深度分析报告:Do Determinants of EV Purchase Intent vary across the Spectrum? Evidence from Bayesian Analysis of US Survey Data
1. 元数据与概览
报告标题:
Do Determinants of EV Purchase Intent vary across the Spectrum? Evidence from Bayesian Analysis of US Survey Data
作者及机构:
Nafisa Lohawala,Resources for the Future,华盛顿DC,美国
Mohammad Arshad Rahman,印度理工学院坎普尔经济科学系,印度
出版时间及背景:
分析基于2021至2023年美国Pew Research Center大规模调查数据,采用贝叶斯序数概率模型和序数分位数模型,聚焦电动车(EV)购买意愿的决定因素及其在意愿分布上的异质性。旨在填补现有文献多聚焦平均效应的空白,首次引入序数分位数模型分析EV购买意愿的分布异质,揭示不同消费者群体对关键影响因素的响应差异。
主题:
探讨多种认知和信任相关变量(EV信息曝光、环保效益认知、政府气候变化行动认知及对充电基础设施建设信心)如何影响美国消费者的电动车购买意愿,及其效应在意愿分布上的变化。
核心论点与结论:
EV购买意愿受多种因素影响,但这些因素在不同购买意愿等级上的影响程度显著不同。
充电基础设施信心和环保认知不仅推动积极购买意愿,还能减弱持怀疑态度群体的抵抗。
虽然高充电基础设施信心和EV信息高曝光率在受访者中普遍较低,但这两因素对购买意愿有强正面影响。
研究为政策和市场推广提供针对不同消费者细分的精准策略依据。
1 ,1,2,3,4,25,26,27]
2. 逐节深度解读
2.1 引言与研究背景
美国交通部门是主要温室气体排放源,轻型车辆占超过半数排放 (28%)。EV以零尾气排放被视为核心碳减排技术。
政府采取多种激励和政策:联邦7,500美元税收抵免、充电设施投资、州级车辆销售配额,如加利福尼亚ZEV计划。
尽管有政策推动,美国EV新车销量仅占全球10%,远低于中国(60%)和欧洲(25%)。且2024年部分汽车厂商下调目标,消费需求疲软。
政策环境因政府更替剧烈波动,Biden政府推行扩张性补贴和基础设施投资,Trump政府则倾向放松监管、逐步取消联邦税收抵免。
购买EV的实际驱动力核心在于消费者兴趣,受成本、便利性、环境效益认知及充电便利等多重因素影响。
1 ,1]
2.2 研究目的与贡献
研究针对四个主要解释变量:EV信息曝光、EV环保效益认知、政府气候变化行动认知及对充电基础设施建设信心。
控制变量涵盖既往EV拥有状况及基础人口统计属性(年龄、性别、教育、政党归属、地理位置等)。
利用2021-2023三年Pew Research Center代表性全国调查,数据量大(在万人级),大幅优于以往样本量有限的研究。
模型上,采用贝叶斯框架的序数概率模型(ordinal probit)估计平均效应;创新性引入序数分位数模型(ordinal quantile regression),分析不同购买意愿层次的异质效应。
实证揭示充电基础设施建设信心和环保认知对高意愿群体和低意愿群体均有积极影响,显示信息差距和信任缺失是推广瓶颈。
研究首次在EV采纳领域使用了序数分位数建模技术,对全分布的异质性提供细致剖析,丰富了领域方法论。
3 ,3,4]
2.3 数据源与变量描述
来自三项全国性大众舆论调查,采集时间分别为2021年4月、2022年5月及2023年5-6月,样本量分别为11,052、7,173及7,201。
