電動汽車駛離充電樁行為研究

趙 倩，羅 霞，張奕源

（西南交通大學，交通運輸與物流學院，成都 611756）

0 引言

大力發展新能源汽車是緩解當前我國能源依賴和大氣污染問題的有效途徑之一，在碳達峰和碳中和的目標下，電動汽車和充電基礎設施迅速發展。目前，根據中國電動汽車充電基礎設施促進聯盟公布數據，國內車樁比約3:1，車樁發展不協調，且公共充電樁存在燃油車占位導致利用率低，以及電動汽車充電完成后不移動導致周轉率低[3]等問題。因此，鼓勵電動汽車用戶充電完成后即時駛離車位，提高充電設施運營周轉率，是打破充電設施發展掣肘的有效手段之一。

目前，電動汽車充電選擇行為的研究集中于充電前的決策，通常采用離散選擇模型描述充電選擇行為。Ge[1]等研究了充電費用、充電功率、離家距離等因素對是否在公共充電樁充電的影響；Daina[2]等提出了基于活動出行的充電選擇行為模型用以評估智能充電服務；Xu[3]等研究發現用戶選擇充電模式和位置受電池容量、SOC、出行間隔等因素影響；Zhao[4]等對公共充電樁和私人共享充電樁的博弈選擇進行了研究；Wang[5]等分析了SOC、排隊時間等充電場景因素和滿意度如何影響電動汽車駕駛人的充電選擇行為。

有研究表明，受訪者的態度變量會影響選擇行為[6]，有助于更深理解選擇行為機理。態度變量往往難以量化，因此需要用問題指標進行測量，通常以潛變量形式體現在模型中。Ben-Akiva 等[7]提出的混合選擇模型（Hybrid Choice Model,HCM）框架被廣泛應用于態度和感知加入選擇模型的場景。HCM模型可兼顧考慮異質性與心理態度潛變量，減少模型的內生誤差，提升模型解釋能力。如胡曉偉等[8]將感知風險、服務質量和社會影響引入混合選擇模型，研究了共享自動駕駛汽車的使用意愿；Daina 等[9]構建了HCM 模型研究了風險態度對充電選擇行為的影響，結果表明風險厭惡的人群更傾向于獲得更多電量；Pan[10]等利用HCM 模型研究風險態度對是否在目的地充電選擇行為的影響。

現有研究對不同充電選擇行為場景進行了分析，但鮮有對充電后的駛離行為決策進行研究。隨著車樁不協調和電動汽車充電難問題的日益凸顯，敦促電動汽車用戶在公共充電樁充完電后即時駛離充電車位能夠有效提升充電設施的使用率及周轉率，更加充分利用充電樁資源，并為電動汽車用戶充電難問題提供一個解決思路，是當下電動汽車發展需要重點關注的問題。Wolbertu[11]等基于荷蘭調查數據首次對充電后移車行為進行研究，但未考慮個人心理態度，且并未對影響因素做進一步討論分析。已有研究發現，社會責任意識、利他性意識等親社會性偏好對電動汽車購買意愿[12]、公眾參與交通擁堵治理[13]和自動駕駛網約車使用意愿[14]等行為產生重要影響，社會責任意識對充電后駛離行為是否產生影響是值得探討的。另一方面，充電后移動車輛可能面臨著停車困難、時間精力耗費等風險。經濟學中有學者提出轉換成本是顧客在轉換時的困難性和整體成本[15]，或是在改變選擇服務中所感知的時間費用和精力成本[16]，個體的感知轉換成本是否影響電動汽車用戶在充電后的移車行為值得分析。

因此，本文依托國內的電動汽車用戶數據，利用HCM 模型，引入社會責任意識和感知轉換成本兩個心理層面的態度潛變量，對電動汽車充電后的決策行為進行研究，更加深入分析驅動電動汽車用戶駛離充電樁行為的潛在因素，彌補現有充電選擇行為研究的空缺，具有現實意義。

