Peer effects and inequalities in technology uptake. Evidence from a large-scale renovation subsidy programme
Notice bibliographique
Résumé
The energy transition's success in addressing climate change depends on several factors, including the affordability of new technologies and the influence of peers within communities. However, concerns about affordability raise questions about how economic inequalities shape peer effects and whether they create barriers to equitable adoption. To this end, we explore how inequalities influence peer effects in the uptake of renewable heating sources. We leverage over 260,000 observations from unique and unpublished microdata from the Polish Clean Air Priority Programme – one of the largest retrofit schemes in Europe. Our results show that peer effects accelerate technology uptake, with each additional installation increasing the likelihood of subsequent adoption by 0.014 pp. This amounts to a 7.7 % aggregate increase in the probability of installations in the average 1-km grid cell attributable to peer spillovers. Peer influence is affected by economic inequality. In more economically homogeneous areas, affluent individuals considerably impact their peers. In areas with higher economic disparities, this influence diminishes. Our findings highlight the role of heating technology type and adopter wealth in shaping peer effect magnitude. Less wealthy adopters of biomass stoves emerge as a significant driver of peer influence, especially in areas with lower income inequality. We advise direct transfers to address technology adoption inequalities, leveraging social capital in low-inequality areas and adopting individualised strategies in high-inequality areas. • Economic inequality weakens peer effects in technology adoption decisions. • Peer influence on technology adoption varies by income inequality and wealth. • Progressive policies are needed to reduce disparities in technology uptake.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 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 ».