Variability in costs of electrifying passenger cars in Canada
Notice bibliographique
Résumé
Abstract The high cost of purchasing electric vehicles (EVs) compared to internal combustion engine vehicles (ICEVs) is a major barrier to their widespread adoption. Additionally, the price disparity is not the same for all households. We conducted a total cost of ownership (TCO) analysis to compare the net present value of EV versus ICEV ownership for various household categories across Canada. We observed spatial and behavioral factors, including variations in costs of electricity, temperature, household archetypes and their purchase decisions, and access to charging infrastructure. We found that EVs are more cost-effective than ICEVs for certain daily driving distances, but typical households in Canada generally do not drive enough for lifecycle costs of EVs to be less than ICEVs. The province of Quebec has the most favorable conditions for EV ownership due to high purchase subsidies and low electricity prices. Variability in costs across other provinces and territories is mainly due to differences in rebates, electricity and gasoline prices, and tax rates. Our findings have implications for policymakers and consumers. For consumers comparing ICEVs to EVs based on a fixed budget, which may be consistent with how many households frame their purchase decision, willingness to accept smaller, non-luxury EVs can result in large cost savings. We also find that although temperature variation has a minimal effect on TCO, it does impact the ‘number of charge-ups’—a metric that we introduce to compare how many charging cycles a user may expect over the lifetime of a vehicle. The policy implication of this would be a need to consider regional differences in cold weather patterns when planning charging infrastructure deployment and the extent to which households in shared dwellings may face additional costs. Lastly, our findings strengthen the argument that equitably decarbonizing transportation will also require investment in strategies other than electrifying personal vehicles.
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 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,005 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».