[{"_1":2,"_3":-5,"_4":-5},"loaderData",{"_5":6,"_7":8},"actionData","errors","root",{"_26":27,"_28":29,"_30":12,"_31":12,"_32":12,"_33":12,"_34":12,"_35":12,"_36":37},"routes/canvas.shared.$sharedTextdocId",{"_9":10,"_11":12},"sharedTextdoc",{"_13":14,"_15":-7,"_16":17,"_18":19,"_20":21,"_22":23,"_24":12,"_25":12},"isAuthenticated",false,"sharedTextdocId","68ad16f01a6c8191bec8c8ad8ce184b2","versionInt","title","Eco‑driving Interactive – Mit Study (linked In Companion)","type","code/react","content","import React, { useMemo, useState } from \"react\";\nimport { TrendingDown, Gauge, Info, SlidersHorizontal, RefreshCw } from \"lucide-react\";\nimport { LineChart, Line, XAxis, YAxis, CartesianGrid, Tooltip, ResponsiveContainer, ReferenceLine } from \"recharts\";\n\n// --- Simple UI primitives (Tailwind + minimal components) ---\nconst Card = ({ children, className = \"\" }) => (\n

{children}

\n);\nconst CardHeader = ({ title, subtitle, right }) => (\n

{title}

\n {subtitle &&

{subtitle}

}\n

\n {right}\n

\n);\nconst CardBody = ({ children, className = \"\" }) => (\n

{children}

\n);\n\nconst Label = ({ htmlFor, children }) => (\n {children}\n);\n\nconst Slider = ({ id, min, max, step = 1, value, onChange }) => (\n onChange(Number(e.target.value))}\n className=\"w-full accent-black\"\n />\n);\n\nconst SmallStat = ({ icon, label, value, suffix = \"%\" }) => (\n

{icon}

{label}

{value}{suffix}

\n);\n\n// --- Math model helpers (derived from the MIT article, simplified) ---\n// Adoption effect: passes through (10% adoption -> ~37.5% of max benefit), saturating to 100%\nconst ADOPTION_K = 4.460908589059503; // solves 1-(1-0.1)^k = 0.375\nconst adoptionEffect = (adoption01) => 1 - Math.pow(1 - adoption01, ADOPTION_K);\n\n// Intersections targeting effect: ~70% of benefit at 20% of intersections, saturating to 100%\nconst TARGET_EXP = 0.22161460295122554; // solves (0.2)^b = 0.7 => b ~ 0.222\nconst targetingEffect = (share01) => Math.pow(share01, TARGET_EXP);\n\n// Clamp helper\nconst clamp01 = (x) => Math.max(0, Math.min(1, x));\n\nexport default function EcoDrivingInteractive() {\n // --- Controls (editable by user) ---\n const [adoptionPct, setAdoptionPct] = useState(10); // % of vehicles using eco-driving guidance\n const [targetedPct, setTargetedPct] = useState(20); // % of intersections priorized for rollout\n const [maxIntersectionDropPct, setMaxIntersectionDropPct] = useState(16.5); // full-adoption CO2 drop at an intersection (11–22%)\n const [citySharePct, setCitySharePct] = useState(14.6); // share of city transport CO2 tied to intersection inefficiencies (assumption)\n\n // --- Core computation ---\n const outputs = useMemo(() => {\n const adoption = clamp01(adoptionPct / 100);\n const targeting = clamp01(targetedPct / 100);\n const maxDrop = maxIntersectionDropPct / 100; // 0.11–0.22\n\n const effectAdoption = adoptionEffect(adoption); // 0..1\n const effectTarget = targetingEffect(targeting); // 0..1\n\n // Estimated drop in CO2 for the treated intersection domain\n const treatedDrop = maxDrop * effectAdoption * effectTarget; // e.g., 0.165 * f(adoption) * f(targeting)\n\n // If we want a coarse citywide proxy, multiply by the share of emissions linked to intersections\n const cityShare = citySharePct / 100; // e.g., 14.6% -> 0.146\n const citywideDrop = treatedDrop * cityShare; // NOTE: this is a rough, communication-only proxy\n\n return {\n effectAdoption,\n effectTarget,\n treatedDropPct: +(treatedDrop * 100).toFixed(2),\n citywideDropPct: +(citywideDrop * 100).toFixed(2),\n };\n }, [adoptionPct, targetedPct, maxIntersectionDropPct, citySharePct]);\n\n // --- Curves for charts ---\n const adoptionCurve = useMemo(() => {\n return Array.from({ length: 21 }, (_, i) => i * 5).map((p) => {\n const adoption = p / 100;\n const y = (maxIntersectionDropPct / 100) * adoptionEffect(adoption) * targetingEffect(targetedPct / 100);\n return { x: p, y: +(y * 100).toFixed(2) };\n });\n }, [maxIntersectionDropPct, targetedPct]);\n\n const targetingCurve = useMemo(() => {\n return Array.from({ length: 21 }, (_, i) => i * 5).map((p) => {\n const targeting = p / 100;\n const y = (maxIntersectionDropPct / 100) * adoptionEffect(adoptionPct / 100) * targetingEffect(targeting);\n return { x: p, y: +(y * 100).toFixed(2) };\n });\n }, [maxIntersectionDropPct, adoptionPct]);\n\n const reset = () => {\n setAdoptionPct(10);\n setTargetedPct(20);\n setMaxIntersectionDropPct(16.5);\n setCitySharePct(14.6);\n };\n\n return (\n

