Reaching 30% plug-in vehicle sales by 2030: Modeling incentive and sales mandate strategies in Canada
Notice bibliographique
Résumé
Plug-in electric vehicles (PEVs) could play a strong role in decarbonizing the transportation sector, leading some governments to set the goal of PEVs accounting for 30% of new sales by 2030 (e.g., the “[email protected]” campaign). To explore the feasibility of this goal, we use a behaviourally-realistic vehicle adoption model (REPAC) to simulate the impacts of incentives and vehicle mandates on PEV sales over this time frame, using the case study of Canada. We consider a range of technology assumptions, including optimistic and pessimistic battery cost scenarios ($CDN 85/kWh and $CDN 125/kWh, respectively, by 2030). We find that the country’s present policies can only induce PEVs to reach 5–11% new market share by 2030. Without changes in PEV supply, we find that purchase incentives can boost PEV new market share, where a $CDN 6000/vehicle subsidy is needed for 13 years to reach the 2030 goal (in the median technology assumption scenario). We also model ZEV mandate scenarios where automakers must reach 30% or 40% PEV sales by 2030, finding that compliance with both is achievable even in pessimistic technology scenarios, through a combination of increased PEV model availability and intra-firm cross-price subsidies. While incentive-based or mandate-based strategies (or some combination thereof) can achieve 2030 goals, results demonstrate the high government expenditure involved in an incentive-based strategy -- $CDN 15–48 billion undiscounted ($10–28 billion discounted), or around $9000–10,000 per added PEV sale. Policymakers ought to consider these tradeoffs, among others, when designing PEV-supportive policies to achieve long-term climate goals.
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 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,003 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 ».