Die indonesische Regierung strebte die Annahme von 2,1 Millionen Einheiten zweirädriger Elektrofahrzeuge und 2.200 Einheiten vierrädriger Elektrofahrzeuge im Jahr 2025 durch die Präsidialverordnung Nr. 22 der Republik Indonesien im Jahr 2017 über den National Energy General Plan an. Im Jahr 2019 erließ die Regierung Indonesiens die Präsidialverordnung Nr. 55 im Jahr 2019 zur Beschleunigung des batterieelektrischen Fahrzeugprogramms für den Straßenverkehr. Im Jahr 2018 erreichte die Einführung von zweirädrigen Elektrofahrzeugen nur 0,14 % des Regierungsziels für 2025. Daher muss die Einführung der Elektromotorrad-Technologie (EM) auch viele Faktoren berücksichtigen, um erfolgreich zu sein. Diese Forschung entwickelt ein verhaltensunabhängiges Intentionsmodell für die Einführung von Elektrofahrzeugen. Die Faktoren umfassen soziodemografische, finanzielle, technologische und Makroebene. An der Online-Umfrage nahmen 1.223 Teilnehmer teil. Die logistische Regression wird verwendet, um die Funktion und den Wahrscheinlichkeitswert der Absicht zu erhalten, EM in Indonesien einzuführen. Häufigkeit des Teilens in sozialen Medien, Umweltbewusstsein, Einkaufspreise, Wartungskosten, Höchstgeschwindigkeit, Batterieladezeit, Verfügbarkeit der Ladestationsinfrastruktur am Arbeitsplatz, Verfügbarkeit von hausstrombasierter Ladeinfrastruktur, Kaufanreizpolitik und Ladekostenrabatt Die Anreizpolitik beeinflusst maßgeblich die Absicht, Elektrofahrzeuge einzuführen. Es zeigt auch, dass die Chance für Indonesier, Elektromotorräder zu übernehmen, 82,90% beträgt. Die Realisierung der Einführung von Elektromotorrädern in Indonesien erfordert Infrastrukturbereitschaft und Kosten, die von den Verbrauchern akzeptiert werden können. Schließlich liefern die Ergebnisse dieser Untersuchung einige Vorschläge für die Regierung und die Unternehmen, um die Einführung von Elektromotorrädern in Indonesien zu beschleunigen.

EINLEITUNG

Der Wirtschaftssektor in Indonesien (Verkehr, Stromerzeugung und Haushalte) verwendet hauptsächlich fossile Brennstoffe. Einige der negativen Auswirkungen der hohen Abhängigkeit von fossilen Brennstoffen sind die erhöhte Zuteilung von Brennstoffsubventionen, Probleme der Energienachhaltigkeit und hohe CO2-Emissionen. Der Verkehr ist ein wichtiger Sektor, der aufgrund der vielen Verwendungen von Fahrzeugen mit fossilen Brennstoffen zu hohen CO2-Werten in der Luft beiträgt. Diese Forschung konzentriert sich auf Motorräder, da Indonesien als Entwicklungsland mehr Motorräder als Autos hat. Die Zahl der Motorräder in Indonesien erreichte 2018 120.101.047 Einheiten [1] und der Motorradabsatz erreichte 2019 6.487.460 Einheiten [2]. Die Verlagerung des Verkehrssektors auf alternative Energiequellen kann hohe CO2-Werte reduzieren. Die realistische Lösung für dieses Problem besteht darin, eine grüne Logistik durch die Durchdringung von Elektrofahrzeugen in Indonesien wie Hybrid-Elektrofahrzeugen, Plug-in-Hybrid-Elektrofahrzeugen und batterieelektrischen Fahrzeugen zu implementieren [3]. Innovationen in der Elektrofahrzeugtechnologie und in der Batterietechnologie können umweltfreundliche und energieeffiziente Transportlösungen bieten, die Betriebs- und Wartungskosten senken [4]. Elektrofahrzeuge werden von vielen Ländern der Welt diskutiert. Im weltweiten Geschäft mit Elektrofahrzeugen gab es ein deutliches Absatzwachstum bei zweirädrigen Elektromotorrädern, das von 2016 bis 2017 58 % oder rund 1,2 Mio Motorrad-Technologie, von der erwartet wird, dass eines Tages Elektro-Motorräder fossil befeuerte Fahrzeuge ersetzen werden. Das Forschungsobjekt ist Electric Motorcycle (EM), das aus New Design of Electric Motorcycle (NDEM) und Converted Electric Motorcycle (CEM) besteht. Der erste Typ, das New Design of Electric Motorcycle (NDEM), ist ein von dem Unternehmen entwickeltes Fahrzeug, das Elektrotechnologie für seinen Betrieb einsetzt. Einige Länder der Welt wie Australien, Deutschland, England, Frankreich, Japan, Taiwan, Südkorea und China verwendeten bereits Elektromotorräder als Ersatzprodukt für fossil befeuerte Motorradfahrzeuge [5]. Eine Marke von Elektromotorrädern ist Zero Motorcycle, die Sport-Elektromotorräder herstellt [6]. PT. Gesits Technologies Indo hat auch zweirädrige Elektromotorräder unter der Marke Gesits produziert. Der zweite Typ ist ein CEM. Ein umgebautes Elektromotorrad ist ein ölbetriebenes Motorrad, bei dem die Motor- und Motorteile durch Lithium-Ferrophosphat-Batteriesätze (LFP) als Energiequelle ersetzt werden. Obwohl viele Länder Elektromotorräder herstellen, hat niemand das Fahrzeug mithilfe von Umbautechniken entwickelt. Der Umbau kann an einem zweirädrigen Motorrad erfolgen, das von seinen Benutzern nicht mehr verwendet wird. Universitas Sebelas Maret ist ein Pionier in der Herstellung von CEM und beweist technisch, dass Lithium-Ionen-Batterien fossile Energiequellen konventioneller Motorräder ersetzen können. CEM verwendet die LFP-Technologie, diese Batterie explodiert nicht, wenn ein Kurzschluss auftritt. Darüber hinaus hat der LFP-Akku eine lange Nutzungsdauer von bis zu 3000 Nutzungszyklen und ist länger als aktuelle handelsübliche EM-Akkus (wie Lithium-Ionen-Akku und LiPo-Akku). CEM kann 55 km/Ladung zurücklegen und erreicht eine Höchstgeschwindigkeit von bis zu 70 km/h [7]. Jodinesa et al. [8] untersuchte den Marktanteil von Cabrio-Elektromotorrädern in Surakarta, Indonesien und kam zu dem Ergebnis, dass die Bevölkerung von Surakarta positiv auf die CEM reagierte. Aus der obigen Erläuterung ist ersichtlich, dass die Chancen für Elektromotorräder riesig sind. Es wurden mehrere Studien zu Standards in Bezug auf Elektrofahrzeuge und Batterien entwickelt, wie zum Beispiel der Lithium-Ionen-Batteriestandard von Sutopo et al. [9], der Batteriemanagementsystem-Standard von Rahmawatie et al. [10] und Ladestandards für Elektrofahrzeuge von Sutopo et al. [11]. Die langsame Einführung von Elektrofahrzeugen in Indonesien hat die Regierung dazu veranlasst, mehrere Richtlinien zur Entwicklung der Automobilindustrie zu veröffentlichen und die Einführung von 2,1 Millionen Einheiten von Elektromotorrädern und 2200 Einheiten von Elektroautos im Jahr 2025 anzustreben zielte auch darauf ab, dass Indonesien 2.200 Elektro- oder Hybridautos produzieren kann, die in der Präsidialverordnung Nr. 22 der Republik Indonesien von 2017 über den National Energy General Plan festgelegt sind. Diese Regelung wurde von verschiedenen Ländern wie Frankreich, England, Norwegen und Indien angewendet. Das Ministerium für Energie und Bodenschätze hat sich zum Ziel gesetzt, dass ab 2040 der Verkauf von Fahrzeugen mit Verbrennungsmotor (ICEV) verboten ist und die Öffentlichkeit aufgefordert wird, Elektrofahrzeuge zu verwenden [12]. Im Jahr 2019 erließ die indonesische Regierung die Präsidialverordnung Nr. 55 von 2019 zur Beschleunigung des batteriebasierten Elektrofahrzeugprogramms für den Straßenverkehr. Diese Bemühungen sind ein Schritt, um zwei Probleme zu überwinden, nämlich die Erschöpfung der Heizölreserven und die Luftverschmutzung. In Bezug auf die Luftverschmutzung hat sich Indonesien als Ergebnis der Pariser Klimakonferenz von 2015 verpflichtet, bis 2030 29 % der Kohlendioxidemissionen zu reduzieren 2025, während für vierrädrige Elektrizität mehr als 45% erreicht wurden. Im Dezember 2017 standen landesweit in 24 Städten mindestens mehr als 1.300 öffentliche Stromtankstellen zur Verfügung, davon 71% (924 Tankstellen) im DKI Jakarta [13]. Viele Länder haben über die Einführung von Elektrofahrzeugen geforscht, aber in Indonesien wurden noch keine Untersuchungen auf nationaler Ebene durchgeführt. In einigen Ländern gab es viele Arten von Forschungen, die Studien über die Einführung neuer Technologien mit verschiedenen Methoden durchgeführt haben, wie z der Barrieren von batterieelektrischen Fahrzeugen in Tianjin, China [15], explorative Faktorenanalyse und multivariates Regressionsmodell, um Barrieren unter Fahrern von Elektrofahrzeugen im Vereinigten Königreich zu kennen [16], und logistische Regression, um die Faktoren zu kennen, die die Akzeptanz von Elektrofahrzeugen in Peking, China [17]. Ziel dieser Forschung ist es, ein Einführungsmodell für Elektromotorräder in Indonesien zu entwickeln, die Faktoren zu ermitteln, die die Absichten zur Einführung von Elektromotorrädern in Indonesien beeinflussen, und die Funktionsmöglichkeiten für die Einführung von Elektromotorrädern in Indonesien