Reinar. 21, 32–38 (2013).

Artículo Google Académico

Fontaras, G., Zacharof, N.-G. & Ciuffo, B. Consumo de combustible y emisiones de CO2 de turismos en Europa Laboratorio frente a emisiones en el mundo real. prog. Combustión de energía. ciencia 60, 97–131 (2017).

Artículo Google Académico

Yu, R., Ren, H., Liu, Y. & Yu, B. Brecha entre la eficiencia de combustible oficial y en carretera de los vehículos de pasajeros en China. Política Energética 152, 112236 (2021).

Artículo Google Académico

Yang, J. et al. Una investigación de los comportamientos de conducción y carga de vehículos eléctricos con batería utilizando datos de uso de vehículos recopilados en Shanghái, China. transporte Res. rec. 2672, 20–30 (2018).

Artículo Google Académico

Arvesen, A. et al. Emisiones de la carga de vehículos eléctricos en escenarios futuros: los efectos del tiempo de carga. J. Ind. Ecol. 25, 1250–1263 (2021).

Artículo CAS Google Académico

Hausfather, Z. Factcheck: Cómo los vehículos eléctricos ayudan a abordar el cambio climático, Carbon Brief, 13 de mayo de 2019, consultado el 15 de octubre de 2022; https://www.carbonbrief.org/factcheck-how-electric-vehicles-help-to-tackle-climate-change.

Jiang, S. et al. Impactos ambientales del reciclaje hidrometalúrgico y la reutilización para la fabricación de baterías de tracción de iones de litio en China. ciencia Entorno Total. 811, 152224 (2022).

Artículo ADS CAS PubMed Google Scholar

Yang, F., Xie, Y., Deng, Y. & Yuan, C. Modelado predictivo de la degradación de la batería y las emisiones de gases de efecto invernadero de la operación de vehículos eléctricos a nivel estatal de EE. UU. Nat. común 9, 1–10 (2018).

ANUNCIOS Google Académico

Wolfram, P. & Hertwich, E. Representación de oportunidades tecnológicas de vehículos en el modelado de energía integrado. Transporte. Res. D. Transporte Reinar. 73, 76–86 (2019).

Artículo Google Académico

Organización de Estándares Internacionales. ISO 14040:2006 Gestión ambiental — Evaluación del ciclo de vida — Principios y marco (2006).

Comité Estatal de Normalización de China. Gestión Ambiental - Análisis del Ciclo de Vida - Requisitos y Directrices. (Prensa de Normas de China, Beijing, 2008).

Comité Estatal de Normalización de China. Gestión Ambiental - Evaluación del Ciclo de Vida - Principios y Marcos. (Prensa de Normas de China, Beijing, 2008).

Organización de Estándares Internacionales. ISO 14067:2018 Gases de efecto invernadero-Huella de carbono de los productos-Requisitos y directrices para su cuantificación (2018).

Datos automotrices de China Co., Ltd. China Automotive Low Carbon Action Plan (2022): estrategia de desarrollo de bajas emisiones de carbono y camino de transformación para la automoción sin emisiones de carbono. (China Machine Press, Pekín, 2023).

Auto Data Center de CATARC, consultado el 1 de agosto de 2022; http://www.catarc.info/.

Consulta de anuncios de automóviles, China Automobile Network, consultado el 1 de agosto de 2022; http://chinacar.com.cn/search.html.

Sistema de consulta de consumo de combustible de automóviles de China, Ministerio de Industria y Tecnología de la Información (MIIT), consultado el 1 de agosto de 2022, https://yhgscx.miit.gov.cn/fuel-consumption-web/mainPage.

Centro Nacional de Monitoreo y Gestión de Vehículos de Nueva Energía, consultado el 1 de agosto de 2022; https://www.evsmc.cn/.

Administración de Normalización de la República Popular China. GB/T 32960: Especificaciones técnicas del sistema de gestión y servicio remoto para vehículos eléctricos (2016).

Consejo de Electricidad de China. Anuario de energía eléctrica de China. (Prensa Estadística de China, Pekín, 2021).

Li, H. et al. Riesgo de estrés hídrico a nivel de captación de la transición de la energía del carbón en China por debajo de los objetivos de 2 °C/1,5 °C. aplicación Energía 294, 116986 (2021).

Artículo Google Académico

Schlömer S. et al. Anexo III: Parámetros de rendimiento y coste específicos de la tecnología. Cambio Climático 2014: Mitigación del Cambio Climático. Contribución del Grupo de Trabajo III al Quinto Informe de Evaluación del Panel Intergubernamental sobre Cambio Climático. 1329-1356 (2014).

Wernet, G. et al. La base de datos ecoinvent versión 3 (parte I): descripción general y metodología. En t. J. Evaluación del ciclo de vida. 21, 1218–1230 (2016).

Artículo Google Académico

Laboratorio Nacional de Argonne. El Modelo de Gases de Efecto Invernadero, Emisiones Reguladas y Uso de Energía en el Transporte (GREET®) - GREET 2, Versión 2020. https://greet.es.anl.gov/ (2020).

Chen, X., Griffin, WM y Matthews, HS Representación y visualización de la incertidumbre de los datos en modelos de evaluación del ciclo de vida de entrada y salida. recurso Conservar reciclar 137, 316–325 (2018).

Artículo Google Académico

Bawden, KR, Williams, ED y Babbitt, CW Asignación del conocimiento del producto a los límites del inventario del ciclo de vida: un estudio de caso de fabricación de acero. J. Limpio. Pinchar. 113, 557–564 (2016).

Artículo Google Académico

Lo Piano, S. & Benini, L. Una perspectiva crítica sobre la evaluación de la incertidumbre y el análisis de sensibilidad en la evaluación del ciclo de vida. J. Ind. Ecol. 26, 763–781 (2022).

