英文题目：An analysis of EV charging and route choice behavior considering the effects of planning ability, risk aversion and confidence in battery in long-distance travel

中文题目：考虑了长途出行中规划能力、风险规避和对电池信心等因素对电动汽车充电和路径选择行为的影响分析

论文作者：王朝晖，姚恩建，杨扬

论文期刊：Transportation Research Part F: Psychology and Behaviour

论文网址：https://www.sciencedirect.com/science/article/pii/S1369847824001256

摘要：

随着区域交通一体化和充电基础设施建设的进步，长途和城际出行的需求不断增长。这一增长表明，将来电动车（Electric Vehicles，EV）用于长途出行的可能性越来越大。因此，迫切需要更多研究来探讨长途出行中电动车驾驶员的出行行为。然而，目前很少有研究关注电动车驾驶员在长途出行和城际出行中的多次充电行为。为了填补这一空白，本研究以山东高速公路网络作为出行场景，基于声明偏好(SP)调查，确定了电动车驾驶员在长途或城际出行中的充电和路线选择偏好。采用基于嵌套逻辑（NL）的混合选择模型来研究个人态度，即规划能力、风险规避和电池信心对驾驶员充电次数选择行为的影响。NL结构包含两个层次，上层关注充电次数决策过程，下层分析无充电路线、单次充电路线和两次充电路线的选择行为。结果表明，初始充电状态和态度显著影响充电次数的决策；此外，倾向于规避风险和对电池缺乏信心的电动车驾驶员倾向于充电，而具有强大规划能力的驾驶员更倾向于在长途出行中只充电一次。同时，充电和休息是满足充电和休息需求以及减少驾驶时间损失的最佳方式。这些结果为驾驶员的出行规划和长途出行的充电基础设施规划提供了见解。

关键词：电动汽车；充电行为；路径选择行为；混合选择模型；规划能力

1.介绍

随着区域交通一体化和技术的发展，长途和城际出行的需求不断增长，电动车（Electric vehicles, /EV）的续航里程也在不断提高。与此同时，充电设施的建设也在不断推进。例如，在中国，大约90%的高速公路服务区已经建立了充电基础设施。预计电动车将更广泛地用于长途和城际出行。因此，了解电动车驾驶员的出行偏好和长途及城际充电的决策机制对于充电供应的管理和充电网络设施的规划至关重要(Chakraborty et al., 2019; Metais et al., 2022; Ullah et al., 2023)。

近年来，电动车驾驶员的出行行为已被广泛研究。考虑到充电行为在旅途中造成的绕路距离，杨等人提出了一个嵌套逻辑（NL）模型，深入研究了充电和路线选择行为，该行为被分为两个层次：充电和路线选择(Yang et al., 2016)。基于累积前景理论，胡等人研究了电动车驾驶员的出行行为，包括充电需求、充电时间和充电位置（公共充电或家庭充电）。同样，邢(Xing et al., 2021)等人使用累积前景理论和实际出行数据调查了电动车驾驶员的充电选择行为。然而，这些模型或结果主要适用于短途出行的充电行为，例如城市内出行，并且忽略了旅途中的休息和多次充电行为，不能应用于电动车的城际或长途出行。

为了反映实际情况，一些学者在研究充电行为时考虑了潜在变量和个人异质性，这可以提高模型的适应性和解释力(Sarkar and Mallikarjuna, 2018)。考虑到风险态度，潘等人使用混合二项Logit模型模拟了电动车驾驶员是否在目的地充电的充电选择。但现有研究集中在电动车驾驶员的行程焦虑和风险态度的影响上，而没有考虑在心理学领域广泛研究的规划能力。

一些研究人员已经关注了电动车驾驶员长途出行的需求。研究表明，尽管长途出行在年度驾驶需求中所占比例不大，但它们仍然对购车决策和接受电动车有显著影响(Haustein, Jensen, & Cherchi, 2021; Nicholas & Tal, 2017)。随着电池技术的发展，长途驾驶将变得更加容易。