zu ermitteln. Die Modellierung der Faktoren ist wichtig, um herauszufinden, welche Faktoren die Absicht beeinflussen, elektrische Motorräder in Indonesien einzuführen. Diese einflussreichen Faktoren können als Referenz verwendet werden, um geeignete Maßnahmen zu formulieren, um die Einführung von Elektromotorrädern zu beschleunigen. Diese wesentlichen Faktoren sind ein Bild der idealen Bedingungen, die sich potenzielle Benutzer von Elektromotorrädern in Indonesien wünschen. Einige Ministerien in Indonesien, die sich auf die Formulierung von Richtlinien für Elektrofahrzeuge beziehen, sind das Industrieministerium, das sich mit den auf den Emissionen basierenden Kfz-Steuervorschriften befasst, das sich direkt mit den Herstellern von Elektrofahrzeugen befasst, das Verkehrsministerium, das die Machbarkeitsprüfung von Elektrofahrzeugen durchführt, die auf der Autobahn ebnen, wie Batterietests usw., sowie das Ministerium für Energie und Bodenschätze, das für die Formulierung der Tarife für Elektrofahrzeug-Ladestationen für die Infrastruktur von Elektrofahrzeug-Ladeunternehmen zuständig ist. Die Innovation von Elektrofahrzeugen fördert auch die Entstehung neuer Geschäftseinheiten in der Lieferkette, einschließlich Technopreneurs und Start-ups von Entwicklern, Lieferanten, Herstellern und Händlern von Elektrofahrzeugprodukten / -dienstleistungen und deren Derivaten auf dem Markt [24]. Unter Berücksichtigung dieser wesentlichen Faktoren können Unternehmer von Elektromotorrädern auch Technologie und Marketing entwickeln, um die Realisierung von Elektromotorrädern anstelle von konventionellen Motorrädern in Indonesien zu unterstützen. Ordinale logistische Regression zur Ermittlung des Funktions- und Wahrscheinlichkeitswerts der Absicht, Elektromotorräder in Indonesien mit der Software SPSS 25 einzuführen. Logistische Regression oder Logit-Regression ist ein Ansatz, um Vorhersagemodelle zu erstellen. Logistische Regression in Statistiken, die verwendet wird, um die Wahrscheinlichkeit des Eintretens eines Ereignisses durch Abgleichen der Daten in der logistischen Funktion der Logit-Kurve vorherzusagen. Diese Methode ist ein allgemeines lineares Modell für die binomiale Regression [18]. Die logistische Regression wurde verwendet, um die Akzeptanz der Einführung von Internet und Mobile Banking vorherzusagen [19], die Akzeptanz der Einführung der Photovoltaik-Technologie in den Niederlanden vorherzusagen [20], die Akzeptanz von Telemonitoring-Systemtechnologie für die Gesundheit vorherzusagen [21] und um herauszufinden, die technischen Hindernisse, die die Entscheidung zur Einführung von Cloud-Diensten beeinflussen [22]. Utamiet al. [23], der zuvor in Surakarta die Verbraucherwahrnehmung von Elektrofahrzeugen untersuchte, stellte fest, dass Kaufpreise, Modelle, Fahrzeugleistung und Infrastrukturbereitschaft die größten Hindernisse für die Einführung von Elektrofahrzeugen darstellen. METHODE Bei den in dieser Studie gesammelten Daten handelt es sich um Primärdaten, die durch Online-Umfragen gewonnen wurden, um Möglichkeiten und Faktoren zu ermitteln, die die Absicht beeinflussen, elektrische Motorräder in Indonesien einzuführen. Fragebogen und Umfrage Die Online-Umfrage wurde an 1.223 Befragte in acht Provinzen Indonesiens verteilt, um die Faktoren zu untersuchen, die die Absicht der Einführung von Elektromotorrädern in Indonesien beeinflussen. Diese ausgewählten Provinzen hatten mehr als 80% der Motorradverkäufe in Indonesien [2]: West-Java, Ost-Java, Jakarta, Zentral-Java, Nord-Sumatra, West-Sumatra, Yogyakarta, Süd-Sulawesi, Süd-Sumatra und Bali. Die untersuchten Faktoren sind in Tabelle 1 dargestellt. Allgemeines Wissen über Elektromotorräder wurde zu Beginn des Fragebogens mittels Video vermittelt, um Missverständnisse zu vermeiden. Der Fragebogen war in fünf Abschnitte unterteilt: Screening-Abschnitt, soziodemografischer Abschnitt, finanzieller Abschnitt, technologischer Abschnitt und Abschnitt auf Makroebene. Der Fragebogen wurde auf einer Likert-Skala von 1 bis 5 präsentiert, wobei 1 für völlige Ablehnung, 2 für Ablehnung, 3 für Zweifel, 4 für Zustimmung und 5 für starke Zustimmung stand. Die Bestimmung der minimalen Stichprobengröße bezieht sich auf [25], wobei festgestellt wurde, dass Beobachtungsstudien mit großen Populationsgrößen, die eine logistische Regression beinhalten, eine Mindeststichprobengröße von 500 erfordern, um statistische Parameter zu erhalten. In dieser Untersuchung werden Cluster-Stichproben oder Flächenstichproben mit Anteilen verwendet, da die Bevölkerung von Motorradfahrern in Indonesien sehr groß ist. Außerdem wird die gezielte Probenahme verwendet, um Proben nach bestimmten Kriterien zu bestimmen [26]. Online-Umfragen werden über Facebook-Ads durchgeführt. Teilnahmeberechtigt sind Personen im Alter von 17 Jahren, die eine SIM C besitzen, eine der Entscheidungsträger für den Ersatz oder Kauf eines Motorrads sind und ihren Wohnsitz in einer der Provinzen in Tabelle 1 haben. Theoretischer Rahmen She et al. [15] und Habich-Sobiegalla et al. [28] verwendeten Rahmen für eine systematische Kategorisierung von Faktoren, die die Akzeptanz von Elektrofahrzeugen durch die Verbraucher vorantreiben oder behindern. Wir haben diese Rahmenbedingungen angepasst, indem wir sie basierend auf unserer Analyse der Literatur zu Elektromotorrädern über die Akzeptanz von Elektromotorrädern durch Verbraucher modifiziert haben. Wir haben es in Tabelle 1 visualisiert.Tabelle 1. Erklärung und Verweis auf Faktoren und Attribute SD1 Familienstand [27], [28] SD2 Alter SD3 Geschlecht SD4 Letzte Ausbildung SD5 Beruf Soziodemografisch SD6 Monatlicher Konsum SD7 Monatliches Einkommen SD8 Anzahl der Motorradbesitzer SD9 Häufigkeit des Teilens in sozialen Medien SD10 Größe des sozialen Online-Netzwerks SD11 Umweltbewusstsein Finanziell FI1 Kaufpreis [29] FI2 Batteriekosten [30] FI3 Ladekosten [31] FI4 Wartungskosten [32] Technologisch TE1 Laufleistung [33] TE2 Leistung [33] TE3 Ladezeit [33] TE4 Sicherheit [34] TE5 Batterielebensdauer [35] Makroebene ML1 Verfügbarkeit von Ladestationen an öffentlichen Orten [36] ML2 Verfügbarkeit von Ladestationen am Arbeitsplatz [15] ML3 Verfügbarkeit von Ladestationen zu Hause [37] ML4 Verfügbarkeit von Serviceplätzen [38] ML5 Kaufanreizpolitik [15] ML6 Jährlich Steuernachlasspolitik [15] ML7 Gebührennachlasspolitik [15] Adoptionsabsicht IP Nutzungsabsicht [15] Soziodemografischer Faktor Der soziodemografische Faktor sind persönliche Faktoren, die das Verhalten einer Person bei der Entscheidungsfindung beeinflussen. Eccariuset al. [28] gaben in ihrem Adoptionsmodell an, dass Alter, Geschlecht, Familienstand, Bildung, Einkommen, Beruf und Fahrzeugbesitz wichtige Faktoren sind, die sich auf die Einführung von Elektrofahrzeugen auswirken. HabichSoebigalla et al. heben soziale Netzwerkfaktoren wie die Anzahl der Motorradbesitzer, die Häufigkeit des Teilens in sozialen Medien und die Größe des sozialen Online-Netzwerks als Einflussfaktoren für die Einführung von Elektrofahrzeugen hervor [28]. Eccariuset al. [27] und HabichSobiegalla et al. [28] wird auch davon ausgegangen, dass Umweltbewusstsein zu sozialdemografischen Faktoren gehört. Finanzfaktor Der Kaufpreis ist der Neupreis eines Elektromotorrads ohne Kaufzuschuss. Sierzchula et al. [29] sagte, dass der hohe Anschaffungspreis des Elektrofahrzeugs durch die höchste Batteriekapazität verursacht wird. Batteriekosten sind die Kosten für den Austausch der Batterie, wenn die Lebensdauer der alten Batterie abgelaufen ist. Krauseet al. untersuchten, dass die Batteriekosten zu den finanziellen Hürden für jemanden gehören, der ein Elektrofahrzeug annimmt [30]. Die Ladekosten sind die Stromkosten für den Antrieb eines Elektromotorrads im Vergleich zu den Benzinkosten [31]. Wartungskosten sind routinemäßige Wartungskosten für Elektromotorräder, nicht Reparaturen aufgrund von Unfällen, die sich auf die Einführung von Elektrofahrzeugen auswirken [32]. Technologischer Faktor Die Laufleistung ist die weiteste Entfernung, nachdem die Batterie des Elektromotorrads vollständig geladen ist. Zhanget al. [33] sagte, dass sich die Fahrzeugleistung auf die Verbraucherbewertung von Elektrofahrzeugen bezieht, einschließlich Kilometerkapazität, Leistung, Ladezeit, Sicherheit und Batterielebensdauer. Leistung ist die Höchstgeschwindigkeit eines Elektromotorrads. Die Ladezeit ist die Gesamtzeit, um ein Elektromotorrad vollständig