1 電動汽車充電駛離行為模型

本文研究電動汽車充電駛離行為采用混合選擇模型（HCM），模型框架包括結構模型、測量模型和選擇模型。HCM 框架如圖1 所示，結構模型部分表示社會經濟屬性與潛變量間的關系，測量模型部分用于表示測量指標對潛變量的衡量，離散選擇模型部分表征受訪者的選擇行為，三部分需同時標定。本文HCM模型中引入兩個潛變量分別用于表征受訪者的社會責任意識和感知轉換成本。

圖1 HCM模型框架

1.1 結構模型

結構模型中設置社會責任意識潛變量和感知轉換成本潛變量，潛變量計算公式可表述如下：

式中：Yk為潛變量（k= 1,2）；Za為受訪者a的個人社會經濟屬性變量；λka為結構回歸系數;ωk為隨機變量，假設服從均值為0的正態分布。

1.2 測量模型

本文的兩個潛變量均采用含5 個測量問題的Likert 5 級量表，回答選項間可能存在非線性變化特點，故在測量模型中采用序列logit 模型來表述潛變量和指標間的關系：

受訪者對第s個問題回答為jks,i的概率為：

1.3 選擇模型

選擇模型中因只考慮電動汽車充電后是否移車兩種選項，故為二項logit（BL）模型。受訪者選擇移車的概率公式為：

2 問卷設計及調查

2.1 問卷設計

本文通過設計問卷對電動汽車用戶進行調查，調查分為3 部分：個人社會經濟屬性等基本信息、個人相關態度，以及充電后駛離選擇情境。其中個人基本信息包括受訪者性別、年齡、收入及是否擁有私人充電樁；個人相關態度問題包括社會道德意識和感知轉換成本兩個態度變量，各含5個Likert 5級量表問題。已有學者在研究社會責任感心理變量時將公共場所行為和日常公德行為等一般性社會認知作為指標問題，本文中社會道德意識考察個體一般性社會認知、交通駕駛行為和充電樁使用行為，感知轉換成本考察個體對使用充電樁時的時間和精力的感知。參考相關文獻[17]并結合實際場景，確定態度指標問題如表1所示，1～5分別代表非常不同意、不同意、不確定、同意、非常同意，得分越高表示社會責任意識越強、感知轉換成本越高。其中S2和S3是反向問題，在數據處理時反向給分，即同意程度越高，得分越低，按照5～1給分。

表1 測量態度變量的指標問題

選擇情境為陳述偏好調查，假設在公共充電樁受訪電動汽車用戶充滿電需要快充1h 或慢充4h。司機若在充電完成后15min 內未將車從充電樁移開，將面臨懲罰費用，從充電完成時起按每30min 為單位的價格標準收費。情境因素根據相關文獻[11]和現實場景確定，屬性水平設置如表2所示。

表2 場景變量水平設置

將因素不同水平組合為多個情境，采用D-efficient 實驗設計方法，利用Ngene 軟件編程得到24個選擇情境。每份問卷包含8 個選擇情境，3 份分屬于3 個不同組別的問卷構成一套全情境完整問卷，選擇情境示例如圖2所示。

圖2 選擇情境示例

2.2 問卷實施

采取網絡調查方式，對電動汽車用戶群進行問卷發放，隨機發放問卷300份，回收有效問卷267份，回收率為89%，可用于模型估計使用的觀測數據為2 136 條。有效樣本的個人基本信息統計如表3所示。

·動態化原則。品牌定位不是一成不變的，是需要根據讀者的需求而不斷調整的，這樣才能使品牌具有活力。不過，雖然從長期看，品牌定位需要不斷進行調整優化，但在一定時期內應該保持相對穩定。

