《Asian Transport Studies》：Willingness to pay for electric vehicle charging: A comparative study of machine learning and ordered logit models
編輯推薦：
本研究針對伊朗德黑蘭用戶對電動汽車充電的支付意愿影響因素進行深入分析。為解決廉價化石燃料與有限充電設施帶來的挑戰，研究者通過陳述偏好調查收集了366份樣本，并系統對比了有序Logit模型與隨機森林等三種機器學習模型的預測效能。結果表明，在工作場所或教育機構充電的支付意愿最高，比化石燃料成本高出約60%。機器學習模型（特別是隨機森林）的預測準確率達75.73%，顯著優于傳統模型。此研究為發展中國家優化充電設施布局與定價策略提供了關鍵實證依據。
在全球致力于減少溫室氣體排放、改善城市空氣質量的背景下，交通運輸部門貢獻了約16%的全球排放量，成為重點治理領域。電動汽車作為替代傳統內燃機車輛的綠色出行方案，其推廣意義重大。然而，用戶的接受程度，特別是他們為電動汽車充電服務付費的意愿，是決定這一技術能否成功普及的關鍵。在發展中國家，如伊朗，情況更為復雜：一方面，廉價的化石燃料使得電動汽車的運營成本優勢不明顯；另一方面，充電基礎設施匱乏，用戶缺乏使用經驗，這些因素都可能抑制其支付意愿。以往的研究多集中在挪威等發達國家，那里的充電成本極低甚至免費，而化石燃料價格高昂，其結論未必適用于伊朗等發展中國家。因此，針對德黑蘭這一具體情境，探究哪些因素會影響用戶為電動汽車充電付費的意愿，對于制定有效的推廣政策、引導基礎設施投資具有緊迫的現實意義。
為了深入探究這一問題，來自伊朗德黑蘭Modares大學的研究團隊開展了一項開創性的研究。他們并未采用以往研究中常見的、將充電成本作為自變量來間接推算支付意愿的方法，而是設計了一份專門的問卷，直接詢問用戶在特定充電條件下愿意支付的金額。研究于2024年夏季，通過面對面訪談的方式，收集了366名德黑蘭居民的陳述偏好數據。問卷為每位受訪者設定了三種不同的充電場景，共獲得1098個有效觀察值。研究團隊采用了兩種方法論路徑：一是使用有序Logit模型來識別關鍵影響因素并檢驗變量間的線性關系；二是引入了隨機森林、XGBoost和支持向量機三種機器學習模型，以捕捉可能存在的復雜非線性關系，并比較模型的預測準確性。評估指標包括準確率、精確率和F1分數等。
研究結果揭示了多個影響支付意愿的關鍵因素。首先，充電時間是核心影響因素。有序Logit模型顯示，充電時間每增加一分鐘，用戶選擇最高支付類別（WTP-Cat3）的概率就下降0.4%。而隨機森林模型進一步識別出一個關鍵的“閾值效應”：當充電時間超過40分鐘后，用戶支付意愿會出現更急劇的下降。其次，充電地點的影響巨大且呈等級性。與公共充電站相比，在商業購物中心充電能顯著提升支付意愿，而在工作場所或教育機構充電的意愿則達到最高，其支付意愿水平比與化石燃料成本持平的基準高出約60%。此外，用戶態度也扮演重要角色：對充電時間越敏感的用戶，支付意愿反而越低；而重視充電站周邊便利設施（如商店、咖啡館）的用戶，以及環境意識更強的用戶，都表現出更高的支付意愿。社會經濟變量方面，女性、高收入群體和年輕人群的支付意愿更高。
在模型比較方面，機器學習模型整體上超越了傳統的有序Logit模型。其中，隨機森林模型表現最佳，其預測準確率達到75.73%，顯著高于有序Logit模型的59.02%。XGBoost和支持向量機模型也取得了較好的成績。這一發現表明，在處理涉及復雜態度和行為模式的數據時，機器學習方法因其強大的非線性擬合能力而更具優勢。
研究的結論與政策啟示十分明確。在伊朗德黑蘭這樣的發展中國家推廣電動汽車，必須采取有針對性的策略。首要任務是優先在工作場所和教育機構布局充電設施，因為這里用戶的支付意愿最高，有利于投資回收。其次，應大力發展快速充電技術，將充電時間控制在40分鐘以內，以避免用戶支付意愿的斷崖式下跌。同時，提升充電站的服務質量，增加周邊便利設施，不僅能改善用戶體驗，也能直接提升其付費意愿。此外，加強環保宣傳，提升公眾對電動汽車減排效益的認知，也是推動市場接受度的重要一環。最后，在政策研究和市場分析中，可以考慮結合機器學習模型與傳統計量模型，前者用于提高預測精度，后者用于解讀變量影響，從而獲得更全面、更深入的洞察。
這項發表在《Asian Transport Studies》上的研究，首次在伊朗背景下系統評估了電動汽車充電的支付意愿，其方法和結論不僅為德黑蘭乃至伊朗的電動汽車政策制定提供了直接依據，也為其他面臨類似挑戰的發展中國家城市提供了寶貴的參考。
