Electric vehicle drivers' charging behavior analysis considering heterogeneity and satisfaction
论文题目：Electric vehicle drivers' charging behavior analysis considering heterogeneity and satisfaction
论文作者：王月，姚恩建，潘龙
论文期刊：Journal of Cleaner Production
论文网址：https://www.sciencedirect.com/science/article/abs/pii/S0959652620350265
摘要：近年来，电动汽车在中国得到了快速发展，但由于设施部署不合理，电动汽车的进一步推广受到了阻碍。因此，深入了解电动汽车驾驶员的充电行为有助于更合适地部署新的充电设施。本文分析了充电行为的影响因素，并构建了基于Logit的充电选择行为模型。首先，设计了一项SP调查，以获得电动汽车驾驶员的充电选择偏好数据。其次，利用调查数据建立二元Logit模型，将车辆属性、行程特征和充电设施状态作为影响因素。特别地，引入了过往用户对充电设施的满意度和驾驶员的风险态度来分析充电选择偏好。最后，构建了潜在分类模型以进一步揭示电动车驾驶员充电决策策略的异质性。结果显示，受访者可以分为两类：（1）服务关注型，该类受访者重视充电设施的满意度和排队情况，其特点是较年轻，驾驶经验较丰富，收入较高；（2）考虑实际型，该类受访者重视多种因素，如额外里程、停车时长和充电费用。研究表明，有必要提高充电服务水平来帮助运营商吸引更多的电动汽车驾驶员。
关键词：电动汽车，充电选择行为，二元Logit模型，潜在分类模型（Electric vehicles, Charging choice behavior, Binary logit model, Latent class model）
1 研究背景
电动汽车作为一种新能源汽车，因其低污染、低噪音、高能效的特点，近年来在交通系统中的比重逐渐增加，电动汽车也被认为将在未来取代传统燃油汽车。然而，在能量获取和续航里程方面电动汽车和燃油汽车存在很大区别。相较于燃油汽车，电动汽车电池储存的能量仍然少得多，且需要较长的充电时间。事实证明，便利的充电设施可以提高电动汽车的购买意愿。但由于充电设施的不合理布局，导致其低使用率以及充电服务的不平衡。
与电动汽车充电行为相关的过往研究，大多将车辆状态、充电桩属性及驾驶员的个人经济社会属性视为影响因素。本研究分别构建了二元选择模型（Binary logit model，BL模型）和潜在分类模型（Latent class model，LC模型）以深入研究电动汽车驾驶员的充电行为。在考虑以上属性的基础上，将行程特征、过往用户对充电设施的满意度及驾驶员的风险态度考虑在内。
表1 充电行为相关研究中的影响因素和方法概述
2 调查设计及数据分析
2.1 调查设计
本研究采用SP调查来设计不同的选择情景，以更好地了解电动车驾驶员的充电选择偏好。在SP调查中，假设受访者拥有电池容量为60千瓦时且最大续航里程为300公里的电动汽车，受访者需要在不同的情景下进行选择。这些情景由车辆属性、行程特征和充电设施状态等变量组成。表2展示了这些变量的水平。
表2 SP调查中设计变量的水平
其中，车辆属性描述了停车期间电动汽车的状态，如SOC（State of Charge）和剩余续航里程。
行程特征描述了到达目的地时的预期状态，如停车时长、剩余续航里程、后续行程距离和额外里程。其中，剩余续航里程可结合当前SOC由式（1）计算；后续行程距离即下一段行程的距离，可由式（2）计算；额外里程表示下一段行程结束之后的剩余续航里程。在选择场景中，额外里程（Excess range）没有直接显示给受访者，但他们可以获知剩余续航里程和后续出行距离。
（1）
（2）
其中，la是剩余续航里程；Q是电动汽车的电池性能； 
是消耗系数； ln是后续行程距离； le是额外里程。
由于用户可以通过手机应用程序获知公共充电设施的信息，且可以在充电后对服务进行评价。故充电设施状态包含充电费用、排队时长、过往用户对充电设施的满意度等。
