基于混合Logit模型的電動汽車購買意愿影響因素研究

黃瑞錦，顧高峰

（1.中國建筑科學研究院有限公司，北京 100013；2.埃因霍溫理工大學，荷蘭埃因霍溫5641PL）

0 引言

為緩解車輛使用化石能源導致的環(huán)境問題，我國近年來一直在積極推進電動汽車的使用[1]。得益于對電動汽車基礎設施的投入[2]以及財政補貼激勵政策[3]，我國電動汽車產銷量快速增長。2019 年，我國電動汽車銷量超過100 萬輛，成為全球最大的新能源汽車市場。然而，目前我國電動汽車的整體市場占有率仍然偏低[4]，部分激勵政策的成本高、效率低，這是多方原因導致的。一方面，購車和稅費補貼的財政負擔逐漸增加；另一方面，部分政策對消費者購買電動汽車偏好的邊際效應逐漸下降。為緩解日益增長的財政扶持負擔和低效投入，我國新能源汽車相關激勵政策亟待新一輪調整。定量分析電動汽車購買意愿影響因素，可為未來政策調整提供參考，提升政策的有效性和合理性。

為促進電動汽車的發(fā)展，國內外研究人員從影響因素等方面對消費者的電動汽車購買意愿進行了建模探討，采用的研究模型主要有統(tǒng)計分析模型[5]、結構方程模型（Structural Equation Model?ing,SEM）[6-7]和離散選擇模型[8]。統(tǒng)計分析模型通過收集電動汽車用戶的社會經濟屬性、個人意愿、使用體驗等數(shù)據(jù)，統(tǒng)計分析各影響因素的分布情況，研究各因素的影響程度。該模型能得到較直觀的分析結果，但需要統(tǒng)計電動汽車實際購買者的數(shù)據(jù)，而目前由于電動汽車的市場份額有限，難以獲得足夠的樣本，因此分析結果的準確性易受樣本量的影響。為解決樣本量不足的問題，部分研究人員[6-7]使用SEM 模型和潛在電動汽車購買者的意愿或態(tài)度數(shù)據(jù)，分析各因素對電動汽車購買意愿的影響，但該模型重點關注影響因素之間的相對大小，難以對電動汽車的實際購買情況進行預測。為克服上述模型的缺陷，部分研究人員使用離散選擇模型對電動汽車的購買意愿進行分析。Logit 模型是離散選擇模型中應用最為廣泛的模型之一，它通過消費者對兩個或多個選項的選擇，分析選項中各因素對購買意愿的影響。相關研究中，Musti 等[8]利用多項Logit 模型（Multinominal Logit Model,MNL）研究離散選擇數(shù)據(jù)，分析了年齡、性別、購買價格、使用成本、碳排放等因素對電動汽車購買意愿的影響。在影響因素方面，國內外學者對影響電動汽車購買的各類因素進行了分析[9-10]，總結出影響消費者購買電動汽車意愿的因素主要有個人屬性因素[11-12]、車輛因素[13-14]、心理因素[10,15-16]和政策因素[17-19]。為考慮選項間的獨立性和個體異質性的影響，多項研究使用了混合Logit 模型[11-12,15]來研究電動汽車的購買意愿。

雖然國內外研究人員對電動汽車購買影響因素進行了諸多探討，但其中針對國內的如小客車購買指標調控管理政策以及電動汽車限行豁免政策等激勵措施的效果進行量化分析的研究相對匱乏。此外，各樣本數(shù)據(jù)之間的異質性導致的誤差也需進一步考慮。利用混合Logit模型研究消費者對電動汽車的購買意愿并將相關激勵政策引入模型中，不僅能考慮消費者的異質性對電動汽車購買意愿的影響，還能針對我國部分城市的機動車限購和限行等政策分析其對電動汽車購買意愿的影響。鑒于此，本文綜合考慮我國消費者電動汽車購買偏好的影響因素，設計電動汽車購買意愿的陳述性偏好（Sated Preference,SP）問卷以收集數(shù)據(jù)，使用兩種模型方法（混合Logit模型和多項Logit 模型）定量分析各類因素對消費者購置意愿的影響，并對比兩種方法的擬合優(yōu)度，通過對各類因素的參數(shù)值的計算及顯著性評估，分析其對電動汽車購置意愿的影響，以期能更好地解釋電動汽車對我國消費者吸引力的來源。

