英语原文共 10 页，剩余内容已隐藏，支付完成后下载完整资料
美国电动汽车采用情况分析
Ali Soltani-Sobha*, Kevin Heaslipb, Aleksandar Stevanovica, Ryan Bosworthc, Danilo Radivojevica
摘要：已经提出增加使用电动车（EV）作为减少燃料消耗和温室气体（GHG）排放的可能方法，以努力减轻气候变化的原因。在这项研究中，对电动汽车市场份额与政府激励措施的关系以及其他有影响的社会经济因素进行了检验。本研究的方法基于横截面/时间序列（面板）分析。所开发的模型是一个汇总的二项式逻辑分享模型，用于估计2003年至2011年间美国不同州的电动汽车与传统汽车之间的模式分割。结果表明，电价与电动汽车使用负相关，而城市道路和政府激励与电动汽车市场份额正相关。敏感性分析表明，在这些因素中，电价对电动汽车采用率的影响最大。此外，时间趋势模型分析发现，电动汽车的采用随着时间的推移而不断增加，这与新技术推广的理论是一致的。
关键词：电动汽车 面板数据建模 公共政策 技术采用
- 引言
为了提高运输系统的可持续性，有必要减少温室气体排放，空气污染和对化石燃料的依赖。这些问题的解决方案在很大程度上取决于可以减少美国汽油消耗的政策。这些解决方案包括少开车，购买更省油的车辆和使用替代燃料车辆（例如Bagherian等，2016; Asgari等，2014; Asgari和Jin，2015; Soltani-Sobh等，2015; Talebpour等，2015; Soltani-Sobh等，2016a）。电动汽车（EV）是解决能源依赖和环境问题的可能创新之一。电动汽车的采用严重依赖于某些外部因素，如严格的排放法规，汽油价格上涨和财务激励（Eppstein 等，2011; Nie 等，2016；）。与任何新技术类似，采用的障碍包括缺乏知识，低消费者风险承受能力和较高的初始生产成本（Jaffe和Stavins，1994; Stoneman等，1994; Argote和Epple，1990）。
社会问题是电动汽车商业成功应考虑的挑战性因素。 Ozaki和Sevastyanova（2011）确定消费者的接受程度对于可持续交通的持续成功至关重要。戴蒙德（2009）总结了采用任何新技术缺乏的一些常见障碍潜在采用者的知识，高初始成本和低容忍风险。 Hidrue等人（2011）将高水平的教育，收入和环境保护主义确定为消费者特征，并对电动汽车的采用产生积极影响。燃料价格已被引入作为替代燃料车辆采用的有影响力的预测指标（Soltani-Sobh 等.2016; Eppstein 等，2011）。电价和电价的组合占电动汽车大部分费用，这两个因素与电动汽车采用的可能性呈正相关（Zubaryeva等，2012）。在一些研究中，充电基础设施的可用性被确定为替代燃料车辆的初期接受的重要标准（例如Ghamami等，2014; Yeh，2007; Struben和Sterman，2008; Egbue和Long，2012）。
为了克服障碍，不同的州已经为采用电动汽车建立了一些消费者激励机制。 关于激励措施对采用替代燃料车辆的影响的文献综述存在矛盾的结果.Sierzchula et al。 （2014）发现财务激励与一个国家的电动汽车市场份额显着正相关，而Zhang等人 （2014年）显示财务激励与个人购买电动车的意愿之间无显着相关性。 因此，分析影响电动汽车份额的其他因素势在必行。
本研究的目的是研究和分析国家奖励和其他重要社会经济因素在推广电动汽车采用方面的重要性和实力。 随着时间的推移对EV统计数量进行了横截面时间序列分析。 来自各州的数据被用来测试电动汽车采用与各种变量之间的关系。 可用EV数据是随着时间的推移不同状态的EV总数。 所开发的模型是一个汇总的二项式逻辑分享模型，用于估计美国不同州的电动汽车和传统汽车之间的模态分配。
- 方法。
本研究的方法论是基于电动车辆和其他燃料型车辆（主要是传统车辆）之间的模式分割模型的发展。电动汽车作为总量数据的年度份额被认为是值在0和1之间的因变量。
（一）横截面模型的宏观Logit模型