表3 樣本個人基本信息統計

3 模型結果分析

建立不含態度潛變量的基礎二項logit 模型（BL 模型）和含態度潛變量的二項混合選擇模型（HCM BL 模型），對比分析態度潛變量對模型解釋能力的影響。其中性別、充電類型、是否有私人樁、充電開始時間和地點為分類變量，分別以女性、慢充、無私人樁、18：00 商場和18：00 家為參照基準，利用Python 軟件進行模型求解，參數標定結果見表4。已有經驗表明[18]，當離散選擇模型的擬合優度ρ2達到0.2 時具有較好擬合效果，達到0.4時相當于線性模型ρ2為0.8的擬合效果。從模型ρ2及調整ρ2的值可知，同時標定了態度潛變量的HCM BL 模型相較于普通BL 模型具有更高的擬合優度。ρ2由不足0.2提升至0.4以上，對于電動汽車用戶充電后駛離選擇行為有更好的解釋能力。

表4 BL和HCM BL模型估計結果

3.1 參數顯著性分析

根據表4 中HCM BL 選擇模型參數標定結果可以看出：

（1）模型常數項的估計參數顯著，表明未觀測到效用對充電后移車行為具有影響作用，參數符號為正，表明相對于充電完成后不移車的行為，受訪用戶對移車行為更有偏好。

（2）移車費時和超時占用懲罰費用兩個變量均顯著且符號一負一正，表明當移車所需花費時間越長選擇充電完成即時移車的概率越低；當懲罰費用越高時選擇即時移車的概率越高，符合實際情況。

（3）充電類型、充電時間和地點對受訪者的充電后駛離行為有影響?？斐漕愋蛥地擄@著，表明相對于慢充而言，電動汽車用戶在快充時更不愿意即時移車；變量“9：00 單位”的參數顯著且為正，表明相對于18：00 在家或商場充電，電動汽車用戶9：00在單位充電的場景下更愿意即時移車。

（4）社會責任意識和感知轉換成本態度變量均顯著，表示所選潛變量是適合用于解釋充電后的駛離行為的，兩指標變量一正一負，表示社會責任意識越高和感知轉換成本越低的個體越有在充電后即時將車駛離充電車位的傾向。

表5為HCM 中的結構模型和測量模型參數估計結果。在結構模型中，選擇個人社會經濟屬性的年齡、性別和收入三個變量預測潛變量，結果表明三個變量均顯著影響了受訪者的社會責任意識，且顯著影響了受訪者的感知轉換成本。同時，系數符號表明，年齡越小、收入越低和男性更傾向于有較強的社會責任意識和感知轉換成本。結合在選擇模型中個人社會經濟屬性對于選擇沒有直接觀測到的顯著影響來看，通過潛變量可以了解到影響行為的非觀測效應。

表5 HCM BL結構模型和測量模型結果

在測量模型中，兩個潛變量對應的指標變量系數均符合預期。設定潛變量第一個測量指標系數為1，以標定相應參數。社會責任意識潛變量的測量指標符號均為正，表明當受訪者對指標的回答結果越大，其社會責任意識越強；且測量指標系數t值均大于1.96，表明上述測量指標問題在95%概率上能夠說明來自受訪者社會責任意識的影響。感知轉換成本潛變量的4 個測量指標系數符號均為負，且t值均大于1.96，表明當受訪者回答結果越小，感知轉換成本越大，且在95%概率上說明受訪者的感知轉換成本能夠影響其在上述問題中的結果。

3.2 彈性與邊際分析

3.2.1 彈性分析

彈性分析在統計分析中有較為廣泛的應用，通過彈性分析可以了解到影響因素對被解釋變量的反應或影響程度。電動汽車用戶q選擇即時移車項r的概率相對于該項的第h個屬性（即Xrhq）的邊際變化彈性如下式所示：

