二维单中心城市中电动汽车购置和居住选址研究—

Engineering ›› 2025, Vol. 46 ›› Issue (3) : 332 -348. DOI: 10.1016/j.eng.2024.12.001

研究论文

二维单中心城市中电动汽车购置和居住选址研究——多主体微观经济学模型分析

舒超 ^a ,
鲍月 ^a ,
高自友 ^a ,
高在晗 ^b

作者信息 +

Exploring Electric Vehicle Purchases and Residential Choices in a Two-Dimensional Monocentric City: An Agent-Based Microeconomic Model

Chao Shu ^a ,
Yue Bao ^a^,^* ,
Ziyou Gao ^a ,
Zaihan Gao ^b ,

Author information +

文章历史 +

Received	Accepted	Published
2023-12-17	2024-12-01
Issue Date
2025-03-14

PDF (5918K)

摘要

车辆电动化作为降低道路交通碳排放的关键路径，已在全球范围内广泛推进。本研究聚焦于居民在车辆能源结构转型中的适应行为及其对城市空间结构的潜在影响。基于电动汽车与燃油汽车在出行成本上的显著差异，我们在一个二维单中心城市框架下，构建了一个融合空间均衡与多主体建模的微观经济学模型，以分析居民在住房选址与车辆能源类型选择之间的动态决策机制。模型同时考虑了车辆使用年限（车龄）的异质性与公共充电桩的竞争条件。研究结果表明，车龄异质性会加剧由能源类型分化导致的居住隔离，从而可能引发城市扩张与交通拥堵。数值模拟显示，电动汽车的出行成本优势降低了外围区域的通勤成本，激励更多电动车家庭选择远离市中心的居住位置，进一步推动了城市空间向外扩张。本研究揭示了电动化转型中居民行为对城市空间的重塑作用，为理解电动汽车普及与城市发展的复杂互动提供了新的分析视角。

Abstract

Vehicle electrification, an important method for reducing carbon emissions from road transport, has been promoted globally. In this study, we analyze how individuals adapt to this transition in transportation and its subsequent impact on urban structure. Considering the varying travel costs associated with electric and fuel vehicles, we analyze the dynamic choices of households concerning house locations and vehicle types in a two-dimensional monocentric city. A spatial equilibrium is developed to model the interactions between urban density, vehicle age and vehicle type. An agent-based microeconomic residential choice model dynamically coupled with a house rent market is developed to analyze household choices of home locations and vehicle energy types, considering vehicle ages and competition for public charging piles. Key findings from our proposed models show that the proportion of electric vehicles (EVs) peaks at over 50% by the end of the first scrappage period, accompanied by more than a 40% increase in commuting distance and time compared to the scenario with only fuel vehicles. Simulation experiments on a theoretical grid indicate that heterogeneity-induced residential segregation can lead to urban sprawl and congestion. Furthermore, households with EVs tend to be located farther from the city center, and an increase in EV ownership contributes to urban expansion. Our study provides insights into how individuals adapt to EV transitions and the resulting impacts on home locations and land use changes. It offers a novel perspective on the dynamic interactions between EV adoption and urban development.

关键词

电动汽车 / 二维单中心城市 / 多主体模型 / 居住隔离

Key words

Electric vehicles / Two-dimensional monocentric city / Agent-based model / Residential segregation

引用本文

引用格式 ▾

舒超,鲍月,高自友,高在晗. 二维单中心城市中电动汽车购置和居住选址研究——多主体微观经济学模型分析[J]. 工程（英文）, 2025, 46(3): 332-348 DOI:10.1016/j.eng.2024.12.001

登录浏览全文

4963

注册一个新账户忘记密码

1 引言

交通排放长期以来被认为是城市交通的关键问题，也是二氧化碳（CO₂）排放的主要贡献者之一[1‒2]。根据国际能源署（IEA）的数据，仅道路运输产生的CO₂排放量就占全球CO₂排放总量的约六分之一，这凸显了该领域深度脱碳的紧迫性[3‒5]。由于低排放电力来源的不断增加，电动汽车（EV）正在成为道路交通脱碳的重要战略[6]。到2022年，电动汽车销量占所有新车销量的14%，每年总量超过1000万辆，这有助于实现重要的环境里程碑，预计到2022年将减少8000万吨温室气体排放。此外，预计2023年销售的新车中有18%将是电动汽车，这表明交通电动化趋势仍在继续[7‒10]。

