《TRANSPORTATION RESEARCH PART D-TRANSPORT AND ENVIRONMENT》：Empirical evaluation of battery swapping technology adoption in urban electric taxi operations
编辑推荐：
为解决电动出租车（EV）续航焦虑（RA）与运营效率瓶颈，本研究基于872辆实车数据，对比了电池换电（BST）与插充（plug-in）模式。结果表明，BST在低中温环境下显著缓解RA并提升单位时间运营距离（DPT），但在高温下效果不显著，为城市交通电动化提供了温度敏感性的实证依据。
背景：电动出租车的“里程焦虑”与换电技术的突围
在城市交通电动化浪潮中，电动出租车（Electric Taxi）因其日均里程高、空驶率高，成为减排的关键抓手。然而，相比燃油车几分钟加满油的便捷，传统插电充电（Plug-in Charging）动辄数十分钟的等待时间，严重挤占了司机的运营时间，引发了严重的“续航焦虑”（Range Anxiety, RA）。这种焦虑不仅体现在心理层面，更直接转化为运营行为的改变——司机为避免中途没电，往往在电量尚足时就提前寻找充电桩，导致“充电频率高、有效运营时间短”的恶性循环。
在此背景下，电池换电技术（Battery Swapping Technology, BST）被视为破局的关键。理论上，BST能在3分钟内完成电池更换，效率远高于快充，且能规避低温导致的充电效率下降问题。然而，长期以来，关于BST的实际效果多停留在问卷调研或模拟仿真层面，缺乏来自真实运营场景的大规模实证数据。出租车运营具有高度的动态性和复杂性，单纯的理论模型难以捕捉真实的司机行为。因此，利用真实世界的运营数据（Real-world Operational Data）评估BST对RA和运营效率的实际影响，成为学界与业界的迫切需求。
研究方法：基于872辆实车数据的多维度实证
为了填补这一空白，研究团队摒弃了传统的问卷或模拟数据，采用了来自872辆电动出租车的真实运营数据（2020年4月至2021年4月），涵盖了行驶、充电、换电全维度记录。研究没有采用简单的线性假设，而是针对温度影响的非线性特征，创新性地采用了分段线性回归模型（Piecewise Linear Model），识别出低、中、高温的临界点，从而精准剥离了温度对BST效果的调节作用。
在指标构建上，研究没有依赖主观心理量表，而是用客观行为数据定义核心变量：
- •
续航焦虑（RA）代理变量：采用“初始电量（SOC）与两次充电间行驶距离（DBC）的比值”。该指标越高，代表司机在单位电量下敢跑的里程越短，焦虑程度越高。
- •
运营效率代理变量：采用“单位时间运营距离（Distance Per unit Time, DPT）”，消除了不同司机工作时长差异的影响。
研究结果：换电技术的“温度密码”
3.1 续航焦虑的显著缓解
数据分析证实，BST的引入显著降低了司机的续航焦虑。在采用BST后，司机在出发时愿意携带更少的电量缓冲（即更低的初始SOC）行驶更长的距离（更高的DBC），RA指标显著下降。这表明，换电基础设施的密度和便捷性给了司机更强的续航信心，打破了“电量恐慌”的行为模式。
3.2 运营效率的提升
在运营层面，BST通过极短的补能时间（约3分钟 vs 快充30分钟以上），大幅减少了车辆的非运营等待时间。数据显示，BST车辆的DPT指标在统计上显著高于插充车辆，意味着司机在同样的工作时间内能完成更多的订单，提升了收入潜力。
3.3 温度的关键调节作用
本研究最核心的发现在于揭示了BST效果的温度异质性：
- •
低中温环境（显著有效）：在低温和常温下，BST对缓解RA和提升DPT的效果最为突出。这主要是因为低温会严重恶化插充电池的充电效率（电化学活性降低），而BST在恒温环境下作业，不受外界低温影响，优势尽显。
- •
高温环境（效果不显著）：在高温条件下，BST的正面效应变得不显著。这可能是因为高温本身对电池放电效率的影响，以及可能存在的换电站排队等待（Queueing）现象，抵消了换电的速度优势。
结论与意义：为城市交通政策提供实证锚点
本研究通过大规模实证数据，首次在车辆运营层面证实了电池换电技术在真实世界中的巨大价值。它不仅是一份技术可行性的验证报告，更是一份城市交通基础设施规划的决策参考：
- 1.
BST是提升电动出租车运营效率的有效工具：对于高强度的城市客运服务，BST的补能效率更接近燃油车体验，是推动出租车行业全面电动化的关键支撑。
- 2.
温度敏感性提示差异化布局策略：在北方或冬季寒冷城市，BST的边际效益更高，应优先布局；在高温地区，需结合站点密度优化，避免排队延误。
- 3.
从“主观意愿”到“客观行为”的研究范式转变：本研究证明了利用真实运营数据（Revealed Behavior）进行交通行为研究的有效性，为未来智慧交通研究提供了新范式。
该研究发表于交通与环境领域顶级期刊《Transportation Research Part D: Transport and Environment》，其结论为全球正在兴起的换电政策（如中国、德国、印尼等国的支持政策）提供了坚实的科学依据，强调了在推进电动化进程中，基础设施技术路径选择的重要性。
关键技术方法概要
研究基于872辆电动出租车全年的真实运营数据（含GPS轨迹、充电/换电事件），采用计量经济学模型进行因果推断。核心方法包括：1) 构建以RA（SOC/DBC）和DPT为核心的多变量评估框架；2) 采用分段线性回归识别温度对BST效果的异质性影响（区分低、中、高温区间）；3) 使用稳健标准误控制异方差，并控制车辆、司机、时间等多维混杂因素，确保结果可靠性。