1 混合Logit 模型的原理及適用性

混合Logit 模型是一種離散選擇模型，是在MNL 模型的基礎上發(fā)展而來的[20]。決策者根據(jù)選項的各屬性衡量效用，會選擇效用最大的選項。在本文中，消費者根據(jù)個人屬性、電動汽車的屬性以及政策場景選擇認為效用最大的選項。

在MNL 模型中，決策人n對選項i在場景t的選擇中隨機效應如下：

式（1）中：Uint為效用函數(shù)；βi為待估計參數(shù)；Xint為選項的相關屬性；εint為效用函數(shù)隨機項。在Logit 模型中，假設εint服從耿貝爾（Gumbel）分布。

電動汽車是相對較新的產品，考慮到消費習慣和個人喜好的差異，不同樣本之間受同一變量的影響程度可能有所不同。例如，偏好購買高科技產品或偏好環(huán)保產品的消費者選擇電動汽車的可能性更大，其對價格等因素的敏感度也與其他消費者不同。因此，在模型分析中需考慮群體中各消費者之間偏好的異質性。但在MNL 模型中，向量βi中的元素βi通常被假設為常量，群體之間的偏好具有同質性，難以考慮由于消費習慣和個人偏好導致的差異。而忽略決策者之間的差異性將會導致參數(shù)估計結果與實際情況之間存在偏差。為了減小這種異質性導致的誤差，本文在MNL模型的基礎上，使用混合Logit模型，考慮了重要變量的隨機影響分布，模型中假設βi在個體之間服從某一分布，決策者之間的差異通過假設的分布引入模型中。向量βi的分布函數(shù)如下：

混合Logit 模型中，受訪者選擇各選項的概率為：

根據(jù)式（3），利用極大似然估計對模型中的待估計參數(shù)求解。

2 數(shù)據(jù)收集與分析

為收集消費者對電動汽車的購買意愿數(shù)據(jù)，本研究于2019 年6 月在北京市開展了陳述性偏好調查。調查采用網絡問卷形式，主要訪問對象為年齡大于18 歲且小于65 歲的北京市常住居民，借助“問卷星”在線調查平臺，受訪者可在微信中通過鏈接填寫問卷。調查總計收回問卷487 份，其中有效問卷443 份，問卷有效率為90.97%。問卷收集了每位被訪者的個人屬性以及8 種不同場景下的車輛購買意愿數(shù)據(jù)。問卷調查收集到個人屬性數(shù)據(jù)443 條，陳述性偏好數(shù)據(jù)3 544條。

2.1 個人屬性

問卷收集的個人屬性信息主要包含受訪者的年齡、性別、職業(yè)、收入、教育水平等數(shù)據(jù)。調查對象中男性占比為58.01%，女性占比為41.99%。40歲以下的受訪者占比較多，為67.04%。86%的受訪者有大專、本科及以上學歷。超過1/2 的受訪者月收入在5000～20000元之間。受訪者的個人屬性統(tǒng)計情況如表1所示。

表1 受訪者個人屬性統(tǒng)計

2.2 陳述性偏好實驗

陳述性偏好（Sated Preference,SP）實驗是通過向受訪者提供虛擬選擇場景來獲得受訪者的陳述性偏好數(shù)據(jù)。每個虛擬實驗場景中包含電動汽車、燃油汽車兩個選項。汽車相關屬性如價格、使用成本、行駛里程、充電速度、充電便利性、購車財政補貼政策、限號通行政策及車輛牌照批準政策等變量用于描述兩個選項。每個受訪者被展示多次不同的虛擬實驗場景，并被要求回答其偏好的選項。在當前電動汽車市場占有率偏低的情況下，SP數(shù)據(jù)可以更全面地覆蓋更多的車輛性能、服務及政策情況。