依赖变量是采购意愿的序数指标,共分为四档:“非常可能”、“有点可能”、“不太可能”、“完全不可能”,排除不计划购车者。
主要自变量:
EV Info(2021年):有多少EV信息接触(较多vs较少或无)。
Env Better(2021年):是否认为EV环保优于汽油车(是/否)。
EV Infra(2023年):对基础设施建设信心(极度/非常自信vs其他)。
GACC(所有年份):对政府气候行动评价(过多/适量/过少,以“过少”为参照)。
控制变量包含:EV拥有(Hybrid/EV车主)、年龄、性别、教育水平、婚姻状况(仅后两年)、城市化程度、区域(东北、中西部、南部、西部)、出生国、种族(白人、黑人、其他)、政党归属(民主、共和、独立及其他)、收入等。
描述性统计显示中、高学历受访者占多数,超过半数女性。EV拥有率约10%。地理分布以南部(约40%)最多,东北最少(约15%)。大多数受访者认同政府气候行动“不足”,环保意识普遍较高(72%认为EV环保优越)。
调查期间涵盖疫情前后,数据未显示疫情显著影响购买意愿的总体趋势。
5 ,5,6,7]
2.4 关键变量与依赖变量关联的初步观察(图表解读)
图1(第8页)多面板堆叠柱状图展示了不同分组内意愿层级分布。
高EV信息曝光人群强购意愿达到62%,而低曝光组仅47%。
认知EV环保优越的人群,强购意愿高达66%,否认者则仅19%。
对充电设施建设具高度信心组有83%可能买车,缺乏信心组仅36%。
EV或混动车主的购车意愿明显更高(达81%-84%) vs 非车主(仅40%-50%)。
年龄<50岁群体及女性群体的购车意愿亦相对较高,但女性意愿有轻微下降趋势。
这些直观数据展示了几大核心驱动因子与购买意愿的强关联,有效支持后续模型分析的变量选择和假设。9 ,9]
3. 模型框架与方法论
3.1 贝叶斯序数概率模型(Ordinal Probit)
序数概率模型用于估计有自然排序的离散因变量(EV购买意愿四档)。
利用潜在连续变量 ( z_i = x_i' \beta + \varepsilon_i ),其中 (\varepsilon_i \sim N(0,1)),通过设定区间切点 (\gamma_j),将潜变量映射至观察的离散类别。
应用马尔科夫链蒙特卡洛(MCMC)采样,结合正态先验,解决切点排序约束问题并估计参数后验分布。
重点计算协变量对各类别概率的边际效应,避免简单系数解读带来的误导。
详细算法(算法1)说明参数采样步骤,包括随机游走采样 (\delta)、潜变量 (z) 及回归系数 (\beta)。
11 ,11,12]
3.2 贝叶斯序数分位数回归模型(Ordinal Quantile Regression)
针对不同购买意愿分位数(如20%, 50%, 80%)估计协变量影响,以捕捉影响的异质性。
利用潜变量与异步拉普拉斯误差分布(AL distribution)构建工作似然,通过AL分布的正态-指数混合表示实现高效采样(算法2)。
同样采用MCMC,参数后验采样并计算协变量边际效应,观测不同意愿量级的变量效应差异。
该模型为该领域首次使用,为决策提供更细致的群体差异分析视角。
13 ,13,14,15]
4. 详尽实证结果解析
4.1 贝叶斯序数概率模型估计结果(均值效应)
表2列出三个调查周期各变量的后验均值及标准差,所用先验相对宽松以看重数据驱动。
关键变量全为统计显著,符合预期方向:
EV信息曝光、EV环保认知、充电基础设施信心、既有EV拥有、年轻(<50)、高学历、高收入、都会区居住、政治倾向民主党显著正向推动意愿强烈回答。
反之,认为政府气候行动“过度”、女性、黑人、美国本土出生者意愿较弱。
表3呈现边际效应:
2021年,EV信息丰富者强意愿概率+10.2%,否定概率下降8.5%。
认为EV环保优越者强意愿+15.5%,无意愿下降19.5%。
2023年对充电基础设施信心高者强意愿+19.1%,无意愿-18.8%。
认为政府气候行动过多者强意愿概率降低14.8%-19.7%,无意愿提升19.7%-33.4%。
既有EV车主强意愿溢价19%-23.1%,无意愿降低13.2%-18.1%,表明实际拥有极大促进后续购买意愿。
年龄<50意愿溢价2.8%-3.7%。女性较男性意愿略低2.3%-2.4%。高学历溢价8.6%-10%。都会区和西部居民意愿显著更高。
民主党支持者强烈购车意愿提升13.9%-18.8%,较共和党明显。
这些数据支持了多维度影响电动车购买意愿的理论框架,突显环境认知、政策感知、社会经济和政治因素作用明显。
16 ,16,17,18,19,20]
4.2 序数分位数模型估计结果(分布异质性发现)
表4展示分位数模型参数,表5报告边际效应,均根据20th、50th(中位数)、80th三分位数分别估计。
显著发现:协变量影响在购车意愿分布不同位置差异明显,均值模型掩盖这种异质性。
如:
EV信息暴露对高意愿者影响更大,80th量级中,信息充足人群强意愿溢价12.6%,20th和50th水平分别为6.1%和9.9%。
充电基础设施信心对强意愿群体提升最多20%,对最低意愿者也有一定正面影响达13.3%。
EV环保认知对高意愿贡献更大(高位17.2%),同时对低意愿的负面影响明显减小,表明信念强化积极和抑制消极态度双重作用。
认为政府气候行动“过度”负面影响随意愿层次升高而加剧,高意愿者明显被这一态度拖累。
既有EV拥有者对高意愿者的强烈促进效应最高(22.7%),反映实际体验群体的高度采纳意愿。
民主党身份影响在分布各处存在,强意愿者中民主党优势最大(14.3%)且低意愿者中民主党更少无意愿。
地域(西部)、年龄<50及城市居住身份在各分位均正效应明显。
图3更直观展示上述异质性,明确不同协变量对不同购车意愿层级的概率变动不同,凸显消息传播和政策设计需精细分层。
21 ,21,22,23,24]
5. 风险因素与讨论
消费者对政府气候变化行动持“过度”认知的群体存在明显购买意愿抑制,构成推广EV的意识形态障碍。
充电基础设施信心不足(仅17.5%高信心)凸显广泛面临的信任缺口,且该变量对不同消费层影响显著。
政策和推广活动如果单一强调气候变迁角度,可能加剧低意愿群体的疏离,建议融入经济利益、空气质量和能源安全等多元信息。
先前EV拥有者强烈促进后续购车意愿,建议政策聚焦于降低首次购买门槛,如补贴、试驾体验、社区教育等。
女性、黑人和美国本土出生者购买意愿较低,可能因文化、结构和信息差异,需要包容性政策设计和多样化沟通策略。
政党归属显著影响购买意愿,表明在当前美国政治环境下,电动车推广的政治敏感性,需跨党派多元化倡导。
26 ,26]
6. 结论性综合
本研究首次结合大规模代表性调查数据,使用先进的贝叶斯序数概率及序数分位数建模,深入解析了美国消费者电动车购买意愿的异质影响机制。主要结论包括:
EV购买意愿受到信息曝光、环保认知、充电基础设施信心、既有EV拥有、人口统计及政治归属多种因素共同驱动,且这些变量的影响跨购买意愿层级呈现显著异质性。
充电基础设施信心和环保效益认知对高意愿者强化购车决心,对低意愿者降低抵触情绪,贡献极其关键。
政府气候行动过度认知是促使部分消费者拒绝EV的重要负面因素。
政策建议应聚焦信息推广,强化基础设施投资及沟通,降低首次购车门槛,采用更包容的议题框架,打破政治和文化壁垒。
研究所用图表(如表1的变量描述与分布,图1的堆叠柱状图,表2-5的模型估计与边际效应,以及图3的分位数效应曲线)直观展现了数据的代表性及模型带来的新洞见,具实证说服力。
