Analysis of incentive policies for electric vehicle adoptions after the abolishment of purchase subsidy policy
论文题目：Analysis of incentive policies for electric vehicle adoptions after the abolishment of purchase subsidy policy
论文作者：卢天伟，姚恩建，金方磊，杨扬
论文期刊：Energy
网址：https://www.sciencedirect.com/science/article/pii/S0360544221023847
关键词：电动汽车，购买偏好，价格灵敏度，购买补贴，取代的激励政策，潜在用户
1 摘要
电动汽车的购买政策极大地激励了追求性价比的消费者爱好，提高了电动汽车在中国的占有比例。然而，购买补贴也增加了政府的财政负担；因此，补贴政策被视为短期政策，将会被逐步淘汰。考虑到不同消费者类别对价格的敏感度，本文旨在研究补贴政策取消后若干替代性激励政策对电动车的推广的影响。该研究建立潜在类别的二项logit（LCBL）模型，探索不同价格敏感种类下消费者对电动汽车的购买偏好。本文提出了四种替代性激励政策，包括里程补贴，拥挤费用贴现和允许在公交车道行驶，去应对购买补贴政策的废除。结果表明，购买补贴政策对价格敏感消费者的激励效应是价格不敏感消费者的1.6倍。为避免因取消购置费补贴而导致电动汽车采用率下降，里程补贴、停车费折扣、拥堵费贴补应分别设为0.93元/公里、4.43元/小时、16.09元/次。
2 研究背景
全球气候变化导致许多国家的低碳发展。交通运输业的碳排放量占总排放量的20%以上，是全球第二大碳排放行业。道路交通碳排放量占整个运输业碳排放量的74%。随着机动车数量的增加，在2030年之前，交通运输行业的碳排放将以每年1.7%的速度增长。交通运输业造成的能源短缺和环境污染问题日益突出。
电动汽车因其在运行过程中污染低、效率高，已成为未来汽车工业发展的重要手段。此外，推广电动汽车是各国应对能源安全、气候变化、环境保护和汽车产业转型的重要突破。因此，为了解决机动车数量增长带来的能源短缺和环境污染问题，大多数汽车生产国都制定了国家电动汽车推广战略。
然而，尽管电动汽车发展具有上述优势，但各国的电动汽车普及率仍然较低，缓解能源短缺和环境污染的预期效果并不能完全达到。电动汽车使用率低的一些原因是(1)价格较高，(2)续航里程有限，(3)充电频率较高，(4)充电时间较长。为了促进电动汽车的普及，各国政府已经提出了多项鼓励购买电动汽车的政策。购买补贴政策是显著促进消费者购买偏好的有效政策。
遗憾地是，有效的补贴政策也是一个沉重的财政负担，未来将逐步取消。包括美国、日本和中国在内的一些国家已经开始减少电动汽车补贴。已经有关于补贴逐步取消对电动汽车采用的影响及相关对策的研究，然而，据我们所知，很少有研究考虑消费者价格敏感性对电动汽车采用的影响。
因此，当电动汽车补贴政策逐步取消时，考虑不同价格敏感消费者类别提出对策至关重要。综上所述，本文有两个目的：
1）探讨购买补贴政策对不同价格敏感类别消费者电动汽车采用偏好的影响。
2）制定替代性激励政策，在补贴政策取消后，继续刺激电动汽车的采用偏好。
为了实现上述目标，在中国北京设计并开展了一项声明偏好(SP)调查，探讨在不同假设政策情景下消费者对电动汽车的购买偏好。在调查数据的基础上，构建潜在类别二项logit (LCBL)模型，量化不同政策对不同价格敏感类别消费者的电动汽车购买偏好的影响。此外，针对取消补贴政策，我们提出了里程补贴、停车费折扣、拥堵费贴补和公交车道通行许可四种替代性激励政策。研究结果为制定替代性激励政策提供了理论支持，在购买补贴政策取消后继续激励电动汽车的购买。
表1 以往对电动汽车购买意愿的研究
3 偏好调查
为获取消费者对电动汽车的采用偏好数据，本文通过基于网络的声明偏好(SP)调查，研究了不同条件下消费者对电动汽车的采用偏好。这项SP调查包括几个实验性设计的政策方案、态度问题和价格敏感性问题。我们收集了2019年3月至4月期间中国北京680名潜在电动汽车购买者的数据。这些数据是通过中国在线社交应用微信和一家专业数据收集机构收集的。受访者均为有驾照的北京居民，未来有潜在的购车需求。调查范围覆盖北京市各区。
3.1 调查设计
本次调查问卷的内容主要由电动汽车购买偏好、个人信息和价格敏感度三个部分组成。“电动汽车购买偏好”部分调查了受访者在几种不同假设场景下的汽车购买选择，其中包括电动汽车和常规汽车。“个人信息”部分收集个人属性，如性别、年龄、教育水平和收入。“出行信息”部分包括紧急购车需求、购车预算和每日出行距离。
为了研究消费者价格敏感性与电动汽车补贴政策之间的关系，我们在问卷中设置了“价格敏感性”部分。在本节中，我们设置了三个李克特量表的问题来探讨被调查者的价格敏感性。三个价格敏感性问题如下:
1）在进行购买选择时，您认为商品的性价比(等级1-10)达到什么水平?