實驗綜合考慮現(xiàn)有及近期隨技術發(fā)展可能實現(xiàn)的車輛不同指標的數(shù)值大小。考慮到市場上不同車輛價格差異較大，本文對電動汽車和燃油汽車的價格采用Pivot設計方法，即實驗中展示的是同等檔次車輛價格的差異。電動汽車的價格設置4 個水平，分別為：與同檔燃油車價格相當、比同檔燃油車貴15%、比同檔燃油車貴30%和比同檔燃油車貴45%。燃油車的使用成本變量設置2個水平，分別為0.5 元/km 和0.75 元/km；電動汽車的使用成本設置2 個水平，分別為0.1 元/km 和0.2 元/km。電動汽車的續(xù)駛里程設置4 個水平，分別為200km,300km,400km 和500km。充電速度方面，本文對快速充電速度和慢速充電速度進行了區(qū)分，快速充電設置4 個水平，分別為30min,60min,90min,120min；慢速充電設置6h和8h 2個水平。充電便利性通過到達可用充電樁所需時長來度量，設置2 個水平，分別為10min 和20min。限行政策考慮未來可能的變化，區(qū)分為每周限號1d 和不限號2 種。車輛牌照批準政策方面，考慮燃油車牌照搖號中簽率和電動車牌照排隊等候政策的動態(tài)變化，燃油車的中簽率設置為1/400 和1/800 2 個水平，電動汽車的牌照排隊等候時長區(qū)分為4年和8年2個水平。各變量及變量水平如表2所示。

表2 陳述性偏好實驗變量及變量水平列表

表2 （續(xù)）

考慮到實驗中的變量數(shù)量、變量級別數(shù)量以及樣本量的限制，創(chuàng)建完整的因子設計是較為困難的。為了減少選擇集的數(shù)目，在28×43全因子設計的基礎上，使用SAS軟件，設計了1個包含128種組合的正交實驗，隨機選擇每種類型的虛擬場景并分配給受訪者，每個受訪者面臨8 個選擇場景。為提高受訪者對實驗任務的理解，在其進行選擇前，實驗提供了示例（見表3）以解釋選擇問題。

表3 選擇實驗場景示例

2.3 混合Logit模型的建立

建立混合Logit模型首先需要確定效用函數(shù)的組成。在本文的選擇場景中，影響電動汽車和燃油汽車購買意愿的因素主要包括消費者的個人屬性、車輛屬性及相關政策。在個人屬性方面，由于其種類較多，某些個人屬性可能對電動汽車的購買意愿沒有顯著影響，因此首先對個人屬性進行篩選。結合國內外研究[8,11-12]，選擇性別、年齡和收入作為影響選項效用的變量。此外，提供給決策者的選擇場景中的車輛價格、使用成本、充電便利性、購車補貼政策等也是影響選項效用的重要因素。以上述因素為自變量可以構建效用函數(shù)，分別建立MNL 模型和混合Logit 模型。兩種車輛的效用函數(shù)的可觀測部分分別為：

式（3）～式（4）中：Vev為電動汽車的可觀測效用；Vcv為燃油汽車的可觀測效用；Xprice,Xrate,Xrange,Xcharge_fast,Xcharge_slow,Xtax,Xcharge_station,Xrestriction,Xlicense分別為價格、使用成本、續(xù)航里程、快速充電時長、慢速充電時長、購車補貼、充電便利性、限號政策及牌照制度；為對應的系數(shù)。

