考虑心理潜变量及异质性的电动汽车联合充电选择行为研究

2022-10-11王立晓

合肥工业大学学报（自然科学版） 2022年9期

王立晓, 周娅

(新疆大学建筑工程学院,新疆乌鲁木齐 830017)

0 引言

大力发展电动汽车是缓解当前能源短缺、环境污染问题的重要途径,各国政府、汽车企业纷纷致力于发展电动汽车及其充电基础设施[1-2]。根据中国充电联盟2021年公布的数据[3],国内电动汽车“车桩比”约为3∶1,电动汽车与充电基础设施发展不协调、公共充电设施利用率低等问题制约着我国电动汽车的推广和使用。因此,深入分析电动汽车用户的充电选择行为及其作用机理,有助于科学合理地预测用户充电需求、优化充电设施布局,对于电动汽车及其充电设施的推广发展具有重要意义。

目前,诸多学者针对各种类型的充电选择行为及其影响因素进行了广泛研究。文献[4]考虑初始剩余电量、充电费用、停留时间等因素,运用多项Logit 模型分析了电动汽车用户的充电地点选择偏好[4];文献[5]构建巢式Logit模型分析联合充电和路径的选择。学者们通常运用多项Logit、巢式Logit模型等传统离散选择模型进行建模分析[4-8],假定电动汽车用户的充电选择偏好是同质的,忽略了用户之间的异质性,这与实际情况不符。为了克服传统离散选择模型存在的不足,学者们提出运用混合Logit模型分析充电选择行为[9-11],混合Logit模型能够设定解释变量的系数为随机参数,以此捕获决策者充电选择偏好的异质性。文献[12]研究结果表明,混合Logit模型比多项Logit模型更适于分析充电地点选择行为。

上述模型通常仅分析社会经济属性、充电属性等可观测因素对充电选择行为的影响,尚未分析态度等难以直接观测的心理潜变量的影响[13]。文献[14-15]分别将里程焦虑、风险态度等心理潜变量纳入离散选择模型中,构建混合选择模型分析心理潜变量对充电选择行为的影响。然而现有充电选择行为研究中仅考虑单一心理潜变量,鲜有研究同时考虑多个心理潜变量,并探讨心理潜变量与可观测变量的共同作用机理。此外,在研究内容上,现有研究大多分析单一类型的充电选择行为(是否充电或充电地点等),缺少联合多种充电选择的研究,相较于单独分析充电地点或充电方式选择行为,联合多种充电选择更符合用户实际的充电情况,可以更准确地刻画电动汽车用户的充电行为,进一步提高充电选择行为模型的预测精度。文献[16]虽然首次对联合充电方式和充电地点选择进行分析[16],仅考虑充电行为属性这一类影响因素,但未考虑用户心理潜变量和社会经济属性的影响,研究模型的预测精度仍有一定的提升空间。

鉴于此,本研究从电动汽车用户的心理视角出发,将风险规避态度、里程焦虑、充电习惯等心理潜变量同时引入混合Logit模型中,运用整合心理潜变量的混合选择模型深入分析用户的联合充电方式和充电地点的选择行为(下文简称联合充电选择),探究心理潜变量与社会经济属性、充电属性等可观测因素对联合充电行为选择的共同作用,深入剖析用户联合充电决策过程中的内在机理与异质性。

1 电动汽车充电选择行为模型构建

1.1 混合logit模型

混合Logit模型能够假设电动汽车用户对于联合充电选择方式存在偏好差异,模型更加符合实际情况,通过将属性参数设置为随机参数反映个体异质性[17],并分析个体异质性对联合充电选择行为的影响。

1.1.1 效用函数

受访者n在情景t下选择联合充电选择方式i出行的效用函数为:

Unit=βn·Xnit+α·Wnit+δi·Znt+εnit

(1)

其中:Xnit为电动汽车用户n在情景t下选择联合充电方式i的随机变量;α为固定系数向量;Wnit为随情景方案而变化的固定变量;δi为固定系数向量;Znt为随受访者个人属性而变化的变量;εnit为随机误差,服从极值分布。