关于在科学和工程中应用各种数学，统计和计量经济学模型的研究已有大量研究（例如Pour-Rouholamin和Zhou，2016a; Pour-Rouholamin和Zhou，2016b; Jin等，2014; Vaziri等2014; Esfahanian等，2015; Ahmadi和Merkley，2009; Hassan-Esfahani等，2015; Jalayer和Zhou，2016; Ghasemi等，2016; Baratian-Ghorghi和Zhou，2015; Zhou等，2016）。由于聚合数据集的可用性，在这项研究中，开发了宏观logit市场份额模型来演示模式选择决策。市场份额模型归结为效用函数，即具有多种独立车型特征的函数，以及因国家而异的社会经济和政策变量。电动汽车在各州之间的份额变化（除了它们随时间的变化之外）有助于分离和检查采用的不同决定性因素，这些因素在各州之间有所不同，但时间相关。在州一级，消费者对不同车型选择的偏好受到一些预测变量的影响。货币变量包括：新技术的风险容忍度（标记为收入变量，被认为是未来能源成本的有效消费者贴现率），汽油价格（天然气价格变量），电价（Eprice变量）和每年旅行的里程数（VMT变量，与年耗油量有关）。非货币因素包括政府激励（激励变量）和城市道路利率（城市变量）。因此，最终在时间??处的状态??的EV的效用函数的规格可以被定义为：
UEit=F(Incomeit,Gaspriceit,Epriceit,VMTit,Incentiveit,Urbanit)
我们将PEit定义为电动汽车的份额，并将P0it定义为传统燃料车型的份额。EV在时间点t处于状态i，使得P0it PEit= 1。这些部分可以如下开发（Bierensk，2003; Gruca和Sudharshan，1991）：
PEit=
为了求解和估计效用函数的不同系数，分数模型变换如下：
㏑()= ㏑()=UEit=alpha; beta;1 Incomeit beta;2Gaspriceit beta;3Epriceit beta;4VMTit beta;5Incentiveit beta;6Urbanit。
该方程采用广义线性形式，其系数可以通过最大似然估计为线性回归。模型的定义基于确定EV效用改进和采用与传统车辆的有效因素。很明显，带有正号的变量鼓励使用电动汽车，增加带负号的变量的价值会增加传统汽车的使用。
（二）面板数据回归模型
选择面板数据回归分析电动汽车的采用，因为这种方法提供了各种好处，并克服了时间序列和横截面研究的一些局限性（Kennedy，2003）。面板数据可以处理由影响不同国 家人员行为的一些不可测量的解释变量的变化所导致的异质性。它还克服了省略时间序列变量的问题，这些变量统一影响不同国家人员的行为，但在每个时间段内都有所不同。面板数据通过将各个状态之间的变化与随时间变化相结合而产生更多的可变性，从而缓解了多重共线性问题。 面板数据回归方程为（Washington 等，2011）：
Yit=alpha; Xitbeta; Uit
其中i表示横截面单位（状态），t表示时间段，alpha;是常数，Xit是解释变量的集合，beta;是解释变量的系数，用来干扰的单向和双向误差分量模型分别指定如下：
Uit=mu;i nu;it 和Uit=mu;i nu;it lambda;t
其中mu;i是未观测到的横截面特定效应，lambda;t是未观测到的时间效应，nu;it是随机干扰。有两种不同的方法来估计模型的各种参数：固定效应和随机效应。当mu;i和lambda;t被假定为需要估计的固定参数时，剩余的随机干扰nu;it是独立的且分布相同的，使得nu;it～IID（0，sigma;nu;2），该模型被称为固定效应，该模型被称为固定效应。 当mu;i，lambda;t和nu;it被认为是随机的，使得mu;i～IID（0，sigma;mu;2），lambda;t～IID（0，sigma;lambda;2），nu;it～IID（0，sigma;nu;2）和mu;i和lambda;t与nu;it无关，该模型被称为随机效应（Baltagi，2008）。
- 数据
为了开发等式（3）的模型，来自表1中呈现的各种来源的数据被合并成一个可用数据集。能源部，能源效率和可再生能源司记录了从2003年到2011年不同州使用电动车的数量。统计分析使用的数据来自以下州：阿肯色州，阿拉巴马州，亚利桑那州，加利福尼亚州，科罗拉多州，佛罗里达州，格鲁吉亚州，伊利诺伊州，马萨诸塞州，密歇根州，北卡罗来纳州，新泽西州，纽约州，俄亥俄州，俄克拉荷马州，俄勒冈州，田纳西州，佛蒙特州和怀俄明州。
表1.数据描述和来源
