温室气体信息呈现方式在塑造电动汽车偏好中的作用：机器学习方法

《TRANSPORTATION RESEARCH PART D-TRANSPORT AND ENVIRONMENT》：Role of GHG information presentation in shaping EV preferences: machine learning approach

　　

显著影响电动汽车（EV）偏好的因素之一是温室气体（GHG）信息的呈现方式。本研究旨在确定与不同人群进行沟通的最佳GHG信息呈现方式。因此，基于心理距离等理论，测试了七种新的GHG信息呈现框架。将这些框架的性能与加拿大当前车辆标签中使用的GHG信息呈现进行了比较。研究人员对超过2000名参与者进行了调查，确定了与不同人群沟通的最优标签，并计算了不同框架对EV偏好概率的影响。结果证实了GHG信息呈现对EV偏好/选择的重要性。此外，研究人员提出应采用不同的框架与不同人群进行沟通。本研究开发的某些框架可使EV偏好概率提高20%以上（例如，针对阿尔伯塔省居民的灾害框架）。

## 论文解读：温室气体信息呈现方式在塑造电动汽车偏好中的作用——基于机器学习的分段研究

### 研究背景与问题

交通运输是全球温室气体（GHG）排放的主要来源之一，约占全球CO₂排放的16.2%。其中，道路运输车辆占交通运输部门GHG排放的74.5%。用电动汽车（EV）替代内燃机车辆（ICEV）被认为是减少GHG排放、空气污染和石油依赖的有效途径之一。然而，尽管各国政府采取了多种推广措施（如增加充电基础设施、燃油税、补贴等），截至2024年，EV仅占全球乘用车总量的4%，市场渗透率仍较低。因此，需要更深入地理解影响EV购买决策的因素。

已有研究表明，GHG信息的呈现方式对EV偏好具有显著影响，是政府可直接调控的关键属性之一。然而，过往研究存在以下不足：第一，大多依赖传统统计模型，难以捕捉变量间的非线性关系；第二，未系统分析不同GHG信息框架对不同人群（如不同年龄、收入、地区、气候态度等）的差异化影响；第三，主要使用尾气排放数据，而非生命周期排放数据；第四，缺乏基于心理距离理论（psychological distancing）的框架设计以及针对不同人群的框架效果比较。因此，本研究旨在通过机器学习方法，识别针对不同加拿大人口群体的最优GHG信息呈现框架，以提高EV偏好概率。

### 研究方法

本研究采用的主要关键技术方法包括：①离散选择实验（Discrete Choice Experiment, DCE）设计：在加拿大六个省份（安大略、不列颠哥伦比亚、魁北克、萨斯喀彻温、阿尔伯塔、马尼托巴）征集2062名拥有驾驶执照的成年人，每位受访者在6个选择任务中在电池电动汽车（BEV）和ICEV之间做出选择，选项属性包括购买成本、能源成本、GHG排放量和续航里程。②极端梯度提升（eXtreme Gradient Boosting, XGB）建模：该集成学习方法能捕获非线性关系和交互效应，用于预测不同框架下选择EV的概率。③偏依赖图（Partial Dependence Plot, PDP）：用于解释XGB模型，计算不同GHG信息框架（共8种，包括当前加拿大NRCan标签及7种新框架）对不同人群的EV偏好概率影响。④抽样权重校正：针对样本中高教育程度和低收入人群的过度/不足代表性问题，采用人口权重调整PDP计算。

### 研究结果

**4.1 模型性能**：调优后的XGB模型在验证集上达到82.1%的准确率和80.6%的F1分数，测试集准确率和F1分数分别为81.6%和80.4%，较二元Logit模型在测试集上提高了16.2%和15.7%，体现了XGB在捕捉非线性关系方面的优势。

