Factors Influencing Electric Vehicle Adoption: Coupling Machine Learning Models and Open-Source Data
Notice bibliographique
Résumé
Electric vehicles (EVs) are increasingly promoted in many countries to reduce transportation-related greenhouse gas emissions, offering numerous environmental and economic benefits, such as lower tailpipe emissions and operating costs. However, predicting EV adoption entails access to comprehensive data sets. This study introduces a cost-effective alternative by leveraging open-source socioeconomic and demographic (SED) data from census records and machine learning (ML) models. Focusing on high-resolution geography at the dissemination area level, this study examines the association of SED characteristics, urbanization, annual vehicle kilometer traveled (VKT), and charging infrastructure to predict EV adoption. Ensemble ML models, particularly eXtreme Gradient Boosting, achieve superior predictive accuracy (up to 95%), with forward sequential feature selection identifying 18 key features that enhance model performance. Furthermore, Shapley Additive exPlanation analysis indicates that higher education, income, urbanization, and charging infrastructure availability are strong drivers of EV adoption. In contrast, high population density, longer VKT, and extended commuting durations pose barriers. This approach validates the existing determinants of EV uptake and introduces a scalable, reproducible framework for policymakers. This study demonstrates the feasibility of high-resolution spatial forecasting by leveraging publicly available data. In addition, it provides actionable insights to support targeted policies and infrastructure development to accelerate EV adoption.
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 | 0,005 | 0,023 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».