Modeling EV charging choice considering risk attitudes and attribute non-attendance
论文题目：
Modeling EV charging choice considering risk attitudes and attribute non-attendance
考虑风险态度和属性不在场的电动汽车充电选择建模
论文作者：
Long Pan, Enjian Yao, Don MacKenzie
论文期刊：
Transportation Research Part C
论文网址：
https://www.sciencedirect.com/science/article/pii/S0968090X18313366?via=ihub
摘要：
本研究通过基于Logit的选择行为模型，比较中国电动汽车（EV）驾驶者是否在有充电设施的目的地充电。首先，我们通过网络进行了SP调查，以获得电动汽车驾驶者的充电选择数据和电动车相关的风险态度。利用这些数据，我们建立了基于混合选择模型（hybrid choice modeling，HCM）框架的电动汽车驾驶员充电选择模型，其中包括风险态度和不同的决策策略。HCM 二元 logit模型的结果表明，风险态度变量是电动车驾驶员充电选择的一个重要预测因素。将两个 HCM潜类别logit（latent class logit, LCL）模型进行对比，发现属性不在场（attribute non-attendance, ANA）LCL模型比完全补偿 （fully compensatory, FC）LCL模型的拟合度更好。ANA LCL模型的结果显示电动汽车驾驶员会被分为两类：“风险规避类”主要关注完成下一次出行所拥有的额外行驶里程范围；而“风险寻求类”会平衡价格因素和当前的充电状态。本文提供了对充电行为的更多见解，并可用于评估充电需求。
关键词：
Electric vehicle, Charging behavior, Hybrid choice model, Latent class model, Heterogeneity, Attribute non-attendance
1. 研究背景
由于电动汽车可以降低内燃机汽车的噪音和空气污染，因此受到越来越多的研究人员、政策制定者、消费者和工业界关注。由于许多电动汽车与内燃机汽车相比充电时间较长，行驶里程较短，政府和企业越来越重视充电基础设施的建设，以支持电动汽车市场的增长。这种行为在中国尤为活跃。例如，2016年1月，北京有1.2万个家用充电桩和5008个公共充电桩 (TAKEFOTO.CN, 2016)。到2018年4月，这些数字已经上升到9万个家庭充电桩和2万个公共充电桩 (Beijing Municipal Commission of City Management, 2018)。
在对充电行为建模时，以往的研究很少考虑电动汽车司机的态度或感知，尤其在中国，尽管研究人员发现，将态度和看法纳入选择模型可能是有益的(Ben-Akiva et al.， 2002)。Daina和Polak(2016)开发了一种里程焦虑指标，并将其用于充电模式的风险模型，结果表明该指标可对充电行为进行良好预测。HCM框架(Ben-Akiva et al.， 2002)通常用于将态度或感知作为潜变量，同时估计这些潜变量及其对选择行为的影响。Daina(2014)开发了基于HCM框架的电动汽车充电选择模型，其中将里程焦虑变量作为潜变量。因此，有理由认为，结合态度和感知有助于建立充电选择行为模型。
本研究使用来自电动汽车司机的陈述选择数据(stated choice data)，使用二元logit (binary logit, BL)模型和HCM 潜类别logit（latent class, LCL）对比，研究电动汽车充电选择(是否在有充电设施的目的地充电)。本文的主要贡献是:(a)利用HCM框架将中国电动汽车司机的充电选择与电动汽车相关风险态度联系起来;(b)开发了具有替代启发式的模型，特别是属性不在场 (attribute non-attendance, ANA)模型，以进一步了解电动汽车司机的充电选择行为。先前的研究表明，完全补偿 (fully compensatory，FC) 模型可能并不总是很好地反映选择行为，因此应该将其他决策策略，也被称为启发式，纳入到考虑因素中(Balbontin et al.， 2017)。
2. 文献综述
3. 实验数据
我们收集了2018年2月至2018年3月的数据。由于电动汽车市场份额较低，我们通过社交网络群体进行了在线调查，以确定并招募电动汽车司机。微信是一款在中国广泛使用的社交网络应用程序，每月约有10亿活跃用户(Yang, 2018)，其中包括中国主要城市93%的智能手机用户(Hollander,2018)。微信有各种各样的群组，包括电动汽车司机和电动汽车爱好者的群组。我们与两个北京电动汽车司机群体(每个群体400人)共享了调查问卷的链接，并从电动汽车司机中获得了160份回复，其中大部分来自北京。基本统计情况如表4所示。
4. 电动汽车充电选择模型
5.结果与讨论
我们的研究结果表明，充电站运营商可以通过调整价格来吸引电动汽车司机，提高充电桩利用率，因为充电价格和停车价格显著影响电动汽车司机的充电选择。有趣的是，研究结果还表明，充电类型(快充或慢充)和停留时间似乎对充电决策没有显著影响。风险态度变量也是充电行为的重要预测因素。模型2显示，在其他条件相同的情况下，风险规避程度更高的受访者更有可能选择充电。模型4还表明，两类受访者有不同的风险态度，尽管差异没有达到传统的统计显著性水平。
值得注意的是，在AIC方面，基于属性不在场的HCM模型(模型4)比基于完全补偿的HCM模型(模型3)更适合我们的样本。模型4显示了不同类别人群的异构收费偏好。“风险寻求类”的受访者基于多种因素做出充电决策，因此修改价格会影响他们的充电行为。而“风险规避类”主要关注的是充电需求。当有机会满足充电需求时，他们倾向于充电以避免风险，并且不太关心价格。这类受访者拥有电动汽车的时间超过一年的可能性更大，而且不愿承担风险。随着电动汽车市场的增长，我们预计将会有越来越多的人拥有电动汽车，因此“风险规避类”在所有电动汽车车主中所占的比例将稳步提升。
6.结论
本文基于网络获取160名中国电动汽车司机SP调查数据，建立了电动汽车充电选择行为的HCM模型。这些受访者在年龄和收入方面的特征与以往的研究有所不同。BL模型的结果表明，充电属性(SOC、充电价格、停车价格和续航里程)和社会人口特征(电动汽车持有时间)影响受访者的选择行为。这也表明，考虑风险厌恶变量可以增强模型的解释力。我们还发现，使用属性不在场的HCM模型比完全补偿的HCM模型拟合优度更好。属性不在场的HCM模型显示，有两类具有不同的偏好的受访者。“风险寻求类”会综合考虑SOC、充电价格、停车价格等多种因素进行决策，而“风险规避类”则不考虑成本和地点，主要考虑完成下次出行的充电需求。充电站运营商和设计者可以通过修改充电价格或停车价格来吸引更多的电动汽车司机;然而，“风险规避类”可能对价格不敏感。随着电动汽车的快速增长，拥有电动汽车一年以上的“风险规避类”人群可能会稳步增长。
本研究模型结果可以帮助评估充电基础设施的充电需求，并支持联网和自动化电动汽车的充电决策。未来的研究可以研究更多类型的电动汽车司机的充电决策，因为我们发现使用属性不在场的HCM模型比使用完全补偿的HCM模型更适合本研究中的样本。其中一个方向是将reference based model考虑到模型中，特别是探索期望值和情景变量之间差异的非线性关系。此外，未来的研究可以基于受访者的出行链进行充电选择调查，以获取更多日常或多日出行背景下的充电选择行为。最后，进一步的研究有助于更全面地理解HCM模型中，风险厌恶特征与各类成员之间的联系。