然而，这些假设取决于全面和完善的充电基础设施，这可以帮助驾驶员在旅途中覆盖长距离并克服行程焦虑。还需要进一步研究来检查充电设施的规划和布局，以促进长途电动车的采用。一些研究人员专注于高速公路上的充电站位置和布局规划，但简化了城际出行中的充电和路线选择行为(Wang et al., 2018; Wang et al., 2019)。此外，一些研究强调了调查电动车购买者对充电基础设施的偏好的必要性。当前研究缺乏对长途出行中电动车驾驶员行为机制和充电偏好的深入分析，这构成了充电基础设施规划策略的基础。

本研究已经提供了有关电动车驾驶员出行行为的许多见解，但仍存在一些研究空白。首先，出行者可能会选择长途或城际出行的多次充电，因为电动车的续航里程有限，并且小于出行长度(Bao & Xie, 2021; Ge & MacKenzie, 2022)。然而，很少有研究关注出行中的多次充电周期，这是长途出行的典型特征。此外，休息是长途出行中缓解疲劳的常见选择，少有研究关注休息行为或休息行为对充电行为的影响。最后，大多数研究关注行程焦虑对长途出行行为的影响，而忽略了其他心理因素。

为了响应上述空白，本文的目标是基于充电声明偏好（SP）调查，检查长途出行中电动车出行者的充电和路线选择机制。此外，还分析考虑了个人态度和出行中的多次充电的影响。本研究的主要贡献如下：(a) 通过考虑多次充电、休息时间、个人态度等的高速公路充电和路线选择的SP调查，收集了时效性调查数据。 (b) 考虑规划能力、风险规避和电池信心，揭示了电动车驾驶员在长途出行中多次充电和路线选择行为的机制。本研究使用混合选择模型（HCM）来研究个人态度的影响。 (c) 进行了灵敏度和弹性分析，深入分析了充电站位置和个人态度对驾驶员充电次数选择的影响。这些发现可以用来预测充电需求和规划充电基础设施。这些见解还可以帮助出行规划应用程序提供各种个性化的出行决策。

本文的其余部分组织如下。第2节提供了需要解决的问题的简要描述。第3节介绍了在高速公路上进行充电和路线选择SP调查的设计和实施。第4节解释了分析中使用的建模方法和解释变量。第5节显示了模型的发现，并分析了影响充电和路线选择行为的因素。第6节包含了个人态度的灵敏度和弹性分析。论文最后以包含总体结论的部分结束。

2.问题描述

对于高速公路上的长途出行，假设沿途每个服务区都配备了充电基础设施。出行者必须在出发前选择一个充电站。具体来说，出行者根据他们的初始充电状态（State of Charge，SOC）、剩余SOC、剩余出行距离、充电时间等因素选择充电次数。图1显示了每个起点-终点（OD）对选择电动车充电过程的可能选择。对于长途出行（如图1(a)所示），电动车驾驶员有三种选择：不充电出行，如图1(b)所示；单次充电出行，如图1(c)所示；以及多次充电出行，如图1(d)所示。其中：r, n, s是出行过程中的节点，C1和C2是路线上的充电站。

3.数据

本研究目标是调查路线属性、充电属性、态度特征和个人特征对长途出行中充电和路线选择行为的影响。为此，本文使用了一项在线声明偏好调查，以收集出行者对充电和路线偏好的数据，使用山东高速公路网络作为长途出行场景。

3.1. 调查设计

在问卷开始时，介绍了调查的目标、需要回答的问题以及问卷的假设。由于调查重点关注电动车驾驶员在高速公路上的出行行为，所以需要受访者应熟悉电动车和高速公路驾驶。因此，受访者被询问他们是否具有电动车或高速公路驾驶的经验。只有那些具有两种经验的人才能完成问卷。鉴于当受访者严格限于电动车驾驶员时难以收集到足够的样本，所以本次调查的受访者是私家车主，他们也是通过资格问题被选中的。为确保问卷中受访者偏好的有效性，假设所有受访者都拥有一辆电动车，并能够在服务区充电时休息。

