Zkoumání dopadů veřejných politik na elektromobilitu

Abstract

Tato práce zkoumá, jak je tržní podíl bateriových elektromobilů (EV) v České republice určen pěti klíčovými faktory: signály cen pohonných hmot, pobídky k přímému nákupu, hustota nabíjecích stanic, socioekonomická kapacita a přetížení sítě. Pomocí 29čtvrtletního panelu jsou generovány logaritmicky lineární modely OLS po sledování deskriptivní trajektorie elektromobilů v zemi od registrací v pilotní fázi až po 8% podíl nových vozidel do 1. čtvrtletí 2025 (1. čtvrtletí 2018 1. čtvrtletí 2025). Základní specifikace ukazuje autokorelované rezidua (Durbin-Watson 0,88) a poskytuje téměř dokonalou shodu (R² = 0,985), ale nesplňuje multikolinearitu (VIF > 10). Běžná trendová variace byla eliminována ortogonalizací HDP na obyvatele a elektromobilů na nabíječku vzhledem k zavádění nabíjecích stanic, aby bylo zachováno všech pět politických pák. S VIF menším než pět a rezidui bílého šumu (Durbin-Watson = 2,04) aktualizovaný model vysvětluje 87,2 % variace. Elasticity jsou i nadále poměrně značné a kompatibilní s teorií: 1% nárůst cen benzinu zvyšuje podíl elektromobilů o 0,435 % (p<0,001), aktivace dotací přidává 16,2 % (p<0,001) a rozšíření nabíjecích stanic o 1 % zvyšuje podíl o 0,572 % (p<0,001). Šoky v příjmech a dopravní zácpy vedou k +0,251 % (p=0,024) a -0,302 % (p=0,017). Tato zjištění poskytují českým tvůrcům politik silný soubor nástrojů v procentuálním měřítku k podpoře přechodu země na vozidla s nulovými emisemi.

This thesis examines how the market share of battery-electric cars (EVs) in Czechia is determined by five key factors: fuel-price signals, direct purchase incentives, charging station density, socioeconomic capacity, and network congestion. Using a 29-quarter panel, log-linear OLS models are generated after following the nation's descriptive EV trajectory from pilot-phase registrations to an 8% proportion of new vehicles by Q1 2025 (2018 Q12025 Q1). A baseline specification shows autocorrelated residuals (DurbinWatson 0.88) and provides a near-perfect fit (R² = 0.985), but it fails multicollinearity (VIFs > 10). A common trend variation was eliminated by orthogonalizing GDP per capita and EVs per charger against the rollout of charging stations in order to maintain all five policy levers. With VIFs less than five and white-noise residuals (Durbin-Watson = 2.04), the updated model accounts for 87.2% of the variation. Elasticities continue to be quite substantial and compatible with theory: A 1% increase in petrol prices increases the share of EVs by 0.435% (p<0.001), the activation of subsidies adds 16.2% (p<0.001), and the expansion of chargers by 1% increases the share by 0.572% (p<0.001). The shocks of income and congestion result in +0.251% (p=0.024) and -0.302% (p=0.017), respectively. These findings provide Czech policymakers with a strong toolkit at the percentage scale to boost the country's transition to zero-emission vehicles.