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

Jun 18, 2023

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

1793 Accesos

14 altmétrica

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 consume más carbono que la de los ICEV, lo que deja una deuda de gases de efecto invernadero (GEI) que deberá pagarse 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 oscila entre cero (es decir, el año de producción) y 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 los ocho años de garantía de la batería. Sugerimos mejorar la proporción de BEV que llegan al GBET promoviendo la sustitución efectiva de BEV por ICEV en lugar de la búsqueda decidida de acelerar la carrera de implementación de BEV.

La electrificación de los 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 ligeros y pesados, permitieron una reducción neta de 40 millones de toneladas de dióxido de carbono equivalente (CO2e) desde el pozo hasta las ruedas. 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 vehículos eléctricos en relación con los vehículos con motor de combustión interna (ICEV) en el contexto de la descarbonización de la generación de electricidad dominan la visión 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 parque 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 de 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 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 eficaces hacia el objetivo de neutralidad de carbono en el transporte. Favorecida por una serie de subsidios e instrumentos de política pública10,11, la industria de los 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 con respecto a 202012. El futuro de la industria es prometedor bajo la ambiciosa visión propugnada por el gobierno. Según el Plan de Desarrollo de la Industria del Automóvil 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 pila de combustible (FCEV), aumentará alcanzar el 20% para 2025. Según el Plan de acción para alcanzar el pico de dióxido de carbono antes de 203013, la cuota 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 nuevas energías14.

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 sólo 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 inmediatamente en la carretera; hay un retraso de tiempo. Sin embargo, estas 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 y los ICEV suelen distribuirse uniformemente por kilómetro basándose en el kilometraje de conducción supuesto en el ciclo de vida de los vehículos24 y se compara el efecto climático por kilómetro. Sólo una minoría de estudios19,20,21,22,23 abordó el efecto retardado de los beneficios climáticos. Se centraron en determinados modelos de vehículos sin tener una visión amplia a escala nacional. Llenar esta brecha es esencial para formular políticas profundas de descarbonización 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 de pasajeros livianos producidos y vendidos en China durante 2012-2018. 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 completa. a uno detallado en este sector. Cuantificamos el tiempo de equilibrio de 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 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 supuestos y puntos de referencia de comparación. Nuestros hallazgos pueden ayudar con estimaciones más precisas de las tendencias de las emisiones y mejores caminos hacia la neutralidad de carbono al presentar a los formuladores de políticas las características temporales de las emisiones además del efecto total de las emisiones. Las perspectivas y 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 de 2012 a 2018, automóvil por automóvil, con sus contrapartes propulsadas por combustible (ver más detalles en Métodos), confirmamos la existencia de deuda de GEI de BEV. Las emisiones promedio de la producción de un BEV son ~1,4 veces mayores que las de un ICEV. Los BEV en China tardarían un promedio de 4,5 años en compensar la “deuda” manufacturera, y los plazos variarían desde cero (es decir, el año de producción) hasta más de once años (Fig. 1). Como los estudios GBET previos 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 GBET para BEV en China son generalmente más largas que las de Europa21, que son alrededor de 2 a 3 años. Hay dos posibles razones 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 partir 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, 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 del GBET de 2012 a 2018. b Distribución del GBET de 2012 a 2015. c Distribución del GBET de 2016 a 2018. Según los periodos de garantía oficiales de las baterías, en 2014 se exigía una garantía de cinco años25 y 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 del GBET está asimétrica, con una desviación estándar de 2,4 años y un factor de asimetría de 0,8. Aproximadamente el 70,4% de los vehículos saldarían la deuda de GEI dentro de un rango de desviación estándar (es decir, entre 2,1 y 6,9 años). Además, aproximadamente una quinta parte de los BEV producidos y vendidos antes de 2016 no pagaron la deuda de GEI en un plazo de cinco años, que era el período de garantía de la batería de los vehículos eléctricos exigido por el gobierno chino en 201425. En 2016, la garantía requerida de la batería se amplió 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 homólogos de petróleo y solo representan el 1,7% de la muestra total. Estos BEV de “GBET cero” son predominantemente automóviles de clase A00, que tienen una capacidad de batería significativamente menor y un peso en vacío más liviano que otras clases de vehículos. Los BEV cuyo GBET tiene más de 11 años representan ~2,9% de la muestra total. Un total del 97,8% de estos BEV pertenecen a la clase MPV-A0. Esto probablemente se deba a que la diferencia de peso en los vehículos MPV-A0 entre los vehículos eléctricos y los de combustible es la mayor (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 los BEV GBET. Por un lado, con el avance de la tecnología de baterías, la capacidad de la batería y la autonomía de conducción de los BEV aumentan, ofreciendo un kilometraje de sustitución más efectivo para los ICEV y dando como resultado una tendencia decreciente en GBET. Por otro lado, las baterías de mayor capacidad suelen tener un mayor tamaño, mayor peso y mayor peso en vacío como soporte, lo que probablemente genera una mayor deuda de carbono en la fase de producción y, por lo tanto, requiere más tiempo para reembolsarse. Bajo el efecto combinado de estas dos tendencias, el GBET de los 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 coches 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 los 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 que influyen también es bidireccional. Por un lado, los modos de transporte más pesados ​​y los vehículos de mayor tamaño suelen tener una mayor capacidad y peso de la batería, lo que genera mayores emisiones de GEI en la fase de producción y, por lo tanto, una mayor deuda de GEI (ver Tabla complementaria 4). Esta tendencia aumenta potencialmente el GBET. Por otro lado, las contrapartes de modos de transporte más pesados ​​y vehículos de mayor tamaño que funcionan con combustible 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 comparación con los ICEV y tiempos más cortos. Periodos de amortización de la deuda de GEI. Esta tendencia potencialmente reduce el GBET. Bajo el efecto combinado de estas dos tendencias, el GBET de los BEV muestra una tendencia general creciente con clases de tamaño más grandes (A00 < A0 < A < B) y modos de transporte más grandes (Coche < SUV < MPV).