调查由三部分组成，即场景、态度和个人属性。

在第一部分中，向受访者展示了四种出行场景，如表1所示。选择了两对起点(O)-终点(D)对，并将初始SOC分为两个水平。

对于每种场景，受访者都展示了一个示意图，显示了起点(O)、终点(D)、充电站和三种有无充电的路线选择。无充电的路线包括休息时间、路线特征（即出行距离、出行时间和出行成本）以及车辆属性（即起点O处的初始SOC和终点D处的SOC）。除了休息时间、路线特征和车辆属性外，有充电的路线还包括充电站的特征，如从O到充电站的距离、充电站之间的距离、充电时间和等待时间。此外，还考虑了出行目的。

在每种场景中，受访者需要做出两个决定。首先，他们需要确定停留次数。如果他们选择不停留，他们将被提供三种无停留的路线选择。如果他们选择停留，他们需要对充电次数做出决定。如果他们随后决定不充电，他们将被提供三种无充电但有休息的替代路线。否则，受访者应从三种对应充电次数的路线中做出选择。

在态度部分，设计了几个态度指标，以捕捉受访者对电动车驾驶和充电的态度，包括规划能力（Planning Ability，PL）、出行行为中的风险规避（Risk Aversion, RA）和电池信心（Confidence in Battery, CB）。PL表明受访者是否是有计划和理性的人，可以反映出行者对多次充电次数的态度。RA可以用来评估受访者是否规避风险或愿意冒险，通常，规避风险的人有范围焦虑。CB可以反映受访者对电池功率是否乐观。问题列在表2中。在最后一部分，受访者被要求回答有关社会人口统计特征的问题，如性别、年龄、职业、教育和个人收入。图2展示了问卷的总体结构。

3.2. 数据收集

本研究委托了一家专业的在线问卷调查机构，以确保调查能够进行。在2020年12月共收集了523份问卷，有效样本为512份问卷。每个受访者完成了四个SP选择任务，共产生了2048个观察结果。表3提供了样本的汇总统计数据。使用SPSS统计软件进行了可靠性和有效性分析，以确保问卷的可信度。为了评估样本数据的可靠性，对每个指标使用了Cronbach’s α和校正的项目-总计相关性（Corrected Item-Total Correlation, CITC）。Cronbach’s α是广泛用于评估一组指标内部一致性的统计量。Cronbach’s α越高，所选指标的结构就越合理和一致。只有在值高于0.7时，才能表明问卷具有显著的内部一致性，但0.5也是可以接受的（Nunnally和Bernstein，1967；Rhodes等人，2004；Shevlin等人，2000）。如果一个指标的CITC小于0.3，则通常应该排除该指标。如表4所示，当CB1的CITC值为0.2被排除时，CB的内部一致性得到了改善。也就是说，在排除CB1后，Cronbach’s α和CITC都满足要求，这是可以接受的可靠性。此外，因子载荷表示每个指标与潜变量的相关程度，都大于0.4是合理的。基于结果，得到了一个3因子结构。为了测试获得的3因子结构的合理性，并确保所选指标的有效性，进行了验证性因子分析（CFA）测试。表5显示了CFA的结果，它呈现了模型拟合度的四个指标，即卡方/自由度（DF）、比较拟合指数（CFI）、均方根误差近似值（RMSEA）和均方根残差误差（RMR）。测试的指标满足标准值，表明当前的解释因素组合可以更好地反映指标与HCM中用于测量潜变量的潜变量之间的关系。这些结果表明，调查数据是可靠和有效的。

HCM结构如图3所示

4.模型规范

为了调查电动车驾驶员在长途出行中的充电和路线选择行为，本研究采用了一个基于嵌套逻辑（NL）的混合选择模型（HCM）框架，该框架引入了潜变量，用于检验态度和感知的影响。该框架由三个部分组成：结构模型捕捉个人特征对潜变量的影响；测量模型建立潜变量和态度指标之间的联系；选择模型描述驾驶员的决策过程。

