Adoption of Electric Vehicles in Car Sharing Market
Notice bibliographique
Résumé
In this study, we examine whether it is optimal to use electric vehicles (EVs) in the car sharing market and investigate the environmental impact of pulling the EVs from the market. We develop a model consisting of a profit‐maximizing car sharing company (CSC) and a population of utility‐maximizing customers. The CSC sets the number of EVs, the number of fuel vehicles (FVs), and the rental price jointly to maximize its profit. Customers decide whether to use EVs, FVs, or public transportation to complete their trips considering the rental price. We show that it is optimal to use EVs only if the charging speed, the number of charging stations, and the range of EVs are high enough. Among these three conditions, the recharging speed is the most important and the number of charging stations is more important than the range of EVs. We also find that including EVs in the car sharing market may lead to a higher total emission when ignoring customers’ other transportation choices (due to a lower rental price that results in a higher usage rate). Moreover, we consider the problem with the objective of maximizing the social welfare and find that when considering the environmental impact, governments should tax the CSC to induce a higher rental price and when ignoring this impact, they should subsidize the CSC to reduce the rental price. We demonstrate our results with the case study of Car2go. These results are in line with that the slow recharging speed may have been one of the contributing factors to that Car2go replaced EVs with FVs in San Diego.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,013 | 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 source (Gemma direct ou Codex distillé), 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 ».