共享電動(dòng)汽車用戶參與充電調(diào)度意愿預(yù)測(cè)

王遠(yuǎn)峰,孫小慧

(新疆大學(xué) 建筑工程學(xué)院,烏魯木齊 830017)

共享電動(dòng)汽車充電設(shè)施建設(shè)維護(hù)成本高、車輛搬遷調(diào)度工作量大等問(wèn)題制約著共享電動(dòng)汽車的發(fā)展。進(jìn)行合理的充電設(shè)施建設(shè)并鼓勵(lì)共享電動(dòng)汽車用戶參與共享電動(dòng)汽車充電調(diào)度,不僅可在一定程度上解決上述問(wèn)題,還可提升用戶使用體驗(yàn)與滿意度,提高運(yùn)營(yíng)商盈利水平[1]。因此,對(duì)共享電動(dòng)汽車用戶參與充電調(diào)度的意愿進(jìn)行分析預(yù)測(cè)具有重要的現(xiàn)實(shí)意義。

在交通領(lǐng)域,用于出行選擇預(yù)測(cè)的方法常有基于隨機(jī)效用理論的預(yù)測(cè)模型與基于前景理論的預(yù)測(cè)模型?；陔S機(jī)效用理論的預(yù)測(cè)模型旨在選擇效用最大的方案作為出行方案,結(jié)果是完全理性的。Kristoffersson等[2]基于隨機(jī)效用理論,建立了一個(gè)公共交通選擇模型,用于預(yù)測(cè)出行者對(duì)不同路線及票價(jià)等的組合選擇,模型能夠選擇出效用最大的公共交通路線。Zhu等[3]通過(guò)考慮為出行者提供個(gè)性化服務(wù),建模分析了出行者的出行服務(wù)選擇,結(jié)果表明68%的出行者能夠接受個(gè)性化服務(wù)代替原有服務(wù)方案。Liu等[4]利用隨機(jī)效用理論研究了無(wú)人駕駛汽車對(duì)出行者出行行為選擇的影響,結(jié)果表明降低出行時(shí)間與費(fèi)用能夠提高無(wú)人駕駛汽車對(duì)出行者的吸引力。Toorzani等[5]利用隨機(jī)效用理論建模研究了文化價(jià)值觀對(duì)出行者交通方式選擇的影響,結(jié)果表明環(huán)保意識(shí)增加了出行者對(duì)公共交通的選擇,并對(duì)選擇私家車出行具有抑制作用。Hong等[6]利用隨機(jī)效用理論建模分析了美國(guó)高鐵對(duì)航空的影響,結(jié)果發(fā)現(xiàn)兩種交通方式的服務(wù)頻率,即航班數(shù)與高鐵車次密度決定了用戶的出行方式選擇。潘自翔[7]考慮城市群通勤出行的城際鐵路、城際公交及自駕等多種出行方式,建立基于隨機(jī)效用理論的通勤出行選擇模型,結(jié)果表明模型可以提供不同效用的出行方式參考方案?；陔S機(jī)效用理論的研究均假設(shè)出行者總是選擇效用最大的方案,而現(xiàn)實(shí)中由于個(gè)人對(duì)風(fēng)險(xiǎn)偏好的差異,出行者并非總是選擇效用最大的方案,因此,有學(xué)者基于前景理論,特別是改進(jìn)后的累積前景理論開(kāi)展出行選擇預(yù)測(cè)的研究。其中,韓寶明等[8]基于累積前景理論建立了城市軌道交通運(yùn)營(yíng)中斷條件下乘客的路徑選擇行為模型,結(jié)果表明模型計(jì)算的乘客路徑選擇概率結(jié)果與實(shí)際統(tǒng)計(jì)結(jié)果相對(duì)誤差不超過(guò)10%,具有良好適用性,且短時(shí)間中斷下乘客路徑選擇行為變化劇烈,長(zhǎng)時(shí)間中斷下乘客路徑選擇行為變化相對(duì)穩(wěn)定。Tian等[9]通過(guò)考慮獎(jiǎng)罰措施以及包含停車費(fèi)用及換乘費(fèi)用的出行成本,基于累積前景理論建立了一個(gè)公共交通換乘選擇預(yù)測(cè)模型,結(jié)果表明出行成本增加時(shí),出行者更傾向于規(guī)避道路不確定性大的換乘方式。Gao等[10]考慮通勤方式時(shí)間的變化,基于累積前景理論建模研究了出行者對(duì)通勤方式的選擇,結(jié)果表明通勤出行者低估了低概率行程時(shí)間的發(fā)生概率,高估了高概率行程時(shí)間的發(fā)生概率。Chen等[11]基于累積前景理論建模分析了擁堵收費(fèi)政策對(duì)通勤時(shí)間內(nèi)出行者出行路徑選擇的影響,結(jié)果表明非通勤時(shí)間內(nèi)出行的出行者對(duì)收費(fèi)政策更為敏感。馬瑩瑩等[12]考慮出行者的風(fēng)險(xiǎn)偏好差異,基于累積前景理論建模對(duì)節(jié)假日高速公路出行選擇行為進(jìn)行預(yù)測(cè),結(jié)果顯示模型預(yù)測(cè)誤差小于基于隨機(jī)效用理論的預(yù)測(cè)模型的誤差。Yang等[13]考慮出行時(shí)間與出行路徑,利用累積前景理論建模預(yù)測(cè)了電動(dòng)汽車出行者的充電需求,結(jié)果表明模型能夠反映電動(dòng)汽車用戶充電需求的動(dòng)態(tài)變化。

