摘要
规划未来的电动汽车充电基础设施需要评估空间适宜性、需求、网络缺口以及预期的 accessibility（可访问性）效益。本研究为波斯尼亚和黑塞哥维那建立了一个国家层面的框架，该框架整合了机器学习（ML）适宜性建模、建模后的优先级排序、可复制的候选地点选择以及基于情景的人口可访问性评估方法。研究分析了包含188个电动汽车充电站（EVCS）位置的数据集，并使用了28个空间预测因子对数据进行了分析。通过空间交叉验证评估了五种分类器方法，其中XGBoost的表现最为均衡。在特征降维后，最终模型保留了五个预测因子：道路密度、前往酒店的出行时间、前往停车场的出行时间、距离主要道路的距离以及前往旅游景点的出行时间。优先级指数将模型预测的适宜性与人口需求、土地利用/土地覆盖（LU/LC）机会以及前往现有充电站的出行时间缺口综合考虑。候选地点的确定遵循了定居点和道路约束的确定性程序，随后通过网络布局进行了合理分布；评估了在新增10个、20个、40个、50个和60个充电站的不同情景下的效果。当新增充电站的响应时间为10分钟时，现有充电网络的人口覆盖率从57.9%提升至10个新充电站后的65.4%，20个新充电站后为68.7%，40个新充电站后为73.8%，50个新充电站后为75.6%，60个新充电站后为77.0%。该框架为全国范围内的电动汽车充电站投资筛选提供了可复制的依据，同时区分了基于实际存在的设施的适宜性、战略部署的优先级以及预期的可访问性提升。
