Will users practice what they preach? Exploring the influencing factors of the intention behaviour gap in electric vehicles adoption
Notice bibliographique
Résumé
• We investigated the intention-behaviour gap for EV adoption. • EV purchase behaviour is simulated and measured based on a novel design-space-game. • An extended theory of planned behaviour (TPB) is utilized to test the intention-behaviour gap. • EV purchase intention has a positive effect on behaviour and explains 13% of the variance in behaviour. • EV adoption behaviour is also affected by external factors related to instrumental, utilitarian, and technical aspects. This study explores the intention-behavior gap in electric vehicle (EV) adoption, focusing on the often overlooked discrepancy between users’ stated intentions and their actual purchasing behavior. We began by developing a theoretical framework and formulating research hypotheses based on a comprehensive EV adoption literature review and theory of planned behavior. Subsequently, data from a simulated vehicle purchase game involving 2647 participants in Canada were utilized to test these hypotheses by a structural equation model method. Then, potential EV users were categorized according to different intention-simulated behavior relationships through the K-means clustering method to further explore the characteristics of user groups with and without intention-simulated behavior gap. The findings indicate that while purchase intentions have a positive influence on simulated behavior, their predictive power is limited, explaining only 10.89 % of the variance in simulated behavior. Key factors such as gender, house type, and homeownership significantly moderate this relationship (p < 0.001). Four segments emerged from the analysis, with two—“green image with no action” users and “low intention” EV buyers—emerging as primary contributors to the intention-behavior gap. In the gap group (n = 1329), the relationship between intention and simulated behavior was negative (−0.526 standardized regression weight, p < 0.001). While concerns about emissions motivated EV adoption intentions (p < 0.001), actual purchasing behavior was more strongly influenced by budget (p = 0.033), body style preference (p = 0.001), and the availability of home charging facilities (p < 0.001). The most important contributions of this study are the measurement and evaluation of the EV purchase intention-behavior gap. The findings demonstrate that, while the assumptions in the theory of planned behavior about the interaction between individual psychological factors are sound, more elements must be incorporated to improve the predictive power of intentions on behaviour. Future studies might explore additional aspects across a wider range of regional contexts and consumer segments, as well as longitudinal behavior patterns, to gain a better understanding of the changing dynamics of EV adoption. This study adds to the continuing discussion about effective EV adoption techniques, with practical implications for policymakers and marketers seeking to close the intention-behavior gap.
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 | 0,004 | 0,023 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».