汽车的电气化转型对家庭、城市和基础设施产生了深远影响，随之而来的是城市交通和土地利用的变革性转变。我们有必要了解电动汽车普及过程中影响其被采用的因素及其随后对居民住宅地点选择的影响。首先，与传统燃油汽车相比，电动汽车的购买价格更高。例如，2024年1月，美国电动汽车的平均售价为55 353美元，而燃油汽车的平均售价为47 401美元，两者相差7952美元，燃油汽车的价格优势明显[11]。然而，两者在可变成本方面情况相反。电能作为汽车能源相较于传统化石燃料更具经济效益。据IEA [12]报道，2022年，美国经济型电动汽车百公里能耗普遍低于25 kW·h，其中平均私人充电电价为0.15美元·（kW·h）^-1，平均公共充电电价为0.30美元·（kW·h）^-1。相较之下，常见的燃油汽车百公里油耗在5.9~10.1 L之间，平均汽油价格为1.0美元·L^-1[12]。

虽然电动汽车在可变成本上的优势使其对通勤人员充满吸引力，但是否选择电动汽车是由个人因素、居住地点和基础设施复杂相互作用决定的。现有研究总结了影响电动汽车选择的个人和地点因素[13‒14]。Duarte等[15]以葡萄牙里斯本为例，对电动汽车无线充电可行性进行了评估，以解决电动汽车使用过程中行驶里程有限的问题。Rietmann和Lieven [16]对20个国家的电动汽车激励政策的有效性进行了实证研究。他们发现，购买电动汽车时提供直接折扣比税收抵免更有效。Klein等[17]使用多主体模型（ABM）来探索家庭充电的可获得性如何影响德国电动汽车的普及。正如Klein等[17]所指出的，随着公共充电基础设施的普及，家庭充电的重要性逐渐降低。已有大量研究主要关注充电基础设施对电动汽车采用的影响[18]，但很少有研究关注公共充电基础设施对电动汽车购买行为和住宅选址的相互作用。

尽管针对电动汽车应用的研究越来越多，但对于电动汽车特性与居民住房选址决策之间的相互作用机制仍缺乏系统性探讨。电动汽车在可变成本上的优势，使其对通勤人群，尤其是居住地距离工作地较远的群体，具有显著吸引力。得益于通勤支出的显著降低，电动汽车正逐渐成为长距离通勤的可行日常出行方式[19]。这在长途通勤旅行的背景下尤为重要。与传统燃油汽车相比，长途通勤带来的高里程凸显了电动汽车在能量效率和成本效益方面的优势。因此，选择电动汽车可以为通勤者节省更多通勤成本，而较低的长距离通勤成本使居民能够选择距离中央商务区（CBD）更远的居住地（图1）。这种战略性搬迁既能有效降低住房租金，又无需承担传统燃油汽车长距离通勤所带来的高额交通费用负担。

此外，住房选址与电动汽车选择之间的相互作用对城市系统具有重要影响[20]，这与参考文献[21]中的发现一致。车辆能源类型的选择与通勤模式[22]和住房选址决策密切相关，进而影响交通流量[23]、城市密度以及家庭的空间分布。

基于此，本文旨在基于单中心城市框架，分析家庭在电动化交通转型过程中结合住房选址与电动汽车选择所表现出的适应行为。鉴于能源消耗、折旧等支出会随车龄的变化而波动，本文将车龄的异质性纳入分析。我们构建了一个空间均衡模型，以刻画城市密度、车辆车龄与车辆能源类型之间的相互作用；并通过将ABM框架与二维单中心城市空间相结合，开展住房选址与电动汽车选择的微观模拟分析。

