基于动态离散选择模型的电动汽车采用时机预测与政策评估

《Journal of Choice Modelling》：Semi-dynamics of electric vehicle adoption based on strategic consumer choices: Preference statement-guided forward-looking behavior based on individual expectations

本文针对传统静态选择模型在预测电动汽车（EV）长期采用行为时忽略消费者动态决策过程的局限性，提出了一种创新的动态离散选择模型。研究人员通过设计包含购买时机选择的大规模问卷，收集了825名内燃机汽车（ICE）车主的偏好数据，并构建了融合未来基础设施预期和个体异质性的动态框架。研究结果表明，该模型能更准确地捕捉消费者对价格、使用成本和充电站可及性的敏感性，预测未来十年EV扩散曲线，其预测误差（RMSE）显著低于静态模型。此项研究为政府和企业制定精准的EV推广策略提供了科学的决策支持工具，对交通能源转型具有重要意义。

　　

随着全球应对气候变化的紧迫性日益增加，交通领域的低碳转型成为关键环节。电动汽车（EV）作为替代传统内燃机汽车（ICE）的重要技术路径，其市场渗透率直接影响碳减排目标的实现。然而，电动汽车的推广并非一帆风顺，消费者在面对购买决策时，往往表现出复杂的动态权衡。他们不仅考虑车辆当前的购买价格、使用成本等静态属性，更会前瞻性地评估未来充电基础设施的发展、燃油车加油站的萎缩趋势，以及自身车辆使用年限的变化。这种将未来预期纳入当前决策的“战略性等待”行为，使得基于单一时点选择的传统静态模型难以准确预测长期的电动汽车采用路径和规模。因此，开发一个能够刻画消费者动态决策过程的分析框架，对于精准预测市场需求、评估政策干预效果至关重要。

为了回答上述问题，研究人员在《Journal of Choice Modelling》上发表论文，提出并验证了一个创新的动态离散选择模型（Dynamic Discrete Choice Model, DDCM）。该研究的核心在于将消费者的购买决策建模为一个最优停止问题（Optimal Stopping Problem），即消费者在每一个时间点都需要决定是立即购买某种类型的车辆（ICE或EV），还是继续等待，以期望未来出现更有利的购车条件。

为了开展这项研究，作者主要运用了几个关键技术方法。首先，他们设计了精心构建的问卷，核心部分是选择实验（Choice Experiment），向825名当前拥有ICE车辆的受访者呈现了多种车辆方案（包括ICE和EV），方案属性涵盖购买价格、年度使用成本以及（对于EV）充电站可及性。独特之处在于，受访者不仅需要选择偏好的车辆类型，还需指明他们倾向于在未来的哪个时间点（例如，1年后、3年后……或“永不购买”）进行购买。其次，在模型构建上，研究者建立了基于价值函数（Value Function）的动态规划模型，其中关键的状态变量（State Variables）是消费者对未来充电站和加油站可及性的预期，这些预期通过问卷前期问题获取，并假设其遵循截断正态分布（Truncated Normal Distribution）随时间演变。模型通过反向归纳（Backward Induction）求解贝尔曼方程（Bellman Equation），得到参考值（Reference Value），即继续等待的期望效用，并将其与立即购买各选项的期望效用进行比较，从而内生地确定最优购买时机。最后，在参数估计阶段，研究采用了贝叶斯马尔可夫链蒙特卡洛（Bayesian Markov Chain Monte Carlo, MCMC）方法，特别是Metropolis-Hastings (M-H)算法，来估计模型参数并捕捉消费者偏好的异质性（Heterogeneity）。

研究结果

模型估计与参数恢复：通过蒙特卡洛模拟生成合成数据并重新估计，验证了所提出的动态模型能够准确恢复预设的真实参数值。与静态多项式Logit模型（Multinomial Logit, MNL）相比，动态模型的估计结果更接近真实值。特别地，静态模型由于无法区分消费者对EV的内在偏好和对未来基础设施改善的预期，会高估EV的替代特定常数（Alternative-Specific Constant, ASC），同时低估消费者对价格的敏感度。

实证估计与参数解读：基于825名受访者的实际选择数据，动态模型的估计结果显示，消费者对EV的内在偏好（ASC_EV）低于静态模型的估计值，这表明静态模型将部分源于对未来基础设施改善的乐观预期错误地归因于对EV本身的内在偏好。动态模型估计出的价格系数（β^price）绝对值更大，表明从长期动态视角看，消费者对价格更为敏感。此外，模型估计出的折现因子（δ）平均值约为0.658，远低于文献中常假设的0.8-0.95，提示消费者在车辆购买决策中对未来效用的折现程度较高，即相对更看重当前效用。状态变量——充电站可及性（β^station）的系数显著为正，且其预期增长率（μ_i^EV）是影响EV选择概率的关键驱动因素。

模型预测精度比较：使用预留的测试集数据比较动态模型与静态MNL模型的预测性能。结果显示，动态模型在预测各时期选择概率以及累积扩散曲线（即随时间推移的EV采纳比例）方面，均方根误差（Root Mean Square Error, RMSE）显著低于静态模型。这表明动态模型能更准确地捕捉消费者随时间的决策变化，特别是对购买时机的预测更为精准。

反事实模拟与政策启示：通过反事实模拟（Counterfactual Simulation），研究发现若将消费者预期的EV充电站年均增长率（μ_i^EV）提升至基准水平的1.5倍、2倍或3倍，会显著加速EV的采纳进程，使累积扩散曲线向左上方移动，即更早达到更高的市场渗透率。这凸显了加快充电基础设施建设对于刺激EV需求的强大推动作用。

研究结论与意义

本研究成功开发并应用了一个动态离散选择模型，该模型通过明确纳入消费者对未来车辆使用环境（如充电站可及性）的预期和战略性等待行为，为理解和解构电动汽车的长期采纳决策提供了更为现实和强大的分析工具。研究结论明确指出，忽略决策的动态性会导致对消费者偏好（如对EV的内在偏好、价格敏感性）的有偏估计，进而影响政策评估的准确性。本研究的模型框架能够生成更可靠的长期市场扩散预测，并量化不同政策干预（如补贴、基础设施建设）的效果。这对于政府制定有效的电动汽车推广策略、企业进行产能规划和市场定位具有重要的理论与实践意义。该研究方法亦可扩展应用于其他涉及基础设施依赖和长期投资决策的技术采纳研究领域。