风险态度可用于衡量驾驶员在决策时的风险程度。一般认为，较谨慎的驾驶员倾向于预留更多的备用电量，而比较冒险的驾驶员往往很少考虑意外情况的发生。因此在相同情形下，较谨慎的驾驶员更可能选择充电。充电选择的风险态度通过主观和客观两种方式进行衡量。一方面，通过询问受访者日常的充电或出行习惯来类比电动汽车充电习惯。另一方面，受访者对自己的风险态度进行主观评价，各变量的水平见表3。最终，风险态度评价水平由式（3）计算。风险态度的评价水平越高，受访者越谨慎。
表3 SP调查中的风险态度变量水平
（3）
2.2 统计性分析
通过SP调查获得了驾驶员的充电选择偏好、风险态度和社会经济属性。共收集了300份有效问卷，共计1800个样本用于模型标定。样本数据的统计分布情况见表4。
表4 SP调查样本数据统计
描述性统计可以初步描述各变量对充电行为的影响，如图1所示。可以初步推断出选择充电的驾驶员比例随各变量的变化。由图1可知，充电比例随SOC和额外里程的增加而降低。当电量充足时，驾驶员的充电意愿明显下降。随着停车时长增加，充电比例增加，但当停车时间较长时，充电比例的增幅低于短时停车，这表明停车时长对充电意愿的影响可能是非线性的。此外，充电费用的影响并不明显、排队时长的增加会导致充电意愿的下降。最后，提升充电设施的满意度有益于充电比例的上升。
图1 充电比例随影响因素变化图
然而，充电比例变化图不能完全描述各变量的影响，且很多变量的影响难以从图中直接观察到，故需要通过行为模型进一步分析。
3 电动汽车充电行为选择模型
当目的地设有充电设施时，电动汽车驾驶员会在是否充电之间做出选择，因此本研究首先构建了BL模型来揭示各因素如何影响驾驶员的充电选择。此外，通过构建LC模型将电动汽车驾驶员分为不同类别，进一步研究社会经济属性对充电选择行为的影响，并揭示电动汽车驾驶员的异质性。表5对可能进入后续模型的变量进行了解释和描述性统计。
表5 模型中变量的描述性统计及相关信息表
3.1 BL模型
模型标定结果如表6所示。模型BL1中考虑了SOC、额外里程、充电费用、停车时长、排队时长和满意度；模型BL2中则进一步加入了风险态度和社会经济属性，以及低收入与充电费用的联合变量。
表6电动汽车驾驶员充电选择行为BL模型标定结果
分析表6，模型BL1表明：
（1）SOC对充电选择有显著影响，随着SOC增加，充电效用下降。额外里程和充电费用同样对充电选择有负面作用。相反，停车时长有明显的积极作用。
（2）充电设施满意度对驾驶员的充电选择有明显的积极影响，这说明他人的评价会影响充电行为，更高的服务水平会带来积极意义。
（3）通过计算支付意愿（Willingness to Pay，WTP）反映不同变量对充电效用的影响。当前SOC下降0.1相当于充电费用增加0.7元/千瓦时；额外里程减少10公里相当于充电费用增加0.346元/千瓦时；满意度提高1相当于充电费用减少0.45元/千瓦时。因此提高充电设施满意度是吸引电动汽车驾驶员充电的一个有效方法。
模型BL2表明：
（1）SOC对充电选择的影响最为显著。联合变量的系数表明，充电费用只对低收入人群（低于5000元/月）有显著的负面影响。风险态度对充电行为有显著的正面影响，越谨慎的驾驶员越倾向于充电。
（2）在相同的情况下，女性相较于男性更有可能选择充电；年长（年龄超过40岁）的驾驶员更倾向于不充电；驾驶经验丰富的驾驶员（驾驶超过10年），则显示出对充电的偏好。
模型BL1与BL2的对比表明，在加入了风险态度及社会经济属性后，模型的拟合度变得更优，且低收入与停车费用的联合变量也对选择结果有显著影响，这说明停车费用的影响在不同人群中可能是不同的。为了更好地捕捉人群间的异质性，选用LC模型进一步分析。
3.2 LC模型
传统的Logit模型认为每个人的决策策略相同，但不同类型的驾驶员可能有不同的充电决策策略。由模型BL2也可以获知，低收入者更重视充电费用，而高收入者则更倾向于充电。因此建立LC模型将受访者分为多个类别，来捕捉受访者之间的异质性。
LC模型使得受访者在一定的概率下属于某个类别。LC模型包含两个效用函数：分类效用和选择效用，分别表示为式（8）和式（9）。
（8）
（9）