2）当您做出购买选择时，您认为产品折扣在多大程度上(等级1-10)影响您购买产品的选择?
3）你在多大程度上(等级1-10)同意“降低产品价格可以弥补其性能缺陷”的观点?
为了探索不同因素对电动汽车购买选择行为的影响，我们在“电动汽车购买偏好”部分设置了9个假设场景。图一展示了所有的场景。
图1 问卷中的假想场景设计
场景0代表北京市的实际情况，用于探究当前情况下被调查者的电动汽车购买选择偏好。场景1和场景2属于汽车技术变化场景，用于探索在充电便利性和续航里程变化下受访者的电动汽车购买选择。场景3和场景4假设中国北京的电动汽车车牌限行和驾驶限行与普通汽车相同，以量化限行政策对电动汽车购买偏好的影响。场景5考察在购买补贴变化下受访者的电动汽车购买选择。场景6、7、8、9是指购买补贴政策取消后，替代性激励政策对被调查者购买偏好的刺激作用。这四种场景分别改变了里程补贴、停车费折扣、拥堵费折扣和公交车道通行许可。
我们根据以下规则选择了上述四种替代性激励政策。
(1)在激励电动汽车购买率的同时，也要激励电动汽车的日常使用;
(2)替代激励政策的补贴金额不应高于原购买补贴。
对于本文的四种替代性激励政策，里程补贴政策是一种基于电动汽车行驶里程的激励政策补贴。它对补贴里程和补贴期限有限制。而且，它可以激励电动汽车的日常使用，并且发挥电动汽车的环境效益。停车费补贴是指对车辆在公共停车场停放的补贴。补贴金额与停车时间有关，有期限和每日补贴上限。拥堵费折扣是指在一天的高峰时段对电动汽车的充电费用进行折扣的政策，也可以刺激电动汽车的使用频率。公交车道行驶许可是指车辆是否允许在公交车道上行驶。为了推广电动汽车，一些城市已经开始在推广期间允许电动汽车使用公交车道(如中国柳州)，作为一项激励政策。
为了保证SP调查的有效性，我们设计了一些规则来提高问卷结果的质量。
1）要求被调查者了解北京市电动汽车和普通汽车的现状，如表二所示：
表2 北京电动车和普通汽车现状
2)为了避免调查问题之间的干扰和同一份问卷中过多的问题造成不准确的答案，我们将相同的连续问题分配给三个不同的问卷版本(如图1所示)。
3)调查结束后，我们对数据进行了清理，采用了一些规则，包括回答不一致、回答矛盾、回答时间不足、IP地址无效。我们最终共收集问卷700份，其中有效问卷680份，筛选出无效问卷20份。
3.2 统计分析
图2为各场景下选择数据的统计结果。场景0电动汽车的选择比例为47.31%，远远高于其他城市的平均水平。这一结果高于电动汽车的平均市场份额，这是由于北京的政策支持，特别是对牌照的限制和对普通汽车的驾驶限制。很多急需使用汽车的消费者不得不选择电动汽车，这增加了电动汽车的采用比例。与场景0相比，场景1-8的电动汽车选择比例发生了显著变化。场景1和场景2的选择比例远高于场景0，说明增加充电便利性和巡航里程可以大力推广电动汽车的使用。在场景3和场景4中，选择比例明显高于场景1，说明限行政策显著刺激了电动汽车的使用。场景5显示，随着购买补贴的变化，电动汽车的选择比例也发生了显著变化。这一结果表明，补贴政策对电动汽车的采用具有明显的激励作用。场景6、7、8、9探讨了在实施里程补贴、停车费折扣、拥堵费折扣和公交车道通行许可(图2中的MS、PFD、CFD和BLDP)四种替代性激励政策下，电动汽车选择比例的变化。结果表明，在取消购车补贴后，四项政策的实施仍能继续刺激电动汽车的采用，且不同的替代激励政策产生的刺激效果不同。四种替代性激励政策的具体形成方法将在后面详细讨论。
图2 电动汽车购买选择结果统计
图3为被调查者个人属性、出行信息、价格敏感度的统计结果。这表明所收集的数据涵盖了本研究所需的所有类型的被调查者，样本量足以为后续的模型参数估计提供数据支持。
图3 电动汽车信息统计
为了探究不同价格敏感型消费者的电动车购买偏好，我们首先根据式(1)和式(2)将本节消费者分为两类，其中式(1)中的5.5为1-10的平均值。然后计算不同政策场景下不同类型电动汽车的选择比例，如图4所示。
图4 不同价格敏感度消费者的电动汽车选择比例趋势
其中，PSI为价格敏感指数，PSIi为第i个价格敏感指数。
从图4可以看出，与价格敏感型消费者相比，当购买补贴、里程补贴、停车费折扣或拥堵费折扣增加时，价格敏感型消费者更倾向于更换车辆购买选择。公交车道通行许可政策对价格不敏感消费者的激励作用大于价格敏感消费者。这些结果表明，每种替代激励政策对不同类型的消费者有不同的效果。因此，需要建立LCBL模型来量化和分析替代激励政策对不同类型消费者的影响，进而提出更适合的替代激励政策。