Más específicamente, interactúan los efectos del modo de transporte y la clase de tamaño. 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 monovolumen. 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 del pago de la deuda durante el ciclo del combustible (la terminología combustible se usa convencionalmente, refiriéndose a la producción, 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 monovolumen 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, en estas dos clases de tamaño, el efecto positivo del aumento de la tasa de reembolso de la deuda en el ciclo de combustible de los SUV y monovolúmenes 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. En el caso de los automóviles, GBET muestra una tendencia creciente con un tamaño mayor. El efecto de prolongación del GBET causado por el aumento de la deuda de GEI con el aumento de la clase de tamaño supera el efecto de reducción causado por el aumento de la reducción de emisiones del ciclo del combustible. Los SUV y monovolúmenes muestran la tendencia opuesta: el GBET disminuye a medida que aumenta la clase de tamaño. En este caso, las ventajas relativas de los BEV en la reducción de emisiones del ciclo de combustible aportadas por el aumento de la clase de tamaño son más dominantes. Por lo tanto, en general, los SUV y monovolúmenes de clases de tamaño más grandes y los automóviles de clases de tamaño más pequeñas tienen GBET más cortos.

El GBET de los BEV en China varía significativamente entre provincias (Fig. 2a). El GBET promedio de los BEV producidos y vendidos en 2018 es de 6,9 ​​a 7,9 años en las provincias del noreste, entre 2 y 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 anuales recorridos por vehículos (VKT) y la intensidad de las emisiones 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 los 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 emisiones 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 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 que influyen en 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 aprobación 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 con el GBET más largo fueron Jiangxi, Jilin, Heilongjiang, Liaoning y Tíbet. Para las tres provincias del noreste (es decir, Jilin, Heilongjiang, Liaoning), las razones para el GBET largo son similares, ya que estas provincias tienen tamaños/modos de vehículos más grandes, mayores intensidades de emisiones de GEI para las redes eléctricas locales y VKT relativamente más bajos. La mayor intensidad de emisiones de GEI es consistente con la estructura de generación de energía predominantemente de carbón en estas regiones, y el menor VKT implica que los BEV no se utilizan lo suficiente, lo que genera más tiempo para pagar la deuda de GEI. Los tamaños de vehículos y modos de transporte de la provincia de Jiangxi son relativamente pequeños, pero las altas intensidades de emisiones 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% menor que el promedio nacional anual. Esto probablemente pueda explicarse por el retraso en el progreso en la construcción de infraestructura de carga para BEV y la topografía especial del Tíbet (por ejemplo, la limitada autonomía de conducción de los vehículos eléctricos puede no satisfacer las necesidades locales de viajes de larga distancia). Aunque el Tíbet tiene la menor intensidad de emisiones de GEI para su red eléctrica, ya que la generación de energía con carbón representa solo el 1,5% del total provincial, la tasa de utilización más baja de vehículos eléctricos en el Tíbet contrarresta por completo los beneficios climáticos aportados por 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. 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 del 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 que influyen en diez grupos (Tabla complementaria 6) y realizamos un análisis de sensibilidad a la perturbación de una variable a la vez para cada variable agrupada (ver más detalles en "Métodos"). Los seis factores sensibles principales, en orden descendente, son el peso en vacío, los factores de emisión de GEI de la producción de material para vehículos, la capacidad de la batería, los factores de emisión de GEI de la producción de material para baterías, 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 estudios de ACV anteriores, que revelaron efectos más fuertes de los factores del ciclo del combustible sobre 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 ACV considera las emisiones del ciclo de vida; la escala más pequeña del primero da como resultado un poder de influencia debilitado del ciclo del combustible. factores. Luego, los seis factores sensibles se incluyen 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 (Figura complementaria 3) muestran que el GBET promedio nacional (4,5 años en la estimación básica) cae a ~1,9 años en el escenario del extremo inferior con un aumento anual radical de VKT, vehículos más livianos, redes eléctricas más limpias y bajos niveles de energía. -Factores de emisión de materiales de carbono mientras aumenta a 6,5 ​​años en el extremo 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 tanto los ICEV más como los menos eficientes como puntos de referencia para presentar estimaciones GBET pesimistas y optimistas. En comparación entre clases de tamaño adyacentes, las estimaciones del 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 los ICEV con bajas emisiones), el GBET aumenta entre 1,9 y 6,7 años, con un aumento promedio de 3,9 años (Figura complementaria). 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 con 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 del 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 la deuda de GEI contraída en la etapa de producción del vehículo. Esta circunstancia también hace que la comprensión de los beneficios climáticos retrasados ​​de los BEV de China pase de un nivel abstracto a un umbral concreto. Estos hallazgos tienen enormes implicaciones para el mundo real.