aufzuladen. Das Sicherheitsgefühl beim Fahren eines Elektromotorrads in Bezug auf den Geräuschpegel (dB) sind die Faktoren, die von Sovacool et al. [34] sind Faktoren, die die Verbraucherwahrnehmung von Elektrofahrzeugen beeinflussen. Graham-Roweet al. [35] sagte, dass die Batterielebensdauer als verschlechtert angesehen wird. Makro-Ebene Faktor Infrastruktur der Verfügbarkeit von Ladestationen ist etwas, das für Elektro-Motorrad-Anwender nicht vermieden werden kann. Die Verfügbarkeit von Ladevorgängen an öffentlichen Orten wird als wichtig erachtet, um die Einführung von Elektrofahrzeugen zu unterstützen [36]. Ladeverfügbarkeit am Arbeitsplatz [15] und Ladeverfügbarkeit zu Hause [37] werden auch von Verbrauchern benötigt, um die Batterie ihres Fahrzeugs zu füllen. Krupaet al. [38] sagte, dass die Verfügbarkeit von Serviceplätzen für routinemäßige Wartung und Schäden die Akzeptanz von Elektrofahrzeugen beeinflusst. Sie et al. [15] schlugen einige öffentliche Anreize vor, die von den Verbrauchern in Tianjin sehr erwünscht sind, wie die Bereitstellung von Subventionen für den Kauf von Elektromotorrädern, jährliche Steuerermäßigungen für Elektromotoren und Gebührenermäßigungen, wenn Verbraucher elektrische Motorräder an öffentlichen Orten aufladen müssen [15]. Ordinale logistische Regression Die ordinale logistische Regression ist eine der statistischen Methoden, die die Beziehung zwischen einer abhängigen Variablen mit einer oder mehreren unabhängigen Variablen beschreiben, wobei die abhängige Variable mehr als 2 Kategorien umfasst und die Messskala niveau- oder ordinal ist [39]. Gleichung 1 ist ein Modell für die ordinale logistische Regression und Gleichung 2 zeigt die Funktion g(x) als Logit-Gleichung. eegxgx P x ( ) ( ) 1 ( ) + = (1)  = = + mkjk Xik gx 1 0 ( )   (2) ERGEBNISSE UND DISKUSSION Der Fragebogen wurde online von März bis April 2020 über bezahlte Facebook-Werbung verteilt durch Einstellen des Filterbereichs: West-Java, Ost-Java, Jakarta, Zentral-Java, Nord-Sumatra, West-Sumatra, Yogyakarta, Süd-Sulawesi, Süd-Sumatra und Bali, die 21.628 Benutzer erreichten. Die Gesamtzahl der eingehenden Antworten betrug 1.443 Antworten, aber nur 1.223 Antworten kamen für die Datenverarbeitung in Frage. Tabelle 2 zeigt die Demografie der Befragten. Deskriptive Statistik Tabelle 3 zeigt deskriptive Statistiken für quantitative Variablen. Kostenrabatte, jährliche Steuerrabatte und Kaufpreissubventionen haben unter anderem einen höheren Durchschnitt. Dies zeigt, dass die meisten Befragten der Meinung sind, dass es eine Politik gibt, mit der die Regierung sie intensiv zur Einführung von Elektromotorrädern ermutigen konnte. In Bezug auf finanzielle Faktoren haben der Kaufpreis und die Batteriekosten unter anderem einen niedrigeren Durchschnitt. Dies verdeutlicht, dass der Anschaffungspreis eines E-Motorrads und die Batteriekosten für das Budget der meisten Befragten nicht geeignet sind. Die meisten Befragten hielten den Preis eines Elektromotorrads im Vergleich zum Preis eines herkömmlichen Motorrads für zu teuer. Die Austauschkosten der Batterie alle drei Jahre, die IDR 5.000.000 erreichen, sind für die meisten Befragten ebenfalls zu hoch, so dass der Kaufpreis und die Batteriekosten für Indonesier ein Hindernis für die Einführung von Elektromotorrädern darstellen. Akkulaufzeit, Leistung und Ladezeit haben in der deskriptiven Statistik niedrige Durchschnittswerte, aber die Durchschnittswerte für diese drei Faktoren sind mehr als 4. Die Ladezeit, die drei Stunden dauerte, war für die meisten Befragten zu lang. Die Höchstgeschwindigkeit eines Elektromotorrads beträgt 70 km/h und eine Batterielebensdauer von 3 Jahren wird den Bedürfnissen der Befragten nicht gerecht. Dies zeigt, dass die meisten Befragten der Ansicht sind, dass leistungsstarke Elektromotorräder nicht ihren Standards entsprechen. Obwohl die Befragten der Leistung von Elektromotorrädern nicht voll vertraut haben, kann EM ihren täglichen Mobilitätsbedarf decken. Mehr Befragte gaben der Ladeverfügbarkeit zu Hause und im Büro mehr Punkte als an öffentlichen Orten. Eine häufig anzutreffende Barriere ist jedoch, dass die Stromleistung zu Hause immer noch unter 1300 VA liegt, was die Befragten stark erwarten lässt, dass die Regierung in der Lage sein wird, Lademöglichkeiten zu Hause bereitzustellen. Die Verfügbarkeit von Ladestationen im Büro wird bevorzugter als an öffentlichen Orten, da die Mobilität der Befragten täglich zu Hause und im Büro umfasst. Tabelle 4 zeigt die Antworten der Befragten zur Einführung von Elektromotorrädern. Es zeigt sich, dass 45,626% der Befragten eine starke Bereitschaft haben, ein Elektromotorrad zu benutzen. Dieses Ergebnis zeigt eine glänzende Zukunft für den Marktanteil von Elektromotorrädern. Tabelle 4 zeigt auch, dass fast 55 % der Befragten keine ausgeprägte Bereitschaft haben, ein Elektromotorrad zu nutzen. Die interessanten Ergebnisse dieser deskriptiven Statistik lassen darauf schließen, dass die Begeisterung für den Einsatz von Elektro-Motorrädern zwar noch stimuliert werden muss, die öffentliche Akzeptanz für Elektro-Motorräder aber gut ist. Ein weiterer Grund, der auftreten kann, ist die Einstellung der Befragten, die Einführung eines Elektromotorrads abzuwarten oder zu sehen, ob jemand anderes ein Elektromotorrad nutzt oder nicht. Ordinale logistische Regressionsdaten werden verarbeitet und analysiert, um die Annahmeabsicht von Elektromotorrädern in Indonesien unter Verwendung der ordinalen logistischen Regression zu bestimmen. Die abhängige Variable in dieser Untersuchung ist die Bereitschaft, ein E-Motorrad zu nutzen (1: stark widerwillig, 2: nicht gewillt, 3: Zweifel, 4: bereit, 5: stark gewillt). Als Methode in dieser Untersuchung wurde die ordinale logistische Regression gewählt, da die abhängige Variable die ordinale Skala verwendet. Die Daten wurden mit der Software SPSS 25 mit einem Konfidenzniveau von 95 % verarbeitet. Multikollinearitätstests wurden durchgeführt, um Variance Inflation Factors (VIF) mit einem durchschnittlichen VIF von 1,15-3,693 zu berechnen, was bedeutet, dass das Modell keine Multikollinearität aufweist. Die bei der ordinalen logistischen Regression verwendete Hypothese ist in Tabelle 5 dargestellt. Tabelle 6 zeigt die Teiltestergebnisse als Grundlage für die Ablehnung oder Annahme der Hypothese für die ordinale logistische Regression. Tabelle 2. Demografie der Befragten Demografischer Eintrag Häufigkeit % Demografischer Eintrag Häufigkeit % Wohnort West-Java 345 28,2 % Beruf Student 175 14,3 % Ost-Java 162 13,2 % Beamte 88 7,2 % Jakarta 192 15,7 % Privatangestellte 415 33,9 % Zentral-Java 242 19,8 % Unternehmer 380 31,1% Nord-Sumatera 74 6,1% Andere 165 13,5% Yogyakarta 61 5,0% Süd-Sulawesi 36 2,9% Alter 17-30 655 53,6% Bali 34 2,8% 31-45 486 39,7% West-Sumatera 26 2,1% 46-60 79 6,5% Süd Sumatera 51 4,2% >60 3 0,2% Familienstand Ledig 370 30,3% Letzter Bildungsabschluss SMP/SMA/SMK 701 57,3% Verheiratet 844 69,0% Diplom 127 10,4% Andere 9 0,7% Bachelor 316 25,8% Geschlecht Männlich 630 51,5% Master 68 5,6 % weiblich 593 48,5 % Doktorat 11 0,9 % Monatliches Einkommensniveau 0 154 12,6 % Monatliches Konsumniveau < 2.000.000 IDR 432 35,3 % < 2.000.000 IDR 226 18,5 % IDR 2.000.000-5.999.999 640 52,3 % IDR 2.000.000-5.999.999 550 45 % IDR6.000.000- 9.999.999 121 9,9 % IDR 6.000.000 – 9.999.999 199 16,3 % ≥ IDR 10.000.000 30 2,5 % IDR 10.000.000 – 19.999.999 71 5,8 % ≥ I DR 20.000.000 23 1,9 % Tabelle 3. Deskriptive Statistik für Finanz-, Technologie- und Makroebene Variable Durchschnittlicher Rang Variable Durchschnittlicher Rang ML7 (Abrechnung der Gebühren) 4.4563 1 ML3 (CS zu Hause) 4.1554 9 ML6 (jährliche Steuernummer) ) 4.4301 2 ML2 (CS am Arbeitsplatz) 4.1055 10 ML5 (Kaufanreiz) 4.4146 3 ML1 (CS auf öffentlichen Plätzen) 4.0965 11 TE4 (Sicherheit) 4.3181 4 TE5 (Batterielebensdauer) 4.0924 12 FI3 (Ladekosten) 4.2518 5 TE2 (Leistung .) ) 4,0597 13 TE1 (Laufleistung) 4,2396 6 TE3 (Ladezeit) 4,0303 14 ML4 (Servicestelle) 4,2142 7 FI1 (Kaufkosten) 3,8814 15 FI4 (Wartungskosten) 4,1980 8 FI2 (Batteriekosten) 3,5045 16 Tabelle 4. Deskriptive Statistik zur Adoption Absicht 1: stark ungern 2: ungern 3: Zweifel 4: willig 5: stark willig Bereitschaft zur Nutzung von Elektromotorrädern 0,327% 2,044% 15,863% 36,141% 45,626% Die Ergebnisse der logistischen Regressionsanalyse für die Variablen SD1 bis SD11, die gehören zu soziodemografische Faktoren zeigen, dass