How Policy Can Build the Plug-in Electric Vehicle Market: Insights from Respondent-Based Preferences and Constraints (REPAC) Model
Notice bibliographique
Résumé
Forecasts for alternative-fuel passenger vehicles sales have varied widely over the past three decades, often proving overly optimistic. In the recent case of plug-in electric vehicles (PEVs), published forecasts of new market share in North America have ranged from 1% to 28% in 2020, and from 1% to 70% by 2030. To improve their understanding of such forecasts, the authors develop a model with the goal of effectively representing key components of PEV demand, PEV supply and relevant policy in the REspondent-based Preference and Constraint (REPAC) model. Specifically, to represent consumer interest in PEVs the authors estimated a latent class discrete choice model based on data collected via a 2013 survey of 531 new vehicle-buying households in British Columbia, Canada. REPAC treats these choice model results as unconstrained (or latent) demand for PEVs. REPAC then adds “real-world” constraints based on other survey data collected in the same survey (PEV awareness and home charging access) as well as adding supply constraints to represent the limited variety and availability of PEV models. With such constraints, REPAC’s baseline (“no-policy”) forecast for annual PEV sales from 2020 through to 2030 is around 1% new market share. Forecasts for 2030 range from 1-10% with demand- focused policies in place (e.g. purchase subsidies), while strong supply-focused policy is also required to achieve 2030 market shares over 30% (i.e. a Zero-Emissions Vehicle mandate). REPAC’s forecasts are most sensitive to assumptions about PEV availability and variety, home charging access, and consumer familiarity with PEVs, but not gasoline or electricity costs.
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.
Comment cette classification a été obtenuedéplier
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».