ELECTRIC VEHICLE CHARGING UTILIZATION IN DISADVANTAGED AND NON-DISADVANTAGED COMMUNITIES
Notice bibliographique
Résumé
The increasing affordability of electric vehicles (EVs) and the introduction of zero emission regulations have increased EV purchases. Consequently, the EV infrastructure must be developed to meet this rapidly rising demand. This need is particularly crucial in disadvantaged communities (DACs), as projections indicate that by 2030, over one-quarter of new EV owners will come from these communities. However, studies have revealed an unequal distribution of charging stations between DACs and non-disadvantaged communities (non-DACs), with a higher concentration in non-DACs. While governments have made efforts to expand charging stations through funding programs, a universal approach may not effectively address this issue across different communities. Instead, a more effective strategy involves analyzing charging behaviors among charging infrastructure users to develop tailored approaches for installing charging stations strategically. This study aims to identify differences and similarities within and between DACs and non-DACs based on utilization patterns, and race/ethnicity to provide detailed insights into the communities' characteristics. The analysis employed the Gaussian Mixture Model (GMM) to cluster 19 markets within each DAC and non-DAC category across the U.S., considering various EV infrastructure utilization patterns. These patterns were then categorized to provide a framework for stakeholders, including policymakers and EV infrastructure providers. The goal is to enable them to classify communities based on their charging station utilization patterns and demographic characteristics, thereby making informed decisions regarding the placement of EV infrastructure. The study concludes that communities should not be treated as homogenous entities. Instead, tailored approaches that address the unique needs of different communities must be developed to expand EV infrastructure and effectively promote EV adoption. Achieving this objective requires adapting current policy implications. The study offers several suggestions to adapt policies as a base for effective decision-making concerning EV infrastructure, ultimately reducing disparities in charging station distribution between DACs and non-DACs.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».