4.1 结构模型

模型使用三个潜变量，即规划能力（PL）、风险规避（RA）和电池信心（CB）。每个变量的计算使用公式（1）。

其中，表示潜变量；是受访者n的社会人口统计特征向量； 是要估计的参数向量；ζn 是均值为0，标准差为的正态分布随机项，它捕捉了潜变量的随机元素。

4.2 测量模型

在这项研究中，选择了六个态度陈述来支持选择模型的校准。每个陈述的响应被视为一个态度指标，并且需要一个测量方程来表示其与相应潜变量的关系。CB2 和 CB3 是具有绝对数值的问题。因此，假设这两个问题的测量方程是线性规范，可以表述为公式（2）。

其中，代表受访者n对第k个态度陈述的响应；和分别是要估计的截距和的系数；是均值为零，标准差为的正态分布随机项。有序概率模型可用于表示具有五级响应的指标的序数特征，即 PL1、PL2、RA1 和 RA2。有序概率模型的规范显示在公式（3）和（4）中。

其中，是出行者n对第个态度陈述的潜在连续变量；和分别是要估计的截距和的系数；是均值为零，标准差为的正态分布随机项；代表受访者n对第个态度陈述的响应； 表示第个态度指标的第r个序数刻度； 表示与相关的阈值。通常，第一个阈值 被设置为0，阈值之间的差异由公式（5）给出：

4.3 选择模型

出行者n选择NL模型中替代方案i的概率显示在公式（6）-（9）中。

其中，代表出行者n在m组中选择替代方案i的概率，代表出行者n在m组中的概率，代表独立变量向量，I 是选择集，代表效用参数向量， 代表m组中的选择集， 是表示m组差异性参数的向量，m的值必须在0和1之间，对应于标准NL模型。表示出行者n对m组的logsum函数， 是随机效用函数，是效用函数的误差组成部分。效用函数由四个组成部分构成：情境特征、潜变量、常数和模型参数。情境特征包括路线、车辆属性和充电站特征。路线特征包括出行时间和成本，以捕捉每条路线的速度和效率。考虑到不同出行目的的人对时间感知的差异，开发了时间和出行目的的交叉项。此外，模型中还包括了一个称为角成本（AC）的变量（Raveau等人，2011），以考虑驾驶员对从起点O到终点D最直接的路线的偏好。车辆属性被用来研究车辆特征如何影响驾驶员的决策过程。在这项研究中，考虑了两个车辆属性：起点O处的初始SOC和终点D处的SOC。充电站特征被用来研究充电站的服务水平（LOS）和充电路线上充电站位置的影响。在这项研究中，LOS属性专门指充电时间，包括等待时间和充电服务时间。关于充电站的位置，模型中整合了从起点到第一个充电站的距离（以下简称DOC）、从最后一个充电站到终点的距离（以下简称DCD）以及带充电路线的平均充电站间距（简称ADC）。同时，模型中还考虑了一个特殊变量，即由起点O、充电站和终点D形成的角（以下简称AOC）。

5.估计结果

本研究使用专门为估计离散模型开发的开源软件Python Biogeme工具包进行HCM的标定。表6显示了结构和测量模型的估计系数。大多数观察到的变量的t值都高于1.96，表明量化估计在95%的置信水平上具有统计显著性。测量模型中每个指标的估计系数都具有正确的符号。为确保识别，每个潜变量中的一个参数被指定为1，即PL1、RA1和CB2的系数被设为1。关于结构模型，五个社会人口统计变量被纳入结构方程：性别（女性）、年龄（45岁以上）、教育（学士学位或以上）、收入（每月5000至10000元和每月10000元以上）以及工作（在国有企业工作）

结果表明，在国有企业工作且受过较高教育的人群普遍具有较强的规划能力，这可能是因为国有企业的工作组织清晰、规律，受过较高教育的人群通常具有较强的自律性。女性、45岁以上的人群，以及在国有企业工作的人群往往更加保守和重视风险规避。通常，女性和年长的男性不太倾向于冒险。拥有学士学位及以上教育水平以及高收入的人群对电池的信心较强，受过高等教育的人群更容易接受新技术。

表7列出了选择模型的估计结果。模型的所有参数都具有预期的符号，并且在95%的置信水平下大多数都是统计显著的。调整后的Rho-square值为0.277，满足模型要求。规模参数介于0和1之间，表明NL模型具有合理的嵌套结构。