本文的主要贡献包括两方面。第一，整合了不同车辆类型下的家庭通勤成本与住房选址，并分析了二者之间的空间互动关系。尽管已有大量关于电动汽车应用普及的研究[18,24]，但聚焦于其对城市结构影响的研究仍较为有限。研究发现，选择电动汽车的家庭往往居住在距离城市中心更远的位置，而电动汽车保有量的增加会推动城市空间扩张。第二，探讨了车龄对电动汽车选择及城市结构的影响。目前鲜有研究系统分析车龄对住房选址的作用，尽管已有部分文献探讨了其对车辆拥有成本的影响[24]。本文通过分析中长期的车辆车龄分布，发现拥有旧车的家庭往往位于更靠近市中心的位置，而拥有新车的家庭更有可能住在更远的地方。此外，车辆车龄异质性导致的居住隔离可能导致城市扩张和拥堵。

本文剩余部分的结构安排如下：第2节为文献综述；第3节构建理论模型描述居民行为；第4节进行参数校准与模拟；第5节对结果进行讨论并给出结论。

2 文献综述

2.1 电动汽车购置行为研究

影响消费者购置电动汽车决策的外部因素可归纳为三个方面：经济因素、技术因素与环境因素。

首先，经济因素主要指车辆购置与使用的货币成本。电动汽车与燃油汽车在拥有成本与使用成本上的差异被认为是影响消费者购置态度与意愿的重要因素[25]。其中，电动汽车的购置价格被普遍认为是制约其大规模普及的最主要障碍[26‒27]。Cano等[26]的研究表明，在没有政府补贴的情况下，美国市场上带有溢价的现有电动汽车车型中，没有一款能够满足超过50%消费者的需求。然而，在可变成本方面，电动汽车相较于燃油汽车具有一定优势。电力价格普遍低于传统化石燃料[28‒29]。Dumortier等[30]发现，从长期来看，能源消耗降低所带来的经济收益可以抵消大部分甚至全部的购置价格溢价。因此，尽管初始购置成本较高，电动汽车在整个使用寿命周期内因可变成本较低[31‒34]，总体上更具成本效益。

其次，续航里程和充电时长等技术因素也至关重要。有限的行驶里程经常被报道为阻碍消费者购置电动汽车的关键技术障碍[35‒38]，尤其是在美国等公共交通依赖度低、出行距离较长的国家和地区[39]。此外，电动汽车电池的充电时间是阻碍消费者选择的另一个重要因素。相比传统燃油汽车的加油时间，电动汽车的充电时间明显更长[9,40]，这对日常使用的便捷性与实用性构成挑战[41]。其他性能指标（如车型多样性、最高车速与加速性能）虽然会提升驾驶体验，但通常被认为相较于成本因素处于次要地位，在通勤型消费者中情况更是如此[42‒43]。

最后，环境因素是指充电站的可用性，这是电动汽车普及的另一个关键决定因素。研究表明，充电基础设施的发展对节省电动汽车用户的搜索时间具有积极影响，同时还有助于缓解他们的里程焦虑[44‒47]。在居住密集且家庭充电条件受限的城市地区[12]，公共充电设施的布局尤为重要。尽管早期电动汽车用户更有可能有能力安装家用充电桩，但这可能会导致配电系统过载。Tarei等[48]指出了配电系统在高峰时段存在过载以及充电基础设施容量不足的全球性问题，充电可靠性与服务质量不足可能阻碍电动汽车的普及。此外，电力供应的不确定性在电动汽车充电中同样具有重要作用[49]。为缓解高峰负荷、平衡电网运行，充电控制策略与家庭能源系统的引入是必要措施[49‒52]。

2.2 城市土地利用与交通的相互作用

在城市土地利用与交通相互作用领域，大量研究致力于理解和预测家庭在住房与就业选址方面的决策以及由此衍生的日常活动-出行模式。

共同确定土地利用和交通的相互影响机制已被众多研究人员认可[53‒54]，并得到了来自不同背景的理论研究和实证研究结果的支持[55‒57]。经典微观经济学理论[58‒61]为分析土地利用与交通之间的长期关系提供了坚实的定性分析框架，而效用模型的发展有助于在个体层面捕捉土地利用与交通决策中复杂的选择行为动态[62‒64]。在Alonso [58]、Muth [65]和Mills [66]提出的单中心城市模型中，市中心包含CBD，代表着就业机会。居民在做位置选择时，通过权衡通勤成本和住房负担能力来最大限度地提高效用。该模型预测，随着人们远离CBD，人口密度、土地价值和房价都会下降。