在混合Logit模型中，設定重要因素的系數(shù)為隨機分布變量。經過測試比選，確定價格和續(xù)航里程變量的系數(shù)服從正態(tài)分布，即β1和β3服從正態(tài)分布。

3 模型實證分析

3.1 參數(shù)估計

使用NLogit 6.0 軟件，分別運用MNL 和混合Logit 模型對陳述性偏好數(shù)據(jù)進行處理和分析。結果顯示，混合Logit 模型的擬合優(yōu)度R2明顯高于MNL模型，說明混合Logit模型更為全面地考慮了受訪者異質性導致的誤差。此外，模型中選取了價格和續(xù)航里程2 個變量作為隨機分布變量，參數(shù)估計結果中對應參數(shù)的標準差為顯著水平，表明個體之間存在偏好異質性。MNL 模型和混合Logit模型對應的似然函數(shù)值和R2如表4所示。

表4 混合Logit模型與MNL模型結果對比

在模型參數(shù)估計中，通過效應編碼（Effect Coding）方法，以平均值作為參照組。模型參數(shù)估計結果如表5 所示。表中列出的參數(shù)值為各選項效用函數(shù)中對應變量水平的估計系數(shù)值。參數(shù)值的大小可用來說明和比較各變量對選擇偏好的影響大小。此外，對于個人屬性變量的參數(shù)，以個人屬性對燃油車的偏好影響為參照。P為對應參數(shù)的顯著性水平，本文采用0.05 為可接受的顯著性水平，即當P＜0.05 時，該解釋變量與效用函數(shù)顯著相關。

表5 模型參數(shù)估計結果

表5 （續(xù)）

3.2 結果分析

如表5 所示，在個人屬性方面，結果顯示年齡和收入對電動汽車的購買意愿有顯著影響。男性的對應估計參數(shù)為正值，女性的為負值，因此男性比女性受訪者更偏好電動汽車。40 歲以下的估計參數(shù)均為正值，而41 歲以上的參數(shù)為負值，表明隨著年齡的增大，購買電動汽車的意愿降低。收入對電動汽車的購買也有顯著的影響，當收入低于每月5 000 元時，電動汽車的購買意愿較低；收入在5000～20000元的受訪者對電動汽車的購買意愿最高。

為了進一步研究各因素的影響程度以及購買意愿隨著因素水平的變化而改變的情況，圖1 分別列出了各因素的成分效用值（Part-Worth Utility），用于分析各因素水平對電動汽車購買意愿總體效用的貢獻大小。

圖1 各因素水平的成分效用值

由表5 及圖1 可知，在電動汽車的購買和使用成本方面，電動汽車相對于同檔次燃油車的價格對電動汽車的接受程度有顯著影響。相對燃油車的價格的參數(shù)值隨著相對價格的升高而單調降低，這表明電動汽車的相對價格越高，人們購買電動汽車的可能性越低，此外，當電動汽車的價格由“比燃油車貴30%”的水平上升到“比燃油車貴45%”時，價格變量所對應的系數(shù)迅速降低。這說明電動汽車“比燃油車貴30%”和“比燃油車貴45%”時，價格這一變量的邊際效應迅速變化。參數(shù)估計的結果中，使用成本的系數(shù)不顯著。因此，降低充電成本對提高電動車購買意愿的提升作用有限。對于燃油車，使用成本的系數(shù)不顯著，這與該變量對電動汽車的影響特征類似。