属性变量的随机系数可以由系数均值与其随机误差项组成的线性函数表示,反映样本数据中未观测到的异质性,即

βn=μ+σμni

(2)

其中:μ为属性变量估计系数的均值;μni为随机误差,服从正态分布;σ为属性变量估计系数的标准差。

此时个体n在情景方案t选择方式i的概率函数可以看作是面板数据多项 Logit概率函数在β密度函数f(β/θ)上的积分,密度函数f(β/θ)是通过一定的参数θ来描述的,即通过待估参数β的均值μ和标准差σ来表述,f(β/θ)的分布形式通常有正态分布、对数正态分布、均匀分布、SB分布等,可以根据实际情况进行选择。

样本n选择联合充电方式i的概率函数表达如下:

Pnit=

(3)

1.1.2 参数估计

混合Logit模型的概率函数Pnit为非封闭,积分没有固定的形式,一般采用最大似然估计法(maximum simulated likelihood,MSL) 来进行参数估计,主要步骤有求仿真概率、构造极大似然算子和求解估计参数3个步骤[18]。

(4)

(2) 构造极大似然算子。定义辅助变量dnit,其积分可通过仿真得到近似值,即

(5)

则样本个体n的仿真似然函数为:

(6)

取(6)式的对数形式得到总体样本N仿真极大似然算子,即

(7)

(3) 求解参数θ的最大值。改变θ值,直到得到仿真极大似然算子的最大值。

1.2 混合选择模型

1.2.1 模型概述

本文运用混合选择模型探究电动汽车用户的联合充电选择行为。文献[19]提出了混合选择模型(hybrid choice model,HCM)框架，将态度、感知等心理潜变量加入到选择模型中,整合了传统的离散选择模型与潜变量模型,HCM模型不仅克服了传统Logit模型的不足,而且同时兼顾心理潜变量与异质性对联合充电选择行为的影响,有望进一步提高模型的解释能力和预测精度。

本文混合选择模型框架如图1所示。

图1中:潜变量模型部分用于分析电动汽车用户心理潜变量之间、心理潜变量与测量变量之间的内在关系;离散选择模型部分用于剖析表示电动汽车用户的联合充电选择行为偏好及异质性。

图1 混合选择模型框架

(1) 潜变量模型。潜变量模型包含结构方程和测量方程2个部分。结构方程由内生变量η、解释变量x及干扰项ζ组成,测量方程由潜变量η及其对应的测量指标y以及误差项δ组成。其中:潜变量包括风险规避态度、里程焦虑及充电习惯;解释变量x包括电动汽车用户的社会经济属性,如性别、年龄、收入等;Λ、Γ为待估计的参数矩阵[20]。

该模型可表述为:

η=Λ·x+ζ

(8)

y=Γ·η+δ

(9)

误差项ζ和δ满足:

E(ζζT)=Ψ,E(δδT)=Θ,E(δζT)=0

(10)

其中:ζT为ζ的转置;δT为δ的转置;Ψ和Θ分别为关于ζ和δ的矩阵。

(2) 选择模型。在选择模型中考虑在公共场所快充、在家慢充、在工作场所慢充3种联合充电选择方式,采用能够分析用户联合充电选择行为异质性的混合Logit模型。

则用户n选择第i种充电方式所得到的效用Uni为:

Uni=αi·S+βi·Z+γi·η+εi

(11)

设效用最大化函数Umax为:

(12)

其中:S为电动汽车用户社会经济属性向量;Z为情景方案属性向量,包括日出行距离、停留时间、充电费用和停车政策等表征充电属性的变量;η为不可直接观测的心理潜变量,包括风险规避态度、里程焦虑及充电习惯;αi、βi、γi为待估计的参数向量;εi为随机误差项。

1.2.2 参数估计

设U=[u1…uI]T,ε=[ε1…εI]T,且满足：

E(εεT)=Ξ,E(εδT)=0,E(εζT)=0,

其中，Ξ为关于ε的矩阵,那么可将(11)式变形为如下形式:

U=AS+BZ+Cη+ε

(12)

其中:A=[α1Tα2T…αIT]T;B=[β1Tβ2T…βIT]T;C=[γ1Tγ2T…γIT]T。为了能够识别模型令αIT=γIT=0。

假设向量q=(yT,ηT,UT)服从均值为m1、协方差为Ω1的多元正态分布,即

(14)

其中,Ω11=ΛΨΛT+Θ。

样本量为n时给定m1和Ω1条件下未知参数的向量Θ的似然函数为:

(15)

(16)

其中:di为指标变量向量元素;f为多元正态分布概率密度函数。

混合选择模型的参数估计通常有连续两阶段估计法和同时估计法,连续两阶段估计法因操作方便、易于实现而受到诸多学者的青睐[21-22]。因此本研究采取连续两阶段估计法对混合选择模型进行参数估计:

(1) 第1阶段。运用极大似然法等方法对潜变量模型进行参数估计。

(2) 第2阶段。根据潜变量模型得出的适配量表达式计算各个心理潜变量的取值,将计算得到的心理潜变量作为解释变量引入混合Logit中进行参数标定。

2 调查数据统计

2.1 问卷设计

本研究通过问卷设计对上海市电动汽车用户进行调查,调查主要包含个人社会经济属性、充电属性以及心理潜变量的测量3个部分,其中充电属性包括日常充电行为和联合充电选择方式情景。个人社会经济属性包括受访者性别、年龄、月收入、职业、教育程度以及购买电动汽车时长;日常充电行为调查主要包括每周充电频率、充电前SOC等;心理潜变量调查包括风险规避态度、里程焦虑以及充电习惯。

参考已有文献并结合实际情况确定3个潜变量对应的观测题项,每个观测题项采用Likert五点量表进行测量,各潜变量对应的观测题项见表1所列。

表1 问卷潜变量及观测题项

联合充电选择情景为陈述偏好调查,设有3个选择肢,分别为在家慢充、公共场所快充、在工作场所慢充。

根据实际情况确定各选择肢属性水平,通过正交设计将日出行距离、停留时间、充电费用和停车政策等因素进行组合,形成12种不同的情景,情景选择肢属性水平设置见表 2 所列。

表2 情景因素水平

2.2 问卷调查及数据处理

问卷调查以上海市电动汽车用户为调查对象,采用网络调查的方式,在电动汽车用户QQ群、微信群以及百度贴吧等网络社区进行随机抽样。对回收的问卷进行筛选,剔除其中填写不完整、明显前后矛盾以及回答时间小于90 s的无效问卷,共获得820份有效问卷,得到可用于模型估计的观测数据为9 840条。有效样本的个人社会经济属性统计见表3所列。

表3 调查样本个人社会经济属性统计

2.3 问卷信度和效度分析

为确保调查问卷回收数据的稳定性及可靠性,在进行建模分析之前,首先,运用Cronbach’s Alpha对样本数据进行信度检验,运用KMO值、Bartlett’s球状检验P值、平均方差萃取量(average variance extracted,AVE)以及组合效度(composite reliability,CR)对样本数据进行效度检验,其结果见表4所列。

由表4可知,各潜变量的Cronbach’s Alpha值αc均大于0.7,KMO值大于0.5,P值小于0.05,CR值大于0.6,且AVE值大于0.4,各项指标均满足要求[23],表明问卷的信度和效度较好,数据质量较理想。

表4 问卷信度和效度检验

3 模型结果分析

3.1 潜变量模型的估计结果

为分析影响电动汽车用户联合充电选择行为心理潜变量之间的内在关系,本文引入风险规避态度、里程焦虑和充电习惯构建潜变量模型,各个潜变量及其对应的测量变量见表1。运用AMOS软件构建潜变量模型,并运用极大似然法对模型进行参数估计,根据Modification Indices输出结果中的MI值对模型进行修正,通过增减路径调整模型,得到最终潜变量模型结构如图2所示。其中:**代表P<0.01;*代表P<0.05。