基于驾驶者的风险态度和社会经济属性对其进行分类，将受访者分为两类时模型效果最佳，结果如表7所示。模型LC1是一个全补偿模型（Fully Compensatory，FC），两类人群的影响因素相同，但由于部分因素的影响并不显著，因此基于模型LC1建立了模型LC2（Attribute Nonattendance，ANA），即每个类别都忽略了一些属性。
表7电动汽车驾驶员充电选择行为LC模型标定结果
为评估模型LC2中两类人群的特征，可以对分类变量的数值进行比较。该模型中的分类变量是风险态度、年龄、驾驶经验、收入和性别。各类别中变量的期望值可由式（10）计算（Ge等人，2017b）。
（10）
其中，
是q类人群中变量X的期望值； πnq是驾驶员n属于q类的概率； 为驾驶员n变量X的值；N为受访者数量。各属性期望值计算结果如表8所示。
表8 各属性期望值表
大部分受访者（76.2%）属于第一类，只有23.8%属于第二类。
第一类人群更加关注充电设施的服务水平，如果充电无需排队且有较高满意度，则会倾向于充电。此外，他们也会考虑SOC以进行必要的行程安排。故第一类乘客可以被命名为“服务关注型”（Service Concerned）。
而第二类人群中，排队时长和满意度的影响被忽略。该类人群更加关注SOC、额外里程、停车时长和充电费用，而对与服务水平相关的因素则较少关注。这表明该类人群会综合考虑多种现实因素再做出决策，故将该类乘客命名为“考虑实际型”（Pragmatic Concerned）
通过对两类人群进行对比可知，比较谨慎、年轻、驾驶经验丰富、女性、高收入的驾驶员更可能属于第一类人群；追求风险、年长、驾驶经验较少、男性、低收入的驾驶员更可能属于第二类人群。
对各变量进行敏感性分析的结果如图2所示。与图1中对调查数据的统计性描述相比，敏感性分析的结果能够更加准确地反映充电概率随各变量的变化。
图2 影响因素的敏感性分析
4 研究结论
本文通过SP调查研究电动汽车驾驶员的充电行为。结果表明，车辆状态、行程特征、充电设施状态对充电行为有显著影响。此外，过往用户对充电设施的满意度及驾驶员的风险态度也对充电决策起着重要作用。研究结果表明：
（1）与只有情景变量的BL模型相比，带有风险态度属性和社会经济属性的BL模型在拟合度方面有明显提升。
（2）通过构建LC模型将电动车驾驶员分为“服务关注型”和“考虑实际型”两类人群，可以更好地研究异质性对于充电决策的影响。
（3）大多数受访者属于“服务关注型”。比较谨慎、年轻、驾驶经验丰富、女性、高收入的驾驶员更可能属于该类。该类人群对充电服务质量的要求较高且人群占比较大，这表明政府和服务提供者应该着重提高服务水平，比如鼓励用户分享充电经验、避免设施损坏、及时更新设施状态，合理统筹以减少充电排队等。
（4）“考虑实际型”的驾驶员则更关注现实情况和实际需求，通过权衡充电费用、停车时长及额外里程来决定是否需要充电，而对服务质量较少关注。
（5）在未来的研究中，本研究的结果和模型可用于计算居民在不同区域出行时的充电概率，也可以根据周边人群的构成，通过对服务水平提升和充电费用降低进行权衡，给充电设施供应商提出建议。
参考文献：
Bahamonde-Birke, F., Kunert, U., Link, H., Ortúzar, J.d.D., 2015. About attitudes and perceptions: finding the proper way to consider latent variables in discrete choice models. Transportation 44 (3), 475e493. https://doi.org/10.1007/s11116015-9663-5.
Beijing Municipal Bureau Statistics, 2018. 2018 statistics information. Retrieved from. http://tjj.beijing.gov.cn/.
Beijing Municipal Commission of City Management, 2018. The city continues to promote the construction of electric vehicle charging facilities. Retrieved from. http://csglw.beijing.gov.cn/.