对于模型的上层，包括常数、初始SOC和态度变量，用于分析充电次数的决策过程。无充电的常数具有负意义，表明人们在长途或城际出行中倾向于充电以减轻行程焦虑。初始SOC的估计符号为正，表明较低的初始SOC增加了充电的可能性，这证实了普遍的逻辑。在态度方面，电池信心的值是正的，表明支持新技术的人不太倾向于充电，因为他们相信无需充电就能到达目的地。风险规避的显著正参数表明，谨慎的人倾向于在出行中充电以减轻行程焦虑。这意味着他们宁愿投入时间也不愿意冒险让车辆在旅途中的SOC降至零。结果显示，具有高度规划能力的人更有可能选择单次充电。一个可能的原因是，具有规划能力的人关注时间和效益最大化；即他们选择尽可能少的充电次数，同时到达目的地。

充电和无充电路线的效用函数中的共同变量具有合理的意义。其中，出行时间和成本具有负意义，表明驾驶员偏好出行时间短、成本低的路线。相比之下，目的地的SOC具有正系数，表明驾驶员偏好在目的地有更高SOC的路线。这些发现与实践观察一致，即驾驶员通常偏好出行时间短、成本低、且能够以充足SOC到达目的地的路线。

所有充电路线的效用函数中的变量都具有显著的符号。充电时间和充电成本的估计值均为负，如预期，表明电动车驾驶员在考虑充电时偏好更短的充电时间和更低的充电成本，这也在之前的研究中得到证实。额外休息时间具有负意义，表明需要充电的驾驶员偏好不涉及充电的较少休息次数。这些驾驶员可以在充电期间休息，这不仅满足了充电和休息的需求，还节省了时间。因此，在规划充电基础设施时，应考虑如洗手间、餐饮设施、购物中心和Wi-Fi等设施，以满足驾驶员在休息期间的需求并增加他们的满意度。其他四个变量与充电站位置的属性有关。DOC的正系数表明，驾驶员不倾向于在出发后立即充电，因为他们认为初始SOC是充足的。ADC的估计系数为负，表明人们在出行期间更倾向于选择多次充电周期，以满足充电需求并减少行程焦虑。DCD的系数表明，驾驶员偏好从最后一个充电站到目的地的短距离，以确保他们能够成功到达目的地。AOC的负系数表明，驾驶员偏好与O到D方向一致的充电站。

在无充电路线的效用函数中，只有AC的系数显著。这表明，在决定充电后，出行者在选择路线时更关注充电站的属性而非路线属性。这合理地表明驾驶员在路线选择中优先考虑效率。因此，建议在高速公路、高交通量区域附近设置充电站。应在高速公路入口处向驾驶员充分展示充电信息，以便他们能够提前决定路线。同时，充电信息也可以帮助驾驶员选择车流量较少的路线或充电站。这样，驾驶员在最小化绕路和优化出行体验的同时，可以方便地使用充电设施。

出行时间的价值（VOT）是指单位出行时间的货币表示，可用于衡量模型的外部有效性。出行时间、充电时间和额外休息时间的VOT可以通过公式（10）计算，表8总结了计算结果

考虑到国内缺乏对高速公路电动汽车驾驶员时间价值的研究和共识，采用个人收入进行比较(Zong et al.,2009)。根据山东省统计局公布的数据，2022年山东省人均可支配收入为3.76万元。山东省居民的平均时间估计值为17.8元/ h，以此作为参考。该估计假设人们每天工作8小时，每月22天，或每年2112小时，出行时间的VOT接近山东居民的平均小时收入。此外，山东省高速公路上的燃油车驾驶员的VOT为24.2元/小时，与电动车驾驶员的估计VOT相似。尽管VOT不完全相同，但这种差异可以归因于这两组人的不同特征和偏好。此外，结果显示商务出行的VOT高于旅游出行。商务出行者更注重时间效率；即他们宁愿多花钱也不愿意冒险在一定时间内无法到达目的地。总之，估计的模型有效地捕捉了样本中观察到的实际生活情况，显示出模型与实际数据之间有很强的对应关系。值得注意的是，出行时间的价值比充电时间和额外休息时间短。这是因为充电和休息花费的时间增加了总出行时间，因此增加了出行时间的成本。充电时间的VOT低于额外休息时间，因为充电是驾驶电动车时不可避免的事件。尽管驾驶员不太倾向于休息（表7），但休息对驾驶员的健康是必要的。因此，在出行期间，同时充电和休息是减少时间损失的最佳方式。

6.数值分析

6.1. 灵敏度分析

为了直观地说明态度、出行目的和车辆属性（初始SOC）对充电次数选择概率的影响，本研究还进行了灵敏度分析，结果如图4所示。就态度而言，提高规划能力导致选择单次充电的概率增加了6%，而不充电的概率减少了3%。规划能力对单次充电的影响明显大于其他两种选择。电池信心和风险规避对充电次数的影响大于规划能力。随着对电池信心的提高，不充电的概率从16%增加到99%，而充电的概率则降低。随着人们变得更加保守，充电的概率从45%增加到97%，两次充电的概率从0增加到13%，表明规避风险的人更倾向于充电。初始SOC影响不充电的决定。具体来说，初始SOC的增加导致不充电的概率从34%增加到36%。当出行者的出行目的从商务变为旅游时，充电的概率增加。这是因为旅游目的的出行者比商务出行者有更多的时间。因此，在规划充电基础设施时，应考虑当地文化、交通和旅游信息服务，以及纪念品商店、儿童游乐场和图书馆等设施，以满足出行者的休闲需求，并促进交通和旅游的融合与发展。

6.2. 弹性分析

聚合弹性用于量化在独立变量的给定百分比变化下选择替代方案概率的变化程度。这个概念包括直接弹性和交叉弹性，分别使用公式（11）和（12）计算。

当弹性值大于1时，结果达到弹性水平，这意味着概率变化的程度大于独立变量变化的程度。这意味着独立变量的变化可以影响市场份额，这可以为政策制定者提供如何提高基础设施服务水平的指导。就充电站位置属性而言，即DOC、DCD和ADC，直接和交叉弹性可以分别用公式（13）和（14）来表示。

考虑到规划能力、风险规避和对电池的信心只对充电次数的选择有影响，充电次数概率Pn ( m )关于态度变量α n的间接和交叉弹性为：

图5展示了通过样本枚举技术聚合个体选择得到的充电站特征和态度变量的弹性。横轴和纵轴分别代表变量和弹性值。在图5的(d-f)中，横轴上的值代表态度变化的范围，表明人们态度的强度。值越高，态度越强。棕色虚线表示样本态度的平均值，并显示受访者当前的态度，可以根据结构模型计算得出。

根据图5，ADC和DCD对选择充电次数的影响最大。随着充电站之间的平均距离增加，选择两次充电的概率显著降低。偏好在出行期间多次充电的驾驶员更喜欢在出行中有更多的充电机会。因此，最好分散小型充电基础设施，而不是仅依赖大型充电基础设施来提高电动车驾驶员的可及性。

如图5(c)所示，DCD每增加1%，单次充电的市场份额可能会增加2.310%，相应的，两次充电的需求可能会减少0.803%。这一观察结果突显了驾驶员对DCD的关注。因此，充电站应位于交通量高的城区或服务区。此外，单次充电的可能性受到DCD的显著影响。倾向于单次充电的人关注时间效率，他们希望在减少充电或休息时间的同时完成出行目的。因此，他们需要选择最合适的充电站位置，特别是当从最后一个充电站（驾驶员满足充电需求的最后机会）到目的地的距离增加时。

至于规划能力，规划能力的价值每增加1%，充电市场份额可能会增加0.4870%，低于1%，表明结果尚未达到弹性水平。当规划能力的价值增加到3.4583时，结果变为弹性。根据结构模型的结果，如果人口老龄化的趋势发展和教育水平提高，这种潜力是存在的。因此，规划能力对选择充电次数的影响不应被忽视。此外，规划能力对选择单次充电的影响更大，表明驾驶员在出行期间更倾向于选择最合适的充电站位置。