4 电动汽车购买选择模型
在本节中，我们建立了一个LCBL模型来探讨不同价格敏感消费者的电动汽车选择偏好。通过分析四种替代性激励政策的激励效果，提出了取消电动汽车购买补贴的具体对策。
4.1 电动汽车购买选择模型
消费者的电动汽车购买选择是一个二元选择问题，即在各种因素的影响下是否购买电动汽车的决策行为。二元logit (BL)模型作为估计外生因素对个体二元选择偏好影响的建模方法，在选择行为研究中得到了广泛的应用。BL模型基于随机效用理论，根据该理论，个体根据观察到的和未观察到的因素在两个选项之间做出选择。
然而，BL模型中的效用函数参数在个体间假设是固定的，这忽略了样本中个体间可能存在的异质性。值得注意的是，具有不同价格敏感属性的个体具有不同的电动汽车购买偏好，特别是在补贴政策变化的背景下。这种现象被称为样本中未观察到的异质性。
LCBL模型假设总体上有有限数量的类，并且允许观测值属于那些具有不同概率的类，这可以捕捉到数据未观察到的异质性，本节构建LCBL模型，探讨不同价格敏感消费者的电动汽车购买选择行为，分析不同政策因素对购买偏好的影响。消费者所属的类可以以概率的方式表示。消费者所属类别的概率由个人属性和价格敏感性来区分。
在类q中，消费者n选择购买电动汽车的概率pEVqn为:
其中VEVqn表示q类消费者n购买电动汽车的效用;VCVqn表示q类消费者n购买CV的效用。
在类别的层面，可以构造LC模型来确定消费者属于特定类的概率，消费者n属于类q的概率可以表示为:
其中表示类q的隶属度，可以通过解释变量计算，如个人属性和价格敏感性。
旅行者n选择购买电动汽车的概率由式(5)计算
EV (VEVqn)和CV (VCVqn)的效用函数如式(6)和(7)所示。
其中aiq (i=EV, CV)和biqj (i=EV, CV;J=1,2,3，…)为最大似然法估计的参数。Xiqj (i=EV, CV;J=1,2,3，…)是影响采用意图的解释变量。表3展示了包括在本文的模型中解释变量。该表包含年龄、学历、收入、紧急购车需求、购车预算、每日出行距离等0-1变量。为了保证这些0-1变量的合理设置，我们做了以下工作:
(1)在本研究的前期，我们从实际意义出发，考虑如何设置每个变量会对电动汽车采用偏好产生显著影响，并为每个0-1变量设置划分值。
(2)在问卷中，我们对这些0-1变量的问题设置了多个选项(如‘age’的问题包括<25、25-40、40-60和>60四个选项)，以确保所选划分值的有效性可以通过检验和比较得到验证。
(3)在建模和参数估计中，我们对每个变量不同划分值的参数估计结果进行了检验和比较，验证了变量设置的合理性。
4.2 模型结果的比较分析
为保证本文构建的LCBL模型(表4中的模型6)的有效性，我们额外构建了5个BL模型作为比较模型(表4中的模型1-5)。表4给出了上述6个模型的估计结果。我们使用t检验、和调整过的来比较模型的拟合优度。
模型1为BL模型，自变量仅为情景变量。除停车费折扣和拥堵费折扣外，其他变量的t绝对值均大于1.96。
表3 解释变量表
表4 电动汽车购买选择模型的估计结果
为了提高模型的拟合优度，模型2在模型1的基础上增加了个人属性变量。与模型1的结果相比，模型2的各项评价指标都得到了改进。而年龄和学历在个人属性中的t绝对值均小于1.96。
为了探究消费者在价格和收入方面的异质性，模型3和模型4将消费者按年收入分为两类。根据实际情况中不同收入的消费者对价格的敏感度不同，在比较不同分割值模型的参数估计结果后，我们设定年收入20万元作为分割值。模型3的估计结果基于低收入(20万人民币)的消费者数据，模型4基于高收入(>20万人民币)消费者。与模型1和模型2相比，模型3和模型4的拟合优度更好。这一结果表明，消费者在选择电动汽车时可能存在价格和收入的异质性。
模型5在模型2的基础上增加了三个价格敏感性指标，三个变量的t绝对值均小于1.96。与模型2相比，模型的评价指标没有改善，说明3个价格敏感性指标与电动汽车采用偏好的相关性不显著。