Eco‑Driving com IA — Explorador Interativo

\n Ajuste parâmetros para estimar a redução de CO₂ em interseções urbanas quando políticas de eco‑driving são adotadas.\n Os valores e faixas aqui refletem o estudo do MIT (2025) sobre interseções em Atlanta, Los Angeles e São Francisco.\n

\n \n Ler o artigo no MIT News\n \n

\n\n

\n {/* Controls + Key Stats */}\n

\n \n \n Parâmetros do cenário\n \n }\n subtitle=\"Use as alavancas para simular diferentes níveis de adoção e foco de implantação.\"\n right={}\n />\n \n

\n Queda de CO₂ por interseção com adoção plena (11%–22%)\n \n

Atual: {maxIntersectionDropPct.toFixed(1)}%

\n Adoção de veículos com orientação de eco‑driving\n \n

Atual: {adoptionPct}%

\n Interseções priorizadas no rollout\n \n

Atual: {targetedPct}%

\n % das emissões urbanas associadas a ineficiências em interseções (hipótese comunicacional)\n \n

Atual: {citySharePct.toFixed(1)}%

\n\n

\n \n \n }\n label=\"Redução nas emissões no domínio tratado\"\n value={outputs.treatedDropPct}\n />\n

\n Estimativa percentual de queda de CO₂ nas emissões ligadas a interseções tratadas (combina o potencial máximo por interseção com os efeitos de adoção e de foco do rollout).\n

\n \n \n \n \n }\n label=\"Queda aproximada no total da cidade\"\n value={outputs.citywideDropPct}\n />\n

\n Proxy simples: multiplicamos a queda no domínio tratado pela participação estimada das emissões urbanas associadas a interseções.\n Essa métrica é apenas indicativa e varia por cidade.\n

\n \n \n \n \n }\n label=\"Efeitos parciais (curvas de saturação)\"\n value={`${Math.round(outputs.effectAdoption * 100)}`}\n suffix=\"% do máximo\"\n />\n

\n Adoção de veículos e foco de interseções têm efeitos não lineares. Com ~10% de adoção já se captura ~25%–50% do benefício máximo; ~20% das interseções priorizadas concentram ~70% do ganho.\n

\n \n \n

\n \n \n\n \n \n \n

\n Este explorador usa um modelo simplificado para comunicar ordens de grandeza a partir de valores do estudo (não é um simulador de tráfego real).\n
\n O potencial máximo por interseção é ajustável (faixa 11%–22%). Efeitos de adoção e de priorização seguem curvas de saturação calibradas em pontos de referência reportados.\n
\n A métrica \"Cidade\" é um proxy que depende do quanto as emissões locais estão ligadas a interseções.\n
\n Para desenho de políticas públicas, recomendo testes piloto com medição de CO₂, consumo, tempo de viagem e segurança (\"surrogate safety\").\n

\n Fonte: MIT News (ago/2025). Estudo com +6 mil interseções em Atlanta, LA e SF; reduções potenciais de 11%–22% no domínio de interseções, sem perda de vazão e com segurança preservada.\n

\n \n \n

\n\n {/* Charts */}\n

\n \n \n \n

\n \n \n \n `${v}%`} />\n `${v}%`} />\n `${v}%`} labelFormatter={(v) => `Adoção: ${v}%`} />\n \n \n \n \n

\n \n \n\n \n \n \n

\n \n \n \n `${v}%`} />\n `${v}%`} />\n `${v}%`} labelFormatter={(v) => `Interseções priorizadas: ${v}%`} />\n \n \n \n \n

\n \n \n

\n\n {/* Presets */}\n

\n \n \n \n

\n { setMaxIntersectionDropPct(11); setAdoptionPct(10); setTargetedPct(20); }}\n className=\"px-4 py-2 rounded-xl border border-gray-300 bg-white hover:bg-gray-100 text-sm\"\n >Conservador\n { setMaxIntersectionDropPct(16.5); setAdoptionPct(20); setTargetedPct(30); }}\n className=\"px-4 py-2 rounded-xl border border-gray-300 bg-white hover:bg-gray-100 text-sm\"\n >Base (artigo)\n { setMaxIntersectionDropPct(22); setAdoptionPct(40); setTargetedPct(50); }}\n className=\"px-4 py-2 rounded-xl border border-gray-300 bg-white hover:bg-gray-100 text-sm\"\n >Ambicioso\n

\n \n \n

\n\n {/* Footer */}\n

\n Este explorador é educativo e não substitui modelagem de tráfego real. Para pilotos, combine com telemetria, inventário de semáforos e métricas de segurança.\n

\n );\n}\n","access","public","isModerationBlocked","isAnonifyApiKeyDetected","dd",{"_38":39,"_40":41},"disablePrefetch",true,"shouldPrefetchAccount","shouldPrefetchUser","shouldPrefetchSystemHints","promoteCss","disableSSR","stripModulepreloadImports","statsigGateEvaluationsPromise",["P",37],"traceId","12231150789406237613","traceTime",1779010109182]