Purchase subsidies for 100% zero-emissions vehicle sales goals: Effectiveness, government cost, and supplier capture
Notice bibliographique
Résumé
• Simulate zero emission vehicles (ZEVs) sales under purchase subsidies. • Subsidies need to be CAD $40,000 to achieve 100% ZEV sales by 2035. • Free-ridership rates are 50–75%. • Subsidy pass-through to consumers is 77 to 85%, with the rest retained by industry. • Pass-through decreases with increased subsidy duration and value. Globally, purchase subsidies are among the most common policies used to support the deployment of zero-emissions vehicles (ZEVs). However, it is unclear if subsidies alone can effectively and efficiently achieve ambitious long-term ZEV sales goals, such as the 100% by 2035 target adopted by numerous developed countries. To shed insight on subsidy impacts under consumer-supplier dynamics, we use a technology adoption model (AUM) that endogenously represents consumer preferences for (and purchases of) light-duty passenger ZEVs, and automaker decision-making about ZEV pricing, innovation activities, and charger deployment. We use AUM to simulate the impacts of different levels and durations of ZEV purchase subsidies in the 2023–2035 time frame in the case region of Canada. Results indicate that a subsidy-dominated policy mix needs to increase subsidy values to at least $40,000 per ZEV by 2035 to achieve the 100% goal in Canada. In that scenario, average government expenditure on subsidies is 450–820 $/tonne CO 2 e abated, and up to $180 billion in total direct government expenditure. Across subsidy-dominated scenarios, automakers capture 15–23% of subsidy value and increase their overall profit; both trends increase with higher subsidy duration and value. In short, a subsidy-dominated approach to inducing ZEV sales is likely to prove costly; other policies should be considered to lead a policy mix, such as regulation, taxation, or a feebate program.
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 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 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 ».