The neglected electric vehicle adoption context: Expert perspectives concerning barriers to uptake in rural communities
Notice bibliographique
Résumé
In an effort to decarbonize the transport sector, many countries are implementing policies to increase the uptake of Zero-Emission Vehicles (ZEVs). While ZEV adoption is on the rise, it is not occurring at the same rate geographically. With some exceptions, rural areas are adopting ZEVs at much slower rates compared to urban areas. It is likely that unique rural geographies require special policy considerations regarding ZEV uptake, yet few studies have focused on rural areas. This study addresses this gap through a qualitative investigation of barriers to ZEV adoption in rural areas. Twelve group interviews with experts in transport, energy, infrastructure, economics, and climate across Canada who serve on a Federal-Provincial-Territorial-Zero-Emission-Vehicle-Working-Group (FPT ZEV WG) were conducted. Group interviews were transcribed verbatim and analyzed using thematic analysis. Barriers to ZEV adoption that emerged from the analysis included logistical, perceptual, economic, and policy. Though provincial and territorial policies vary widely within Canada, a rural-urban ‘ one-size-fits-all ’ approach emerged. In other words, within provincial and territorial ZEV policy, there is a lack of distinguishment between rural and urban areas. Further, the heterogeneity of rural communities is rarely given explicit consideration in the policy landscape. Taken together, ZEV adoption policies may need to evolve to address rural blind spots that are apparent. • Using semi-structured interviews, rural barriers to ZEV uptake are identified. • Barriers are logistical, perceptual, economic, and policy related. • Barriers to uptake are more pronounced in rural areas. • Rural areas are heterogeneous and challenging to define. • Policy does not directly consider rural areas, nor their diversity.
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 | 0,027 | 0,038 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,017 | 0,014 |
| Communication savante | 0,007 | 0,008 |
| Science ouverte | 0,003 | 0,009 |
| Intégrité de la recherche | 0,004 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».