nur die Häufigkeit des Teilens auf Social Media (SD9) und der Grad der Umweltbedenken (SD11) haben einen signifikanten Einfluss auf die Absicht von Elektromotorrädern in Indonesien. Die signifikanten Werte für die qualitative Variable Familienstand betragen 0,622 für Ledige und 0,801 für Verheiratete. Diese Werte stützen nicht Hypothese 1. Der Familienstand hat keinen signifikanten Einfluss auf die Absicht, ein Elektromotorrad zu übernehmen, da der signifikante Wert über 0,05 liegt. Der signifikante Wert für das Alter liegt bei 0,147, sodass das Alter die Absicht, sich ein Elektro-Motorrad zuzulegen, nicht wesentlich beeinflusst. Der Schätzwert für das Alter von -0,168 unterstützt nicht Hypothese 2. Das negative Vorzeichen bedeutet, dass je höher das Alter, desto geringer die Absicht, ein Elektromotorrad zu übernehmen. Der signifikante Wert für die qualitative Variable Geschlecht (0,385) unterstützt nicht Hypothese 3. Das Geschlecht hat keinen signifikanten Einfluss auf die Absicht, ein Elektromotorrad zu übernehmen. Der signifikante Wert für den letzten Bildungsabschluss (0,603) unterstützt Hypothese 4 nicht. Der letzte Bildungsabschluss hat also keinen signifikanten Einfluss auf die Absicht, sich ein Elektro-Motorrad zuzulegen. Der Schätzwert für den letzten Bildungsstand von 0,036 bedeutet ein positives Vorzeichen bedeutet, je höher der Bildungsstand, desto höher die Absicht, sich ein Elektro-Motorrad zuzulegen. Der signifikante Wert für die qualitative Variable des Berufes betrug 0,487 für Studenten, 0,999 für Beamte, 0,600 für Privatangestellte und 0,480 für Unternehmer, die Hypothese 5 nicht unterstützen. UTAMI ET AL. /JOURNAL ÜBER OPTIMIERUNGEN VON SYSTEMEN IN DER INDUSTRIE – VOL. 19 NR. 1 (2020) 70-81 DOI: 10.25077/josi.v19.n1.p70-81.2020 Utami et al. 75 Tabelle 5. Hypothese Hypothese Sozio-H1: Familienstand hat einen positiven signifikanten Einfluss auf die Absicht, ein Elektro-Motorrad zu adoptieren. Demo- H2: Das Alter hat einen positiven signifikanten Einfluss auf die Absicht, ein Elektro-Motorrad zu adoptieren. Grafik H3: Das Geschlecht hat einen positiven signifikanten Einfluss auf die Absicht, ein Elektro-Motorrad zu adoptieren. H4: Der letzte Bildungsabschluss hat einen positiven signifikanten Einfluss auf die Absicht, ein Elektro-Motorrad zu adoptieren. H5: Beruf hat einen positiven signifikanten Einfluss auf die Absicht, ein Elektro-Motorrad zu übernehmen. H6: Das monatliche Verbrauchsniveau hat einen positiven signifikanten Einfluss auf die Absicht, ein Elektro-Motorrad zu übernehmen. H7: Das monatliche Einkommen hat einen positiven signifikanten Einfluss auf die Absicht, ein Elektro-Motorrad zu übernehmen. H8: Die Anzahl der Motorradbesitzer hat einen positiven signifikanten Einfluss auf die Absicht, ein Elektromotorrad zu übernehmen. H9: Die Häufigkeit des Teilens in sozialen Medien hat einen positiven signifikanten Einfluss auf die Absicht, ein Elektro-Motorrad zu adoptieren. H10: Die Größe des sozialen Online-Netzwerks hat einen positiven signifikanten Einfluss auf die Absicht, ein Elektro-Motorrad zu adoptieren. H11: Umweltbewusstsein hat einen positiven signifikanten Einfluss auf die Absicht, ein Elektromotorrad zu adoptieren. Finanzielles H12: Der Kaufpreis hat einen positiven signifikanten Einfluss auf die Absicht, ein Elektromotorrad zu übernehmen. H13: Die Batteriekosten haben einen positiven signifikanten Einfluss auf die Absicht, ein Elektromotorrad zu übernehmen. H14: Die Ladekosten haben einen positiven signifikanten Einfluss auf die Absicht, ein Elektromotorrad zu übernehmen. H15: Wartungskosten wirken sich positiv auf die Absicht aus, ein Elektromotorrad zu übernehmen. H16: Die Laufleistung hat einen positiven signifikanten Einfluss auf die Absicht, ein Elektromotorrad zu übernehmen. H17: Die Leistung hat einen positiven signifikanten Einfluss auf die Absicht, ein Elektromotorrad zu übernehmen. Techno- H18: Die Ladezeit wirkt sich positiv auf die Absicht, ein Elektro-Motorrad zu adoptieren, aus. logisch H19: Sicherheit wirkt sich positiv auf die Absicht, ein Elektro-Motorrad zu adoptieren, aus. H20: Die Batterielebensdauer hat einen positiven signifikanten Einfluss auf die Absicht, ein Elektromotorrad zu adoptieren. H21: Die Verfügbarkeit von Ladesäulen-Infrastruktur an öffentlichen Plätzen hat einen positiven signifikanten Einfluss auf die Absicht, ein Elektro-Motorrad zu übernehmen. H22: Die Verfügbarkeit von Ladesäuleninfrastruktur am Arbeitsplatz wirkt sich positiv auf die Absicht zur Einführung eines Elektromotorrads aus. Makrolevel H23: Die Verfügbarkeit einer Ladestationsinfrastruktur zu Hause hat einen positiven signifikanten Einfluss auf die Absicht, ein Elektro-Motorrad zu übernehmen. H24: Die Verfügbarkeit von Servicestellen hat einen positiven signifikanten Einfluss auf die Absicht, ein Elektro-Motorrad zu übernehmen. H25: Kaufanreizpolitik hat einen positiven signifikanten Einfluss auf die Absicht, ein Elektromotorrad zu übernehmen. H26: Die jährliche Steuerrabattpolitik hat einen positiven signifikanten Einfluss auf die Absicht, ein Elektro-Motorrad zu übernehmen. H27: Ladekostenrabattpolitik hat einen positiven signifikanten Einfluss auf die Absicht, ein Elektro-Motorrad zu übernehmen. Tabelle 6. Logistische Regressions-Teiltestergebnisse Var-Wert Sig Var-Wert Sig SD1:einmalig 0,349 0,622 TE1 0,146 0,069 SD1:verheiratet 0,173 0,801 TE2 0,167 0,726 SD1:andere 0 TE3 0,240 0,161 SD2 -0,168 0,147 TE4 -0,005 0,013* SD3:männlich 0,117 0,385 TE5 0,068 0,765 SD3:weiblich 0 ML1 -0,127 0,022* SD5:Studierende -0,195 0,487 ML2 0,309 0,000* SD5:Ziv. serv 0,0000 0,999 ML3 0,253 0,355 SD5:priv. emp -0,110 0,6 ML4 0,134 0,109 SD5:entrepr 0,147 0,48 ML5 0,301 0,017* SD5:sonstige 0 ML6 -0,059 0,107 SD6 0,227 0,069 ML7 0,521 0,052 SD7 0,032 0,726 TE1 0,146 0,004* SD8 0,180 0,161 TE2 0,167 0,962 SD9 0,111 0,013* 24 TE SD10 0,016 0,765 TE4 -0,005 0,254 SD11 0,226 0,022* TE5 0,068 0,007* FI1 0,348 0,000* ML1 -0,127 0,009* FI2 -0,069 0,355 ML2 0,309 0,181 FI3 0,136 0,109 ML3 0,253 0,017* FI4 0,193 0,017* ML4 0,134 0,672 * Signifikant bei 95 % Konfidenzniveau Der signifikante Wert für das monatliche Verbrauchsniveau (0,069) unterstützt nicht Hypothese 6, das monatliche Verbrauchsniveau beeinflusst die Absicht, ein Elektromotorrad zu adoptieren, nicht wesentlich. Der Schätzwert für das monatliche Verbrauchsniveau von 0,227, ein positives Vorzeichen bedeutet, je höher die monatlichen Ausgaben, desto höher die Absicht, ein Elektromotorrad zu adoptieren. Der signifikante Wert für das monatliche Einkommensniveau (0,726) unterstützt nicht Hypothese 7, das monatliche Einkommensniveau beeinflusst die Absicht, sich ein Elektro-Motorrad zuzulegen, nicht signifikant. Der Schätzwert für das monatliche Einkommensniveau beträgt 0,032, positives Vorzeichen bedeutet, dass je höher das monatliche Einkommensniveau ist, desto höher ist die Absicht, ein Elektromotorrad zu übernehmen. Der signifikante Wert für die Anzahl der Motorradbesitzer (0,161) unterstützt nicht Hypothese 8, die Anzahl der Motorradbesitzer beeinflusst die Absicht, ein Elektromotorrad zu adoptieren, nicht signifikant. Der Schätzwert für den Motorradbesitz beträgt 0,180, positives Vorzeichen bedeutet, dass je mehr Motorräder im Besitz sind, desto höher ist die Absicht, ein Elektromotorrad zu übernehmen. Der signifikante Wert für die Häufigkeit des Teilens in sozialen Medien (0,013) unterstützt Hypothese 9, die Häufigkeit des Teilens in sozialen Medien hat einen signifikanten Einfluss auf die Absicht, ein Elektromotorrad zu übernehmen, da der signifikante Wert kleiner als 0,05 ist. UTAMI ET AL. /JURNAL OPTIMASI SISTEM INDUSTRI – VOL. 19 NR. 1 (2020) 70-81 76 Utami et al. DOI: 10.25077/josi.v19.n1.p70-81.2020 Der Schätzwert für die Sharing-Häufigkeit in sozialen Medien beträgt 0,111, positives Vorzeichen bedeutet, dass je höher die Häufigkeit des Teilens einer Person in sozialen Medien ist, desto höher ist die Wahrscheinlichkeit, dass ein Elektrofahrzeug angenommen wird Motorrad. Signifikanter Wert für die Größe des sozialen Online-Netzwerks (0,765) unterstützt nicht Hypothese 10, die Größe der Reichweite des sozialen Netzwerks hat keinen signifikanten Einfluss auf die Absicht, ein Motorrad zu adoptieren. Der Schätzwert für die Anzahl der erreichten Personen im sozialen Netzwerk beträgt 0,016, positives Vorzeichen bedeutet, je größer die sozialen Netzwerke sind, desto höher ist die Absicht, sich