在車輛性能方面，電動汽車的續(xù)航里程對電動汽車的購買意愿有顯著影響。當電動汽車的續(xù)航里程低于400km 時，參數(shù)為負值。隨著續(xù)航里程的增加，受訪者對電動汽車的購買意愿逐漸提升。當電動汽車的續(xù)航里程由300km 增加至400km 時，續(xù)航里程的系數(shù)迅速增加，這表明電動汽車的續(xù)航里程突破300km 時，電動汽車購買意愿的效用函數(shù)迅速上升。在充電速度方面，購買意愿隨充電速度的提升而增加，當電動汽車的快速充電時間由90min 增長至120min 時，購買意愿顯著下降。這一結果表明，當電動汽車的快速充電時間在90min 以內時，電動汽車才能為大多數(shù)受訪者接受。與快速充電的影響相比，慢速充電對電動汽車的購買意愿影響較小。慢速充電變量對電動汽車購買意愿的效用函數(shù)無顯著影響。此外，價格和續(xù)航里程對電動汽車購買意愿的影響在受訪者之間存在異質性。

在充電基礎設施和激勵政策方面，結果顯示，到達可用充電樁的時長對電動汽車的購買意愿有顯著影響。當受訪者可以在10 min 左右到達可使用的充電樁時，電動汽車的購買意愿顯著升高。在激勵政策方面，針對電動汽車的財政補貼對電動汽車的購買意愿無顯著影響。這一結果表明，電動汽車購車補貼政策的效果有限，政策有待進一步調整。

在管理措施方面，北京市目前采取電動汽車尾號限行豁免政策，對電動汽車的購買意愿也有顯著影響。若限行豁免政策取消，則電動汽車的吸引力顯著降低。此外，電動汽車的牌照排隊等候時長對電動汽車的購買意愿有顯著影響。當電動汽車牌照的獲批時間在4 年左右時，受訪者的購買意愿顯著上升；當電動汽車牌照的獲批時間在8 年左右（北京市現(xiàn)狀）時，牌照排隊等候政策對電動汽車吸引力的提升作用有限。與電動汽車的牌照排隊等候政策對應的是燃油車的牌照抽簽政策，其對于電動汽車的效用無明顯影響。因此，未來可以進一步考慮將傳統(tǒng)車輛的部分牌照配額轉移至電動汽車，以提升電動汽車的接受意愿和市場占有率。

為了研究各因素的相對影響大小，分別對各因素之間的變化情況進行了橫向比較。結果顯示，電動汽車相對于燃油汽車的價格、續(xù)航里程、牌照排隊等候政策3 項因素的成分效用值較大，是消費者最關注的變量。與使用成本相比，消費者更為關注電動汽車的購買成本。在電動汽車的技術性能方面，續(xù)航里程相比充電速度對購買意愿有更大的影響。快速充電與慢速充電相比，消費者對快速充電的效率要求更高，快速充電的成分效用值明顯高于慢速充電的成分效用值。在基礎設施與激勵政策方面，車輛牌照的排隊等候時長比充電樁設施的便利性更能影響電動汽車對消費者的吸引力，而財政補貼對電動汽車吸引力的提升影響最小。

4 結語

本文基于混合Logit模型研究消費者對電動汽車的購買意愿以及消費者個人屬性、車輛屬性、充電基礎設施、購車與用車激勵政策對電動汽車吸引力的影響。首先依據(jù)電動汽車和燃油汽車的特點設定變量水平并設計陳述性偏好實驗，基于收集的數(shù)據(jù)分別計算并對比分析了混合Logit模型和MNL模型。然后按照模型的擬合優(yōu)度確定最優(yōu)模型，并以擬合優(yōu)度最高的模型參數(shù)估計結果分析了各因素對電動汽車購買意愿的影響程度。混合Logit 模型基于MNL 模型的理論結構，放寬了MNL 模型中的選項獨立性和選擇偏好同質性的假設，在模型的設定上更為靈活，得到的結果也具有更高的擬合優(yōu)度。

本文對各種激勵政策的有效性進行了定量分析，可為不同政策場景下的電動汽車購買意愿和車輛保有規(guī)模的預測、激勵政策的調整以及充電基礎設施的需求分析提供參考。然而，本文僅分析了新購車時消費者對于電動汽車的購買意愿，未來隨著電動汽車相關基礎設施的完善，應進一步研究燃油車輛保有者更換電動汽車的意愿。