混合电动车采用的空间效应外文翻译资料

英语原文共 13 页，剩余内容已隐藏，支付完成后下载完整资料

混合电动车采用的空间效应

刘晓莉 马修 C·罗伯特 拉姆兹·西莫桑

摘要：

本文考察了混合动力电动汽车（HEV）采用的空间效应。 这是与大多数现有分析对比之后的结果，这些分析集中于分析社会经济因素和人口统计。 本文使用一般的空间模型来估计强度“邻居效应”对HEV的采用 - 即每个消费者的HEV采用决定可以受到地理邻居的HEV采用决策的影响。 我们使用详细的2010年美国人口普查和2012年人口普查的人口统计数据美国社区调查和车辆登记数据，由俄亥俄州局收集的汽车数据。 我们发现HEV采用表现出显着的空间效应。 我们进一步进行时间序列分析，并表明历史HEV采用的空间对未来采用的影响。 这些结果表明HEV和不考虑空间效应预测的模型相比，可以出现在更密集的簇中。

关键词：混合动力电动汽车，技术采用，空间效应。

1. 引文

混合动力电动汽车（HEV）拥有内燃机和电力推进系统。 这允许在车辆的动能转换的时候可以为在减速时对电池充电的电能。 这个电能是当HEV随后加速以实现更好的燃料经济性时使用。 HEV代表了快速发展的交通技术，与其他类型的非传统车辆相比，被客户广泛接受。Block和Harrison（2014）报告说，1999年以前在美国共售出约300万辆HEV和丰田普锐斯，在2000年进入美国市场，结果所有HEV销售一空，代表了41.8％的市场份额（截至2015年年底），其次是丰田凯美瑞和本田思域的HEV版本。

预测未来HEV采用是有趣的，有很多原因。 Sioshansi和Denholm（2010，2009）表明HEV可以相对于常规引入运输能量和成本节约和相关联的排放减少

汽车。这些效率是政策制定者感兴趣的。另一个是HEV采用模式可以用作代理

以采用尚未如HEV一样成熟的其他更先进的运输技术。这包括插件电动车（PEV）。虽然HEV的采用不是PEV采用的一个完美的代理，人们可以期待一些类似两种技术之间的采用动态。 Egbue and Long（2012）和Plouml;tz等人（2014）注意到最初通过的新型车辆技术往往被技术爱好者或早期采用者所主导。同时，Axsen和Kurani（2012）指出了车辆技术早期采用者和随后采用者之间的人际影响（当该技术被更广泛地采用）。我们相信，研究HEVs采用的这种动态可以提供有用的洞察PEV采用的未来可能的轨迹。 最后，Tuttle和Baldick（2015）明确指出，

由于HEV技术的先进性和采用的动力学，一些研究使用过去的HEV采用率可以作为预测未来PEV采用的基线。

PEV的采用引起了相对于采用HEV的额外关注，因为PEV包括可充电的电池。 PEV对电力系统的影响取决于它们被采用的速度和程度，他们的所有者在地理上聚集。 作为例子，Collins和Mader（1983）和Mohseni和Stevie（2009）分析在美国两个地区可能采用的PEV。他们发现PEV的显着聚类是可能的，这可能产生极高的分布级负载，这可能需要大量的基础设施投资。主动这样的投资的规划，需要知道PEV可以聚集的程度以及这样的聚类可能在何处出现。

大多数HEV采用的实证研究只关注社会经济和人口因素的影响。这些研究

揭示了HEV采用的一些地理聚类，因为具有相似的社会经济学和人口统计学趋势的人聚类。 然而，这些研究没有捕捉到直接邻居效应，这是每个消费者的HEV采用决策可能受到地理邻居的HEV采用决策的影响。 因此，这些研究可能导致有偏差的估计而低估了地理聚类。

在本文中，我们明确研究这种邻域效应对HEV采用，填补这个差距在现有的文献。 我们用一般空间模型的几个变体来估计这些邻域效应的强度。 使用受众特征数据2010年美国人口普查和2012年美国社区调查和车辆登记数据从俄亥俄州汽车，我们证明HEV采用表现出统计上显着的空间效应。 我们也进行时间序列分析并表明历史HEV采用对未来采用具有显着的空间效应。 其余的本文组织如下。 第2节调查其他HEV采用研究。 第3节讨论空间的结构模型用于我们的分析。 我们详细描述了第4节中我们的分析中使用的数据，并在第5节总结了我们的结果，最后第6节总结。