ein Elektro-Motorrad zuzulegen. Der signifikante Wert für den Grad des Umweltbewusstseins (0,022) unterstützt Hypothese 11, der Grad des Umweltbewusstseins hat einen signifikanten Einfluss auf die Absicht, ein Elektromotorrad zu übernehmen. Der Schätzwert für den Grad des Umweltbewusstseins beträgt 0,226, positives Vorzeichen bedeutet, dass je höher das Umweltbewusstsein einer Person ist, desto höher ist die Absicht, sich ein Elektromotorrad zuzulegen. Die Ergebnisse der logistischen Regressionsanalyse für die zu finanziellen Faktoren gehörenden Variablen FI1 bis FI4 zeigen die Ergebnisse, dass der Kaufpreis (FI1) und die Wartungskosten (FI4) einen signifikanten Einfluss auf die Absicht von Elektromotorrädern in Indonesien haben. Der signifikante Wert für den Kaufpreis (0,00) unterstützt Hypothese 12, der Kaufpreis hat einen maßgeblichen Einfluss auf die Absicht, ein Elektromotorrad zu adoptieren.Der Schätzwert für den Kaufpreis beträgt 0,348, positives Vorzeichen bedeutet, dass je passender der Kaufpreis eines Elektromotorrads für jemanden ist, desto höher ist die Absicht, ein Elektromotorrad zu adoptieren. Der signifikante Wert für die Batteriekosten (0,355) unterstützt nicht Hypothese 13, die Batteriekosten haben keinen signifikanten Einfluss auf die Absicht, ein Elektromotorrad zu verwenden. Der signifikante Wert für die Ladekosten (0,109) unterstützt nicht Hypothese 14, dass die Ladekosten keinen signifikanten Einfluss auf die Absicht haben, ein Elektromotorrad zu verwenden. Der Schätzwert für die Ladekosten beträgt 0,136, positives Vorzeichen bedeutet, dass je angemessener die Kosten für das Laden eines Elektromotorrads für jemanden sind, desto höher ist die Absicht, ein Elektromotorrad zu übernehmen. Der signifikante Wert für die Wartungskosten (0,017) unterstützt nicht Hypothese 15, Wartungskosten haben einen signifikanten Einfluss auf die Absicht, ein Elektromotorrad zu verwenden. Der geschätzte Wert für die Wartungskosten beträgt 0,193, ein positives Vorzeichen bedeutet, dass die Absicht, ein Elektromotorrad zu übernehmen, umso höher ist, je angemessener die Kosten für die Wartung eines Elektromotorrads für jemanden sind. Die Ergebnisse der logistischen Regressionsanalyse für die Variablen TE1 bis TE5, die zu technologischen Faktoren gehören, zeigen, dass die Batterieladezeit (TE3) einen signifikanten Einfluss auf die Akzeptanz von Elektromotorrädern in Indonesien hat. Der signifikante Wert für die Laufleistung (0,107) unterstützt nicht Hypothese 16, die Laufleistung hat keinen signifikanten Einfluss auf die Absicht, ein Elektromotorrad zu übernehmen. Der Schätzwert für eine maximale Laufleistung beträgt 0,146, positives Vorzeichen bedeutet, dass je passender die maximale Laufleistung eines Elektromotorrads für jemanden ist, desto höher ist die Absicht, ein Elektromotorrad zu adoptieren. Der signifikante Wert für die unabhängige Variable Leistung oder Höchstgeschwindigkeit (0,052) unterstützt nicht Hypothese 17, die Höchstgeschwindigkeit beeinflusst die Absicht, ein Elektromotorrad zu verwenden, nicht signifikant. Der Schätzwert für die Leistung oder Höchstgeschwindigkeit beträgt 0,167, positives Vorzeichen bedeutet, dass je besser die Höchstgeschwindigkeit eines Elektromotorrads für eine Person geeignet ist, desto höher ist die Absicht, ein Elektromotorrad zu übernehmen. Der signifikante Wert für die Ladezeit (0,004) unterstützt Hypothese 18, die Ladezeit hat einen signifikanten Einfluss auf die Absicht, ein Elektromotorrad zu adoptieren. Der geschätzte Wert für die Ladezeit beträgt 0,240, positives Vorzeichen bedeutet, je passender die Höchstgeschwindigkeit eines Elektromotorrads für jemanden ist, desto höher ist die Absicht, ein Elektromotorrad zu adoptieren. Der signifikante Wert für die Sicherheit (0,962) unterstützt Hypothese 19 nicht, die Sicherheit beeinflusst die Absicht, ein elektrisches Motorrad zu adoptieren, nicht signifikant. Der Schätzwert für die Sicherheit beträgt -0,005, negatives Vorzeichen bedeutet, dass je sicherer sich jemand bei der Nutzung eines Elektromotorrads fühlt, desto geringer ist die Absicht, ein Elektromotorrad zu übernehmen. Der signifikante Wert für die Batterielebensdauer (0,424) unterstützt Hypothese 20 nicht, die Batterielebensdauer hat keinen signifikanten Einfluss auf die Absicht, ein Elektromotorrad zu adoptieren. Der Schätzwert für die Batterielebensdauer beträgt 0,068, positives Vorzeichen bedeutet, dass die Absicht, ein Elektromotorrad zu übernehmen, umso höher ist, je angemessener die Lebensdauer einer Batterie eines Elektromotorrads ist. Die Ergebnisse der logistischen Regressionsanalyse für die Variablen ML1 bis ML7, die zu Faktoren auf Makroebene gehören, zeigen, dass nur die Ladeverfügbarkeit am Arbeitsplatz (ML2), die Ladeverfügbarkeit in der Wohnung (ML3) und die Ladekostenrabattpolitik (ML7) die erhebliche Auswirkungen auf die Absicht der Einführung von Elektromotorrädern in Indonesien haben. Der signifikante Wert für die Ladeverfügbarkeit an öffentlichen Orten (0,254) unterstützt nicht Hypothese 21, die Ladeverfügbarkeit an öffentlichen Orten beeinflusst die Absicht, ein Elektromotorrad zu verwenden, nicht wesentlich. Der signifikante Wert für die Ladeverfügbarkeit am Arbeitsplatz (0,007) unterstützt Hypothese 22, die Ladeverfügbarkeit am Arbeitsplatz hat einen signifikanten Einfluss auf die Absicht, ein Elektro-Motorrad zu übernehmen. Der signifikante Wert für die Ladeverfügbarkeit zu Hause (0,009) unterstützt Hypothese 22, die Ladeverfügbarkeit zu Hause hat einen signifikanten Einfluss auf die Absicht, ein Motorrad zu adoptieren. Der signifikante Wert für die Verfügbarkeit von Serviceplätzen (0,181) unterstützt Hypothese 24 nicht, die Verfügbarkeit von Serviceplätzen hat keinen signifikanten Einfluss auf die Absicht, ein Elektromotorrad zu übernehmen. Der signifikante Wert für die Kaufanreizpolitik (0,017) unterstützt Hypothese 25, die Kaufanreizpolitik hat einen signifikanten Einfluss auf die Absicht, ein Elektromotorrad zu übernehmen. Der signifikante Wert der jährlichen Steuerrabattpolitik (0,672) unterstützt nicht Hypothese 26, die jährliche Steuerrabattpolitik hat keinen signifikanten Einfluss auf die Absicht, ein Elektromotorrad zu übernehmen. Der signifikante Wert für die Ladekostenrabatt-Politik (0,00) unterstützt Hypothese 27, die Ladekostenrabatt-Anreizpolitik hat einen signifikanten Einfluss auf die Absicht, ein Elektromotorrad zu übernehmen. Laut dem Ergebnis des Makrofaktors kann die Einführung von Elektromotorrädern realisiert werden, wenn die Ladestation am Arbeitsplatz, die Ladestation in der Wohnung und die Ladekostenrabattpolitik für die Verbraucher bereit sind. Insgesamt sind die Häufigkeit des Teilens in sozialen Medien, das Umweltbewusstsein, die Kaufpreise, die Wartungskosten, die Höchstgeschwindigkeit von Elektromotorrädern, die Batterieladezeit, die Verfügbarkeit der Ladestationsinfrastruktur am Arbeitsplatz, die Verfügbarkeit der strombasierten Ladeinfrastruktur zu Hause, UTAMI ET AL. /JOURNAL ÜBER OPTIMIERUNGEN VON SYSTEMEN IN DER INDUSTRIE – VOL. 19 NR. 1 (2020) 70-81 DOI: 10.25077/josi.v19.n1.p70-81.2020 Utami et al. 77 Kaufanreizpolitiken und Anreizpolitiken zum Aufladen von Kostenrabatten beeinflussen die Absicht, Elektrofahrzeuge einzuführen, erheblich. Gleichungsmodell und Wahrscheinlichkeitsfunktion Gleichung 3 ist eine Logit-Gleichung für die Wahl der Antwort „stark nicht gewillt“, ein Elektromotorrad zu übernehmen.  =  = + 27 1 01 ( 1| ) kg Y Xn   k Xik (3) Gleichung 4 ist eine Logit-Gleichung für die Wahl der Antwort „nicht bereit“, ein Elektromotorrad zu übernehmen.  =  = + 27 1 02 ( 2 | ) kg Y Xn   k Xik (4) Gleichung 5 ist eine Logit-Gleichung für die Wahl der Antwort „Zweifel“ an einem Elektromotorrad.  =  = + 27 1 03 ( 3| ) kg Y Xn   k Xik (5) Gleichung 6 ist eine Logit-Gleichung für die Antwortmöglichkeit „bereit“, ein Elektromotorrad zu übernehmen.  =  = + 27 1 04 ( 4 | ) kg Y Xn   k Xik (6) Wahrscheinlichkeitsfunktionen der in Gleichung 7 bis Gleichung 11 gezeigten Annahmeabsicht Elektromotorräder. Gleichung 7 ist die Wahrscheinlichkeitsfunktion für die Wahl der Antwort „ stark nicht gewillt“, ein Elektromotorrad zu adoptieren. enng YX g YXP Xn PY Xn ( 1| ) ( 1| ) 1 1 ( ) ( 1| )   + = =  (7) Gleichung 8 ist die Wahrscheinlichkeitsfunktion für die Wahl der Antwort „unwillig“ an elektrisches Motorrad. eeeennnng YX g YX g YX g YX nnnn PYXPYXPXPYX ( 1| ) ( 1| ) ( 2| ) ( 2| ) 2 1 1 ( 2 | ) ( 1| ) ( ) ( 2 | )     + − + = =  −  = = (8) Gleichung 9 ist die Wahrscheinlichkeitsfunktion für die Wahl der Antwort „Zweifel“, ein Elektromotorrad zu übernehmen. eeeennnng YX g YX g YX g YX nnnn PYXPYXPXPYX ( 2| ) ( 2| ) ( 3| ) ( 3| ) 3 1 1 ( 3 | ) ( 2 | ) ( ) ( 3 | )     + − + = =  −  = = (9) Gleichung 10 ist die Wahrscheinlichkeitsfunktion für die Wahl der Antwort „bereit“, ein Elektromotorrad zu übernehmen. eeeennnng YX g YX g YX g YX nnnn PYXPYXPXPYX ( 3| ) ( 3| ) ( 4| ) ( 4| ) 4 1 1 ( 4 | ) ( 3 | ) ( ) ( 4 | )     + − + = =  −  = = (10) Gleichung 11 ist die Wahrscheinlichkeitsfunktion für die Wahl der Antwort „stark bereit“, ein Elektromotorrad zu übernehmen. enng YX g YX nnn PYXPXPYX ( 4| ) ( 4| ) 5 1 1 1 ( 4 | ) ( ) ( 5 | )   + = − = −  = = (11) Annahme Absicht Wahrscheinlichkeit Die ordinale logistische Regressionsgleichung dann auf eine Stichprobe der Antworten der Befragten angewendet. Tabelle 8 zeigt die Merkmale und Antworten der Stichprobe. Daher wird die Wahrscheinlichkeit, jedes Kriterium der abhängigen Variablen zu beantworten, basierend auf Gleichung 7 – 11 berechnet. Eine Stichprobe von Befragten, die die in Tabelle 7 aufgeführten Antworten hat, hat eine Wahrscheinlichkeit von 0,0013, dass sie ein Elektromotorrad stark ablehnen, eine Wahrscheinlichkeit von 0,0114 für nicht bereit, ein Elektromotorrad zu benutzen, eine Wahrscheinlichkeit von 0,1788 für Zweifel, ein Elektromotorrad zu benutzen, eine Wahrscheinlichkeit von 0,563 für eine Bereitschaft, ein Elektromotorrad zu benutzen, und eine Wahrscheinlichkeit von 0,2455 für eine starke Bereitschaft, ein Elektromotorrad zu benutzen. Die Wahrscheinlichkeit der Einführung von Elektromotorrädern für 1.223 Befragte wurde ebenfalls berechnet und der durchschnittliche Wert der Wahrscheinlichkeit für Antworten auf die starke Ablehnung der Nutzung von Elektromotorrädern betrug 0,0031, die Ablehnung der Nutzung von Elektromotorrädern lag bei 0,0198, die Zweifel an der Nutzung von Elektromotorrädern betrug 0,1482, die Bereitschaft zur Nutzung eines E-Motorrads betrug 0,1482 Elektromotorrad war 0,3410, und die starke Bereitschaft, ein Elektromotorrad zu benutzen, lag bei 0,4880. Summiert man die Wahrscheinlichkeit für Willigen und Starken Wille zusammen, beträgt die Wahrscheinlichkeit für Indonesier, Elektro-Motorräder zu übernehmen, 82,90%. Empfehlungen für Unternehmen und Entscheidungsträger In der ordinalen logistischen Regressionsanalyse ist die Häufigkeit des Teilens in sozialen Medien ein wesentlicher Faktor, der die Absicht, ein Elektromotorrad zu adoptieren, beeinflusst. Die Bedeutung von Social Media als Informationsplattform für die Öffentlichkeit über Elektro-Motorräder wird die Bereitschaft zur Einführung von Elektro-Motorrädern beeinflussen. Die Regierung und Unternehmer können versuchen, diese Ressource zu nutzen, zum Beispiel können Unternehmer Werbeaktionen durch Boni oder Wertschätzung für Verbraucher machen, die Elektromotorräder gekauft haben, und positive Dinge im Zusammenhang mit Elektromotorrädern in ihren sozialen Medien teilen. Auf diese Weise könnten andere dazu angeregt werden, ein neuer Benutzer eines Elektromotorrads zu werden. Die Regierung kann über soziale Medien Elektro-Motorräder sozialisieren oder der Öffentlichkeit vorstellen, um die Öffentlichkeit zum Umstieg von herkömmlichen Motorrädern auf Elektro-Motorräder zu motivieren. Diese Forschung beweist, wie signifikant der Einfluss von Faktoren auf Makroebene auf die Einführung von Elektromotorrädern in Indonesien ist. In der ordinalen logistischen Regressionsanalyse beeinflussen die Verfügbarkeit der Ladesäuleninfrastruktur am Arbeitsplatz, die Verfügbarkeit der Ladesäuleninfrastruktur zu Hause, die Kaufanreizpolitik und der Ladekostenrabatt maßgeblich die Absicht, sich für ein Elektro-Motorrad zu entscheiden. UTAMI ET AL. /JURNAL OPTIMASI SISTEM INDUSTRI – VOL. 19 NR. 1 (2020) 70-81 78 Utami et al. DOI: 10.25077/josi.v19.n1.p70-81.2020 Tabelle 7. Beispielantworten des Befragten Variabel Antwortcode Wert Familienstand Verheiratet X1b 2 Alter 31-45 X2 2 Geschlecht Männlich X3a 1 Letzter Bildungsabschluss Meister X4 4 Beruf Privatangestellte X5c 3 Monatlich Konsumniveau Rp2.000.000-5.999.999 X6 2 Monatliches Einkommensniveau Rp. 6.000.000-9.999.999 X7 3 Anzahl der Motorradbesitzer ≥ 2 X8 3 Häufigkeit des Teilens in sozialen Medien Mehrmals/Monat X9 4 Größe des sozialen Online-Netzwerks 100-500 Personen X10 2 Umweltbewusstsein 1 X11 1 Harga beli 3 X12 3 Batteriekosten 3 X13 3 Ladekosten 3 X13 3 Wartungskosten 5 X14 5 Laufleistung 4 X15 4 Leistung 5 X16 5 Ladezeit 4 X17 4 Sicherheit 5 X18 5 Batterielebensdauer 4 X19 4 Ladestation an öffentlichen Plätzen 4 X20 4 Ladestation Verfügbarkeit am Arbeitsplatz 4 X21 4 Ladestationen zu Hause 4 X22 4 Serviceplätze Verfügbarkeit 2 X23 2 Kaufanreizpolitik 5 X24 5 Jahressteuerrabatt 5 X25 5 Ladekostenrabatt 5 X26 5 Ladekosten 5 X27 5 Wartungskosten 3 X13 3 Kilometerstand Leistungsfähigkeit 5 X14 5 Strom 4 X15 4 Ladezeit 5 X16 5 Die meisten Befragten betrachten die Verfügbarkeit der Ladestationsinfrastruktur zu Hause, am Arbeitsplatz und an öffentlichen Orten als einen wesentlichen Einfluss auf die Einführung von Elektromotorrädern. Die Regierung kann die Installation einer Ladestationsinfrastruktur an öffentlichen Orten veranlassen, um die Einführung von Elektromotorrädern zu unterstützen. Um dies zu realisieren, kann die Regierung auch mit der Wirtschaft zusammenarbeiten. Bei der Erstellung von Indikatoren auf Makroebene schlägt diese Studie mehrere Optionen für die Anreizpolitik vor. Die wichtigsten Anreizmaßnahmen laut der Umfrage sind Kaufanreizmaßnahmen und Anreizmaßnahmen für Kostennachlässe, die von der Regierung in Betracht gezogen werden können, um die Einführung von Elektromotorrädern in Indonesien zu unterstützen. Aus finanzieller Sicht hat der Kaufpreis einen wesentlichen Einfluss auf die Kaufabsicht eines Elektromotorrads. Aus diesem Grund wirkt sich auch der Anreiz für den Kaufzuschuss maßgeblich auf die Adoptionsabsicht aus. Die günstigeren Wartungskosten von Elektromotorrädern als herkömmliche Motorräder beeinflussen die Akzeptanz von Elektromotorrädern erheblich. Daher wird die Verfügbarkeit von Diensten, die den Bedürfnissen der Verbraucher entsprechen, die Absicht, Elektromotorräder zu übernehmen, weiter fördern, da die meisten Benutzer die Komponenten in Elektromotorrädern nicht kennen und daher im Schadensfall qualifizierte Techniker benötigen. Die Leistung von Elektromotorrädern hat die Bedürfnisse der Verbraucher nach ihrer täglichen Mobilität erfüllt. Die Höchstgeschwindigkeit eines Elektromotorrads und die Ladezeit können die von den Verbrauchern gewünschten Standards erfüllen. Eine bessere Motorradleistung wie erhöhte Sicherheit, Batterielebensdauer und weitere Laufleistung werden jedoch sicherlich die Absicht erhöhen, ein Elektromotorrad zu verwenden. Neben steigenden Technologieinvestitionen müssen Regierung und Unternehmen auch das Sicherheits- und Zuverlässigkeitsbewertungssystem für Elektromotorräder verbessern, um das öffentliche Vertrauen zu stärken. Für Unternehmen ist die Förderung von Qualität und Leistung eine der effektivsten Möglichkeiten, die Begeisterung der Verbraucher für Elektromotorräder zu steigern. Jüngere Konsumenten mit höherem Bildungsstand können gezielt als Early Adopters zu Beeinflussern werden, da sie bereits optimistischer eingestellt sind und über ein breites Netzwerk verfügen. Eine Marktsegmentierung kann durch die Einführung spezifischer Modelle für gezielte Verbraucher erreicht werden. Darüber hinaus wünschten sich Befragte mit einem höheren Umweltbewusstsein eher Motorräder. UTAMI ET AL. /JOURNAL ÜBER OPTIMIERUNGEN VON SYSTEMEN IN DER INDUSTRIE – VOL. 19 NR. 1 (2020) 70-81 DOI: 10.25077/josi.v19.n1.p70-81.2020 Utami et al. 79 SCHLUSSFOLGERUNGEN Die Umstellung von konventionellen Motorrädern auf Elektromotorräder kann die beste Lösung sein, um das Problem der hohen CO2-Werte in Indonesien zu überwinden. Auch die indonesische Regierung hat dies erkannt und ist aktiv geworden, indem sie verschiedene Richtlinien für Elektrofahrzeuge in Indonesien festgelegt hat. Aber in Wirklichkeit befindet sich die Einführung von Elektrofahrzeugen in Indonesien noch in einem sehr frühen Stadium, noch weit von den von der Regierung gesetzten Zielen entfernt. Die Umwelt unterstützt die Einführung von Elektromotorrädern nicht, da