Ben-Akiva, M.E., Lerman, S.R., Lerman, S.R., 1985. Discrete Choice Analysis: Theory and Application to Travel Demand. MIT press.
Bierlaire, M., 2003. BIOGEME: a free package for the estimation of discrete choice models. In: Paper Presented at the Swiss Transport Research Conference.
Bigerna, S., Micheli, S., 2018. Attitudes toward Electric Vehicles: the Case of Perugia Using a Fuzzy Set Analysis, vol. 10.
Cheng, L., Chen, X., Yang, S., Wu, J., Yang, M., 2019. Structural equation models to analyze activity participation and mode choice of low income commuters. Transportation Letters 1 1 (6), 341e349.
Daina, N., 2014. Modelling electric vehicle use and charging behaviour. In: Imperial College London.
Daina, N., Polak, J.W., 2016. Hazard based modelling of electric vehicles charging patterns. In: 2016 IEEE Transportation Electrification Conference and Expo, Asia-Pacific, ITEC Asia-Pacific 2 0 1 6.
Daina, N., Polak, J.W., Sivakumar, A., 2015. Patent and latent predictors of electric vehicle charging behavior. Transport. Res. Rec.: Journal of the Transportation Research Board 1 16e123.
Daina, N., Sivakumar, A., Polak, J., 2013. Modelling the effects of driving range uncertainty on electric vehicle users charging behaviour. In: International Choice Modelling Conference. Sidney.
Daina, N., Sivakumar, A., Polak, J.W., 2017. Electric vehicle charging choices: modelling and implications for smart charging services. Transport. Res. C Emerg. Technol. 81, 36e56. https://doi.org/10.1016/j.trc.2017.05.006.
Dorcec, L., Pevec, D., Vdovic, H., Babic, J., Podobnik, V., 2019. How do people value electric vehicle charging service? A gamified survey approach. J. Clean. Prod. 210, 887e897. https://doi.org/10.1016/j.jclepro.2018.1 1.032.
Fang, Y., Wei, W., Mei, S., Chen, L., Zhang, X., Huang, S., 2020. Promoting electric vehicle charging infrastructure considering policy incentives and user preferences: an evolutionary game model in a small-world network. J. Clean. Prod. 258, 120753. https://doi.org/10.1016/j.jclepro.2020.120753.
Gavilan, D., Avello, M., Martinez-Navarro, G., 2018. The influence of online ratings and reviews on hotel booking consideration. Tourism Manag. 66, 53e61. https://doi.org/10.1016/j.tourman.2017.10.018.
Ge, Y., Mackenzie, D., 2017a. Dynamic Discrete Choice Modeling of the Charging Choices of Plug-In Hybrid Electric Vehicle Drivers.
Ge, Y., MacKenzie, D., Keith, D.R., 2017b. Gas Anxiety and the Charging Choices of Plug-In Hybrid Electric Vehicle Drivers. Transportation Research Part D.
Hall, R., 2012. Handbook of Transportation Science. Springer Science & Business Media.
Hess, S., 2014. In: Latent Class Structures: Taste Heterogeneity and beyond, pp. 31 1e329.
International Energy Agency, 2018. Global EV Outlook 2018 towards cross-modal electrification. Retrieved from. www.iea.org/t&c/.
Jabeen, F., Olaru, D., Smith, B., Braunl, T., Speidel, S., 2013. Electric vehicle battery charging behaviour: findings from a driver survey. Proceedings of the Australasian Transport Research Forum.
Kim, S., Yang, D., Rasouli, S., Timmermans, H., 2017. Heterogeneous hazard model of PEV users charging intervals: analysis of four year charging transactions data. Transport. Res. C Emerg. Technol. 82, 248e260. https://doi.org/10.1016/ j.trc.2017.06.022.
Latinopoulos, C., 2015. Efficient Operation of Recharging Infrastructure for the Accommodation of Electric Vehicles : a Demand Driven Approach.
Latinopoulos, C., Sivakumar, A., Polak, J.W., 2017. Response of electric vehicle drivers to dynamic pricing of parking and charging services: risky choice in early reservations. Transport. Res. C Emerg. Technol. 80, 175e189. https://doi.org/ 10.1016/j.trc.2017.04.008.
