Connecting plug-in vehicles with green electricity through consumer demand
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The environmental benefits of plug-in electric vehicles (PEVs) increase if the vehicles are powered by electricity from ‘green’ sources such as solar, wind or small-scale hydroelectricity. Here, we explore the potential to build a market that pairs consumer purchases of PEVs with purchases of green electricity. We implement a web-based survey with three US samples defined by vehicle purchases: conventional new vehicle buyers ( n = 1064), hybrid vehicle buyers ( n = 364) and PEV buyers ( n = 74). Respondents state their interest in a PEV as their next vehicle, in purchasing green electricity in one of three ways, i.e., monthly subscription, two-year lease or solar panel purchase, and in combining the two products. Although we find that a link between PEVs and green electricity is not presently strong in the consciousness of most consumers, the combination is attractive to some consumers when presented. Across all three respondent segments, pairing a PEV with a green electricity program increased interest in PEVs—with a 23% demand increase among buyers of conventional vehicles. Overall, about one-third of respondents presently value the combination of a PEV with green electricity; the proportion is much higher among previous HEV and PEV buyers. Respondents’ reported motives for interest in both products and their combination include financial savings (particularly among conventional buyers), concerns about air pollution and the environment, and interest in new technology (particularly among PEV buyers). The results provide guidance regarding policy and marketing strategies to advance PEVs and green electricity demand.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle