Modelling the ‘S curve’: transition dynamics in EV adoption
Notice bibliographique
Résumé
Abstract Electric vehicles (EVs) offer significant potential to reduce greenhouse gas emissions from the transportation sector. This study focuses on understanding and modelling the transition from internal combustion engine vehicles (ICEs) to EVs, addressing the dynamics that drive this shift. Using a nonlinear model of opinion dynamics, we investigate the influence of effective price ratios between EVs and ICEs, EV model availability, and public charging stations on adoption rates. Historical data from Norway, a mature EV market, is utilized to validate the model and analyze the impact of policy measures, such as subsidies, on accelerating adoption. According to our model, affordability alone does not drive the transition. Factors like EV model availability and consumer trust in battery technology play crucial roles, as evidenced by the surge in hybrid vehicle adoption during the transition phase. This reflects hesitancy toward fully committing to EVs even when the technology is sufficiently mature. The model emphasizes the interplay of consumer opinion and market behaviour, highlighting the importance of policies that promote EV model availability and enhance battery reliability/increase trust in new technologies, alongside financial incentives. While the focus of this study was EV adoption, the modelling approach is relevant for the adoption of other low-carbon consumer technologies such as heat pumps. This research provides critical insights into the complexity of EV adoption and the multifaceted strategies needed to support the shift toward sustainable transportation systems. While different modelling approaches are necessary to model technology adoption, nonlinear models are particularly well-suited to capture the feedbacks and emergent dynamics that characterize 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 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 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».