STECO蓄电池揭示中国城市层面电动汽车电池容量偏好的时空格局及影响因素
在电动汽车(EV)快速扩展包的背景下，单车电池容量已成为连接电池总需求、全生命周期碳排放与关键矿产安全的核心变量。然而，针对高颗粒度层面电池容量统计特征与演化机制的系统性实证研究仍显不足。基于2019至2024年涵盖电动汽车销量与特性、气候条件、基础设施、社会经济因素及市场状况的多维度城市级数据集，我们开发了一个高分辨率、时空限制级、可解释的机器学习框架。该框架将随机森林模型与沙普利加性解释分析相结合，以识别电池容量偏好的关键驱动因素。结果表明，在国家层面，中国纯电动汽车的平均电池容量已从2019年的46.9千瓦时提升至55千瓦时。2024年研究期间电池容量中位数升至9千瓦时，但不同城市群间表现出显著的时空分异与区域效应。车型偏好、市场成熟度及气候条件是形塑电池容量选择的关键因素，这些变量的影响呈现明显的空间异质性。多数城市的公共充电设施并非通过直接缓解里程焦虑，而是通过培育有利于电动汽车普及的市场环境来影响容量选择。这些研究结果为管理电动汽车电池需求及相关影响以实现可持续电气化提供了数据支撑。
引言
电气化被视为减少交通运输领域温室气体（GHG）排放的主要途径[1][2][3]。这场大规模转型推动了电池需求的前所未有增长。过去十年间，全球电动汽车（EV）电池需求量呈指数级增长，从2014年的约10吉瓦时激增至2024年的约950吉瓦时，增幅达94倍[4]。作为全球最大的电动汽车市场，中国在这一发展轨迹中占据核心地位，2024年需求量达540吉瓦时，占全球总需求的56.8%[4][5]。
电池需求的快速增长不仅由飙升的销量驱动，还源于电动汽车单车电池容量的提升。更大容量的电池可延长续航里程，这既符合消费者偏好，又能缓解里程焦虑。预测表明，电池制造成本的预期下降可能推动2021至2030年间平均电池容量增长20%[6][7]。然而，更高容量的电池虽能缓解里程担忧，却会显著增加全生命周期温室气体排放，并加剧对锂、镍等关键矿产的需求[8][9]。
近期研究已开始质疑"电池容量越大越优"的固有认知，转而从消费者选择、驾驶行为及成本效用配对等视角探索纯电动汽车电池的最优配置[10]。部分研究采用遗传算法（genetic algorithms）基于特定驾驶循环周期确定最优容量[11]，另有学者考察了电池尺寸与充电功率间的协同效应[12]。但现有研究多聚焦于单一车辆或消费者层面，尚未触及区域异质性这一维度。此外，在气候与能源系统建模、资源管理及基础设施景观规划背景下，区域或城市层面的平均电池容量统计特征往往更具决定性。例如，Xu与Behrens[13]评估了电动车队的车网互动潜力，假设未来纯电动汽车将主要采用容量相对较小的电池（33千瓦时），并得出结论：到2030年大多数区域的电动车队可满足短期电网调节需求。尽管此类假设对于前瞻性建模研究至关重要，但其结论本质上取决于电池容量路径的设定方式。实践中，电池偏好呈现显著的时空异质性[14]，然而其演化模式与内在驱动机制仍缺乏充分的实证表征。因此，城市层面的分析对理解这些偏好具有关键意义。
早期关于电动汽车电池容量的研究主要集中于消费者对续航里程的偏好。这些研究发现了影响里程偏好的多重决定因素，包括实际出行需求、对电动汽车技术的熟悉程度、源自内燃机车辆的续航经验值，以及个人情感与风险认知[15][16][17][18]。然而，这些研究往往依赖于调查中获取的陈述性偏好数据，而非实际购买行为所反映的显示性偏好数据。越来越多的证据表明，电动汽车市场中消费者的态度与行为存在脱节现象——其表达的关注点与最终购买决策并不总是一致[19][20]。此外，传统统计方法通常对数据分布和函数形式施加严格假设，这限制了其捕捉变量间复杂非线性交互作用的能力[21]。这要求构建一个能够捕捉城市间复杂非线性关系和显著空间异质性的分析框架，同时确保在聚合层面仍具有可解释性。
为填补这一研究空白，我们聚焦中国纯电动汽车（BEV）市场，采用基于分解的分析方法量化单车电池容量增长对中国电池总需求扩展包的贡献。基于2019至2024年中国城市级电动汽车销售全量数据集，结合可解释机器学习（ML）框架，我们探究了影响电池容量偏好的关键因素。潜在驱动因素被划分为八大主题组，涵盖环境条件、基础设施、社会经济和市场动态。该方法使我们能够建模多性向城市属性间复杂的非线性关系，同时保持模型结果解释的透明度，从而为识别异质性城市情境下电池容量选择的关键驱动因素提供坚实依据。
上一篇：面向汽车产业链大类培养
下一篇：STECO蓄电池可持续发展效益与科学知识塑造美国消费者对新型智能手机电池技术的偏好