1. 文献评论

根据Musti和Kockelman（2011），单位车辆价格，车辆类型或类别，以及燃料经济性是最多的影响车辆采用决策的重要因素。Curtin等人（2009）研究经济因素的影响，环境态度和对HEV采用的非经济态度。他们得出结论，虽然经济考虑对HEV购买概率，环境和其他非经济态度有显着影响更大的影响。他们还提供可以估计不同家庭的HEV购买概率的模型关于社会经济和人口变数，包括居住地区（即城市与农村）。虽然居住地区包含在这个模型中，它没有明确捕获空间效果。尽管如此，他们的研究建议一些聚类的HEV采用，由于具有类似社会经济学和人口统计学的个人聚类。 Gallagher和Muehlegger（2011）研究了不同激励机制（如税收补贴）对消费者的相对效果HEV采用。与Curtin等人的工作一样（2009），这种分析忽略了空间效应。Rezvani等人（2015）提供对消费者采用PEV的驱动因素和障碍的全面概述。他们的工作重点消费者对PEV的看法，因为这是技术采用的重要驱动力。

Axsen和Kurani（2011）进行了迄今为止对PEV采用的少数分析之一，捕获空间影响。其研究侧重于调查社会交往对影响PEVs感知的影响。这是通过映射完成的社会网络，它提供了社会情节日记，排列不同的人际关系经验的影响，并评估人际交往如何影响对PEVs的态度。为了映射人们的社交互动，他们进行详细的四到六个星期的10个家庭的个人社交网络的研究。 Axsen和Kurani（2011）的工作与我们相比有两个重要的区别。首先，因为他们专注于社交网络对PE的空间影响采用，他们的研究依赖于一个小数据集。这是因为他们必须构造每个主体的社交网络是一个耗时的过程。因为我们的研究集中在地理网络的空间影响（即HEV采用空间邻居对个人的采纳决策），在我们的案件覆盖整个俄亥俄州，我们可以使用更大的数据集。然而，这也是我们分析的限制。我们不模拟的效果HEV由个人的社交网络中的人采用，而不是由车辆购买上的地理邻居决定。

1. 空间模型结构

空间分析成功应用于经济学的许多子领域，包括经济增长理论和区域和劳动经济学。 根据Ward和Gleditsch（2008），使用这些技术是由于对学习的兴趣社会实体之间的相互作用。 这是因为在许多情况下，个人行为的结果不是仅仅依赖于个体的属性，而且还取决于个体的物理位置和与他人的交互。

Paelinck和Klaassen（1979），Anselin（1988）将空间计量经济学描述为计量经济学的子领域，在横截面的回归模型中的空间相互作用（即自相关）和结构（即，异质性）面板数据。 LeSage和Pace（2009）确定了区分空间和传统计量经济学技术的两个特征：（i）观测之间存在空间依赖性，或（ii）空间异质性发生在建模关系中。空间计量经济学广泛应用于许多研究领域，包括社会，政治和地理科学。这是因为传统的计量经济学技术假设均匀性和观察之间没有空间相关性，而空间聚类是实践中的常见现象。 简单地说，假设观察是合理的不是彼此独立的，因为大多数数据是在空间模板上组织的。省略空间效果，如果他们

存在，可能导致不一致的模型估计。

我们从3.1节开始介绍我们评估的三个空间模型类型。 然后讨论两个标准

确定空间效应在第3.2节中的数据集和可能的方法中是否重要的方法用于确定三个模型中哪一个最好地捕获第3.3节中的数据中的重要空间特征讨论了3.4节和3.5节中基本空间模型的两个有趣的扩展，分别研究了时滞和边际效应。

3.1空间计量经济学模型

Anselin等人（2004）调查了大量的空间计量经济学模型。 我们选择在这里使用的三个模型，空间自回归（SAR），空间误差（SE）和地理加权回归（GWR）模型是最简单的空间模型。 此外，它们是非空间回归模型的概念模拟，并且已经证明了它们的可靠和灵活。

3.2空间自相关的测试

空间分析集中在两种类型的空间关系—数据集内的自相关或自相关中残差。 我们概述了用于测试这些类型的关系的两种标准技术。

3.3选择空间模型

一旦确定空间效应在数据集中可能很重要，下一个问题是：什么是空间效应的模型使用。 重要的是要注意，在这种情况下估计没有空间效应的模型可能导致偏差和不一致的参数估计。 一种选择空间模型的可能方法，LeSage和Pace（2009）提到，是比较在发现每个模型的最大似然估计之后获得的对数似然值。 这是因为对数似然函数表示特定参数值适合观测数据的可能性。 具有较大对数似然值的模型在估计的模型中最好地拟合观测数据。

如果对数似然值不能在模型之间进行区分（例如，因为值非常接近信息标准，例如Akaike信息准则（AIC）和Schwarz-Bayesian信息准则（SBC）。 AIC和BIC提供了当使用给定模型表示过程时丢失的信息的估计生成给定的数据集。 AIC和SBC仅提供关于两个统计模型与a的相对拟合的信息给定数据集。 他们不提供任何绝对信息。 因此，人们不能得出结论，一个模型是否“好”是基于AIC或SBC。 相反，可以得出结论，一个模型提供了比另一个更好的拟合（基于信息丢失）。