为了探究价格敏感性对电动汽车采用偏好的影响，我们构建了基于个体属性和价格敏感性指标的LCBL模型(模型6)对消费者进行分类。结合电动汽车采用偏好的实际情况，将模型估计结果与分类号2、3、4、5进行测试和比较，最终确定分类号为2。该模型由一个类分配模型和两个BL模型(对应两个不同的类别)组成。选择模型中所有变量的t绝对值均大于1.96，说明参数估计结果显著。在类别配置模型中，年龄和急需购车需求的t绝对值均小于1.96，说明这两个变量在类别配置模型上不显著。年龄、收入、购车预算、每日出行距离和3个价格敏感指标均对车型配置模型有显著影响。与其他模型相比，该模型的拟合优度有所提高。第一类的购车补贴里程补贴、停车费优惠、拥堵费贴补参数分别为0.615、2.153、0.443、0.123，第二类的购车补贴、停车费优惠参数分别为0.383、1.31 1、0.308、0.082，说明补贴对第一类的影响更为显著;所以第一类是价格敏感类，第二类是价格不敏感类。
4.3 模型参数估计结果分析
基于LCBL的估计结果(表4中的模型6)，我们分析了各变量对电动汽车采用偏好的影响以及不同价格敏感消费者之间的差异。
1）车辆技术(充电方便、续航里程)
两类车型的充电便利度参数值分别为1.01和1.53，续航里程参数值分别为0.81和1.14。结果表明，充电便利性和续航里程对电动汽车采用偏好均有显著的激励作用，且对价格不敏感消费者的激励作用大于对价格敏感消费者的激励作用。
2）限行政策(限牌、限行)
两类车牌限行和驾驶限行的参数值分别为2.14、2.03、1.33和2.31。车牌限制的绝对值在价格敏感型变量中最高。这说明，限行政策对北京的电动车购买具有很强的激励作用。与价格敏感型消费者相比，价格敏感型消费者的电动车购买偏好更容易受到限行政策的影响。
3）购买补贴政策(购买补贴):
两类采购补贴的参数值分别为0.615和0.383。由式(3)-(7)可知，当购买补贴从32500减少到0时，电动汽车选择概率从47.52%下降到12.43%，说明购买补贴政策对电动汽车购买选择具有明显的激励作用。价格敏感型消费者更容易受到购买补贴政策的影响而选择购买电动汽车，大约是价格敏感型消费者的1.6倍。
4）替代激励政策(里程补贴、停车费优惠、拥堵费贴补、公交车道通行许可):
这四个变量的参数值均为正，说明替代激励政策能够有效地激励消费者购买电动汽车。其中，里程补贴、停车费折扣、拥堵费贴补值在价格敏感型消费者中较高，而在价格不敏感型消费者中公交车道行驶许可值较高。结果表明，里程补贴、停车费折扣和拥堵费贴补对价格敏感型消费者的刺激作用更大，而公交车道通行许可对价格不敏感型消费者的刺激作用更大。这四种替代性激励政策对电动汽车采用的激励效果将在后面进一步量化。
购买补贴政策的取消导致电动汽车选择率的降低。为保证电动汽车的持续推广，我们分析了如何制定四种替代性激励政策，如图5所示。
图5 购买补贴政策和替代激励政策对购买电动汽车的影响
根据模型6的参数估计结果，我们可以用式(3)-(7)来计算不同条件下的购买概率。当购买补贴政策取消时，替代激励政策与电动汽车采用概率的关系如图6所示。
图6(a)显示了当购买补贴和里程补贴一起变化时电动汽车选择概率的变化。虚线表示购买补贴与里程补贴之间的替代关系，以保持原始电动车选择概率(pEV=47.52%)。当购车补贴完全取消时，里程补贴需设为0.933元/公里，才能达到原电动汽车选择概率水平。
图6(b)和(c)分别显示了停车费折扣和拥堵费贴补对取消电动汽车购买补贴的替代效应。结果表明，在完全取消电动汽车购买补贴后，需要将停车费折扣设置为4.43元/小时，或将交通拥堵费贴补费设置为16.09元/次，才能达到电动汽车选择概率的原始水平。
图6 购买补贴与替代性激励政策之间的替代关系
图6(d)为购车补贴政策取消后实施公交车道通行许可政策的效果。实施公交车道通行许可政策后，电动汽车选择概率由12.43%提高到58.95%，高于原水平的47.52%。
以上分析表明，当购买补贴政策取消时，本文提出的四种替代性激励政策均能继续刺激电动汽车选择概率。不同激励政策与购买补贴之间的替代关系也不同。其中，除公交车道通行许可外，其他三项均为补贴形式的政策。为了比较这三种政策的适用性，我们计算了三种政策的最终补贴总额。他们的最终补贴总额与车辆使用频率有关。公式8-10分别为里程补贴、停车费折扣、拥堵费折扣总额的计算方法:
式中，S1为里程补贴政策补贴总金额(元);Y为补贴年份;Ymax是总补贴年限;MS为里程补贴(CNY/km);M为行驶里程(km/year);r是年利率。根据模型参数估计结果，结合北京实际情况，各变量值分别为:ymax=6,MS=0:93 CNY/km, M=5;000公里/年，r=1.75%。
