王立曉, 周 婭

(新疆大學(xué) 建筑工程學(xué)院,新疆 烏魯木齊 830017)

0 引 言

大力發(fā)展電動(dòng)汽車是緩解當(dāng)前能源短缺、環(huán)境污染問題的重要途徑,各國(guó)政府、汽車企業(yè)紛紛致力于發(fā)展電動(dòng)汽車及其充電基礎(chǔ)設(shè)施[1-2]。根據(jù)中國(guó)充電聯(lián)盟2021年公布的數(shù)據(jù)[3],國(guó)內(nèi)電動(dòng)汽車“車樁比”約為3∶1,電動(dòng)汽車與充電基礎(chǔ)設(shè)施發(fā)展不協(xié)調(diào)、公共充電設(shè)施利用率低等問題制約著我國(guó)電動(dòng)汽車的推廣和使用。因此,深入分析電動(dòng)汽車用戶的充電選擇行為及其作用機(jī)理,有助于科學(xué)合理地預(yù)測(cè)用戶充電需求、優(yōu)化充電設(shè)施布局,對(duì)于電動(dòng)汽車及其充電設(shè)施的推廣發(fā)展具有重要意義。

目前,諸多學(xué)者針對(duì)各種類型的充電選擇行為及其影響因素進(jìn)行了廣泛研究。文獻(xiàn)[4]考慮初始剩余電量、充電費(fèi)用、停留時(shí)間等因素,運(yùn)用多項(xiàng)Logit 模型分析了電動(dòng)汽車用戶的充電地點(diǎn)選擇偏好[4];文獻(xiàn)[5]構(gòu)建巢式Logit模型分析聯(lián)合充電和路徑的選擇。學(xué)者們通常運(yùn)用多項(xiàng)Logit、巢式Logit模型等傳統(tǒng)離散選擇模型進(jìn)行建模分析[4-8],假定電動(dòng)汽車用戶的充電選擇偏好是同質(zhì)的,忽略了用戶之間的異質(zhì)性,這與實(shí)際情況不符。為了克服傳統(tǒng)離散選擇模型存在的不足,學(xué)者們提出運(yùn)用混合Logit模型分析充電選擇行為[9-11],混合Logit模型能夠設(shè)定解釋變量的系數(shù)為隨機(jī)參數(shù),以此捕獲決策者充電選擇偏好的異質(zhì)性。文獻(xiàn)[12]研究結(jié)果表明,混合Logit模型比多項(xiàng)Logit模型更適于分析充電地點(diǎn)選擇行為。

上述模型通常僅分析社會(huì)經(jīng)濟(jì)屬性、充電屬性等可觀測(cè)因素對(duì)充電選擇行為的影響,尚未分析態(tài)度等難以直接觀測(cè)的心理潛變量的影響[13]。文獻(xiàn)[14-15]分別將里程焦慮、風(fēng)險(xiǎn)態(tài)度等心理潛變量納入離散選擇模型中,構(gòu)建混合選擇模型分析心理潛變量對(duì)充電選擇行為的影響。然而現(xiàn)有充電選擇行為研究中僅考慮單一心理潛變量,鮮有研究同時(shí)考慮多個(gè)心理潛變量,并探討心理潛變量與可觀測(cè)變量的共同作用機(jī)理。此外,在研究?jī)?nèi)容上,現(xiàn)有研究大多分析單一類型的充電選擇行為(是否充電或充電地點(diǎn)等),缺少聯(lián)合多種充電選擇的研究,相較于單獨(dú)分析充電地點(diǎn)或充電方式選擇行為,聯(lián)合多種充電選擇更符合用戶實(shí)際的充電情況,可以更準(zhǔn)確地刻畫電動(dòng)汽車用戶的充電行為,進(jìn)一步提高充電選擇行為模型的預(yù)測(cè)精度。文獻(xiàn)[16]雖然首次對(duì)聯(lián)合充電方式和充電地點(diǎn)選擇進(jìn)行分析[16],僅考慮充電行為屬性這一類影響因素,但未考慮用戶心理潛變量和社會(huì)經(jīng)濟(jì)屬性的影響,研究模型的預(yù)測(cè)精度仍有一定的提升空間。