綜上所述,隨機(jī)效用理論假設(shè)出行者是完全理性的,但出行者在進(jìn)行出行選擇時(shí)往往因個(gè)人屬性的不同而對(duì)出行方案存在不同偏好。前景理論不僅能夠考慮個(gè)人屬性帶來(lái)的影響,同時(shí)能夠反映出行者對(duì)于風(fēng)險(xiǎn)及收益的偏好程度,在預(yù)測(cè)出行選擇中更加貼近實(shí)際。用戶參與充電調(diào)度行為具有很強(qiáng)的不確定性,決策結(jié)果往往會(huì)因?yàn)槌鲂姓叩闹饔^特性產(chǎn)生差別。因此,文中基于累積前景理論建模對(duì)用戶參與充電調(diào)度的意愿進(jìn)行分析,以期為共享電動(dòng)汽車運(yùn)營(yíng)商進(jìn)行相關(guān)運(yùn)營(yíng)決策提供參考。

1 累積前景理論

前景理論認(rèn)為決策者進(jìn)行決策的過(guò)程由兩個(gè)階段組成:編輯階段和評(píng)價(jià)階段。在編輯階段,決策者根據(jù)所處情境采集所需信息,并對(duì)各種不同的可能性結(jié)果進(jìn)行處理與分析;在評(píng)價(jià)階段,個(gè)體決策者根據(jù)編輯階段收集的信息對(duì)不同方案進(jìn)行評(píng)價(jià),選擇價(jià)值最大的方案(前景值最大的方案),作為最終實(shí)施方案,前景值則由價(jià)值函數(shù)與概率權(quán)重函數(shù)共同確定[14-15]。價(jià)值函數(shù)反映決策者對(duì)客觀價(jià)值的主觀感受,概率權(quán)重函數(shù)反映決策者對(duì)客觀概率的主觀評(píng)價(jià),即概率對(duì)前景價(jià)值的影響[16]。累積前景理論是基于前景理論的改進(jìn)[17],前景理論的備選方案價(jià)值通過(guò)價(jià)值函數(shù)和概率權(quán)重函數(shù)共同決定,累積前景理論的備選方案價(jià)值則是由累積前景值的大小直接決定。

