Interrelationships among EV adoption factors: An ISM-MICMAC approach
Notice bibliographique
Résumé
• Identifies key factors driving EV adoption in India using ISM-MICMAC methodology. • Maps interdependencies among EV adoption factors to inform policy and industry. • Provides actionable insights for overcoming barriers to accelerate EV adoption. Transitioning to electric vehicles (EVs) is central to sustainable transport, yet adoption depends on interdependent technical, economic, and infrastructural factors. This study aims to map those interrelationships and identify the most influential drivers of EV uptake. Interpretive Structural Modeling (ISM) and MICMAC (Cross-Impact Matrix Multiplication Applied to Classification) are applied, combining a structured literature synthesis with expert judgments from 12 specialists gathered via semi-structured interviews and a brainstorming session. ISM yields a hierarchical structure of factors while MICMAC classifies them by driving and dependence power to validate the hierarchy. Results show battery range anxiety as the foundational driver, with fast-charging technology and advancements in vehicle technology as successive high-influence factors. Integration with existing infrastructure and home-charging solutions form the next layer of influence, and total cost of ownership (with battery swapping as a complementary option) exerts mid-tier effects, whereas other factors play comparatively minor roles. These findings suggest policy and managerial priorities: reduce range anxiety (technology, information, and network density), accelerate fast-charging rollout, support integration of home and destination charging, and address total cost of ownership through incentives and design-for-cost. Unlike prior ISM-MICMAC studies that modeled only barriers to EV adoption, this study extends the analysis to capture both enabling and constraining interrelationships within a broader, technology-led ecosystem. The model reflects India’s evolving post-policy transition stage, emphasizing technological and infrastructural readiness rather than purely regulatory influence.
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 | 0,003 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,010 | 0,009 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 ».