En primer lugar, se pueden desarrollar nuevos indicadores basados ​​en GBET para guiar el despliegue de BEV. Por ejemplo, el porcentaje de BEV que han alcanzado GBET (P-GBET) es un indicador que complementa el indicador ampliamente utilizado de tasa de penetración de BEV (PR). En otras palabras, no es sólo cuántos BEV se producen y venden, sino también cuántos de ellos tienen reducciones positivas de emisiones lo que contribuye 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 rebajas, exención de los BEV de los controles de congestión y cuotas de matrículas separadas para los BEV30,31,32,33, para lograr mayores relaciones públicas. Sin embargo, una vez completada la venta, estas políticas ya no están en vigor, 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 de 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 un 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 los 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 más largo 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 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 a lo largo del ciclo de vida. Por ejemplo, los BEV con una autonomía de conducción esperada mayor tienden a tener una vida útil más larga, lo que se traduce en mayores beneficios de reducción de emisiones durante todo el ciclo de vida. Sin embargo, una mayor autonomía de conducción suele depender de una mayor capacidad de la batería y de un mayor peso, lo que aumenta las emisiones de GEI en la producción de baterías y genera una mayor deuda de GEI. Por lo tanto, llevará más tiempo pagar estas deudas de GEI, lo que dará lugar a GBET más largos. 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 una evaluación ACV previa sugiere la escala de los beneficios a lo largo de la vida útil del vehículo. Ambas informaciones deben considerarse al evaluar los efectos de la electrificación de vehículos en la mitigación climática.