总体而言,本文为政策制定者和产业推动者提供了极具操作价值的细致消费者细分视角和方法论创新,对于促进美国EV市场的可持续发展具有重要参考意义。
27 ,27,28,29]
7. 图表深度解读(部分重点图示)
表1(第6页):变量描述汇总
描述三年样本人口特征及变量分布,包括收入均值约7-8万美元,EV信息曝光率37.7%(2021年),环保优良认知达72%,充电设施信心仅17.5%(2023年)。
EV拥有率逐年略增至11.3%。
各人口统计组构成稳定,女性约占53%,年龄<50口径略降,教育以大专及以上为主。
EV购买意愿中,强意愿人群占比20%左右,整体购买倾向接近45%-48%。
此表奠定数据样本质量和多样性的基础。
图1(第8页):关键变量与购车意愿堆叠柱状图
不同变量水平下,“可能购买EV”与“不可能购买EV”人群比例显著差异,展示出清晰的态度分层。
EV信息多的群体中,购车意愿显著高于信息少者。
环保认知优良者购车意愿近三倍高于持否定者。
高充电基础设施信心者购车比率接近83%,远超低信心者的36%。
EV车主群体的购车意愿高出非车主30%以上。
直观体现了关键驱动因素对购车意愿的强关联性。
图2(第11页):序数潜变量划分示意图
图示潜变量(z_i)空间如何通过阈值区间划分对应四档购买意愿,方便理解模型建立逻辑。
图3(第24页):分位数模型不同变量效应曲线
分别绘制了EV信息曝露、环保认知、EV拥有、政府气候行动认知(过多/适量)和民主党身份对四个意愿类别的概率影响,横轴为意愿分位数。
清晰展示高意愿群体中信息丰富、环保认知和持有EV者等变量的正效应加强,而对低意愿群体影响减弱。
政府气候行动过度认知在低意愿端对“不可能购买”概率提振,高意愿端则显著抑制“非常可能”概率。
民主党效应在高意愿区尤为显著,强化积极购车概率。
此图释义了报告的核心创新—异质化效应的动态变化。
8. 审慎视角与潜在不足
尽管数据代表性强,但对充电基础设施变量仅能使用2023年单次测量,可能影响时序解读的连贯性。
报告控制了丰富人口统计变量,但其他可能的影响因素如个人驾驶习惯、车辆使用环境、心理行为特征等未涵盖。
由于为相关性分析,部分因果解释存在一定限度,例如EV拥有与购买意愿之间可能存在选择偏差。作者亦指出该点。
政治偏见可能渗透入应答态度,本研究虽体现政治对购买意愿的影响,但如何超越政治局限推动更广泛EV采纳仍有挑战。
虽采用先进贝叶斯技术,分位数模型推断依赖较复杂的统计假设,模型设定与先验可能影响结果稳健性,后续研究可深化模型敏感性检验。
总结
本报告基于大样本、高代表性的美国全国数据,结合贝叶斯序数概率与创新的序数分位数回归模型,较系统深入地揭示了电动车购买意愿的结构性决定因素及其异质性,充分体现信息曝光、环保效益认知、基础设施信心、政治认同和人口统计因素的复合影响。通过细化不同消费群体的行为及态度特征,本研究有效填补了现有EV采纳文献关注度单一、样本规模有限和方法单一的不足。数据表和图示直观展示了关键变量与意愿的强关联,为制定精准有力的推广政策和市场策略提供了实证支撑。政策制定者应重点提升充电基础设施信心和信息普及,同时注重跨政治和人口群体的包容性沟通策略,以推动美国乃至类似市场的电动车普及进程。
参考页码溯源
本分析引用页码详见各段末标注,涵盖核心论述来源于1–10 ,10-15,16-27,28-29],模型细节主要来自11–17 , 实证分析与图表详解见7–10 ,15-24], 讨论和结论参考26–28 。
此详尽解析提供了专业、系统、全面且溯源清晰的报告解构,适合金融、政策及电动车市场研究领域专家学习研判。