在全球范围内，个人流动的电气化是社会对气候变化的反应的更明显的表现之一。过渡到零排放车辆的势头可能正在增长，但在美国采用仍然最小。在2020年，纯电电和插入式混合模型仅占2％的新车销售．对于政治领导人和汽车行业来说，迫切需要了解是什么将提高这些微不足道的数字。是什么促使人们转向电动汽车，又是什么阻止人们这么做?我们如何鼓励更快的采用?在确定当地电动汽车销售潜力时，哪些消费者特征(如年龄、收入、政治立场、婚姻状况等)是重要的?

鉴于Altair在高级数据分析方面的记录，我们有信心能找到一些答案。我们还相信，找到它们将突出我们的数据分析解决方案的力量。当然，我们的工具已经为许多复杂的制造效率和过程自动化挑战提供了快速、可访问的见解。然而，要将这些用例转化为对大数据、机器学习(ML)和人工智能(AI)可能性的更广泛理解，可能会很棘手。这就是为什么我们把注意力集中在电动汽车的世界，以展示其可能性。

其基本原理很简单:通过将ML应用于相关的历史数据，我们可以归并该数据中缺失的值。从我们创建的完整数据集中，我们确定了关键指标和变量。现在，企业可以利用这些数据来制定战略决策，比如在哪里、何时以及如何最好地营销电动汽车。对政界人士来说，这种见解可以支持更好的政策制定，比如考虑投资基础设施收费或零排放汽车减税的好处。

我们从2019年从县级提供了从15 U.S.国家的免费公共领域数据开始。然后，我们使用它来预测和解释剩余的36个州中的电动汽车采用水平。收集了近75个变量。从这些中，30名被选中用于建模，包括与计算机和互联网接入，通勤习惯，2016年总统选举结果，教育和收入，当地法律和奖励以及充电站数量的议题。

该工作流包括三个基本步骤。首先，使用R代码访问api，从中收集数据并预处理成CSV文件。然后输入Altair®Nickightstudio®.用于数据准备，建模，模型评估，模型验证和评分。得分的数据被输出到Excel文件中，我们使用牵牛星®“圆形监狱”™使结果形象化。

我们的发现揭示了什么?从广义上说，在电动车注册数据未知的州，我们预测将看到高水平电动汽车采用的县，其特征是人口中受过教育的公民比例相对较高，家庭收入中位数也相对较高，他们通常生活在人口稠密的大都市地区。至于地方政府和公共机构的影响，大约90%的县拥有中到高数量的充电站，其中近一半的县所在的州至少有10项与电动汽车相关的法律和激励措施。

对于寻求瞄准美国的静物电动汽车买家市场的汽车制造商，这种数据是黄金。对于政治家来说，它增加了对当前辩论的燃料和更大的理解。目前，证据表明，投资和激励电动汽车采用具有积极的影响。显而易见的是，电动汽车至少在今天到富裕的城市群体仍然受到限制。

在这个项目中，我们渴望展示牛郎星的数据分析能力。但这里还有一个更大的故事。近年来，人工智能和大数据引发了大量负面新闻。其中一些反映了对隐私以及流氓和有偏见算法的后果的合理担忧。然而，我们不应该忽视如何使用人工智能和数据分析来创造持久的、积极的变化。在我们面临COVID-19和气候变化等令人生畏的全球挑战之际，我们可以也应该寻找利用人工智能和数据分析来解决这些问题的方法。

看看下面的互动地图——由Panopticon提供支持——在这里你可以放大和缩小，以了解全国各个县的采用率和人口统计细节。只需双击一个县即可查看更详细的数据。