Which plug-in electric vehicle policies are best? A multi-criteria evaluation framework applied to 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
Policy is an important driver for the deployment of plug-in electric vehicles (PEVs). Most PEV policy research focuses on effectiveness in the short-term, even though policymakers i) typically consider a wider range of evaluation criteria and ii) are setting PEV sales goals in the longer-term (e.g., 2030 or 2040). This study develops a more comprehensive evaluation framework, considering five criteria: (i) effectiveness at increasing PEV adoption in the long-term (2040), (ii) government spending, (iii) public support, (iv) policy simplicity and (v) “transformational signal”, the latter being a measure of a policy's ability to stimulate confidence and investment in a PEV transition. We apply this framework to Canada by assessing eight policy types implemented across the country, as well as stronger versions of each policy. We also illustrate trade-offs by constructing three policy packages with similar effectiveness (i.e., PEVs making up 40% of light-duty vehicle sales by 2040). These packages include strong financial incentives ($6,000 CAD per PEV for 20 years), a Zero-Emissions Vehicle (ZEV) sales mandate (requiring 40% PEV sales by 2040), or strengthened light-duty vehicle emissions standards (decreasing to 71 g CO2e per km by 2040). These packages differ in terms of government expenditure, policy simplicity, public support and transformative signal. Our framework provides an accessible tool for policymakers to assess such tradeoffs with PEV-supportive policies and to identify approaches that best suit their jurisdiction.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,008 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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