Artículo Google Académico

Leyton, A. et al. Identificación y método de extracción eficiente de florotaninos del alga parda Macrocystis pyrifera utilizando un diseño experimental ortogonal. Res. de algas 16, 201–208 (2016).

Artículo Google Académico

Wang, B., Cai, Y., Yin, X.-A., Tan, Q. & Hao, Y. Un enfoque integrado de dinámica de sistemas, diseño experimental ortogonal y optimización inexacta para apoyar la gestión de recursos hídricos bajo incertidumbre. Recurso de agua. Administrar 31, 1665-1694 (2017).

Artículo Google Académico

Yang, Y., Bai, W., Chen, Y., Lin, Y. & Hu, B. Optimización de la disrupción de microvasos mediada por ultrasonidos de baja intensidad y baja frecuencia en xenoinjertos de cáncer de próstata en ratones desnudos usando un diseño experimental ortogonal. oncol. Letón. 10, 2999–3007 (2015).

Artículo CAS PubMed PubMed Central Google Scholar

Descargar referencias

Esta investigación fue financiada por la Fundación Nacional de Ciencias Naturales de China (No. 71904201 a XZ, 72174206 a XT), el Programa de Patrocinio de Jóvenes Científicos de Élite de la Asociación de Ciencia y Tecnología de Beijing (No. BYESS2023461 a XZ), la Academia China de Ingeniería (No. 2023-XBZD-05 y No. 2022-XY-83 a XT y XZ, 2022-XZ-35 a XT), y la Fundación de Ciencias de la Universidad del Petróleo de China, Beijing (No. 2462022YXZZ005 a XZ).

Escuela de Economía y Administración, Universidad China del Petróleo-Beijing, Beijing, 102249, China

Yue Ren, Shaoqiong Zhao, Xu Tang y Xinzhu Zheng

China Automotive Technology and Research Centre Co., Ltd, No. 68, East Xianfeng Road, Dongli District, Tianjin, 300300, China

Xin Sun y Dongchang Zhao

Datos automotrices de China (Tianjin) Co., Ltd., No. 3 Wanhui Road, Zhongbei Town, Xiqing District, Tianjin, 300393, China

Xin Sun y Dongchang Zhao

Datos automotrices de China Co., Ltd., Boxing 6th Road, Zona de desarrollo económico de Beijing, Beijing, 100176, China

Xin Sun y Dongchang Zhao

Instituto Conjunto de Investigación del Cambio Global, Laboratorio Nacional del Noroeste del Pacífico y Universidad de Maryland, College Park, MD, EE. UU.

pablo wolframio

Beijing Yiwei New Energy Vehicles Big Data Application & Technology Research Center, Beijing, 100081, China

yifei kang

También puede buscar este autor en PubMed Google Scholar

También puede buscar este autor en PubMed Google Scholar

También puede buscar este autor en PubMed Google Scholar

También puede buscar este autor en PubMed Google Scholar

También puede buscar este autor en PubMed Google Scholar

También puede buscar este autor en PubMed Google Scholar

También puede buscar este autor en PubMed Google Scholar

También puede buscar este autor en PubMed Google Scholar

XZ y XS concibieron la idea original. XZ, YR y XS diseñaron la investigación. XS, YR, YK y DZ prepararon los datos. YR ejecutó la simulación con la ayuda de XSYR dibujó las figuras. XZ e YR escribieron el manuscrito con las contribuciones de PW, SZ, XS y XTXZ, YR, XS, PW, SZ, XT, YK y DZ discutieron los hallazgos y comentaron el manuscrito. XZ supervisó la investigación.

Correspondencia a Xinzhu Zheng.

Los autores declaran no tener conflictos de intereses.

Nature Communications agradece a Yan Zhou y a los otros revisores anónimos por su contribución a la revisión por pares de este trabajo. Un archivo de revisión por pares está disponible.

Nota del editor Springer Nature se mantiene neutral con respecto a los reclamos jurisdiccionales en mapas publicados y afiliaciones institucionales.

Acceso abierto Este artículo tiene una licencia internacional Creative Commons Attribution 4.0, que permite el uso, el intercambio, la adaptación, la distribución y la reproducción en cualquier medio o formato, siempre que se otorgue el crédito correspondiente al autor o autores originales y a la fuente. proporcionar un enlace a la licencia Creative Commons e indicar si se realizaron cambios. Las imágenes u otro material de terceros en este artículo están incluidos en la licencia Creative Commons del artículo, a menos que se indique lo contrario en una línea de crédito al material. Si el material no está incluido en la licencia Creative Commons del artículo y su uso previsto no está permitido por la regulación legal o excede el uso permitido, deberá obtener el permiso directamente del titular de los derechos de autor. Para ver una copia de esta licencia, visite http://creativecommons.org/licenses/by/4.0/.

Reimpresiones y permisos

Ren, Y., Sun, X., Wolfram, P. et al. Retrasos ocultos de los beneficios de mitigación climática en la carrera por el despliegue de vehículos eléctricos. Nat Comun 14, 3164 (2023). https://doi.org/10.1038/s41467-023-38182-5

Descargar cita

Recibido: 16 junio 2022

Aceptado: 19 de abril de 2023

Publicado: 31 mayo 2023

DOI: https://doi.org/10.1038/s41467-023-38182-5

Cualquier persona con la que compartas el siguiente enlace podrá leer este contenido:

Lo sentimos, un enlace para compartir no está disponible actualmente para este artículo.

Proporcionado por la iniciativa de intercambio de contenido Springer Nature SharedIt

Al enviar un comentario, acepta cumplir con nuestros Términos y Pautas de la comunidad. Si encuentra algo abusivo o que no cumple con nuestros términos o pautas, márquelo como inapropiado.