Además, aunque podrían existir compensaciones entre las reducciones de las emisiones durante el ciclo de vida y tiempos de recuperación más rápidos, todavía hay espacio para la sinergia. Los formuladores de políticas pueden alentar más exploraciones para reducir más y más rápidamente las emisiones de BEV, por ejemplo, reduciendo la deuda de carbono mediante el aligeramiento de los vehículos20,35,36,37,38,39, el reciclaje de materiales40,41, el reciclaje y la 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 mediante vehículos compartidos o priorizando los BEV como taxis45,46. Intensificar el uso de BEV mediante vehículos compartidos en lugar de expandir la propiedad de vehículos acortaría simultáneamente 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 la 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 y no el vehículo en sí49. Además, alinear los sitios de producción de BEV con la red eléctrica renovable planificada puede facilitar una reducción más rápida y mayor de las emisiones de GEI de los BEV50. Actualmente, las producciones de baterías y BEV de China se ubican principalmente en la región costera sureste y 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 ventajas históricas de producción, como la disponibilidad de líneas de producción maduras. Por ejemplo, Contemporary Amperex Technology Co., Limited (CATL), el mayor fabricante de baterías para vehículos eléctricos de China, inicialmente produjo baterías para teléfonos. Sus ventajas históricas de producción facilitan las externalidades de aglomeración, la difusión de tecnología y las ganancias de productividad, lo que le permite pasar rápidamente a la producción de baterías BEV. Como un paso adelante para igualar el desarrollo de redes eléctricas con bajas emisiones de carbono, CATL construyó más fábricas en provincias del suroeste con abundante energía renovable, como la primera fábrica con 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 el 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 kilometraje 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 rebote o efecto derrame52 de la absorción de BEV sobre las emisiones de GEI. Este supuesto podría sesgar la estimación del 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 ICEV, el kilometraje de sustitución efectivo es menor que el VKT anual del BEV y resulta en una subestimación del GBET. En el otro escenario en el que se compra un BEV para reemplazar el ICEV que ya se posee, debido al rango de conducción limitado 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, hasta qué punto los BEV sustituyen efectivamente a los ICEV es complicado, 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 del combustible en carretera y el consumo real. -No se adquieren los factores de emisión de GEI relacionados con el tiempo de carga. La falta de estos datos sesgaría las estimaciones del GBET. La diferencia entre la eficiencia del combustible en carretera y la eficiencia del combustible oficial informada por los fabricantes varía, influenciada por factores ambientales y comportamientos de conducción del mundo real53,54. El uso de factores de emisión promedio anual de la red eléctrica sin considerar los efectos estacionales y diarios en el mix eléctrico podría subestimar nuestra estimación de GBET. Por ejemplo, la mayoría de los BEV en Shanghai se cargan por la noche55, cuando la intensidad de las emisiones de la red es mayor que el promedio, ya que la demanda de electricidad residencial alcanza su punto máximo y hay menos energía renovable disponible para la generación de energía en ese momento56. El uso de factores marginales de emisión de electricidad57 permite realizar estimaciones más precisas, aunque hacerlo resulta complicado 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 vintage sobre el consumo de energía de los vehículos eléctricos y las emisiones de GEI. Los vehículos eléctricos que utilizan baterías de uso secundario y recicladas tienen una deuda de GEI mucho menor 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 el parque automovilístico 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 perspectiva detallada (perspectiva del modelo de vehículo). Este estudio es un recordatorio oportuno para que los responsables de la formulación de políticas presten más atención a la distribución temporal de los efectos climáticos y proporcionen directrices para las políticas de implementación de BEV y el diseño de estándares 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. Proporcionan dimensiones adicionales que los responsables de las políticas deben considerar, especialmente al promover 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 de 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 en comparaciones entre vehículos BEV y sus homólogos propulsados ​​por combustible año tras año. Comenzamos esta sección estableciendo la configuración del ACV. Luego, presentamos cómo se combinan los BEV con los puntos de referencia 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 supuestos de parámetros y varios puntos de referencia ICEV emparejados.

Las emisiones de GEI de los BEV y los ICEV se estiman utilizando el Modelo de Evaluación del Ciclo de Vida Automotriz de China (CALCM). La unidad funcional de este ACV es 1 km recorrido por un vehículo de pasajeros en China durante 11 años. El modelo es la recopilación y evaluación de las entradas, salidas y posibles impactos ambientales de un sistema de vehículos a lo largo de su ciclo de vida61. Aquí, seguimos las instrucciones de las normas nacionales GB/T24044–200862, GB/T 24040–200863 y la norma 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 materia prima, luego pasa al procesamiento y fabricación de materiales, la producción completa del vehículo y el mantenimiento (reemplazo de neumáticos, baterías de plomo y fluidos). El ciclo del combustible se refiere al “Well to Wheels (WTW)”, que incluye la producción de combustible (Well to Pump/WTP) y el uso de energía (Pump to Wheels/PTW). Para los ICEV, la DAP incluye la extracción, refinación y procesamiento de petróleo crudo; PTW se refiere a la combustión de combustible. Para los BEV, la terminología de combustible se utiliza en un sentido convencional, refiriéndose a la producción, transmisión y uso de electricidad. Las emisiones de GEI de los BEV en las plantas de tratamiento de agua ocurren con la producción y transmisión de electricidad, mientras que las emisiones de GEI de los BEV en las PTW son cero, ya que no hay emisiones de GEI durante la fase de uso de la electricidad. Quedan excluidos el transporte de materiales, la fabricación de equipos e infraestructuras 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 materia prima, luego pasa al procesamiento y fabricación de materiales, la producción completa del vehículo y el mantenimiento (reemplazo de neumáticos, baterías de plomo y fluidos). El ciclo del combustible se refiere al “Well to Wheels (WTW)”, que incluye la producción de combustible (Well to Pump/WTP) y el uso de energía (Pump to Wheels/PTW). Para los BEV, la terminología de combustible se utiliza 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 comparando los vehículos emparejados. Los métodos de estas dos fases se describen a continuación.