鑒于此,本研究從電動(dòng)汽車用戶的心理視角出發(fā),將風(fēng)險(xiǎn)規(guī)避態(tài)度、里程焦慮、充電習(xí)慣等心理潛變量同時(shí)引入混合Logit模型中,運(yùn)用整合心理潛變量的混合選擇模型深入分析用戶的聯(lián)合充電方式和充電地點(diǎn)的選擇行為(下文簡(jiǎn)稱聯(lián)合充電選擇),探究心理潛變量與社會(huì)經(jīng)濟(jì)屬性、充電屬性等可觀測(cè)因素對(duì)聯(lián)合充電行為選擇的共同作用,深入剖析用戶聯(lián)合充電決策過程中的內(nèi)在機(jī)理與異質(zhì)性。

1 電動(dòng)汽車充電選擇行為模型構(gòu)建

1.1 混合logit模型

混合Logit模型能夠假設(shè)電動(dòng)汽車用戶對(duì)于聯(lián)合充電選擇方式存在偏好差異,模型更加符合實(shí)際情況,通過將屬性參數(shù)設(shè)置為隨機(jī)參數(shù)反映個(gè)體異質(zhì)性[17],并分析個(gè)體異質(zhì)性對(duì)聯(lián)合充電選擇行為的影響。

1.1.1 效用函數(shù)

受訪者n在情景t下選擇聯(lián)合充電選擇方式i出行的效用函數(shù)為:

Unit=βn·Xnit+α·Wnit+δi·Znt+εnit

(1)

其中:Xnit為電動(dòng)汽車用戶n在情景t下選擇聯(lián)合充電方式i的隨機(jī)變量;α為固定系數(shù)向量;Wnit為隨情景方案而變化的固定變量;δi為固定系數(shù)向量;Znt為隨受訪者個(gè)人屬性而變化的變量;εnit為隨機(jī)誤差,服從極值分布。

屬性變量的隨機(jī)系數(shù)可以由系數(shù)均值與其隨機(jī)誤差項(xiàng)組成的線性函數(shù)表示,反映樣本數(shù)據(jù)中未觀測(cè)到的異質(zhì)性,即

βn=μ+σμni

(2)

其中:μ為屬性變量估計(jì)系數(shù)的均值;μni為隨機(jī)誤差,服從正態(tài)分布;σ為屬性變量估計(jì)系數(shù)的標(biāo)準(zhǔn)差。

此時(shí)個(gè)體n在情景方案t選擇方式i的概率函數(shù)可以看作是面板數(shù)據(jù)多項(xiàng) Logit概率函數(shù)在β密度函數(shù)f(β/θ)上的積分,密度函數(shù)f(β/θ)是通過一定的參數(shù)θ來描述的,即通過待估參數(shù)β的均值μ和標(biāo)準(zhǔn)差σ來表述,f(β/θ)的分布形式通常有正態(tài)分布、對(duì)數(shù)正態(tài)分布、均勻分布、SB分布等,可以根據(jù)實(shí)際情況進(jìn)行選擇。

樣本n選擇聯(lián)合充電方式i的概率函數(shù)表達(dá)如下:

Pnit=

(3)

1.1.2 參數(shù)估計(jì)

混合Logit模型的概率函數(shù)Pnit為非封閉,積分沒有固定的形式,一般采用最大似然估計(jì)法(maximum simulated likelihood,MSL) 來進(jìn)行參數(shù)估計(jì),主要步驟有求仿真概率、構(gòu)造極大似然算子和求解估計(jì)參數(shù)3個(gè)步驟[18]。

(4)

(2) 構(gòu)造極大似然算子。定義輔助變量dnit,其積分可通過仿真得到近似值,即

(5)

則樣本個(gè)體n的仿真似然函數(shù)為:

(6)

取(6)式的對(duì)數(shù)形式得到總體樣本N仿真極大似然算子,即

(7)