就电池信心而言，结果达到了弹性水平，这意味着提高人们对电池的信心可能对不充电有重要影响。应该大力推广电池技术，提高公众对电动车电池的信心。由于改善充电基础设施对于提高电池信心至关重要，因此应在高速公路沿线放置更多的快速充电器，使电动车驾驶员能够进行长途出行。另外，结果表明，选择多次充电会话的可能性受到心理因素（例如风险规避）的影响，而不仅仅是电池信心。因此，在规划充电基础设施和提供出行规划建议时，应认真考虑风险态度。

关于风险规避，当用户变得更加规避风险时，模型的弹性增加。风险规避值的微小变化可能导致与不充电相比充电弹性的显著变化，这意味着风险规避对驾驶员选择行为有决定性影响。显然，选择两次充电的弹性大于选择单次充电，这与那些更规避风险的人通过多次充电以确保能够实现出行目的的事实一致。值得注意的是，充电站的地理覆盖不足增加了人们对长途出行的行程焦虑，这可能阻碍他们采用电动车（Rich等人，2022）。因此，在部署充电站时，规划者应根据充电需求建立合适的充电网络，以缓解行程焦虑并促进长途电动车出行。与此同时，应用程序开发者应考虑这些态度以满足个性化的出行需求。

7.结论

本研究利用声明偏好调查（SP）数据，调查了电动车驾驶员在长途出行中的充电和路线选择行为特征。通过考虑场景属性和态度变量，创建了混合选择模型（HCM）。结果表明，路线特征、车辆属性、充电站特征和态度因素显著影响电动车驾驶员的充电和路线选择行为。

研究发现，初始SOC较低对充电有正面影响。驾驶员倾向于选择最直接的路线和充电时间及成本最低的路线。同时，他们更喜欢沿途密集分布、靠近目的地且与出行方向一致的充电站。值得注意的是，驾驶员更倾向于较少的额外休息时间，表明同时充电和休息是在出行期间满足充电和休息需求并减少时间损失的最佳方式。这些结果可以为政策决策提供有用信息，例如：i）应将便利设施和充电基础设施一起放置，以满足驾驶员的充电和休息需求。ii）有必要在交通需求高的高速公路服务区放置充电站。iii）应在高速公路入口向驾驶员充分展示足够的充电信息，以便他们可以选择车流量较少的充电站。

态度因素的结果表明，具有强大规划能力的人更倾向于选择单次充电，因为他们可能更注重时间和效益最大化。那些规避风险且对电池缺乏信心的人更倾向于充电。此外，弹性分析表明，驾驶员非常重视充电站之间的平均距离和从最后一个充电站到目的地的距离。具有高度规划能力的人更倾向于在出行中选择最合适的充电站位置。此外，风险规避和电池信心显著影响充电次数的选择。为了减少行程焦虑、提高驾驶员对电池的信心并鼓励他们使用电动车进行长途出行，规划者应根据充电需求建立密集的充电网络，并放置更多的快速充电器。这些见解可以用于出行规划应用程序，以提供个性化服务。

本研究的一个固有限制是声明偏好数据的假设偏差，因为在假设情景中表达的偏好可能与受访者在实际情况下的实际行为不一致。此外，由于自我选择偏差，所招募的样本并不代表所有电动车所有者。未来的研究可以通过收集实际偏好数据（例如使用仪器化车辆）并针对通常进行长途出行的快速增长的电动车所有者社区中的更具代表性的样本来解决这些限制。本研究的调查重点关注200公里的出行距离。为了使研究更具代表性，未来的研究也可以调查更长出行距离的场景。此外，调查仅针对熟悉电动车和高速公路驾驶的人群进行了调查。驾驶经验的作用对电动车驾驶员的出行行为也至关重要，但本研究并未考虑。

未来的研究可以收集有关驾驶经验的数据，并调查驾驶经验对选择充电次数的影响差异。将来，也可以使用其他工具来测量个人态度。此外，研究停留和充电行为之间的关系可能是一个研究方向。最后，本研究重点关注出行前的决策制定，但未来的工作可以关注在离散充电站之间的决策制定，以准确反映驾驶员在现实世界中遇到充电站的情况。