MétaCan
Menu
Retour à la cohorte
Enregistrement W4319927304 · doi:10.54932/kzyi1849

Analyse des motivations d’achat de camions légers au Québec

2023· report· fr· W4319927304 sur OpenAlexaboutno aff
Verena Gruber, Ingrid Peignier, Elinora Pentcheva

Notice bibliographique

Revuenon disponible
Typereport
Languefr
DomaineEngineering
ThématiqueVehicle emissions and performance
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésHumanitiesPolitical sciencePhilosophy

Résumé

récupéré en direct d'OpenAlex

Le présent rapport s’inscrit dans la continuité d’une vaste étude débutée en 2020 afin de mieux comprendre la préférence croissante de la population canadienne pour les véhicules énergivores ainsi que les facteurs (politiques, économiques, sociaux, etc.) qui contribuent à l’augmentation des ventes de ce type de véhicules. Le CIRANO a déjà participé à cette étude en publiant deux rapports de projet en 2021 et ce nouveau rapport traite plus en détail de la situation au Québec, avec une attention particulière portée sur les habitudes d’utilisation des véhicules. Pour ce faire, une étude empirique a été menée auprès d’un échantillon représentatif de 1 020 Québécois(es) propriétaires d’un véhicule à l’aide d’un questionnaire en ligne administré en juillet 2022. L’enquête par questionnaire a fait ressortir quatre aspects majeurs qui influencent l’intention d’acheter un véhicule de type VUS : les caractéristiques du véhicule (comme l’importance accordée à une position de conduite élevée et à une transmission à quatre roues motrices), les aspects démographiques (comme le fait de vivre dans une région rurale et d’avoir un revenu familial plus élevé) et les facteurs psychologiques (comme l’importance des valeurs hédoniques et égoïstes). Mais c’est surtout la nature du véhicule principal qui est la variable qui se distingue avec le plus grand effet (β = 0,451) sur l’intention d’achat de VUS. Ainsi, conformément aux résultats de 2020, le facteur le plus important pour expliquer l’intention d’achat futur d’un VUS est la possession préalable d’un VUS. 67 % des propriétaires de VUS ont affirmé qu’il était extrêmement probable ou très probable qu’ils achètent un VUS comme prochain véhicule contre seulement 24 % des propriétaires de berline. Ces résultats renforcent la conclusion que le fait de posséder un VUS est le meilleur prédicteur d’une haute intention d’achat de VUS pour le prochain véhicule et souligne l’importance des interventions visant les premiers acheteurs et les premières acheteuses. Les résultats de l’enquête suggèrent également que la réduction de la possession de voiture parmi les propriétaires sera fortement difficile, puisque ceux-ci considèrent leur véhicule comme indispensable, et ce quel que soit le type de véhicule possédé, quoique les propriétaires de berlines soient néanmoins significativement les moins nombreux à considérer leur véhicule comme indispensable. Bien que les répondant(e)s considèrent généralement leur véhicule comme indispensable, ils ou elles ne l’utilisent guère au maximum de sa capacité, ni en ce qui concerne les sièges du véhicule ni en ce qui concerne l’espace de rangement. En moyenne, 35 % des répondant(e)s indiquent qu’au moins 3 places de leur véhicule sur 5 sont occupées au moins une fois par semaine. La plus grande part affirme toutefois que cela n’arrive que quelques fois par année (40,1 %), voire jamais pour 13,6 % des répondant(e)s. Les mêmes ordres de grandeur sont observés en ce qui concerne l’utilisation de l’espace de chargement. En revanche, les conducteur(trice)s de VUS sont significativement plus nombreux que les conducteur(trice)s de berline à utiliser fréquemment la majorité des sièges de l’habitacle ainsi que la pleine capacité du coffre. Pourtant, lorsque l’on contrôle pour d’autres variables sociodémographiques, le type de véhicule conduit n’est généralement pas un facteur explicatif de la fréquence d’utilisation de la pleine capacité de notre véhicule, que l’on parle de sièges ou du coffre, mais c’est plutôt le fait d’avoir des enfants qui est la variable avec le plus grand pouvoir explicatif.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,047
Score d'incertitude au seuil0,095

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0040,001
Communication savante0,0020,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0080,001

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.

Tête enseignante Opus0,074
Tête enseignante GPT0,303
Écart entre enseignants0,229 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetVehicle emissions and performanceTravaux en français237 207