(3) 求解參數(shù)θ的最大值。改變?chǔ)戎?直到得到仿真極大似然算子的最大值。

1.2 混合選擇模型

1.2.1 模型概述

本文運(yùn)用混合選擇模型探究電動(dòng)汽車用戶的聯(lián)合充電選擇行為。文獻(xiàn)[19]提出了混合選擇模型(hybrid choice model,HCM)框架，將態(tài)度、感知等心理潛變量加入到選擇模型中,整合了傳統(tǒng)的離散選擇模型與潛變量模型,HCM模型不僅克服了傳統(tǒng)Logit模型的不足,而且同時(shí)兼顧心理潛變量與異質(zhì)性對(duì)聯(lián)合充電選擇行為的影響,有望進(jìn)一步提高模型的解釋能力和預(yù)測(cè)精度。

本文混合選擇模型框架如圖1所示。

圖1中:潛變量模型部分用于分析電動(dòng)汽車用戶心理潛變量之間、心理潛變量與測(cè)量變量之間的內(nèi)在關(guān)系;離散選擇模型部分用于剖析表示電動(dòng)汽車用戶的聯(lián)合充電選擇行為偏好及異質(zhì)性。

圖1 混合選擇模型框架

(1) 潛變量模型。潛變量模型包含結(jié)構(gòu)方程和測(cè)量方程2個(gè)部分。結(jié)構(gòu)方程由內(nèi)生變量η、解釋變量x及干擾項(xiàng)ζ組成,測(cè)量方程由潛變量η及其對(duì)應(yīng)的測(cè)量指標(biāo)y以及誤差項(xiàng)δ組成。其中:潛變量包括風(fēng)險(xiǎn)規(guī)避態(tài)度、里程焦慮及充電習(xí)慣;解釋變量x包括電動(dòng)汽車用戶的社會(huì)經(jīng)濟(jì)屬性,如性別、年齡、收入等;Λ、Γ為待估計(jì)的參數(shù)矩陣[20]。

該模型可表述為:

η=Λ·x+ζ

(8)

y=?！う?δ

(9)

誤差項(xiàng)ζ和δ滿足:

E(ζζT)=Ψ,E(δδT)=Θ,E(δζT)=0

(10)

其中:ζT為ζ的轉(zhuǎn)置;δT為δ的轉(zhuǎn)置;Ψ和Θ分別為關(guān)于ζ和δ的矩陣。

(2) 選擇模型。在選擇模型中考慮在公共場(chǎng)所快充、在家慢充、在工作場(chǎng)所慢充3種聯(lián)合充電選擇方式,采用能夠分析用戶聯(lián)合充電選擇行為異質(zhì)性的混合Logit模型。

則用戶n選擇第i種充電方式所得到的效用Uni為:

Uni=αi·S+βi·Z+γi·η+εi

(11)

設(shè)效用最大化函數(shù)Umax為:

(12)

其中:S為電動(dòng)汽車用戶社會(huì)經(jīng)濟(jì)屬性向量;Z為情景方案屬性向量,包括日出行距離、停留時(shí)間、充電費(fèi)用和停車政策等表征充電屬性的變量;η為不可直接觀測(cè)的心理潛變量,包括風(fēng)險(xiǎn)規(guī)避態(tài)度、里程焦慮及充電習(xí)慣;αi、βi、γi為待估計(jì)的參數(shù)向量;εi為隨機(jī)誤差項(xiàng)。

1.2.2 參數(shù)估計(jì)

設(shè)U=[u1…uI]T,ε=[ε1…εI]T,且滿足：

E(εεT)=Ξ,E(εδT)=0,E(εζT)=0,

其中，Ξ為關(guān)于ε的矩陣,那么可將(11)式變形為如下形式:

U=AS+BZ+Cη+ε

(12)

其中:A=[α1Tα2T…αIT]T;B=[β1Tβ2T…βIT]T;C=[γ1Tγ2T…γIT]T。為了能夠識(shí)別模型令αIT=γIT=0。

假設(shè)向量q=(yT,ηT,UT)服從均值為m1、協(xié)方差為Ω1的多元正態(tài)分布,即

(14)