与许多理论研究类似，这些理论采用数学公式进行微观层面和个体层面的分析。尽管这些模型的复杂性各不相同，但它们都具有简洁和易于处理的属性。然而，他们在有效解决居民与其建筑环境之间错综复杂的动态方面遇到了挑战，特别是在对二维（2D）城市景观进行建模时。Wegener [67]将土地利用与交通系统之间的复杂双向动态联系概括为“反馈循环”。在这一循环中，物理条件、社会人口特征、经济因素以及政策变化等多重力量之间存在复杂互动。因此，分离并测量这些系统相互作用的具体机制具有相当的挑战性。

基于复杂性理论的视角，城市被视为由多种相互作用要素构成的动态自适应系统[68]，ABM因能够有效捕捉土地利用与交通系统的动态特征，正日益被视为适宜的研究方法。ABM采用自下而上的方法，通过模拟微观层面的个体行为与空间互动，预测宏观层面聚合的城市属性与土地利用格局。相比其他建模方法，ABM能够突破部分限制性假设，更好地反映有限理性、多主体间的异质性以及非均衡状态下的动态交互，从而为模型设计提供了更大的灵活性[69‒74]。此外，ABM在捕捉空间互动的动态复杂性方面具有突出优势，并能够有效刻画全市范围的特征与土地利用模式[75]。

如前所述，电动汽车普及率的不断提高，已开始影响家庭的住房地址选择，并可能重塑城市土地利用格局。然而，针对住房选址与车辆能源类型之间相互作用的研究仍十分有限。随着电动汽车的普及，土地利用与交通之间的关系很可能发生显著变化，这需要深入探讨车辆能源类型的转变如何融入更广泛的城市系统之中。为此，本文构建了一个ABM，用以模拟住房选址与车辆能源类型之间的互动过程，并将车龄与充电基础设施可获得性等因素纳入分析框架。

3 空间均衡模型

设想一个单中心封闭城市，CBD位于两条相互垂直的主干道交会处。假设城市人口规模

N

固定，且所有居民均在CBD就业。城市整体形状为正方形，并设有外生给定的最大边界。城市空间被划分为离散的、面积为单位大小的土地地块，每个地块以坐标

x, y

标识，其中

x

与

y

分别表示水平与垂直坐标。地块用途限定为居住或农业。地块之间的距离采用欧几里得距离测量。此外，居民可在每年迁居一次，且无需承担搬迁成本。

在该城市中，每个家庭由一名劳动者组成，并在日可支配总时间

T

与工资率

w

方面完全相同。家庭将时间分配于通勤、工作与休闲三类活动。家庭的工资收入等于工资率与总工作时间的乘积。家庭面临一个效用最大化问题，即他们需要在其所处地块

x, y

上决定如何分配混合消费品的消费量、住房空间的占用量以及休闲时间。所有地块均可通达，且道路容量为外生给定值

F

，其中位于主干道上的道路容量加倍。居民均驾车沿最短路径通勤至CBD，单位距离的通勤时间等于自由流通勤时间与由总交通流引起的拥堵延迟之和。为反映私人汽车车主常用作回收期的经济测算周期[76]，本文假定车辆报废周期为五年，以模拟典型家庭的决策视角。

3.1 出行与居住行为

参考相关文献（如Tikoudis等[77]、Larson和Zhao [78]以及Candia和Verhoef [79]），本文采用常数替代弹性（CES）效用函数

U

来刻画家庭在给定住宅位置

x, y

下的效用水平，其形式如下：

U = δ s s x, y ρ + δ z z x, y ρ + δ l l x, y ρ 1 / ρ

(1)

式中，

δ s 、 δ z 、 δ l

和

ρ ≤ 1

，

ρ ≠ 0

，是外生参数；

σ = 1 / (1 - ρ)