Dado que el GBET de los BEV se calcula a nivel de vehículo, encontramos contrapartes que funcionan con combustible para cada uno de los BEV producidos y vendidos entre 2012 y 2018. Un BEV puede tener múltiples contrapartes que funcionan con combustible porque, en el mundo real, un determinado BEV puede percibirse como un posible sustituto de muchos vehículos propulsados ​​por 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 de la misma época, modo de transporte (automóvil, SUV y monovolumen) 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, con referencia a la Fig. 4. Como la comparación es "uno (BEV) a muchos (ICEV)", para una comparación sistemática, generar una representación de los ICEV seleccionados, cuyos parámetros son el promedio de los ICEV homólogos coincidentes. Luego, la comparación pasa a ser “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.

Utilizando 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 y ICEV se estiman primero mediante la ecuación. (1), que revela la magnitud de la deuda de GEI. Luego, las emisiones anuales de GEI recuperadas se calculan comparando las emisiones anuales de los BEV y los ICEV de referencia cuando se conducen durante el kilometraje de sustitución efectivo, como se muestra en la ecuación. (2). Suponemos que el kilometraje de sustitución efectivo es el VKT anual de los BEV. Cuando las emisiones acumuladas reembolsadas igualan la deuda de GEI, se alcanza el tiempo de equilibrio, como se muestra en la ecuación. (3) muestra.

donde \({E}_{{debt}}\left({t}_{0}\right)\) es la deuda de GEI de los BEV en relación con sus homólogos 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 la recuperación acumulada de GEI para 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 para el kilometraje de sustitución efectivo 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 \({E}_{{deuda}}({t}_{0})+{E}_{{payback}}(t )\) > 0 y \({E}_{{deuda}}({t}_{0})+{E}_{{payback}}(t+1)\) < 0, usamos la ecuación lineal método de interpolación para encontrar el tiempo exacto \(t^{\prime}\).

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 vehículo 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 provino 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, años y ubicaciones de vehículos.

La segunda categoría es la información del modelo de vehículo. La base de datos 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 ACV, lo que permitió estimar las emisiones de GEI a nivel de modelo de vehículo. Además, al combinar esta información con el año de producción de cada vehículo y el lugar de venta, podemos identificar la heterogeneidad regional de GBET para el mismo modelo de vehículo utilizando los datos de VKT y los factores de emisión de GEI de las redes eléctricas que varían entre provincias.

La tercera categoría de datos se reporta a nivel provincial, incluidos los kilómetros recorridos por vehículos (VKT) anuales tanto para BEV como para ICEV y la intensidad de emisiones de las redes eléctricas. Los datos de VKT para 2018 se extrajeron de la Alianza Nacional de Big Data de Vehículos de Nuevas Energías (NDANEV)69, que registra el estado de conducción, carga y fallas de los vehículos en el mundo real, automóvil por automóvil. De acuerdo con los requisitos de la norma 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, el NDANOV accedió a 9,27 millones de vehículos de nuevas energías con un VKT total de 295,5 mil millones de kilómetros. Aunque los datos en NDANEV son automóvil por automóvil, los datos VKT a nivel de vehículo no se utilizaron en el análisis GBET ya que no tuvimos acceso a la información de identificación del vehículo para comparar la base de datos NDANOV con la base de datos CTALI. Por lo tanto, agregamos los datos a nivel provincial, asumiendo que el VKT de 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. Basándonos en los datos del mundo real de NDANEV en 2018, proyectamos el VKT antes y después de 2018 utilizando dos métodos: uno mantiene actitudes conservadoras hacia el aumento del 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 8.000 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, suponiendo que el VKT aumenta a distintas velocidades en las provincias (consulte la Tabla complementaria 10). Al utilizar una estimación radical, establecimos un objetivo de 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 entre los tipos de generación de energía, suponiendo que la estructura del 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 de los BEV generalmente depende de centrales eléctricas de carbón y gas natural cuyas operaciones son relativamente estables con intensidades de emisiones 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 obtuvieron del Consejo de Electricidad de China71, y los de 2020 a 2028 se obtuvieron de datos de pronóstico a los que hace referencia 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 utilizamos el valor medio reportado por IPCC AR5; este valor cae dentro del rango de la mayoría de las investigaciones existentes sobre emisiones de GEI provenientes de tecnologías de generación de energía en China (ver más literatura en la Tabla complementaria 12). Empleamos los valores máximos y mínimos de investigaciones existentes en el análisis de incertidumbre. Los resultados de la intensidad de emisiones de la red eléctrica por provincia se presentan en las Tablas complementarias 13 a 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 (ver 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 reconocidas internacionalmente, Gases de efecto invernadero, emisiones reguladas y uso de energía en modo tecnológico (GREET) y ecoinvent 3.674,75. Encontramos una coherencia bastante alta entre estas bases de datos (consulte la Tabla complementaria 17).