其中,Ω11=ΛΨΛT+Θ。

樣本量為n時(shí)給定m1和Ω1條件下未知參數(shù)的向量Θ的似然函數(shù)為:

(15)

(16)

其中:di為指標(biāo)變量向量元素;f為多元正態(tài)分布概率密度函數(shù)。

混合選擇模型的參數(shù)估計(jì)通常有連續(xù)兩階段估計(jì)法和同時(shí)估計(jì)法,連續(xù)兩階段估計(jì)法因操作方便、易于實(shí)現(xiàn)而受到諸多學(xué)者的青睞[21-22]。因此本研究采取連續(xù)兩階段估計(jì)法對(duì)混合選擇模型進(jìn)行參數(shù)估計(jì):

(1) 第1階段。運(yùn)用極大似然法等方法對(duì)潛變量模型進(jìn)行參數(shù)估計(jì)。

(2) 第2階段。根據(jù)潛變量模型得出的適配量表達(dá)式計(jì)算各個(gè)心理潛變量的取值,將計(jì)算得到的心理潛變量作為解釋變量引入混合Logit中進(jìn)行參數(shù)標(biāo)定。

2 調(diào)查數(shù)據(jù)統(tǒng)計(jì)

2.1 問卷設(shè)計(jì)

本研究通過問卷設(shè)計(jì)對(duì)上海市電動(dòng)汽車用戶進(jìn)行調(diào)查,調(diào)查主要包含個(gè)人社會(huì)經(jīng)濟(jì)屬性、充電屬性以及心理潛變量的測(cè)量3個(gè)部分,其中充電屬性包括日常充電行為和聯(lián)合充電選擇方式情景。個(gè)人社會(huì)經(jīng)濟(jì)屬性包括受訪者性別、年齡、月收入、職業(yè)、教育程度以及購(gòu)買電動(dòng)汽車時(shí)長(zhǎng);日常充電行為調(diào)查主要包括每周充電頻率、充電前SOC等;心理潛變量調(diào)查包括風(fēng)險(xiǎn)規(guī)避態(tài)度、里程焦慮以及充電習(xí)慣。

參考已有文獻(xiàn)并結(jié)合實(shí)際情況確定3個(gè)潛變量對(duì)應(yīng)的觀測(cè)題項(xiàng),每個(gè)觀測(cè)題項(xiàng)采用Likert五點(diǎn)量表進(jìn)行測(cè)量,各潛變量對(duì)應(yīng)的觀測(cè)題項(xiàng)見表1所列。

表1 問卷潛變量及觀測(cè)題項(xiàng)

聯(lián)合充電選擇情景為陳述偏好調(diào)查,設(shè)有3個(gè)選擇肢,分別為在家慢充、公共場(chǎng)所快充、在工作場(chǎng)所慢充。

根據(jù)實(shí)際情況確定各選擇肢屬性水平,通過正交設(shè)計(jì)將日出行距離、停留時(shí)間、充電費(fèi)用和停車政策等因素進(jìn)行組合,形成12種不同的情景,情景選擇肢屬性水平設(shè)置見表 2 所列。

表2 情景因素水平

2.2 問卷調(diào)查及數(shù)據(jù)處理

問卷調(diào)查以上海市電動(dòng)汽車用戶為調(diào)查對(duì)象,采用網(wǎng)絡(luò)調(diào)查的方式,在電動(dòng)汽車用戶QQ群、微信群以及百度貼吧等網(wǎng)絡(luò)社區(qū)進(jìn)行隨機(jī)抽樣。對(duì)回收的問卷進(jìn)行篩選,剔除其中填寫不完整、明顯前后矛盾以及回答時(shí)間小于90 s的無效問卷,共獲得820份有效問卷,得到可用于模型估計(jì)的觀測(cè)數(shù)據(jù)為9 840條。有效樣本的個(gè)人社會(huì)經(jīng)濟(jì)屬性統(tǒng)計(jì)見表3所列。