3.4时滞空间模型

空间计量经济学模型的一个潜在用途是理解捕获的空间效应的时间动力学该模型。 如第4节所讨论的，我们的案例研究采用这些模型中的y向量为注册的HEV的数量每1000个乘客车辆在每个空间单位。 X矩阵包含许多人口统计和社会经济变量。 因此，模型允许我们进行静态分析，因为我们可以研究直接和

HEV采用与空间单位的人口和社会经济特征之间的空间关系某个时间点。

一个重要和有趣的问题可能是检查HEV采用的时间动态。 例如，可以想知道什么效果时间滞后的HEV采用对随后的HEV采用。 具有这种结构的模型可以例如，允许例如检查技术爱好者（在早期采用阶段）期间HEV的采用如何影响一旦技术得到更广泛采用，随后采用。

3.5边际效应分析

使用空间计量经济学模型引发的一个自然问题是如何确定边际效应在一个空间单元中对于其他空间单元中的因变量值。 来演示这样的分析完成后，考虑标准的GWR模型。

1. 案例研究数据

我们的案例研究集中在俄亥俄州的HEV采用。 我们使用两个主要数据集，在本节中讨论，为我们的分析。 在4.1节中，我们讨论了从俄亥俄州的车辆登记数据汽车（BMV）。 第4.2节介绍了所使用的人口普查层面的社会经济和人口统计数据是从美国人口普查局获得。 最后，第4.3节解释了空间加权矩阵如何确定SAR，SE和GWR模型以及我们的空间建模的一些限制。

4.1俄亥俄州机动车辆数据

BMV报告在俄亥俄州注册的每辆汽车的数据。 这包括车辆识别号（VIN），注册日期，注册失效日期（如适用）和注册地址。 车辆也按类型分类，例如客车（包括轻型卡车），重型卡车，公共汽车和市政府和政府所有汽车。 因为我们的分析侧重于个人的HEV采用，我们只考虑乘用车我们的分析。

我们研究在俄亥俄州的空间单位内HEV的采用渗透。我们使用2943个人口普查区在美国人口普查局定义的俄亥俄州，作为我们的分析中的空间单位。人口普查区相对较小国家的永久统计细分。但是，在每次十年一次普查之前，人口普查区被更新美国人口普查局的参与者统计区域计划的一部分。人口普查区的主要目的是为统计数据的呈现提供一组稳定的地理单位。人口普查区的目标人数为4000人，尽管在实践中，它们可以在1200和8000之间变化。与其他地理分区（例如，邮政编码）普查不同小区在每个十年内保持相对稳定。我们定义HEV在每个人口普查中的采用渗透为每1000辆客车（包括HEV和其他车辆类型）注册的HEV的数量在2001年和2012年之间。这些采用渗透是我们空间中的“左手边”或“y”变量楷模。我们的分析使用截至2012年年底未结算的车辆注册 - 失效注册通常表明车辆已经转售，从国家出来，或者在俄亥俄州的原始状态下不能正常使用注册人。在俄亥俄州转售的车辆在BMV数据集中出现作为失效登记

原拥有者和新拥有者的新注册。因此，我们使用最新的未注册的任何VIN多次出现在BMV数据中。

使用BMV数据和Esri中报告的注册地址将车辆注册映射到人口普查块ArcGIS软件。 我们有85％的地理编码匹配率，即15％的车辆注册未成功关联一个人口普查区，被排除在我们的分析之外。 无与伦比的车辆注册通常表示数据质量问题。一个常见的数据质量问题是BMV员工或其他进入车辆注册数据的数据输入不良BMV数据库。 排除具有无与伦比的地址的车辆注册可能会偏离我们的模型估计，如果有的话系统偏差，其中车辆具有不匹配的地址（例如，来自某些人口普查区或某些类型的车辆）。我们对无与伦比的车辆注册的分析没有显示任何这样的偏见。 因此，我们不期待任何事情，所以对我们的模型估计值引入了重要的偏差。

我们确定在每个人口普查块中注册的车辆中有哪些是基于VIN的HEV。具体地，每个车辆制造商将车辆型号，动力系，车身类型和其他信息编码到VIN中。此编码不标准化在车辆制造商之间。此外，VIN编码可以从一代车型改为下一个。我们能够找到正规表达式来解码八个最畅销的HEV模型的VIN，代表约85％的HEV销售在美国。与不匹配的车辆注册，不包括我们的HEVs如果

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[137819]，资料为PDF文档或Word文档，PDF文档可免费转换为Word