keine detaillierteren Vorschriften und der Mangel an unterstützender Infrastruktur vorhanden sind, was zu einer geringen Einführung von Elektrofahrzeugen in Indonesien führt. Diese Studie befragte 1.223 Befragte aus 10 Provinzen, auf die insgesamt 80 % der gesamten Motorradverkäufe in Indonesien entfallen, um signifikante Faktoren zu untersuchen, die die Absichten der Einführung von Elektromotorrädern in Indonesien beeinflussen, und die Wahrscheinlichkeitsfunktionen herauszufinden. Obwohl sich die Mehrheit der Befragten für Elektro-Motorräder begeistert und in Zukunft ein Elektro-Motorrad besitzen möchte, ist ihr Interesse an einem Elektro-Motorrad heute relativ gering. Die Befragten möchten derzeit aus verschiedenen Gründen wie fehlender Infrastruktur und Richtlinien keine Elektromotorräder verwenden. Viele Befragte haben die Haltung, die Einführung von Elektromotorrädern abzuwarten und zu erwarten, wobei finanzielle Faktoren, technologische Faktoren und Makroebenen den Anforderungen der Verbraucher entsprechen müssen. Diese Untersuchung belegt, wie bedeutsam die Häufigkeit des Teilens in sozialen Medien, das Umweltbewusstsein, die Einkaufspreise, die Wartungskosten, die Höchstgeschwindigkeit von Elektromotorrädern, die Ladezeit der Batterie, die Verfügbarkeit der Ladestationsinfrastruktur am Arbeitsplatz, die Verfügbarkeit der Ladeinfrastruktur zu Hause, Kaufanreizpolitik und Anreizpolitik für Kostennachlässe unterstützen die Einführung von Elektromotorrädern in Indonesien. Die Regierung muss die Bereitstellung einer Ladestationsinfrastruktur und Anreizpolitik unterstützen, um die Einführung von Elektromotorrädern in Indonesien zu beschleunigen. Technologische Faktoren wie Laufleistung und Batterielebensdauer müssen von den Herstellern berücksichtigt werden, um sie zu verbessern, um die Einführung von Elektromotorrädern zu unterstützen. Finanzielle Faktoren wie Einkaufspreise und Batteriekosten müssen Unternehmen und der Regierung Sorge bereiten. Die maximale Nutzung sozialer Netzwerke sollte genutzt werden, um der Community ein elektrisches Motorrad vorzustellen. Communities in jungen Jahren können als Early Adopters werben, da sie über ein breites Social-Media-Netzwerk verfügen. Die Realisierung der Einführung von Elektromotorrädern in Indonesien erfordert Infrastrukturbereitschaft und Kosten, die von den Verbrauchern akzeptiert werden können. Dies konnte von der Regierung durch starke staatliche Zusagen in mehreren Ländern umgesetzt werden, denen es gelungen ist, konventionelle Fahrzeuge zu ersetzen. Weitere Forschung wird sich darauf konzentrieren, geeignete Maßnahmen zu finden, um die Einführung von Elektromotorrädern in Indonesien zu beschleunigen. REFERENZEN [1] Indonesien. Badan Pusat Statistik; Perkembangan Jumlah Kendaraan Bermotor Menurut Jenis 1949-2018, 2019 [Online]. Verfügbar: bps.go.id. [2] Asosiasi Industri Sepeda Motor Indonesien: Inlandsverteilungs- und Exportstatistik, 2020. [Online]. https://www.aisi.or.id/statistic. [Zugriff: März. 20, 2020]. [3] G. Samosir, Y. Devara, B. Florentina und R. Siregar, „Electric Vehicles in Indonesia: the road to Sustainable Transportation“, Solidiance: Market Report, 2018. [4] W. Sutopo, RW Astuti, A. Purwanto und M. Nizam, „Commercialization model of new technology lithium ion battery: A case study for smart electric vehicle“, Proceedings of the 2013 Joint International Conference on Rural Information and Communication Technology and Electric-Vehicle Technology, rICT und ICEV -T 2013, 6741511.https://doi.org/10.1109/rICTICeVT.2013.6741511. [5] M. Catenacci, G. Fiorese, E. Verdolini und V. Bosetti, „Going electric: Expertenumfrage zur Zukunft der Batterietechnologien für Elektrofahrzeuge. In Innovation under Uncertainty“, in Edward Elgar Publishing, 93. Amsterdam: Elsevier, 2015. [6] M. Weiss, P. Dekker, A. Moro, H. Scholz und MK Patel, „On the Elektrifizierung des Straßenverkehrs – eine Überprüfung der ökologischen, wirtschaftlichen und sozialen Leistung elektrischer Zweiräder“, Transportation Research Part D: Transport and Environment, vol. 41, S. 348-366, 2015. https://doi.org/10.1016/j.trd.2015.09.007. [7] M. Nizam, „Produksi Kit Konversi Kendaraan Listrik Berbasis Baterai Untuk Sepeda Motor Roda Dua Dan Roda Tiga“, Laporan Akhir Hibah PPTI, Badan Pengelola Usaha Universitas Sebelas Maret, 2019. [8] MNA Jodinesa, W. Sutopo und R. Zakaria, „Markov-Kettenanalyse zur Ermittlung der Marktanteilsvorhersage neuer Technologien: Eine Fallstudie über ein elektrisches Umbaumotorrad in Surakarta, Indonesien“, AIP Conference Proceedings, vol. 2217(1), S. 030062), 2020. AIP Publishing LLC. [9] W. Sutopo und EA Kadir, „Ein indonesischer Standard für Lithium-Ionen-Batteriezellen-Ferrophosphat für Elektrofahrzeuge“, TELKOMNIKA Indonesian Journal of Electrical Engineering, vol. 15(2), S. 584-589, 2017. https://doi.org/10.12928/telkomnika.v15i2.6233. [10] B. Rahmawatie, W. Sutopo, F. Fahma, M. Nizam, A. Purwanto, BB Louhenapessy und ABMulyono, „Designing Framework for Standardization and Testing Requirements of Battery Management System for Electric Vehicle Application“, Proceeding – 4. Internationale Konferenz zur Elektrofahrzeugtechnologie, S. 7-12, 2018. https://doi.org/10.1109/ICEVT.2017.8323525. [11] W. Sutopo, M. Nizam, B. Rahmawatie, dan F. Fahma, „A Review of Electric Vehicles Charging Standard Development: Study Case in Indonesia“, Proceeding – 2018 5th International Conference on Electric Vehicle Technology, vol. 8628367, S. 152-157, 2018. https://doi.org/10.1109/ICEVT.2018.8628367. [12] Gaikindo: Tahun 2040 Indonesien Stop Mobil Berbahan Bakar Minyak, 2017. [Online]. gaikindo.or.id. [Zugriff: März. 20, 2020]. [13] S. Goldenberg, „Indonesien to Cut Carbon Emissions by 29% by 2030“, The Guardian, 2015. UTAMI ET AL. /JURNAL OPTIMASI SISTEM INDUSTRI – VOL. 19 NR. 1 (2020) 70-81 80 Utami et al. DOI: 10.25077/josi.v19.n1.p70-81.2020 [14] YN Sang und HA Bekhet, „Modeling Electric Vehicle Usage Intentions: An Empirical Study in Malaysia“, Journal of Cleaner Production, vol. 92, S. 75-83, 2015. https://doi.org/10.1016/j.jclepro.2014.12.045. [15] ZY She, Q. Sun, JJ Ma und BC Xie, „Was sind die Hindernisse für die breite Akzeptanz von batterieelektrischen Fahrzeugen? Eine Umfrage zur öffentlichen Wahrnehmung in Tianjin, China“, Journal of Transport Policy, vol. 56, S. 29-40, 2017. https://doi.org/10.1016/j.tranpol.2017.03.001. [16] N. Berkeley, D. Jarvis und A. Jones, „Analyzing the Intake of Battery Electric Vehicles: Eine Untersuchung der Barrieren unter Fahrern in Großbritannien“, Transportation Research Teil D: Transport and Environment, vol. 63, S. 466-481, 2018. https://doi.org/10.1016/j.trd.2018.06.016. [17] C. Zhuge und C. Shao, „Untersuchung der Einflussfaktoren auf die Verbreitung von Elektrofahrzeugen in Peking, China: Statistische und räumliche Perspektiven“, Journal of Cleaner Production, vol. 213, S. 199-216, 2019. https://doi.org/10.1016/j.jclepro.2018.12.099. [18] A. Widardjono, Analisis Multivariat Terapan mit Programm SPSS, AMOS, und SMARTPLS (2. Aufl.). Yogyakarta: UPP STIM YKPN, 2015. [19] T. Laukkanen, „Verbraucheradoption versus Ablehnungsentscheidungen bei scheinbar ähnlichen Serviceinnovationen: Der Fall von Internet und mobilem Banking“, Journal of Business Research, vol. 69(7), S. 2432–2439, 2016. https://doi.org/10.1016/j.jbusres.2016.01.013. [20] V. Vasseur und R. Kemp, „Die Einführung von PV in den Niederlanden: Eine statistische Analyse der Einführungsfaktoren“, Renewable and Sustainable Energy Reviews, vol. 41, S. 483–494, 2015. https://doi.org/10.1016/j.rser.2014.08.020. [21] MP Gagnon, E. Orruño, J. Asua, AB Abdeljelil und J. Emparanza, „Verwendung eines modifizierten Technologieakzeptanzmodells zur Bewertung der Annahme eines neuen Telemonitoring-Systems durch medizinisches Fachpersonal“, Telemedizin und e-Health, vol. 18(1), S. 54–59, 2012. https://doi.org/10.1089/tmj.2011.0066. [22] N. Phaphoom, X. Wang, S. Samuel, S. Helmer und P. Abrahamsson, „Eine Umfragestudie zu den wichtigsten technischen Hindernissen, die die Entscheidung zur Einführung von Cloud-Diensten beeinflussen“, Journal of Systems and Software, vol. 103, S. 167–181, 2015. https://doi.org/10.1016/j.jss.2015.02.002. [23] MWD Utami, AT Haryanto, und W. Sutopo, „Consumer Perception Analysis of Electric Car Vehicle in Indonesia“, AIP Conference Proceedings (Vol. 2217, Nr. 1, S. 030058), 2020. AIP Publishing LLC [24 ] Yuniaristanto, DEP