模型參數標定結果表明，移車花費時間和超時占用懲罰費用對于充電駛離行為有顯著影響。為了更好理解其影響作用，對移車費時和懲罰費用兩個連續變量進行直接彈性分析，結果見表6。結果表明，兩個變量的直接彈性變化均大于1%，分別為-36.5%和16.9%，表明移車行為對移車費時和懲罰費用是富有彈性的，且移車費時的彈性大于懲罰費用。當移車費時每增加1%，選擇移車的概率將降低36.5%；當懲罰費用每增加1%時，選擇移車的概率將提升16.9%，電動汽車用戶對移車費時的敏感程度高于懲罰費用。通常移車費時越長，人們感知到的移車成本越大，因此對于感知轉換成本較高而不愿意移車的人，在移車費時不變的情況下收取超時占用懲罰費用是有效的促進充電駛離行為的策略。

表6 時間和費用的直接彈性

3.2.2 邊際分析

相較于表示比例變化的彈性分析，邊際分析側重表示絕對變化，描述當變量發生1個單位變化時，決策者選擇概率的絕對變化值。為了探求移車費時和懲罰費用如何更為具體地對充電駛離行為產生影響，對該變量作邊際分析。直接邊際效用計算公式為：式（9）表示電動汽車用戶q選擇即時移車項r的概率相對于該項第h個屬性（即Xrhq）的邊際效用。

同樣利用PWSE 法求得樣本整體的邊際效用，結果見表7。移車費時邊際值為-0.0173，表明當移車所需花費時間每增加1min，會減少1.73%的用戶選擇充電后即時移車；懲罰費用的邊際值為0.0324，符號為正，表明當超時占用懲罰費用每半小時提高1 元，會增加3.24%的電動汽車用戶選擇即時移車。因此，為更加有效利用社會充電樁資源，一方面可考慮充電用戶的可達性和便利性，合理進行充電設施的布局規劃；另一方面，對于充電設施及場地提供者而言，按照供求關系制定合理的超時占用懲罰收費機制可以有效提升充電樁使用率及周轉率。

表7 時間和費用的邊際效用

4 結論

本文從充電設施運營效率角度出發，以電動汽車用戶為研究對象，基于混合選擇模型進行標定，考慮了心理潛變量的影響，分析討論了電動汽車用戶在公共充電樁充電完成后駛離的選擇行為。主要研究結論如下：

（1）在研究場景方面，相較于已有的關于充電選擇行為研究普遍為充電前的決策行為，針對公共樁充電后的駛離行為研究有助于提升充電設施運營效率，為電動汽車車樁發展不平衡及占樁問題提供科學合理的解決思路。

（2）在模型方面，引入心理層面潛變量的HCM模型能夠解釋受訪者在面臨行為決策時較難觀測到的影響因素，擬合優度提高了0.237，相對沒有潛變量的離散選擇模型具有更高的擬合優度和解釋力度。

（3）電動汽車用戶的個人態度，即其社會責任意識和感知轉換成本對充電駛離行為有顯著影響。個人態度變量和個人社會經濟屬性相關，為提高充電設施使用率和周轉率，可實施一定促進方案，比如針對感知轉換成本更高的女性制定相應的營銷策略，加大對充電后駛離行為的社會作用及意義的宣傳力度，在充電設施處明確提示即時移車和超時占用費等。

（4）移車費時和懲罰費用對電動汽車用戶影響很大，充電時間地點和充電類型一定程度對電動汽車用戶存在影響。對充電的電動汽車用戶實施超時占用收費可以提高充電設施使用效率，對不同充電場景可制定差異化超時占用懲罰收費策略。例如，結果顯示快充時電動汽車用戶更傾向于不即時移車，可以針對快充制定更高的懲罰收費方案。針對充電類型影響移車行為的現象可挖掘其背后原因，快充時間較短，原地等待時間成本較高，當有其他安排事項時，若選擇即時移車將會打斷個人時間安排，故移車的便利性較差；而慢充周期更長，相對而言個人時間安排會更加靈活，這對于不同充電站在充電類型設置時也具有一定啟發意義。

（5）移車費時和懲罰費用的彈性和邊際效應分析具有較強的現實意義，可根據實際用地類型和用戶需求制定充電設施布局及優化方案，根據具體充電設施使用率和周轉率進一步做定價定量分析，這也是后續研究中可進一步深入挖掘的方面。