Factors Affecting Consumer’s Intention to Use Electric Vehicles: Mediating Role of Awareness and Knowledge
Notice bibliographique
Résumé
This paper explores the role of environmental consequences, perceived barriers, policy interventions, public opinions, and knowledge and awareness in using electric vehicles (EVs). We collected 506 responses about their intention to use the EVs to develop our hypothesis. This study uses knowledge and awareness of the EVs as mediating variables towards adopting the EVs and consumers’ residences as moderating variables. It also introduces several control variables in this proposed research model to measure the effect on the intention to use the EVs. In this research study, we test the importance‐performance map analysis and check Cohen’s f 2 to identify a better output. The measurement and structural equation modelling results show that the environmental consequences are a stronger predictor of intention and policy interventions. The findings suggest that government policies can also have an attractive position in the EV segment. In addition, knowledge and awareness mediate the adoption of the EVs. Perceived barriers do not influence consumers to use an EV in India. We test the moderating role of residence with our construct and find a partial moderation role with policy intervention and public opinion. We introduce three self‐created constructs, i.e., intention to use, knowledge, and public opinion. Public opinion for the EVs supports consumers’ intention to use, and knowledge also plays a significant role in using EVs. These newly added constructs will be essential to manufacturers and policymakers while promoting EVs. Also, environmental consequences and policy interventions emerge as significant factors of user behaviour. The paper highlights the critical predictors of consumers’ intention to use the EVs. Thus, it helps society, policymakers, and managers formulate and implement schemes to boost EV purchasing.
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 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) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».