Assessing the effectiveness of financial incentives on electric vehicle adoption in Europe: Multi-period difference-in-difference approach
Notice bibliographique
Résumé
• Electric vehicles adoption is crucial for emissions mitigation in transport sector. • Difference-in-difference analysis realized on 30 European countries from 2012 to 2021. • Purchase incentives can contribute to electric vehicles adoption over the years. • Ownership incentives are not effective in electric vehicles adoption. • The impact of financial incentive policies is heterogeneous between countries. Electric vehicles (EVs) are considered a promising alternative to achieve a cleaner transportation sector. In the last decade, European countries have implemented financial incentive policies to boost EV adoption. This paper estimates the impacts of these policies on EV adoption in Europe using data from 30 countries from 2012 to 2021 and a multi-period difference-in-differences approach. Our results reveal that purchase incentive policies are associated with increased registrations of battery electric vehicles and plug-in hybrid vehicles, and that the effect holds over time. However, the magnitude and duration of these effects are more significant for battery electric vehicles. Ownership incentive policies do not contribute to EV registrations for either type. Further, the results suggest that policy impacts vary between countries with different levels of gross domestic product per capita and renewable energy consumption. These results contribute to the literature on evaluating financial incentive policies for EV adoption, enabling improved decision making by policymakers.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 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 | 0,001 |
| 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 ».