**4.2 总体框架有效性**：在所有受访者中，Emoji框架对应的EV选择比例最高，其次为Flood、Fire、Disaster和Leaves框架。表明基于情感和灾害的框架整体上优于当前NRCan标签。

**4.3 人口统计学异质性**：
- **年龄**：Emoji框架对30岁以下人群最有效（EV偏好概率提高9.18%）；Flood框架对30-40岁人群最佳（提高12.30%）；Layout框架对40-50岁人群最佳；Fire框架对50-60岁人群有效（仅提高0.43%）；Fire框架对60-70岁人群最佳；Leaves框架对70岁以上人群最佳。
- **性别**：Emoji框架对女性EV偏好提升最大（提高4%以上）；Flood框架对男性提升最大（9.58%）。
- **家庭收入**：低收入（<20,000加元）群体中Emoji、Layout、Flood、Fire框架有效；中高收入群体中Fire框架对$125K-$150K收入组提升最大（34.15%）；高收入群体中Flood框架对>$200K组提升16.24%。值得注意的是，Flood框架对高收入群体（更可能购买新车）的影响显著。
- **教育程度**：Disaster框架对最高学历（医学/硕士/博士）及高中/技工群体最有效；Emoji框架对学院毕业生最佳；Fire框架对大学毕业生最佳（提高7.11%）；Flood框架对最高学历群体提升最大。
- **就业状态**：Fire框架对退休人员提升最大（8.68%）；Layout框架对学生最佳；Emoji框架对全职员工提升5.19%；Disaster、Fire和Flood对家庭主妇有效；Flood对兼职人员最佳。

**4.4 地理与情境异质性**：
- **地区**：Emoji框架对不列颠哥伦比亚省居民最优；Disaster框架对阿尔伯塔省居民提升最大（16.88%）；Fire框架对萨斯喀彻温省居民最优；Emoji框架对魁北克和马尼托巴省居民最优。阿尔伯塔和不列颠哥伦比亚省近年经历极端野火和洪水，对心理距离框架反应强烈；萨斯喀彻温省也有野火经历；安大略省由于主要灾害发生在低人口密度区域，框架效果不显著。
- **城市化**：Flood框架对城市居民提升3.54%；Disaster框架对农村居民提升7.33%。

**4.5 态度异质性**：
- **气候变化变化阶段（CC-SoC）**：Flood框架对已减排或计划减排者最有效；Emoji框架对想减排但不知如何着手者最佳；LC NRCan框架对不计划减排者提升最大；对不关心气候变化者，所有框架影响甚微，仅Layout框架提升2.37%。

### 讨论与结论

研究结果表明，GHG信息框架对EV偏好具有显著影响，但效果因框架类型和人群特征而异。基于心理距离理论（将气候变化后果与本地经历联系起来）的框架（如Fire、Flood、Disaster）能有效提高EV偏好，尤其对经历过相关气候灾害的省份（阿尔伯塔、不列颠哥伦比亚、萨斯喀彻温）居民效果显著。Emoji框架（基于享乐框架）对年轻群体、女性、全职员工及魁北克和马尼托巴省居民最优。这些发现有助于决策者针对不同人群制定差异化沟通策略，例如在BC省对老年人群使用Leaves框架，在魁北克和马尼托巴省对年轻或高学历人群使用Emoji框架，以最大化EV购买概率。

**研究结论翻译**：本研究旨在检测针对不同人群呈现GHG信息以最大化EV偏好的最优框架。测试了七种新的框架，并设计了离散选择实验，在加拿大六省开展在线调查。利用极端梯度提升（XGB）进行建模，并对不同分段群体应用调优后的模型，随后使用偏依赖图（PDP）估计不同GHG信息框架下选择EV而非ICEV的概率。结果表明，不同的心理学理论有助于提高GHG排放信息的有效性，但需关注目标人群。这一发现建立在Wang等人（2023）的分段研究基础之上，表明分段分析能更细致地理解框架对不同人群的影响。未来研究应继续测试不同心理学框架对不同人群的效果。研究结果对决策者推广EV具有重要启示：例如，可在不同地区差异化展示GHG信息框架。然而，实际应用可能面临挑战，如需要政府与汽车行业合作。此外，建议可在车辆在线信息展示中先让消费者填写少量问题（如年龄、性别、地区），再呈现最优标签。本研究结果基于加拿大背景，其他国家因文化、气候态度和灾害经历不同可能结果有异。未来研究可结合社交媒体数据补充离散选择实验，并考虑在车辆标签中整合充电时间和ICEV续航里程等信息。