A Review of Literature on the Antecedents of Electric Vehicles Promotion: Lessons for Value Chains in Developing Countries
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
Electric vehicles (EVs) are a part of the solution to the growing challenges of greenhouse gas emissions and air pollution. The adoption of EV is more pronounced in developed countries than in developing countries. Research on EV adoption is also primarily focused on developed countries. Many of the antecedents of EV promotion noted in the literature do not apply in developing countries because of weak market structures, infrastructure networks, and economies. Moreover, no one study provides a comprehensive understanding of these antecedents. This article identifies the antecedents of EV promotion and explores their utility in developing countries. The literature is searched using the Web of Science database; 198 relevant papers were reviewed using an inductive–deductive approach. The inductive approach is meant to explore the antecedents of EV adoption, while the deductive approach focuses on unraveling how these antecedents unspool in developed countries and can be employed in developing countries. The recursive use of the inductive–deductive approach leads to the development of a taxonomy that further categorizes the antecedents as micro-, macro-, and meso-level antecedents. The taxonomy of antecedents can be used to orchestrate structured and coherent efforts toward promoting EV in developing countries. The article also highlights the need for contextualizing antecedents to the unique infrastructural-, economic-, and market-needs of developing countries. The article provides a foundational understanding for future research focused on the empirical examination of the antecedents of EV.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| 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