表3 調(diào)查樣本個(gè)人社會(huì)經(jīng)濟(jì)屬性統(tǒng)計(jì)

2.3 問卷信度和效度分析

為確保調(diào)查問卷回收數(shù)據(jù)的穩(wěn)定性及可靠性,在進(jìn)行建模分析之前,首先,運(yùn)用Cronbach’s Alpha對(duì)樣本數(shù)據(jù)進(jìn)行信度檢驗(yàn),運(yùn)用KMO值、Bartlett’s球狀檢驗(yàn)P值、平均方差萃取量(average variance extracted,AVE)以及組合效度(composite reliability,CR)對(duì)樣本數(shù)據(jù)進(jìn)行效度檢驗(yàn),其結(jié)果見表4所列。

由表4可知,各潛變量的Cronbach’s Alpha值αc均大于0.7,KMO值大于0.5,P值小于0.05,CR值大于0.6,且AVE值大于0.4,各項(xiàng)指標(biāo)均滿足要求[23],表明問卷的信度和效度較好,數(shù)據(jù)質(zhì)量較理想。

表4 問卷信度和效度檢驗(yàn)

3 模型結(jié)果分析

3.1 潛變量模型的估計(jì)結(jié)果

為分析影響電動(dòng)汽車用戶聯(lián)合充電選擇行為心理潛變量之間的內(nèi)在關(guān)系,本文引入風(fēng)險(xiǎn)規(guī)避態(tài)度、里程焦慮和充電習(xí)慣構(gòu)建潛變量模型,各個(gè)潛變量及其對(duì)應(yīng)的測(cè)量變量見表1。運(yùn)用AMOS軟件構(gòu)建潛變量模型,并運(yùn)用極大似然法對(duì)模型進(jìn)行參數(shù)估計(jì),根據(jù)Modification Indices輸出結(jié)果中的MI值對(duì)模型進(jìn)行修正,通過增減路徑調(diào)整模型,得到最終潛變量模型結(jié)構(gòu)如圖2所示。其中:**代表P<0.01;*代表P<0.05。

圖2 潛變量模型估計(jì)結(jié)果

判斷潛變量模型擬合程度的指標(biāo)主要包括卡方自由度比χ2/df、均方根誤差RMR、近似誤差均方根RMSEA、擬合優(yōu)度指數(shù)GFI、比較擬合指數(shù)CFI等,通常綜合運(yùn)用上述指標(biāo)對(duì)模型的擬合效果進(jìn)行判斷。潛變量模型的各項(xiàng)擬合指標(biāo)和檢驗(yàn)標(biāo)準(zhǔn)見表5所列。

由表5可知,模型的各項(xiàng)指標(biāo)均滿足檢驗(yàn)標(biāo)準(zhǔn)要求,表明模型擬合程度良好。

表5 模型擬合指標(biāo)

分析潛變量模型中的測(cè)量方程結(jié)果得到各心理潛變量與其對(duì)應(yīng)觀測(cè)變量之間的關(guān)系,各個(gè)心理潛變量對(duì)應(yīng)的觀測(cè)變量因子載荷系數(shù)如圖2所示,保留0.05水平上顯著的觀測(cè)變量,觀測(cè)變量的因子荷載系數(shù)越大,表明觀測(cè)變量越能有效地反映電動(dòng)汽車用戶的心理潛變量。例如:用戶的風(fēng)險(xiǎn)規(guī)避態(tài)度最直接的表現(xiàn)為當(dāng)去不熟悉的目的地時(shí),給電動(dòng)汽車充比往常更多的電量(RAT2);用戶的里程焦慮最容易受電動(dòng)汽車估算里程的影響(RA3);總到常去的充電站充電(CH1)最能夠反映用戶的充電習(xí)慣,其次是結(jié)束某次出行后充電(CH4)以及特定的充電時(shí)間充電(CH3)。