Consideramos dos fuentes de incertidumbres que podrían modular las estimaciones de GBET. Una son las incertidumbres de los parámetros en el análisis de ACV y la otra son los métodos de comparación entre BEV e ICEV.

Realizamos un análisis de sensibilidad a la 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 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 de 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 i modificada. Los coeficientes de sensibilidad más altos denotan una mayor sensibilidad de la estimación GBET a los cambios de variables. En general, incluimos diez factores influyentes en nuestro análisis. Dado que los datos de LCI son de gran volumen, los agrupamos en cuatro factores para facilitar la ejecución: factores de emisión de GEI de la producción de material para vehículos, factores de emisión de GEI de la producción de material 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 factores sensibles principales en orden descendente: peso en vacío, factores de emisión de GEI de la producción de material para vehículos, capacidad de la batería, factores de emisión de GEI de la producción de material para baterías, VKT anual y factores de emisión de GEI de las redes eléctricas. (que se muestra en la Tabla complementaria 7).

Además, consideramos estos factores sensibles en el análisis de incertidumbre. El método más común de análisis de incertidumbre es la simulación de Monte Carlo. Sin embargo, la estimación del GBET supone un desafío, ya que la curva de distribución de múltiples parámetros de entrada, especialmente los de los datos del ICV, es difícil 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 del muestreo de los parámetros en el extremo de sus rangos de variabilidad sobre la incertidumbre de salida76,77 para evitar hacer juicios sobre la probabilidad de diferentes ocurrencias78. Supusimos 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 material para vehículos y factores de emisión de GEI de la producción de material para baterías. Para la intensidad de 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 estudios en el contexto chino como los dos extremos (Tablas complementarias 13 a 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 presentar 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 (Figura complementaria 3) 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, utilizamos 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 de la misma clase de tamaño, comparamos cada BEV con ICEV de clases de tamaño adyacentes (consulte la Tabla complementaria 8). Además, para presentar el impacto de los diferentes puntos de referencia de ICEV en las estimaciones de GBET, utilizamos el nivel promedio de ICEV como referencia y consideramos las situaciones pesimistas y optimistas 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, utilizamos el nivel de emisiones promedio y el nivel de emisiones superior e inferior del 25 % de los SUV de clase A0 propulsados ​​por combustible como puntos de referencia en la comparación (consulte la figura complementaria 4). La compilación de estos escenarios facilita una comprensión más completa de las estimaciones GBET.

Los datos fuente de las Figs. 1 y 2 se proporcionan con este documento como un archivo de datos fuente (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 previa solicitud en el Centro de Investigación y Tecnología Automotriz de China (CATARC) (http://www.catarc.info/). Los datos de ventas a nivel de vehículos del Seguro Obligatorio de Responsabilidad Civil por Accidentes de Tráfico (CTALI) de China son confidenciales. Debido a la restricción del acuerdo de licencia, los autores no tienen derecho a revelar públicamente el conjunto de datos original. Los datos originales 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). Perspectiva mundial de vehículos eléctricos 2022. https://www.iea.org/reports/global-ev-outlook-2022 (2022).

Zeng, D. y col. ¿Son los vehículos eléctricos más sostenibles que los convencionales? Influencias de los supuestos y enfoques de modelización en el caso de los automóviles típicos de China. Recurso. Conservar. Reciclar. 167, 105210 (2021).

Artículo de Google Scholar

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

Artículo ADS CAS PubMed Google Scholar

Knobloch, F. y col. 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 Scholar

Cox, B., Mutel, CL, Bauer, C., Beltran, AM & 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 medidas para impulsar el liderazgo estadounidense en materia de 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/.

Transición de Japón a los vehículos eléctricos, 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. y Xie, J. Revisión de las políticas de vehículos eléctricos en China: resumen de contenido y análisis de efectos. Renovar. Sostener. Energía Rev. 70, 698–714 (2017).