Kahneman和 Tversky認(rèn)為,價(jià)值函數(shù)v(xi)是收益或損失xi的函數(shù),即xi的值表示決策者面對(duì)選擇時(shí)的收益或損失的大小,其函數(shù)圖像為S型(見(jiàn)圖1)。當(dāng)決策者面臨方案i為收益時(shí),即xi≥0時(shí),決策者傾向于風(fēng)險(xiǎn)規(guī)避,價(jià)值函數(shù)為凹函數(shù);當(dāng)決策者面臨方案i為損失時(shí),即xi<0時(shí),決策者傾向于風(fēng)險(xiǎn)偏好,價(jià)值函數(shù)為凸函數(shù),價(jià)值函數(shù)的結(jié)果為決策者對(duì)各方案的主觀價(jià)值。其表達(dá)式為

圖1 價(jià)值函數(shù)

(1)

式中:λ、α、β均為待定參數(shù),其中λ為風(fēng)險(xiǎn)規(guī)避系數(shù),λ越大表示相較于收益,決策者對(duì)于損失更敏感;α和β分別代表決策者對(duì)于收益和損失的敏感程度,值越大表明決策者越敏感。

Kahneman和 Tversky認(rèn)為,概率權(quán)重函數(shù)ω(pi)為單調(diào)遞增函數(shù),且函數(shù)圖像呈反S型(見(jiàn)圖2),體現(xiàn)了決策者在面對(duì)小概率事件時(shí),會(huì)高估該事件,此時(shí)權(quán)重大于概率值;決策者在面對(duì)大概率事件時(shí),會(huì)低估該事件,此時(shí)權(quán)重小于概率值。其表達(dá)式為

圖2 概率權(quán)重函數(shù)

(2)

式中:pi為事件i發(fā)生的概率值;γ、δ為待定參數(shù),其中γ和δ分別表示決策者對(duì)待收益和損失態(tài)度,值越大表示決策者越迷戀小概率事件。

通過(guò)價(jià)值函數(shù)v(xi)及概率權(quán)重函數(shù)ω(pi)可得到各個(gè)方案的累積前景值:

(3)

式中:

(4)

(5)

0≤i≤n-1

(6)

1-m≤i≤0

(7)

當(dāng)決策者面臨收益時(shí),累積概率權(quán)重函數(shù)表達(dá)式為

ω+(pi)=exp(-(-lnpi)γ),xi≥0

(8)

當(dāng)決策者面臨損失時(shí),累積概率權(quán)重函數(shù)表達(dá)式為:

ω-(pi)=exp(-(-lnpi)δ),xi<0

(9)

2 累積前景理論參數(shù)標(biāo)定

累積前景理論最關(guān)鍵的是價(jià)值函數(shù)及累積概率權(quán)重函數(shù)中待定參數(shù)的標(biāo)定。Kahneman 和 Tversky提出前景理論和累積前景理論的基礎(chǔ)是經(jīng)濟(jì)領(lǐng)域的投資問(wèn)題,主要涉及到的是與不同資金費(fèi)用有關(guān)的方案選擇問(wèn)題。而對(duì)于交通領(lǐng)域,決策者在進(jìn)行方案選擇時(shí)不僅受到費(fèi)用的影響,還有出行的時(shí)間及距離等因素的影響。同時(shí),出行者由于個(gè)人屬性、認(rèn)知水平、風(fēng)險(xiǎn)態(tài)度以及偏好程度的不同,必然導(dǎo)致出行決策的不同。因此,將累積前景理論應(yīng)用于出行選擇行為預(yù)測(cè)時(shí),首要解決的問(wèn)題就是如何設(shè)定參數(shù)值以體現(xiàn)不同出行者的差異。

2.1 調(diào)查問(wèn)卷設(shè)計(jì)

文中參考Kahneman 和 Tversky在博彩實(shí)驗(yàn)中采用的方法以及文獻(xiàn)[16]提出的前景理論參數(shù)標(biāo)定方法,通過(guò)設(shè)計(jì)3套不同問(wèn)卷,分別對(duì)累積前景理論參數(shù)值λ、α、β以及γ、δ進(jìn)行重新標(biāo)定。

