Reaching 30% plug-in vehicle sales by 2030: Modeling incentive and sales mandate strategies in Canada
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
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.
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 | 0,000 |
| 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