选择这些州是因为可用数据在这段时间内没有丢失记录。开发模型中的因变量是年度状态EV份额的对数，其定义为在同一时间段内该州使用的电动车数量占该州所有注册车辆的百分比。每年注册的车辆数量都来自联邦公路管理局（FHWA）。本研究中的激励变量是一个虚拟变量，考虑了全州税收激励，回扣和其他收益。为了将这些数据转换成货币价值，电动车辆的价格随时间变化是必要的。 基于电动汽车价格数据的可用性，本研究仅考虑各州是否为电动汽车提供激励措施（1或0）。
- 估算结果
在本分析中使用统计软件SAS来估计模型的截距和系数，如表2所示。单向和双向误差分量的固定效应和随机效应被认为是各种面板数据模型 以估计EV股有效因素的系数。
（一）固定效应模型
单向固定效应回归通过为每个状态定义不可观察的特定效应来捕捉横截面方差，同时考虑每个解释变量随时间的影响和显着性，在我们的数据集中的所有状态之间取平均值（Stock and Watson，2003 ）。结果表明所有变量都具有正确的符号。人均收入为正值且显着，表示EV收入增加，收入增长增加。这可以解释为社会的经济状况。虽然随着时间的推移汽车价格不可用，但作为电动汽车价格下降的替代指标，收入增加会带来更多的电动汽车股票。平均车辆行驶里程（VMT）并不显着。通常由于“范围焦虑”问题，通常预期具有高VMT的人和家庭不太可能购买EV。尽管驾驶电动汽车可以节省燃油成本，因为每英里的电力成本相对较低，但节省资金很少被视为购买电动汽车的动机，因为高资本成本不足以节省燃油。这可能是由于与VMT的非线性关系以及购买EV的可能性。随着VMT的增加，消费者更有可能购买电动汽车。但是一旦VMT超过阈值水平，购买车辆的概率就会下降。电价有适当的标志，表明电价较高地区的电动车利用率较低。
汽油价格对EV股有正面影响。由于汽油价格上涨会增加传统汽车的出行成本并降低这些汽车的实用性，汽油价格上涨导致汽车采用率提高。由于与电价相关（Pearson Correlation Coefficient等于0.414），汽油价格变量的意义不大。
城市道路变量是对电动车使用产生积极影响的因素之一。超过75％的美国城市乘客每天行驶不到40英里，这对今天的电动汽车范围是完美的; 因此，可以解释为，人们在城市地区采用电动汽车而不是传统汽车的意愿较高（全国家庭旅行调查，2009年）。 根据模型的结果，城市道路系数是积极的，足以影响各州的EV股。激励措施是增加电动车使用的重要因素，并表明建立它们会鼓励人们随着时间的推移使用电动车。
除了预先定义的重要解释之外，还有一些不可观察的因素是分别为每个国家估算的。 不可观察因素对每种特定状态的影响和幅度是由国家引入的固定效应虚拟变量。
图1给出了不同州的电动车辆数量，人均收入，电价，城市道路和激励的时间平均值。通过使用这些数据，图2-a中所示的不可观察因素的影响可以是解释得更清楚。例如，比较佛蒙特州和新泽西州的不同解释变量而不考虑不可观察因素可能导致在每个州对电动汽车使用的误判。与新泽西州相比，佛蒙特州的平均收入较少，城市道路较少，激励机制较少，电价较高，这意味着新泽西州的电动汽车数量可能会相当多; 但这不是事实。佛蒙特州的正面具体固定效应和新泽西州负面的固定效应意味着有一些不可观测的因素，这些因素鼓励了佛蒙特州的居民，并且阻止了新泽西州的居民使用电动汽车。
表2.面板数据估计结果
除了国家特定的影响，不同的时间点可能会影响电动汽车的份额。在某些情况下，自然现象，经济下滑或其他特定事件可能会冲击市场份额并可能改变其份额电动车。为了研究这些影响，完成了双向固定效应回归。具体的时间固定效应的解释类似于模型的状态特定固定效应和截距。这意味着他们的负面信号意味着更多的兴趣和相应的使用传统车辆的可能性超过电动汽车时间点。如图2-b所示，2005年，2006年和2008年观察到的固定效应值的时间最短。
与Diamond（2009）的研究一致，人们在2005年和2006年采用电动汽车的兴趣较低将由飓风卡特里娜解释。然而，卡特里娜飓风加剧了汽油价格。考虑到汽油价格对电动汽车股票的影响可以忽略不计，汽油价格上涨并未增加电动汽车的利用率。 上相反，基于2005年卡特里娜飓风造成的社会和经济状况中断，人们很少选择采用电动汽车。2006年的固定效应不如2005年的负面，
全文共14778字，剩余内容已隐藏，支付完成后下载完整资料
资料编号：[15392]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