問(wèn)卷面向上海市有過(guò)共享電動(dòng)汽車使用經(jīng)歷的居民,假設(shè)被調(diào)查者在使用共享電動(dòng)汽車時(shí),對(duì)停車點(diǎn)與目的地的預(yù)期距離為400 m。某次用車途中提示車輛需要進(jìn)行充電,并且被調(diào)查者將前往的停車點(diǎn)1無(wú)法對(duì)車輛進(jìn)行充電。被調(diào)查者可以:1)繼續(xù)前往停車點(diǎn)1;2)選擇可以充電的停車點(diǎn)2(比停車點(diǎn)1多走400 m才能到達(dá)目的地,但會(huì)根據(jù)其多走距離為其提供相應(yīng)費(fèi)用補(bǔ)償,且車輛多駛出距離不會(huì)產(chǎn)生費(fèi)用)。

問(wèn)卷一:某次出行時(shí)停車點(diǎn)1距目的地的實(shí)際距離與預(yù)期距離以50%可能增加50 m,以50%可能減少xm;停車點(diǎn)2多走距離不變,為400 m。

問(wèn)卷二:某次出行時(shí)停車點(diǎn)1距目的地的實(shí)際距離與預(yù)期距離相比以p的概率減少300 m,以(1-p)的概率保持不變;停車點(diǎn)2多走距離一定減少ym時(shí)被調(diào)查者會(huì)選擇停車點(diǎn)2。

問(wèn)卷三:某次出行時(shí)停車點(diǎn)1距目的地的實(shí)際距離與預(yù)期距離相比以p的概率增加300 m,以(1-p)的概率保持不變;停車點(diǎn)2多走距離一定增加ym時(shí)被調(diào)查者會(huì)放棄停車點(diǎn)2。

問(wèn)卷一中,x的值為50、100、150、200、250、300。問(wèn)卷二與問(wèn)卷三中,p的值為1%、10%、25%、50%、75%、90%、99%;y的取值為50、100、150、200、250、300。

問(wèn)卷一可用來(lái)求解表示決策者的損失規(guī)避程度的參數(shù)λ值,即損失相比同樣幅度的收益在心理上的感受程度。假定當(dāng)x≤50時(shí),被調(diào)查者全部選擇停車點(diǎn)2;當(dāng)x≥150時(shí),被調(diào)查者全部選擇停車點(diǎn)1,表明被調(diào)查者對(duì)距離損失50 m與損失100 m(取50與150的中間值)的心理感受相同,可求得λ=100/50=2。

問(wèn)卷二為正前景的題目,即收益型問(wèn)題,可以求解α和γ的值。假設(shè)p=25%,y≤50時(shí),被調(diào)查者全部選擇停車點(diǎn)1;當(dāng)y≥150時(shí),被調(diào)查者全部選擇停車點(diǎn)2。說(shuō)明被調(diào)查者對(duì)于“25%的概率損失300 m,75%的概率保持不變”的心理感受與“一定減少100 m(取50與150的中間值)”的心理感受相同。當(dāng)p取值不同時(shí)則有不同的選擇結(jié)果。根據(jù)累積前景理論的計(jì)算公式,采用非線性回歸的方法,即可求得參數(shù)α和γ的值。

問(wèn)卷三為負(fù)前景的題目,即損失型問(wèn)題,可以求解β和δ的值。具體求解方法同問(wèn)卷二。

考慮到被調(diào)查者難以準(zhǔn)確表達(dá)“等價(jià)多少”的問(wèn)題,問(wèn)卷通過(guò)被調(diào)查者多次選擇從而推斷不同停車點(diǎn)在其心中確定的等價(jià)值情況,而非被調(diào)查者直接選擇等價(jià)結(jié)果。最終利用非線性回歸方法可以求得α、γ、β和δ的值。

2.2 問(wèn)卷數(shù)據(jù)統(tǒng)計(jì)分析

三套問(wèn)卷在不同網(wǎng)絡(luò)平臺(tái)共收集159份,篩除有明顯錯(cuò)誤的問(wèn)卷并選取擬合優(yōu)度R2>0.7的問(wèn)卷為有效問(wèn)卷,共得到有效問(wèn)卷150份,有效率為94%。三套問(wèn)卷的有效份數(shù)分別為51份、49份和50份。