图2 潜变量模型估计结果

判断潜变量模型拟合程度的指标主要包括卡方自由度比χ2/df、均方根误差RMR、近似误差均方根RMSEA、拟合优度指数GFI、比较拟合指数CFI等,通常综合运用上述指标对模型的拟合效果进行判断。潜变量模型的各项拟合指标和检验标准见表5所列。

由表5可知,模型的各项指标均满足检验标准要求,表明模型拟合程度良好。

表5 模型拟合指标

分析潜变量模型中的测量方程结果得到各心理潜变量与其对应观测变量之间的关系,各个心理潜变量对应的观测变量因子载荷系数如图2所示,保留0.05水平上显著的观测变量,观测变量的因子荷载系数越大,表明观测变量越能有效地反映电动汽车用户的心理潜变量。例如:用户的风险规避态度最直接的表现为当去不熟悉的目的地时,给电动汽车充比往常更多的电量(RAT2);用户的里程焦虑最容易受电动汽车估算里程的影响(RA3);总到常去的充电站充电(CH1)最能够反映用户的充电习惯,其次是结束某次出行后充电(CH4)以及特定的充电时间充电(CH3)。

分析潜变量模型中的结构方程可以得到各心理潜变量之间的内在关系,路径系数越高,表明心理潜变量之间的影响越大。

结果表明,电动汽车用户的里程焦虑与充电习惯之间的影响程度最大,存在显著的相关关系,里程焦虑及充电习惯对风险规避态度均存在显著的正向影响。

3.2 联合充电选择行为模型的估计结果

3.2.1 变量赋值

根据潜变量的模型参数估计结果可以得出每个潜变量的适配值。首先将各心理潜变量观测指标的因子载荷看作各观测指标的权重系数,并将其进行标准化,由此得到各心理潜变量的适配值表达式如下:

(17)

根据各心理潜变量的适配值表达式,对每份问卷计算其心理潜变量的取值,因为各心理潜变量的观测变量对应的数据均为Likert5级度量值,所以标准化后所得的心理潜变量的取值在1～5之间,具体变量定义及赋值见表6所列。

表6 变量定义

3.2.2 模型估计结果

本文将表6中的日常充电行为变量、个人属性变量及方案属性变量等可观测的3类变量引入混合logit模型中,将表6中可观测的3类变量及心理潜变量同时引入混合选择HCM模型中,分别建立考虑心理潜变量的HCM模型与不考虑心理潜变量的混合Logit模型,对比分析2种模型的拟合效果。

将日出行距离、停留时间、充电费用及停车政策等情景方案变量的系数设置为随机系数,服从正态分布;将性别、年龄、收入、职业、充电频率、剩余电量系数设置为固定系数;将在工作场所慢充设置为参照组，选用Stata软件对数据进行模型求解,采用Halton序列抽样提取随机参数,抽样次数为1 000次。经过对模型的多次调试,保留P值小于0.1对联合充电选择行为影响显著的变量,最终得出模型的参数估计及检验结果,见表7所列。

表7中:***代表P<0.01;**代表P<0.05;*代表P<0.1。

表7 模型估计结果

通常用赤池信息准则(Akaike information criterion,AIC)和贝叶斯信息准则(Bayesian information criterion,BIC)2个拟合指标对比分析这2个模型的拟合优度,AIC和BIC值越小,表明模型的拟合程度越好。由表7可知,考虑心理潜变量的HCM模型的AIC值与BIC值均小于未考虑心理潜变量的混合Logit模型,表明加入心理潜变量能够明显提高联合充电选择行为模型的拟合度,这与文献[14-15]的研究结果一致。此外,在未考虑心理潜变量的混合Logit模型估计结果中,性别等变量并不显著,而在HCM模型中,大部分变量均在0.10水平上显著,表示HCM模型有更强的解释能力,能够更全面地揭示各类变量对联合充电选择行为的影响。因此,在下文中,对HCM模型的结果进行详细解释分析。