Li, K., Chen, Y., Zhang, L., 2020. Exploring the influence of online reviews and motivating factors on sales: a meta-analytic study and the moderating role of product category. J. Retailing Consum. Serv. 55, 102107. https://doi.org/10.1016/ j.jretconser.2020.102107.
Moon, H., Park, S.Y., Jeong, C., Lee, J., 2018. Forecasting Electricity Demand of Electric Vehicles by Analyzing Consumers’ Charging Patterns, vol. 62. Transportation Research Part D.
Pan, L., Yao, E., Mackenzie, D., 2019. Modeling EV charging choice considering risk attitudes and attribute non-attendance. Transport. Res. C Emerg. Technol. 102, 60e72. https://doi.org/10.1016/j.trc.2019.03.007.
Smart, J., Schey, S., 2012. Battery electric vehicle driving and charging behavior observed early in the EV project. SAE International Journal of Alternative Powertrains 1 (1), 27e33.
Soto, J.J., M?arquez, L., Macea, L.F., 2018. Accounting for attitudes on parking choice: an integrated choice and latent variable approach. Transport. Res. Pol. Pract. 1 1 1, 65e77. https://doi.org/10.1016/j.tra.2018.03.003.
Sun, X., Yamamoto, T., Morikawa, T., 2014. The timing of mid-trip electric vehicle charging. TRB 93rd Annual Meeting Compendium of Papers 14, 21.
Sun, X., Yamamoto, T., Morikawa, T., 2015. Charge timing choice behavior of battery electric vehicle users. Transport. Res. Transport Environ. 37, 97e107. https:// doi.org/10.1016/j.trd.2015.04.007.
Sun, X., Yamamoto, T., Morikawa, T., 2016. Fast-charging station choice behavior among battery electric vehicle users. Transport. Res. Transport Environ. 46, 26e39. https://doi.org/10.1016/j.trd.2016.03.008.
Wen, C., Wang, W., Fu, C., 2012. Latent class nested logit model for analyzing highspeed rail access mode choice. Transport. Res. E Logist. Transport. Rev. 48 (2), 545e554. https://doi.org/10.1016/j.tre.201 1.09.002.
Wen, Y., MacKenzie, D., Keith, D.R., 2016. Modeling the charging choices of battery electric vehicle drivers by using stated preference data. Transport. Res. Rec.: Journal of the Transportation Research Board 2572, 47e55. https://doi.org/ 10.3141/2572-06.
Yang, Y., Yao, E., Yang, Z., Zhang, R., 2016. Modeling the charging and route choice behavior of BEV drivers. Transport. Res. C Emerg. Technol. 65, 190e204. https:// doi.org/10.1016/j.trc.2015.09.008.
Yu, H., MacKenzie, D., 2016. Modeling charging choices of small-battery plug-in hybrid electric vehicle drivers by using instrumented vehicle data. Transport. Res. Rec.: Journal of the Transportation Research Board 2572, 56e65. https:// doi.org/10.3141/2572-07.
Zhang, K.Z.K., Zhao, S.J., Cheung, C.M.K., Lee, M.K.O., 2014. Examining the influence of online reviews on consumers’ decision-making: a heuristicesystematic model. Decis. Support Syst. 67, 78e89. https://doi.org/10.1016/ j.dss.2014.08.005.
Zhao, Z., Zhang, L., Yang, M., Chai, J., Li, S., 2020. Pricing for private charging pile sharing considering EV consumers based on non-cooperative game model. J. Clean. Prod. 254, 120039. https://doi.org/10.1016/j.jclepro.2020.120039.
Zhuge, C., Shao, C., 2019. Investigating the factors influencing the uptake of electric vehicles in Beijing, China: statistical and spatial perspectives. J. Clean. Prod. 213, 199e216. https://doi.org/10.1016/j.jclepro.2018.12.099.
Zoepf, S., MacKenzie, D., Keith, D., Chernicoff, W., 2013. Charging choices and fuel displacement in a large-scale demonstration of plug-in hybrid electric vehicles. Transport. Res. Rec.: Journal of the Transportation Research Board 1e10.