根據(jù)三套問(wèn)卷調(diào)查所得150份有效問(wèn)卷,對(duì)被調(diào)查者的基礎(chǔ)信息,包括性別、戶口性質(zhì)、年齡、學(xué)歷、職業(yè)、收入、私家車擁有情況、駕齡、電量在意程度以及停車點(diǎn)選擇進(jìn)行統(tǒng)計(jì)分析,結(jié)果如表1所示。

表1 調(diào)查結(jié)果統(tǒng)計(jì)表

由表1可知,被調(diào)查者男女比例相差不大,說(shuō)明本調(diào)查不存在明顯的性別傾向;本地人口與外地人口占比較符合當(dāng)?shù)氐娜丝诮M成情況;問(wèn)卷通過(guò)各網(wǎng)絡(luò)平臺(tái)發(fā)布,所以被調(diào)查者在年齡組成上更傾向于中青年群體,其中學(xué)生占比32%,且學(xué)歷組成中大專及以上的群體占比最大,這也解釋了部分被調(diào)查者收入偏低以及駕齡較短的現(xiàn)象;60%以上的被調(diào)查者擁有私家車,表明部分擁有私家車的群體同無(wú)私家車的用戶均具有共享電動(dòng)汽車使用需求,調(diào)查樣本具有代表性;被調(diào)查者對(duì)于出行時(shí)共享電動(dòng)汽車電量的在意程度集中于6～10分,且平均得分為9.07分,表明用戶對(duì)所用車輛的電量水平敏感度很高,即共享電動(dòng)汽車用戶在用車時(shí)車輛的電量水平對(duì)其使用體驗(yàn)影響很大。此外,當(dāng)為用戶提供獎(jiǎng)勵(lì)時(shí),有接近60%的被調(diào)查者愿意多走一段距離將車輛停放在可為共享電動(dòng)汽車充電的停車點(diǎn)。

2.3 參數(shù)標(biāo)定

基于問(wèn)卷調(diào)查數(shù)據(jù)可對(duì)累積前景理論參數(shù)進(jìn)行標(biāo)定。參數(shù)λ可從問(wèn)卷一中求得,根據(jù)問(wèn)卷的數(shù)據(jù)統(tǒng)計(jì)分析可知,當(dāng)x≤50時(shí),被調(diào)查者全部選擇停車點(diǎn)2;當(dāng)x≥200時(shí),被調(diào)查者全部選擇停車點(diǎn)1,則可以求得λ=125/50=2.5。

利用問(wèn)卷二、三所得數(shù)據(jù)并通過(guò)非線性回歸迭代驗(yàn)算得出其他參數(shù)結(jié)果,如表2所示。

表2 參數(shù)估算值

Kahneman和 Tversky在博彩實(shí)驗(yàn)中得到參數(shù)0<α、β<1,為α=β=0.88[20]。本研究結(jié)果與其相似,表明無(wú)論是收益還是損失狀態(tài)的決策,價(jià)值函數(shù)的敏感性都是隨著收益或損失的增大而逐漸減弱,即共享電動(dòng)汽車用戶對(duì)于目的地與停車點(diǎn)的實(shí)際距離與預(yù)期距離差值變化的心理感受強(qiáng)度,隨著該值的持續(xù)增加或減小而變?nèi)?。Kahneman 和 Tversky得到參數(shù)λ=2.25,γ=0.61,δ=0.69,其中λ越大表示決策者越傾向于規(guī)避損失,γ和δ越大表示決策者越迷戀小概率事件。結(jié)合文中研究參數(shù)λ、γ和δ,由于前往停車點(diǎn)2存在激勵(lì)手段,共享電動(dòng)汽車用戶更傾向于規(guī)避停車點(diǎn)1的距離損失,即當(dāng)目的地與停車點(diǎn)1的距離增大時(shí),其更傾向于放棄停車點(diǎn)1;用戶對(duì)于小概率事件的迷戀程度稍弱,即當(dāng)用戶已知目的地與停車點(diǎn)2的距離增大或減小,而目的地與停車點(diǎn)1的距離增大或減小某一確定距離的可能性較小時(shí),用戶更愿意選擇停車點(diǎn)2,表明相較于距離目的地更近的停車點(diǎn)1,部分共享電動(dòng)汽車用戶可以忍受多走一段距離而獲得額外的獎(jiǎng)勵(lì)。