Artículo de Google Scholar

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 de Google Scholar

Operación de la 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 alcanzar el pico de dióxido de carbono antes de 2030, Comisión Nacional de Reforma y Desarrollo (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 del primer semestre de 2022 publicados por el Ministerio de Seguridad Pública. Gestión del tráfico por carretera 455, 5 (2022).

Wu, Z. y col. Potencial de reducción de emisiones de gases de efecto invernadero en el ciclo de vida de los vehículos eléctricos con batería. J. Limpio. Producto. 190, 462–470 (2018).

Artículo de Google Scholar

Fernández, R. Á. Un enfoque más realista sobre 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 de Google Scholar

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 Scholar

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

Artículo ADS CAS PubMed Google Scholar

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

Artículo de Google Scholar

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

ADS del artículo Google Scholar

Hall, D. & Lutsey, N. Efectos de la fabricación de baterías en las emisiones de gases de efecto invernadero durante el ciclo de vida de los vehículos eléctricos, Consejo Internacional de Transporte Limpio, 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. y Williams, G. Selección estratégica de la futura tecnología de vehículos eléctricos basada en el período de recuperación de la inversión en carbono. Electricidad mundial. Veh. J. 5, 825–835 (2012).

Artículo de Google Scholar

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

Artículo de Google Scholar

Yu, R., Cong, L., Hui, Y., Zhao, D. & Yu, B. Emisiones de CO2 del ciclo de vida de los vehículos de nueva energía en China basándose en el patrón de supervivencia remodelado. Ciencia. Medio ambiente total. 826, 154102–154102 (2022).

Artículo ADS CAS PubMed Google Scholar

Anuncio sobre la exención del impuesto a 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. Transp. Res. D. Transp. Reinar. 65, 409–420 (2018).

Artículo de Google Scholar

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. Medio ambiente total. 837, 155626 (2022).

Artículo ADS CAS PubMed Google Scholar

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

Artículo CAS Google Scholar

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

ADS del artículo Google Scholar

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 y riesgos ambientales? J. Limpio. Pinchar. 192, 71–79 (2018).

Artículo de Google Scholar

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. Transp. Reinar. 78, 102185 (2020).

Artículo de Google Scholar

Zhuge, C., Wei, B., Shao, C., Shan, 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 de Google Scholar

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

Artículo de Google Scholar

Raugei, M., Morrey, D., Hutchinson, A. y 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 Scholar

Luk, JM, Kim, HC, De Kleine, R., Wallington, TJ y MacLean, HL Revisión del impacto en el ahorro de combustible, las emisiones de GEI durante el ciclo de vida y los costos de propiedad de 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 el aligeramiento de los vehículos y en las decisiones de sustitución de materiales. Aplica. Energía 283, 116269 (2021).

Artículo de Google Scholar

Das, S. y col. El uso de energía aligerado de vehículos impacta en la flota de vehículos livianos de EE. UU. Sostener. Madre. Tecnología. 8, 5-13 (2016).

Google Académico

Kelly, JC, Sullivan, JL, Burnham, A. y Elgowainy, A. Impactos de la reducción del peso de los vehículos mediante la sustitución de materiales en las emisiones de gases de efecto invernadero durante el ciclo de vida. Reinar. Ciencia. Tecnología. 49, 12535–12542 (2015).

Artículo ADS CAS PubMed Google Scholar

Sakai, S. y col. Un estudio comparativo internacional de sistemas de reciclaje de vehículos al final de su vida útil (ELV). J. Mater. Ciclos Gestión Residuos. 16, 1-20 (2014).

Artículo de Google Scholar

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

Artículo de Google Scholar

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 de Google Scholar

Koroma, MS y cols. Evaluación del ciclo de vida de los vehículos eléctricos con batería: implicaciones del futuro mix eléctrico y diferentes formas de gestión del final de vida útil de las baterías. Ciencia. Medio ambiente total. 831, 154859 (2022).

Artículo ADS CAS PubMed PubMed Central Google Scholar

Reciclar baterías gastadas. 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. Comunitario. 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. Transp. Reinar. 102, 103127 (2022).

Artículo de Google Scholar

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

Artículo de Google Scholar

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 de ACV. Recurso. Conservar. Reciclar. 120, 119-130 (2017).

Artículo de Google Scholar

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 de futuro para el despliegue del vehículo eléctrico de batería y la mejora del sistema de generación eléctrica en España. J. Limpio. Pinchar. 316, 128101 (2021).

