Adoption des voitures électriques : influence du prix de l'essence et autres déterminants de la demande
Bibliographic record
Abstract
Le Québec, comme plusieurs juridictions dans le monde, s'est doté de cibles ambitieuses pour l'électrification des transports. Cette transition est essentielle pour réduire notre dépendance aux hydrocarbures et atteindre nos cibles de réduction des gaz à effet de serre. Il est important de bien comprendre ce qui influence la décision de passer à ces nouvelles technologies. Les subventions provinciales ont couté plus d'un milliard de dollars du début du programme jusqu'en 2023. Considérant les sommes importantes en fonds publics investis, il est essentiel de comprendre ce qui influence l'adoption des véhicules électriques pour mettre en place des politiques efficaces. Bien que ces incitatifs joue un rôle important dans cette transition en réduisant le surcoût de l'achat d'un véhicule électrique, ce mémoire propose d'étudier l'impact du coût de l'essence sur les achats de véhicules électriques. Pour bien identifier les déterminants de la demande, plusieurs caractéristiques, en plus du prix de l'essence, ont été intégrées dans ce mémoire : le prix du véhicule électrique, son autonomie, le nombre de modèles proposés sur le marché et la disponibilité de bornes de recharge rapide. Les données sur l'immatriculation des véhicules de la Société d'assurance automobile du Québec nous semblent pertinentes pour mesurer la demande pour les véhicules électriques, puisqu'elles contiennent l'information sur l'ensemble des véhicules immatriculés au Québec. D'autres sources de données sont également utilisées, telles que les prix de l'essence de la régie de l'énergie, les caractéristiques des véhicules du guide de l'auto, le nombre de bornes du Circuit Électrique d'Hydro-Québec, etc. Les résultats font état d'une forte influence du prix de l'essence avec une élasticité entre 1,68 et 2,06. Également, le prix du véhicule (élasticité entre -2.31 et -2.32) et son autonomie (élasticité entre 1,37 et 1,38) sont des déterminants importants de la demande. Il faut cependant interpréter ces résultats avec une grande prudence, car les analyses de sensibilité indiquent que ces résultats sont relativement instables.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.000 | 0.000 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.000 | 0.000 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.001 | 0.000 |
| Insufficient payload (model declined to judge) | 0.001 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one teacher head, not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".