Quel avenir pour les véhicules utilitaires légers électriques ? : une analyse prospective du marché des vans électriques pour le transport de marchandises en ville
Bibliographic record
Abstract
Le marché des véhicules électriques est animé par une dynamique très positive. Il s'agit cependant essentiellement d'un marché de niche. Il est donc légitime de s’interroger quant à son avenir.D'une part, cette dynamique est portée par de fortes préoccupations environnementales et bénéficie d'un large soutien des autorités publiques. Les constructeurs automobiles ont ces dernières années fortement investi dans cette technologie, les progrès technologiques sont rapides et offrent des perspectives intéressantes.D'autre part, des subventions conséquentes sont aujourd’hui nécessaires pour permettre aux véhicules électriques d’être compétitifs. Il est inévitable que ces subventions diminuent si le marché grandit. Deux mécanismes opposés sont donc en jeu et rendent incertain le développement du marché des véhicules électriques pour les années à venir.Notre recherche propose d'analyser ces mécanismes pour les véhicules utilitaires légers, et plus particulièrement pour le transport urbain de marchandises. Les besoins des entreprises de transport de marchandises sont évalués à travers une quarantaine d'entretiens, menés dans quatre pays européens et analysés à la lumière de la théorie de la diffusion de l'innovation. Ces entretiens mettent en évidence les obstacles opérationnels et économiques à l'utilisation de véhicules électriques, qui sont liés à la technologie elle-même mais aussi à sa nouveauté.Une approche quantitative complète cette étude. Elle s’appuie sur un modèle de prédiction de parts de marché, qui quantifie la façon dont les contraintes économiques et opérationnelles évoluent avec les développements technologiques. Ces contraintes sont mesurées par deux indicateurs: l'adéquation de l'autonomie du véhicule avec son usage et les comparaisons de coûts totaux de possession (TCO). Une originalité du modèle est qu’il traite le montant des subventions à l’achat d’un véhicule électrique comme une variable endogène, qui s’adapte dynamiquement aux évolutions du marché.Afin de compenser le manque de données disponibles sur les usages des véhicules utilitaires, un modèle statistique a été développé. Ce modèle permet d’exploiter au mieux les données d'une enquête sur les véhicules utilitaires légers en France, menée par le service de la donnée et des études statistiques (SDES) du Ministère de la Transition Écologique et Solidaire
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 machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.002 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.004 | 0.002 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.011 | 0.001 |
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 source (direct Gemma or distilled Codex), 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".