式中，S2为停车费优惠政策补贴总金额(元)，PFD为停车费优惠金额(元/小时)，H为公共停车场每日平均停车时间(小时/天)，D为全年停车天数(天/年)。本文中各变量的值分别为PFD=4.43 元/小时, H=2.5 小时/天, D=365 天/年。
式中S3为拥堵费优惠政策补贴总金额，CFD为拥堵费优惠金额(元/次)，T为每年拥堵出行次数(次/年)。本文中各变量的值分别为CFD=16.09 元/次和T=330 次/年。
三种政策补贴总额与车辆使用频率的关系，其中S0=32.5为当前购车补贴政策总额（32500元）；S1=26.2,S2=22.7,S3=29.9是根据北京市平均车辆使用频率(行驶里程15000公里/年，公共停车时间2.5 h/天，拥堵出行次数330次/年)计算的三种政策补贴金额。这说明，要达到购车补贴的替代效果，行驶里程补贴需要总补贴金额26200元，停车补贴需要22700元，交通拥堵费折扣需要29900元。
这一结果表明，在北京市当前车辆使用频率下，三种政策的补贴总额均小于购车补贴S0=32.5 (32,500元)，说明三种政策具有较好的替代效果。这些分析结果为未来取消电动汽车购买补贴后制定替代性激励政策提供了定量参考。
5 结论及政策影响
本研究通过SP调查收集了电动汽车购买选择行为数据，并建立了带有电动汽车采用偏好的LCBL模型。在此基础上，探讨了针对购买补贴减少的四种替代性激励政策对电动汽车采用偏好的影响。
在北京进行了一项基于网络的SP调查，收集了几种政策场景下的电动汽车购买选择偏好数据。统计分析结果表明，车辆技术、限制政策、补贴政策和替代激励政策均对电动汽车选择购买比例有显著影响。另外，不同价格敏感的消费者对补贴的感知也不同，补贴政策对价格敏感消费者的激励作用更为显著。
根据调查数据，建立LCBL模型，分析影响电动汽车购买选择偏好的各种因素。通过比较其他五种BL模型的结果，LCBL模型可以考虑消费者不同的价格敏感性，提高模型的优越性。结果表明，取消购置补贴政策对电动汽车的采用具有显著的负面影响。当补贴政策为0时，电动汽车选择率从47.52%下降到12.43%。不同价格敏感度的消费者受到购买补贴的影响也不同。补贴政策对价格敏感消费者的影响是价格不敏感消费者的1.6倍。
根据估计结果，分析了取消购车补贴政策后，4种替代性激励政策对电动汽车购车的激励效果。结果表明，在取消补贴政策的情况下，实施本文提出的四种替代政策对电动汽车的购买具有激励作用。为了达到原始电动汽车购买概率，里程补贴、停车费折扣或拥堵费贴补需要分别设置为0.93元/公里、4.43元/小时或16.09元/次。根据北京目前的车辆使用频率，三种政策的补贴总额都低于购买补贴。其中停车费优惠总额最低，为2.28万元。而对电动汽车实施公交车道通行许可政策，可使其购买概率提高到58.95%，高于原有的47.52%。研究结果为未来电动汽车激励政策的制定提供了理论依据。
未来的研究应该关注更多替代性激励政策对电动汽车采用的影响。本文提出的四种替代激励政策更适用于我们的数据采集城市。然而，一些地区有更适合的激励政策，如税收补贴或收费补贴。未来需要进一步分析这些政策对电动汽车采用的影响。
参考文献
Ramli A, Muis A, Ho W, Idris A, Mohtar A. Carbon Emission pinch analysis: an application to the transportation sector in Iskandar Malaysia for 2025. Clean Technol Environ Policy 2019;21:1899-911
USEPA. Global mitigation of non-CO2 greenhouse gases: 2010e2030. United States: Environmental Protection Agency; 2013.
WEC. World Energy issues monitor 2020. England: World Energy Council;2020