在个人社会经济属性方面,相较于男性,女性更倾向于选择在公共场所快充;相较于18～25岁和大于50岁的电动汽车用户,26～49岁的用户更倾向于选择在公共场所快充和在家慢充;收入越高的电动汽车用户更倾向于选择在家慢充,高收入的用户可能拥有家用充电桩以及固定停车位,方便在家充电;相较于个体或者自由职业者,企事业单位用户更倾向于选择在公共场所快充,这可能是由于企事业单位用户驾驶电动汽车主要以通勤、商务外出为主,快充桩能在较短时间内为电动汽车补足电量,及时满足用户的充电需求。

在充电行为属性方面,每周充电频率高的电动汽车用户更倾向于选择在家慢充,相较于其他2种充电方式,在家充电的费用相对较低,充电便捷性较高;初始剩余电量对电动汽车用户选择在家慢充存在显著正影响,剩余电量较高时用户倾向于选择在家充电,说明用户选择在家慢充不一定由充电需求驱动,可能是由于用户习惯在家充电,充电习惯对在家慢充存在显著正影响也印证这一点,这与文献[4]、文献[16]的研究结果相同。而初始剩余电量对公共场所快充存在显著的负影响,当初始电量越小,电动汽车用户越倾向于在公共场所快充,表明用户选择在公共场所快充是基于充电需求,在剩余电量较高时选择快充的可能性较小。

在情景方案属性方面,日出行距离对电动汽车用户选择公共场所快充及在家慢充存在显著正影响;充电费用对联合充电选择行为存在显著负影响,表明用户不愿意为电动汽车充电支出过多的费用,联合充电选择方式的充电费用越高,则用户选择该充电方式的概率越低。停车政策中减免70%、免费停车对联合充电选择有显著正影响,表明政府或企业提供的免费停车或者减少停车费用的政策时,能够有效提高用户选择在公共场所快充意愿。

用户的心理潜变量均对其联合充电选择行为产生不同程度的显著影响,其中里程焦虑的影响最大。相较于在工作场所慢充,里程焦虑和风险规避态度较强烈的用户更倾向于选择在公共场所快充,这可能是因为在出行途中,快充桩能在较短时间内为电动汽车补充较多电量,能及时满足用户的充电需求,缓解电动汽车用户无法抵达目的地的担忧。风险规避态度和充电习惯意识较强的用户更倾向于选择在家充电。

从模型的标准差可以看出,电动汽车用户中不同个体对日出行距离、充电费用及停车政策表现出较强的异质性。当日出行距离超过平均水平(均值)时,57.17%的用户选择在公共场所快充或在家慢充,42.83%的用户选择在工作场所慢充;当充电费用超过平均水平时,18.50%的用户选择在公共场所快充或在家慢充,其余81.50%的用户则选择在工作场所慢充;当停车费用减免超过70%时,44.21%的用户选择在公共场所快充,余下55.79%的用户则相反;当停车费用全免时,48.70%的用户选择在公共场所快充,余下51.30%的用户则相反。以上结果表明了不同电动汽车用户之间存在明显的偏好差异性。

3.3 模型预测概率对比

为进一步验证HCM模型的适用性,本研究分别对构建的混合Logit 模型与HCM模型进行概率预测对比,即将2个模型的预测结果与问卷所得实际选择概率结果进行对比,具体所得估计结果如图3所示。

图3 混合Logit和HCM模型预测概率对比

从图3可以看出:混合Logit 模型的预测结果与实际选择结果仍存在一定的差距,最大误差为9.06%;而HCM模型的预测结果与实际选择概率结果更为接近,误差均在5%以内,预测结果更符合真实情况。因此,考虑心理潜变量的HCM模型能够在一定程度上提高联合充电选择行为模型的预测精度,能够更好地刻画消费者电动汽车充电行为的决策过程。此外,从图3还可以看出,在3种联合充电选择方式中,在家充电的选择概率最高,表明在家慢充是上海市电动汽车用户最偏爱且最常用的充电方式。