Wicaksana, W. Sutopo und M. Nizam, „Proposed business process technology commercialization: A case study of electric car technology incubation“, Proceedings of 2014 International Conference on Electrical Engineering and Computer Science, ICEECS, 7045257, pp. 254-259. https://doi.org/10.1109/ICEECS.2014.7045257. [25] MA Bujang, N. Sa'at und TM Bakar, „Sample Size Guidelines for Logistic Regression from Beobachtungsstudien mit großer Population: Betonung der Genauigkeit zwischen Statistiken und Parametern basierend auf realen klinischen Daten“, The Malaysian Journal of Medizinwissenschaften: MJMS, vol. 25(4), S. 122, 2018. https://doi.org/10.21315/mjms2018.25.4.12. [26] E. Radjab und A. Jam'an, „Metodologi Penelitian Bisnis“, Makasar: Lembaga Perpustakaan dan Penerbitan Universitas Muhammadiyah Makasar, 2017. [27] T. Eccarius und CC Lu, „Motorisierte Zweiräder für nachhaltige Mobilität: Eine Überprüfung der Verbraucherakzeptanz von Elektromotorrädern“, International Journal of Sustainable Transportation, vol. 15(3), S. 215-231, 2020. https://doi.org/10.1080/15568318.2018.1540735. [28] S. Habich-Sobiegalla, G. Kostka und N. Anzinger, „Die Kaufabsichten von chinesischen, russischen und brasilianischen Bürgern zum Kauf von Elektrofahrzeugen: Eine internationale Vergleichsstudie“, Journal of Cleaner Production, vol. 205, S. 188-200, 2018. https://doi.org/10.1016/j.jclepro.2018.08.318. [29] W. Sierzchula, S. Bakker, K. Maat und B. Van Wee, „Der Einfluss finanzieller Anreize und anderer sozioökonomischer Faktoren auf die Einführung von Elektrofahrzeugen“, Energiepolitik, vol. 68, S. 183–194, 2014. https://doi.org/10.1016/j.enpol.2014.01.043. [30] RM Krause, SR Carley, BW Lane und JD Graham, „Wahrnehmung und Realität: öffentliches Wissen über Plug-in-Elektrofahrzeuge in 21 US-Städten“, Energiepolitik, vol. 63, S. 433–440, 2013. https://doi.org/10.1016/j.enpol.2013.09.018. [31] D. Browne, M. O'Mahony und B. Caulfield, „Wie sollten Hindernisse für alternative Kraftstoffe und Fahrzeuge klassifiziert und potenzielle Maßnahmen zur Förderung innovativer Technologien bewertet werden?“, Journal of Cleaner Production, vol. 35, S. 140–151, 2012. https://doi.org/10.1016/j.jclepro.2012.05.019. [32] O. Egbue und S. Long, „Barrieren für die breite Akzeptanz von Elektrofahrzeugen: eine Analyse der Verbrauchereinstellungen und -wahrnehmungen“, Journal of Energy Policy, vol. 48, S. 717– 729, 2012. https://doi.org/10.1016/j.enpol.2012.06.009. [33] X. Zhang, K. Wang, Y. Hao, JL Fan und YM Wei, „Der Einfluss der Regierungspolitik auf die Präferenz für NEVs: Beweise aus China“, Energy Policy, vol. 61, S. 382–393, 2013. https://doi.org/10.1016/j.enpol.2013.06.114. [34] BK Sovacool und RF Hirsh, „Über Batterien hinaus: eine Untersuchung der Vorteile und Hindernisse für Plug-in-Hybrid-Elektrofahrzeuge (PHEVs) und einen Übergang vom Fahrzeug zum Netz (V2G), Energiepolitik, vol. 37, S. 1095–1103, 2009. https://doi.org/10.1016/j.enpol.2008.10.005. [35] E. Graham-Rowe, B. Gardner, C. Abraham, S. Skippon, H. Dittmar, R. Hutchins und J. Stannard, „Mainstream-Verbraucher, die Plug-in-Batterie-elektrische und Plug-in-Hybrid-Elektroautos fahren: eine qualitative Analyse der Antworten und Bewertungen“, Transp. Res. Teil A: Policy Pract., vol. 46, S. 140–153, 2012. https://doi.org/10.1016/j.tra.2011.09.008. [36] AF Jensen, E. Cherchi und SL Mabit, „Mainstream-Verbraucher, die Plug-in-Batterie-elektrische und Plug-in-Hybrid-Elektroautos fahren: eine qualitative Analyse der Antworten und Bewertungen“, Transp. Res. Teil D: Transp. Umwelt, vol. 25, S. 24–32, 2013. [Online]. Verfügbar: ScienceDirect. [37] ND Caperello und KS Kurani, „Haushaltsgeschichten über ihre Begegnungen mit einem Plug-in-Hybrid-Elektrofahrzeug“, Environ. Verhalten, Bd. 44, S. 493–508, 2012. https://doi.org/10.1177/0013916511402057. [38] JS Krupa, DM Rizzo, MJ Eppstein, D. Brad-Lanute, DE Gaalema, K. Lakkaraju und CE Warrender, „Haushaltsgeschichten über ihre Begegnungen mit einem Plug-in-Hybrid-Elektrofahrzeug“, Analyse einer Verbraucherumfrage zu UTAMI ET AL. /JOURNAL ÜBER OPTIMIERUNGEN VON SYSTEMEN IN DER INDUSTRIE – VOL. 19 NR. 1 (2020) 70-81 DOI: 10.25077/josi.v19.n1.p70-81.2020 Utami et al. 81 Plug-in-Hybrid-Elektrofahrzeuge. Transp. Res. Teil A: Policy Pract., vol. 64, S. 14–31, 2014. https://doi.org/10.1016/j.tra.2014.02.019. [39] DW Hosmer und S. Lemeshow, „Angewandte logistische Regression. Zweite Auflage“, New York: John Willey & Sons, 2000. https://doi.org/10.1002/0471722146. NOMENKLATUR j Kategorien abhängiger Variablen (j = 1, 2, 3, 4, 5) k Kategorien unabhängiger Variablen (k = 1, 2, 3, …, m) i Kategorien unabhängiger qualitativer Variablen n Reihenfolge der Befragten β0j schneide jede Antwort von abhängigen . ab Variable Xk Quantitative unabhängige Variable Xik Quantitative unabhängige Variable Y abhängige Variable Pj(Xn) die Möglichkeit für jede Kategorie der unabhängigen Variablen für jeden Befragten BIOGRAFIE DER AUTOREN Martha Widhi Dela Utami Martha Widhi Dela Utami ist Studentin des Wirtschaftsingenieurwesens der Universitas Sebelas Maret. Sie gehört dem Logistik- und Businesssystem-Labor an. Ihre Forschungsinteressen sind Logistik & Supply Chain Management und Marktforschung. Ihre erste Veröffentlichung über die Verbraucherwahrnehmungsanalyse von Elektroautos in Indonesien veröffentlichte sie 2019. Yuniaristanto Yuniaristanto ist Dozentin und Forscherin am Department of Industrial Engineering der Universitas Sebelas Maret. Seine Forschungsinteressen sind Supply Chain, Simulationsmodellierung, Leistungsmessung und Technologievermarktung. Er hat von Scopus indizierte Publikationen, 41 Artikel mit 4 H-Index. Seine E-Mail lautet yuniaristanto@ft.uns.ac.id. Wahyudi Sutopo Wahyudi Sutopo hat einen ingenieurwissenschaftlichen Abschluss (Ir) des Studienprogramms Professional Engineer – Universitas Sebelas Maret (UNS) im Jahr 2019. Er promovierte im Bereich Wirtschaftsingenieurwesen und Management am Institut Teknologi Bandung (ITB) at 2011, Master of Science in Management an der Universitas Indonesia 2004 und Bachelor of Engineering in Wirtschaftsingenieurwesen an der ITB 1999. Seine Forschungsinteressen liegen in den Bereichen Supply Chain, Engineering Economy & Cost Analysis sowie Technology Commercialization. Er erhielt mehr als 30 Forschungsstipendien. Er hat Veröffentlichungen, die von Scopus indiziert wurden, 117 Artikel mit 7 H-Index. Seine E-Mail lautet wahyudisutopo@staff.uns.ac.id.Die Ergebnisse der logistischen Regressionsanalyse für die Variablen TE1 bis TE5, die zu technologischen Faktoren gehören, zeigen, dass die Batterieladezeit (TE3) einen signifikanten Einfluss auf die Akzeptanz von Elektromotorrädern in Indonesien hat. Der signifikante Wert für die Laufleistung (0,107) unterstützt nicht Hypothese 16, die Laufleistung hat keinen signifikanten Einfluss auf die Absicht, ein Elektromotorrad zu übernehmen. Der Schätzwert für eine maximale Laufleistung beträgt 0,146, positives Vorzeichen bedeutet, dass je passender die maximale Laufleistung eines Elektromotorrads für jemanden ist, desto höher ist die Absicht, ein Elektromotorrad zu adoptieren. Der signifikante Wert für die unabhängige Variable Leistung oder Höchstgeschwindigkeit (0,052) unterstützt nicht Hypothese 17, die Höchstgeschwindigkeit beeinflusst die Absicht, ein Elektromotorrad zu verwenden, nicht signifikant. Der Schätzwert für die Leistung oder Höchstgeschwindigkeit beträgt 0,167, positives Vorzeichen bedeutet, dass je besser die Höchstgeschwindigkeit eines Elektromotorrads für eine Person geeignet ist, desto höher ist die Absicht, ein Elektromotorrad zu übernehmen. Der signifikante Wert für die Ladezeit (0,004) unterstützt Hypothese 18, die Ladezeit hat einen signifikanten Einfluss auf die Absicht, ein Elektromotorrad zu adoptieren. Der geschätzte Wert für die Ladezeit beträgt 0,240, positives Vorzeichen bedeutet, je passender die Höchstgeschwindigkeit eines Elektromotorrads für jemanden ist, desto höher ist die Absicht, ein Elektromotorrad zu adoptieren. Der signifikante Wert für die Sicherheit (0,962) unterstützt Hypothese 19 nicht, die Sicherheit beeinflusst die Absicht, ein elektrisches Motorrad zu adoptieren, nicht signifikant. Der Schätzwert für die Sicherheit beträgt -0,005, negatives Vorzeichen bedeutet, dass je sicherer sich jemand bei der Nutzung eines Elektromotorrads fühlt, desto geringer ist die Absicht, ein Elektromotorrad zu übernehme