Artículo de Google Scholar

La planta de CATL en Sichuan certificada como la primera fábrica sin emisiones de carbono del mundo 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/news/912.html.

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

Artículo de Google Scholar

Fontaras, G., Zacharof, N.-G. & Ciuffo, B. Consumo de combustible y emisiones de CO2 de los turismos en Europa Laboratorio versus emisiones del mundo real. Prog. Combustión de energía. Ciencia. 60, 97-131 (2017).

Artículo de Google Scholar

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

Artículo de Google Scholar

Yang, J. y col. Una investigación de los comportamientos de conducción y carga de vehículos eléctricos con batería utilizando datos de uso de vehículos recopilados en Shanghai, China. Transp. Res. Rec. 2672, 20–30 (2018).

Artículo de Google Scholar

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

Artículo CAS Google Scholar

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. y col. Impactos ambientales del reciclaje y la reutilización hidrometalúrgica para la fabricación de baterías de tracción de iones de litio en China. Ciencia. Medio ambiente total. 811, 152224 (2022).

Artículo ADS CAS PubMed Google Scholar

Yang, F., Xie, Y., Deng, Y. y Yuan, C. Modelado predictivo de la degradación de la batería y las emisiones de gases de efecto invernadero procedentes del funcionamiento de vehículos eléctricos a nivel estatal de EE. UU. Nat. Comunitario. 9, 1-10 (2018).

Anuncios Google Scholar

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

Artículo de Google Scholar

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 - Evaluación del Ciclo de Vida - Requisitos y Lineamientos. (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 la cuantificación (2018).

Automotive Data of China Co., Ltd. Plan de acción automotriz con bajas emisiones de carbono de China (2022): estrategia de desarrollo con bajas emisiones de carbono y camino de transformación para una automoción neutra en carbono. (China Machine Press, Beijing, 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 sobre el 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 Nuevas Energías, 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 de Estadísticas de China, Beijing, 2021).

Li, H. y col. Riesgo de estrés hídrico a nivel de cuenca por la transición a la energía del carbón en China bajo los objetivos de 2°C/1,5°C. Aplica. Energía 294, 116986 (2021).

Artículo de Google Scholar

Schlömer S. et al. Anexo III: Parámetros de coste y rendimiento 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. y col. 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 de Google Scholar

Laboratorio Nacional Argonne. 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-salida. Recurso. Conservar. Reciclar. 137, 316–325 (2018).

Artículo de Google Scholar

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

Artículo de Google Scholar

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. Ecología. 26, 763–781 (2022).

Artículo de Google Scholar

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

Artículo de Google Scholar

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 respaldar la gestión de recursos hídricos en condiciones de incertidumbre. Recurso Acuático. Gestionar. 31, 1665-1694 (2017).

Artículo de Google Scholar

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

Artículo CAS PubMed PubMed Central Google Scholar

Descargar referencias

Esta investigación fue apoyada financieramente 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 para XT y XZ, 2022-XZ-35 para XT), y la Fundación Científica de la Universidad del Petróleo de China, Beijing (No. 2462022YXZZ005 para XZ).

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

Yue Ren, Shaoqiong Zhao, Xu Tang y Xinzhu Zheng

China Automotive Technology and Research Center 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, ciudad de Zhongbei, distrito de Xiqing, 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 sobre el Cambio Global, Laboratorio Nacional del Noroeste del Pacífico y Universidad de Maryland, College Park, MD, EE. UU.

Pablo Wolfram

Centro de investigación de tecnología y aplicaciones de big data de vehículos de nueva energía Yiwei de Beijing, Beijing, 100081, China

Yifei Kang

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

También puedes 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 y 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 demás 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 reclamos jurisdiccionales en mapas publicados y afiliaciones institucionales.

Acceso Abierto Este artículo está bajo una Licencia Internacional Creative Commons Attribution 4.0, que permite el uso, compartir, adaptación, distribución y reproducción en cualquier medio o formato, siempre y cuando se dé el crédito apropiado a los autores originales y a la fuente. proporcione un enlace a la licencia Creative Commons e indique 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 normativa legal o excede el uso permitido, deberá obtener 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 la mitigación climática en la carrera por el despliegue de vehículos eléctricos. Nat Comuna 14, 3164 (2023). https://doi.org/10.1038/s41467-023-38182-5

Descargar cita

Recibido: 16 de junio de 2022

Aceptado: 19 de abril de 2023

Publicado: 31 de mayo de 2023

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

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

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

Proporcionado por la iniciativa de intercambio de contenidos 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.