3 用戶參與充電調(diào)度意愿分析

3.1 基于累積前景理論的Logit模型

Logit模型作為基于隨機(jī)效用理論的經(jīng)典模型,經(jīng)常被用作交通出行選擇的概率預(yù)測(cè),但該模型假設(shè)出行者決策呈完全理性。通過(guò)累積前景理論對(duì)基于隨機(jī)效用理論的Logit模型進(jìn)行改進(jìn),即使用累積前景值CPV代替效用函數(shù)Ui,j的確定項(xiàng)Vi,j,能夠消除傳統(tǒng)隨機(jī)效用理論在交通出行選擇研究中的局限性,對(duì)交通出行選擇概率預(yù)測(cè)的研究更具適用性[21]。

Ui,j=Vi,j+εi,j=CPVi,j+εi,j

(10)

(11)

式中:Ui,j為出行者i選擇第j種出行方案的效用值;Vi,j為效用函數(shù)的確定項(xiàng);CPVi,j為出行者i選擇第j種出行方案的累積前景值;εi,j為效用函數(shù)的隨機(jī)項(xiàng);Pi,j為出行者選擇第j種出行方案的預(yù)測(cè)概率。

3.2 用戶參與充電調(diào)度意愿預(yù)測(cè)

通過(guò)上述經(jīng)累積前景理論修改的Logit模型,可對(duì)非理性心理因素影響下的共享電動(dòng)汽車用戶停車點(diǎn)的選擇,即參與共享電動(dòng)汽車充電調(diào)度的概率進(jìn)行預(yù)測(cè),針對(duì)調(diào)查問(wèn)卷中所設(shè)情景的充電調(diào)度參與概率預(yù)測(cè)結(jié)果如表3所示。

表3 用戶參與充電調(diào)度選擇概率統(tǒng)計(jì)結(jié)果

表3的結(jié)果對(duì)比表明,通過(guò)模型計(jì)算得到的預(yù)測(cè)選擇概率和實(shí)際調(diào)查所得選擇概率的誤差在允許的-1.5% ～ 4.5%以內(nèi),表明基于累積前景理論的共享電動(dòng)汽車用戶參與充電調(diào)度預(yù)測(cè)模型具有較高的擬合優(yōu)度,可用于預(yù)測(cè)不同情景下共享電動(dòng)汽車用戶參與充電調(diào)度的概率。同時(shí),結(jié)果再次表明,當(dāng)為共享電動(dòng)汽車用戶提供獎(jiǎng)勵(lì)時(shí),存在一部分用戶愿意放棄距離其目的地更近的停車點(diǎn)而將車輛駕駛到距離目的地較遠(yuǎn)但可以為車輛充電的停車點(diǎn),研究結(jié)果能夠?yàn)楣蚕黼妱?dòng)汽車充電設(shè)施布局提供參考。

3.3 用戶參與充電調(diào)度意愿的敏感性分析

用戶參與充電調(diào)度的意愿受距離的影響顯著,為探究距離對(duì)用戶參與充電調(diào)度意愿的影響,采用彈性分析法分析共享電動(dòng)汽車用戶前往可充電的停車點(diǎn)2比停車點(diǎn)1多走出距離的變化對(duì)停車點(diǎn)選擇概率的影響。彈性分析經(jīng)常應(yīng)用于經(jīng)濟(jì)學(xué)領(lǐng)域,以探究?jī)r(jià)格等因素對(duì)相關(guān)結(jié)果的影響[22]。在交通領(lǐng)域,直接彈性分析被作為定量分析各種措施影響下相關(guān)結(jié)果變化的代表方法[23]。

直接彈性分析可以用經(jīng)濟(jì)學(xué)中的點(diǎn)彈性來(lái)表示,在文中用以分析不同距離對(duì)用戶選擇停車點(diǎn)的影響,其公式表達(dá)為