分析潛變量模型中的結(jié)構(gòu)方程可以得到各心理潛變量之間的內(nèi)在關(guān)系,路徑系數(shù)越高,表明心理潛變量之間的影響越大。

結(jié)果表明,電動(dòng)汽車用戶的里程焦慮與充電習(xí)慣之間的影響程度最大,存在顯著的相關(guān)關(guān)系,里程焦慮及充電習(xí)慣對(duì)風(fēng)險(xiǎn)規(guī)避態(tài)度均存在顯著的正向影響。

3.2 聯(lián)合充電選擇行為模型的估計(jì)結(jié)果

3.2.1 變量賦值

根據(jù)潛變量的模型參數(shù)估計(jì)結(jié)果可以得出每個(gè)潛變量的適配值。首先將各心理潛變量觀測(cè)指標(biāo)的因子載荷看作各觀測(cè)指標(biāo)的權(quán)重系數(shù),并將其進(jìn)行標(biāo)準(zhǔn)化,由此得到各心理潛變量的適配值表達(dá)式如下:

(17)

根據(jù)各心理潛變量的適配值表達(dá)式,對(duì)每份問卷計(jì)算其心理潛變量的取值,因?yàn)楦餍睦頋撟兞康挠^測(cè)變量對(duì)應(yīng)的數(shù)據(jù)均為L(zhǎng)ikert5級(jí)度量值,所以標(biāo)準(zhǔn)化后所得的心理潛變量的取值在1～5之間,具體變量定義及賦值見表6所列。

表6 變量定義

3.2.2 模型估計(jì)結(jié)果

本文將表6中的日常充電行為變量、個(gè)人屬性變量及方案屬性變量等可觀測(cè)的3類變量引入混合logit模型中,將表6中可觀測(cè)的3類變量及心理潛變量同時(shí)引入混合選擇HCM模型中,分別建立考慮心理潛變量的HCM模型與不考慮心理潛變量的混合Logit模型,對(duì)比分析2種模型的擬合效果。

將日出行距離、停留時(shí)間、充電費(fèi)用及停車政策等情景方案變量的系數(shù)設(shè)置為隨機(jī)系數(shù),服從正態(tài)分布;將性別、年齡、收入、職業(yè)、充電頻率、剩余電量系數(shù)設(shè)置為固定系數(shù);將在工作場(chǎng)所慢充設(shè)置為參照組，選用Stata軟件對(duì)數(shù)據(jù)進(jìn)行模型求解,采用Halton序列抽樣提取隨機(jī)參數(shù),抽樣次數(shù)為1 000次。經(jīng)過對(duì)模型的多次調(diào)試,保留P值小于0.1對(duì)聯(lián)合充電選擇行為影響顯著的變量,最終得出模型的參數(shù)估計(jì)及檢驗(yàn)結(jié)果,見表7所列。

表7中:***代表P<0.01;**代表P<0.05;*代表P<0.1。

表7 模型估計(jì)結(jié)果

通常用赤池信息準(zhǔn)則(Akaike information criterion,AIC)和貝葉斯信息準(zhǔn)則(Bayesian information criterion,BIC)2個(gè)擬合指標(biāo)對(duì)比分析這2個(gè)模型的擬合優(yōu)度,AIC和BIC值越小,表明模型的擬合程度越好。由表7可知,考慮心理潛變量的HCM模型的AIC值與BIC值均小于未考慮心理潛變量的混合Logit模型,表明加入心理潛變量能夠明顯提高聯(lián)合充電選擇行為模型的擬合度,這與文獻(xiàn)[14-15]的研究結(jié)果一致。此外,在未考慮心理潛變量的混合Logit模型估計(jì)結(jié)果中,性別等變量并不顯著,而在HCM模型中,大部分變量均在0.10水平上顯著,表示HCM模型有更強(qiáng)的解釋能力,能夠更全面地揭示各類變量對(duì)聯(lián)合充電選擇行為的影響。因此,在下文中,對(duì)HCM模型的結(jié)果進(jìn)行詳細(xì)解釋分析。