Choi H, Shin J, Woo J. Effect of electricity generation mix on battery electric vehicle adoption and its environmental impact. Energy Pol 2018;121:13-24.
Ryan C. The climate change mitigation potential of electric vehicles as a function of renewable energy. Int J Clim Change Impacts Responses2019;11(1):15-24.
Pan L, Yao E, MacKenzie D. Modeling EV charging choice considering risk attitudes and attribute non-attendance. Transport Res C Emerg Technol2019;102:60-72.
Wang N, Tang L, Pan H. A global comparison and assessment of incentive policy on electric vehicle promotion. Sustain Cities Soc 2019a;44:597-603.
Breetz H, Salon D. Do electric vehicles need subsidies? Ownership costs for conventional, hybrid, and electric vehicles in 14 U.S. cities. Energy Pol2018;120:238-49.
Ministry of Finance of the People’s Republic of China. Notice on adjusting and perfecting the financial subsidy policy for the promotion and application of new energy vehicles.2018.
Lu T, Yao E, Jin F, Pan L. Alternative incentive policies against purchase subsidy decrease for battery electric vehicle (BEV) adoption. Energies 2020;13:1645.
Zhang X, Bai X, Shang J. Is subsidized electric vehicles adoption sustainable:consumers' perceptions and motivation toward incentive policies, environmental benefits, and risks. J Clean Prod 2018;192:71-9.
Wang N, Tang L, Zhang W, Guo J. How to face the challenges caused by the abolition of subsidies for electric vehicles in China? Energy 2019b;166:359-72.
Helveston J, Liu Y, Feit E, Fuchs E, Klampfl E, Michalek J. Will subsidies drive electric vehicle adoption? Measuring consumer preferences in the US andChina. Transport Res Pol Pract 2015;73:96e112.
Chen C, Rubens G, Noel L, Kester J, Sovacool B. Assessing the sociodemographic, technical, economic and behavioral factors of Nordic electric vehicle adoption and the influence of vehicle-to-grid preferences. Renew Sustain Energy Rev 2020;121:109692.