(12)

根據(jù)所構(gòu)建的基于累積前景理論的Logit模型,設(shè)定共享電動(dòng)汽車用戶到達(dá)停車點(diǎn)2后再前往目的地時(shí)比停車點(diǎn)1多走的距離分別是其預(yù)期的0.4倍、0.6倍、0.8倍、1.2倍、1.4倍、1.6倍、1.8倍和2倍。調(diào)查所設(shè)計(jì)的多走距離為400 m,因此進(jìn)行彈性分析時(shí)分別針對(duì)停車點(diǎn)2比停車點(diǎn)1多走160 m、240 m、320 m、480 m、560 m、640 m,720 m和800 m進(jìn)行計(jì)算分析。經(jīng)過(guò)求解得到隨距離變化的停車點(diǎn)選擇概率的分布如圖3所示和用戶的距離彈性系數(shù)分布如圖4所示。

圖3 用戶停車點(diǎn)選擇概率分布

圖4 用戶的距離彈性系數(shù)分布

由圖3和圖4可知,用戶參與充電調(diào)度意愿隨著多走距離的增大而減小,并當(dāng)用戶多走距離上升至預(yù)期多走距離的2倍時(shí),用戶不參與充電調(diào)度的意愿開(kāi)始大于參與充電調(diào)度的意愿。同時(shí),在0.4至1.2倍時(shí),用戶選擇停車點(diǎn)2的彈性系數(shù)為負(fù)且逐漸增加,表明在該距離范圍內(nèi)用戶參與充電調(diào)度概率減小的幅度在降低,同理也表明用戶不參與充電調(diào)度概率增大的幅度在降低;當(dāng)距離為1.4倍及以上時(shí),用戶參與充電調(diào)度概率減小的幅度變大,同理用戶不參與充電調(diào)度概率增大的幅度變大。此外,當(dāng)距離增大時(shí),用戶對(duì)停車點(diǎn)2的選擇概率整體變化幅度比較平緩,參與充電調(diào)度的意愿整體降低幅度較小,為20%左右,表明雖然用戶到達(dá)目的地的距離增大,但激勵(lì)措施的存在一定程度上降低了用戶對(duì)距離損失的敏感程度,用戶仍有一定意愿參與充電調(diào)度,為用戶提供獎(jiǎng)勵(lì)激勵(lì)其參與充電調(diào)度的方法是有效的。

進(jìn)一步分析可知,當(dāng)用戶多走距離在1.2倍左右時(shí),即與問(wèn)卷預(yù)設(shè)多走距離相差不大時(shí),用戶對(duì)距離收益或損失的感知較弱,并且距離增大時(shí)的選擇概率變化幅度高于距離減小時(shí)的選擇概率變化幅度,此結(jié)果符合前景理論中決策者面對(duì)損失時(shí)的敏感程度高于面對(duì)收益時(shí)的敏感程度的特點(diǎn)。

4 結(jié) 論

文中針對(duì)共享電動(dòng)汽車用戶參與充電調(diào)度的意愿進(jìn)行研究,通過(guò)設(shè)計(jì)問(wèn)卷,對(duì)上海市有過(guò)共享電動(dòng)汽車使用經(jīng)歷的居民,調(diào)查其在激勵(lì)措施下對(duì)有無(wú)充電設(shè)施的停車點(diǎn)的選擇行為,獲取數(shù)據(jù)對(duì)累積前景理論中的參數(shù)進(jìn)行標(biāo)定,結(jié)果表明激勵(lì)措施的存在可以降低出行者面對(duì)損失時(shí)的敏感度。此外,通過(guò)構(gòu)建基于累積前景理論的Logit模型對(duì)共享電動(dòng)汽車用戶參與充電調(diào)度的意愿進(jìn)行預(yù)測(cè),結(jié)果表明模型具有較高的擬合優(yōu)度,可用于預(yù)測(cè)不同情景下共享電動(dòng)汽車用戶參與充電調(diào)度的概率,從而可為共享電動(dòng)汽車充電設(shè)施布局及運(yùn)營(yíng)提供相關(guān)參考。