在個(gè)人社會(huì)經(jīng)濟(jì)屬性方面,相較于男性,女性更傾向于選擇在公共場(chǎng)所快充;相較于18～25歲和大于50歲的電動(dòng)汽車用戶,26～49歲的用戶更傾向于選擇在公共場(chǎng)所快充和在家慢充;收入越高的電動(dòng)汽車用戶更傾向于選擇在家慢充,高收入的用戶可能擁有家用充電樁以及固定停車位,方便在家充電;相較于個(gè)體或者自由職業(yè)者,企事業(yè)單位用戶更傾向于選擇在公共場(chǎng)所快充,這可能是由于企事業(yè)單位用戶駕駛電動(dòng)汽車主要以通勤、商務(wù)外出為主,快充樁能在較短時(shí)間內(nèi)為電動(dòng)汽車補(bǔ)足電量,及時(shí)滿足用戶的充電需求。

在充電行為屬性方面,每周充電頻率高的電動(dòng)汽車用戶更傾向于選擇在家慢充,相較于其他2種充電方式,在家充電的費(fèi)用相對(duì)較低,充電便捷性較高;初始剩余電量對(duì)電動(dòng)汽車用戶選擇在家慢充存在顯著正影響,剩余電量較高時(shí)用戶傾向于選擇在家充電,說明用戶選擇在家慢充不一定由充電需求驅(qū)動(dòng),可能是由于用戶習(xí)慣在家充電,充電習(xí)慣對(duì)在家慢充存在顯著正影響也印證這一點(diǎn),這與文獻(xiàn)[4]、文獻(xiàn)[16]的研究結(jié)果相同。而初始剩余電量對(duì)公共場(chǎng)所快充存在顯著的負(fù)影響,當(dāng)初始電量越小,電動(dòng)汽車用戶越傾向于在公共場(chǎng)所快充,表明用戶選擇在公共場(chǎng)所快充是基于充電需求,在剩余電量較高時(shí)選擇快充的可能性較小。

在情景方案屬性方面,日出行距離對(duì)電動(dòng)汽車用戶選擇公共場(chǎng)所快充及在家慢充存在顯著正影響;充電費(fèi)用對(duì)聯(lián)合充電選擇行為存在顯著負(fù)影響,表明用戶不愿意為電動(dòng)汽車充電支出過多的費(fèi)用,聯(lián)合充電選擇方式的充電費(fèi)用越高,則用戶選擇該充電方式的概率越低。停車政策中減免70%、免費(fèi)停車對(duì)聯(lián)合充電選擇有顯著正影響,表明政府或企業(yè)提供的免費(fèi)停車或者減少停車費(fèi)用的政策時(shí),能夠有效提高用戶選擇在公共場(chǎng)所快充意愿。

用戶的心理潛變量均對(duì)其聯(lián)合充電選擇行為產(chǎn)生不同程度的顯著影響,其中里程焦慮的影響最大。相較于在工作場(chǎng)所慢充,里程焦慮和風(fēng)險(xiǎn)規(guī)避態(tài)度較強(qiáng)烈的用戶更傾向于選擇在公共場(chǎng)所快充,這可能是因?yàn)樵诔鲂型局?快充樁能在較短時(shí)間內(nèi)為電動(dòng)汽車補(bǔ)充較多電量,能及時(shí)滿足用戶的充電需求,緩解電動(dòng)汽車用戶無法抵達(dá)目的地的擔(dān)憂。風(fēng)險(xiǎn)規(guī)避態(tài)度和充電習(xí)慣意識(shí)較強(qiáng)的用戶更傾向于選擇在家充電。

從模型的標(biāo)準(zhǔn)差可以看出,電動(dòng)汽車用戶中不同個(gè)體對(duì)日出行距離、充電費(fèi)用及停車政策表現(xiàn)出較強(qiáng)的異質(zhì)性。當(dāng)日出行距離超過平均水平(均值)時(shí),57.17%的用戶選擇在公共場(chǎng)所快充或在家慢充,42.83%的用戶選擇在工作場(chǎng)所慢充;當(dāng)充電費(fèi)用超過平均水平時(shí),18.50%的用戶選擇在公共場(chǎng)所快充或在家慢充,其余81.50%的用戶則選擇在工作場(chǎng)所慢充;當(dāng)停車費(fèi)用減免超過70%時(shí),44.21%的用戶選擇在公共場(chǎng)所快充,余下55.79%的用戶則相反;當(dāng)停車費(fèi)用全免時(shí),48.70%的用戶選擇在公共場(chǎng)所快充,余下51.30%的用戶則相反。以上結(jié)果表明了不同電動(dòng)汽車用戶之間存在明顯的偏好差異性。