Egbue O, Long S, Samaranayake V. Mass deployment of sustainable transportation: evaluation of factors that influence electric vehicle adoption. Clean Technol Environ Policy 2017;19(7):1927-39.
Mukherjee S, Ryan L. Factors influencing early battery electric vehicle adoption in Ireland. Renew Sustain Energy Rev 2020;118:109504
Karlsson S. What are the value and implications of two-car households for the electric car? Transport Res C Emerg Technol 2017;81:1-17
Jansson J, Nordlund A, Westin K. Examining drivers of sustainable consumption: the influence of norms and opinion leadership on electric vehicle adoption in Sweden. J Clean Prod 2017;154:176-87
Skippon S, Kinnear N, Lloyd L, Stannard J. How experience of use influences mass-market drivers' willingness to consider a battery electric vehicle: a randomised controlled trial. Transport Res Pol Pract 2016;92:26-42.
Kim S, Lee J, Lee C. Does driving range of electric vehicles influence electric vehicle adoption? Sustainability 2017;9:1783.
Zou T, Khaloei M, MacKenzie D. Effects of charging infrastructure characteristics on electric vehicle preferences of new and used car buyers in the United States. Transportation Research Record; 2020, 0361198120952792
Adepetu A, Keshav S. The relative importance of price and driving range on electric vehicle adoption: Los Angeles case study. Transportation 2017;44(2): 353-73
Javid R, Nejat A. A comprehensive model of regional electric vehicle adoption and penetration. Transport Pol 2017;54:30-42.
Wang S, Zhao F, Liu Z, Hao H. Impacts of a super credit policy on electric vehicle penetration and compliance with China's Corporate Average Fuel Consumption regulation. Energy 2018b;155:746-62.
Qiu Y, Zhou P, Sun H. Assessing the effectiveness of city-level electric vehicle policies in China. Energy Pol 2019;130:22-31.
Dong X, Zhang B, Wang B, Wang Z. Urban households' purchase intentions for pure electric vehicles under subsidy contexts in China: do cost factors matter? Transport Res Pol Pract 2020;135:183-97.
Jenn A, Azevedo I, Fischbeck P. How will we fund our roads? a case of decreasing revenue from electric vehicles. Transport Res Pol Pract 2015;74: 136-47.
Kong D, Xia Q, Xue Y, Zhao X. Effects of multi policies on electric vehicle diffusion under subsidy policy abolishment in China: a multi-actor perspective. Appl Energy 2020;266:114887.
Gambardella C, Pahle M. Time-varying electricity pricing and consumer heterogeneity: welfare and distributional effects with variable renewable supply. Energy Econ 2018;76:257-73.
Yang Y, Solgaard HS, Haider W. Value seeking, price sensitive, or green? Analyzing preference heterogeneity among residential energy consumers in Denmark. Energy Res Soc Sci 2015;6:15-28.
Fowri HR, Seyedabrishami S. Assessment of urban transportation pricing policies with incorporation of unobserved heterogeneity. Transport Pol 2020;99:12-9.
Wang S, Wang Jing, Li J, Wang Jinpeng, Liang L. Policy implications for promoting the adoption of electric vehicles: do consumer's knowledge, perceived risk and financial incentive policy matter? Transport Res Pol Pract 2018a;117: 58-69.
Wu J, Liao H, Wang J-W, Chen T. The role of environmental concern in the public acceptance of autonomous electric vehicles: a survey from China.Transport Res F Traffic Psychol Behav 2019;60:37-46.
Hensher D, Rose J, Rose J, Greene W. Applied choice analysis: a primer. Cambridge university press; 2005.
Zhuge C, Wei B, Shao C, Shan Y, Dong C. The role of the license plate lottery policy in the adoption of Electric Vehicles: a case study of Beijing. Energy Pol 2020;139:111328.
Afghari AP, Hezaveh AM, Haque MM, Cherry C. A home-based approach to understanding seatbelt use in single-occupant vehicles in Tennessee: application of a latent class binary logit model. Accid Anal Prev 2020;146:105743
Abolhassani L, Afghari AP, Borzadaran HM. Public preferences towards bicycle sharing system in developing countries: the case of Mashhad, Iran. Sustain Cities Soc 2019;44:763-73.
Mannering FL, Shankar V, Bhat CR. Unobserved heterogeneity and the statistical analysis of highway accident data. Anal Method Accident Res 2016;11:1-16