Notice bibliographique
Résumé
Abstract Electric vehicle charging infrastructure is currently heavily subsidized in the United States at the local, state, and federal levels. However, the future success and growth of charging infrastructure to meet future EV demand will likely require chargers to become a sustainable business independent of government intervention. In this study, we examine the business case of electric vehicle chargers, focusing specifically on DC fast chargers. Our analysis employs empirical datasets, with rate plans down to the charging plug level and utilization data representing several major charging networks with over 5 million individual charging events across 1,300 DC fast chargers in California. We find that for charging rates based on energy [$/kWh] or a combination of energy and time [$/kWh and $/hr], customers pay an average of about $0.124/mi and $0.129/mi respectively. Rates based solely on time (dominated by the Tesla Supercharger network) is substantially cheaper at $0.084/mi. However, when coupling these findings with utilization data and comparing it to costs associated with charger deployment, we find that the revenues are nowhere near being able to payback the capital and operating costs of the cheapest DC fast chargers observed in the literature in a three-year period—even when doubling the average number of events and amount of energy dispensed to charge vehicles. Despite these challenges, we also conduct a spatial analysis of local businesses and services co-located with EV chargers and identify this as a possible alternative revenue source for chargers in the future.
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 | 0,001 |
| 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 ».