3.3 模型預(yù)測(cè)概率對(duì)比

為進(jìn)一步驗(yàn)證HCM模型的適用性,本研究分別對(duì)構(gòu)建的混合Logit 模型與HCM模型進(jìn)行概率預(yù)測(cè)對(duì)比,即將2個(gè)模型的預(yù)測(cè)結(jié)果與問卷所得實(shí)際選擇概率結(jié)果進(jìn)行對(duì)比,具體所得估計(jì)結(jié)果如圖3所示。

圖3 混合Logit和HCM模型預(yù)測(cè)概率對(duì)比

從圖3可以看出:混合Logit 模型的預(yù)測(cè)結(jié)果與實(shí)際選擇結(jié)果仍存在一定的差距,最大誤差為9.06%;而HCM模型的預(yù)測(cè)結(jié)果與實(shí)際選擇概率結(jié)果更為接近,誤差均在5%以內(nèi),預(yù)測(cè)結(jié)果更符合真實(shí)情況。因此,考慮心理潛變量的HCM模型能夠在一定程度上提高聯(lián)合充電選擇行為模型的預(yù)測(cè)精度,能夠更好地刻畫消費(fèi)者電動(dòng)汽車充電行為的決策過程。此外,從圖3還可以看出,在3種聯(lián)合充電選擇方式中,在家充電的選擇概率最高,表明在家慢充是上海市電動(dòng)汽車用戶最偏愛且最常用的充電方式。

4 結(jié) 論

基于上海市電動(dòng)汽車用戶的實(shí)際調(diào)查數(shù)據(jù),本研究運(yùn)用混合選擇模型對(duì)電動(dòng)汽車用戶的聯(lián)合充電選擇行為進(jìn)行了深入研究,同時(shí)剖析了個(gè)人社會(huì)經(jīng)濟(jì)屬性、充電行為屬性以及心理潛變量對(duì)聯(lián)合充電選擇行為的影響,并探究了電動(dòng)汽車用戶之間的異質(zhì)性,主要得出以下結(jié)論:

(1) 在家慢充是上海市電動(dòng)汽車用戶最偏愛且最常用的充電方式,政策制定者應(yīng)當(dāng)重點(diǎn)支持發(fā)展居住區(qū)慢充的措施。此外,研究表明停車費(fèi)用減免政策對(duì)用戶選擇公共場(chǎng)所快充有顯著的正影響,可以通過制定合理的停車費(fèi)用減免政策提高公共充電設(shè)施的利用率。

(2) 部分個(gè)人社會(huì)經(jīng)濟(jì)屬性、充電行為等屬性均對(duì)聯(lián)合充電選擇行為存在顯著影響,日出行距離、充電費(fèi)用、停車政策等屬性表現(xiàn)出明顯異質(zhì)性,體現(xiàn)了用戶之間選擇偏好的差異性。

(3) 風(fēng)險(xiǎn)規(guī)避態(tài)度、里程焦慮及充電習(xí)慣等心理潛變量在用戶的聯(lián)合充電選擇行為中起著重要的作用。因此,為了促進(jìn)公共充電設(shè)施的利用率,可從電動(dòng)汽車用戶的里程焦慮、充電習(xí)慣等方面入手,干預(yù)和引導(dǎo)用戶的充電選擇行為,提升其選擇公共充電設(shè)施的概率。

(4) 相較于離散選擇模型,考慮心理潛變量的混合選擇HCM模型具有更高的擬合度及預(yù)測(cè)精度,能夠更真實(shí)地反映電動(dòng)汽車用戶的充電行為決策過程。