表示CES函数中住房

s x, y

、非空间混合商品

z x, y

以及休闲时间

l x, y

之间的替代弹性。家庭拥有一份总的时间资源 T，这些时间用于工作

t o x, y

、通勤

2 t c x, y

以及休闲

l x, y

。那么，家庭的时间分配情况可表示为

T = t o x, y + 2 t c x, y + l x, y

(2)

据此，家庭的工作时间可表示为

t o x, y = T - 2 t c x, y - l x, y

(3)

假设所有劳动者工资率

w

相同，且家庭工资收入仅取决于其工作时间

t o,

记家庭工资收入为

I

，则有

I x, y = t o x, y w

(4)

家庭的消费支出包括非空间混合商品的支出、住房租金以及通勤支出。因此，家庭预算约束可表示为

p z x, y + r x, y s x, y + e k n x, y = I x, y k = F V, E V, n = 1,2 …, 5

(5)

式中，

p

为混合商品的市场价格；

r x, y

为位置

x, y

单位土地的租金；

e k n x, y

表示车龄为

n

的

k

类型车辆的通勤成本（FV表示燃油汽车，EV表示电动汽车）。将式（4）代入预算约束式（5），可得

p z x, y + r x, y s x, y + e k n x, y = t o x, y w k = F V, E V, n = 1,2 …, 5

(6)

定义

M (x, y)

为在休闲时间取零时，扣除通勤成本后可获得的最大收入[79]，则有

M (x, y) = w T - 2 t c x, y - e k n (x, y)

(7)

在地块

(x, y)

上，以式（6）为约束最大化式（1），可得到混合商品、住房空间及休闲时间的马歇尔需求函数，休闲时间见等式（8）~（10）：

z * x, y = M x, y δ z ρ / p σ δ s / r (x, y) χ + δ l / w χ + δ z / p χ

(8)

s * (x, y) = M (x, y) (δ s ρ / r (x, y)) σ δ s / r (x, y) χ + δ l / w χ + δ z / p χ

(9)

l * (x, y) = M (x, y) (δ l ρ / w) σ δ s / r (x, y) χ + δ l / w χ + δ z / p χ

(10)

式中，

χ = ρ / (1 - ρ)

。然后将式（8）~（10）代入式（1），可得间接效用函数

V (x, y) = M (x, y) δ s r (x, y) χ + δ l w χ + δ z p χ 1 / χ

（11）

3.2 通勤时间与费用

所有家庭均通过电动汽车或燃油汽车通勤至CBD。通勤时间取决于通往CBD道路上的交通速度。根据美国公路局（Bureau of Public Roads）的交通拥堵函数规范[78]，速度函数

S (i, j)

表示为

S (i, j) = 1 a + b Q (i, j) c

(12)

式中，

a

、

b

和

c

为交通拥堵参数；

i

和

j

分别表示道路区段的水平与垂直坐标；

Q i, j

为总交通流量与外生道路通行能力

R i, j

的比值，其表达式为

Q i, j = 1 R i, j ∑ x, y ∈ K H x, y δ i, j, x, y

(13)

式中, $H x, y$ 表示位于地块 $x, y$ 的家庭数量；当 $i, j$ 位于 $x, y$ 至CBD的通勤路径上时，虚拟变量 $δ i, j, x, y$ 取值为1，否则为0。由此，位置 $x, y$ 的通勤时间可表示为

t c (x, y) = ∑ (i, j) ∈ P (x, y) d (i, j) S (i, j)

(14)

式中，集合 $P (x, y) = {(i, j) | δ i, j, x, y = 1}$ ； $d (i, j)$ 表示区段 $(i, j)$ 的行驶距离，与单元长度及行驶方向有关。

家庭的通勤出行成本包括车辆年固定拥有成本 $O k$ 、与通勤距离相关的维护成本 $m k$ 以及通勤过程中的能源消耗成本。车辆年固定成本取决于购置价格及年度折旧率[76,80]，第 n 年拥有车辆的年固定成本可表达为

O k n = O k 1 1 - 0.10 n - 1 k = F V, E V, n = 1,2 …, 5

（15）

式中， $O k 1$ 为第1年拥有 $k$ 类型能源车辆的固定成本。根据Larson和Zhao [78]的方法，燃油汽车的单位公里油耗为

G F (i, j) = α 1 α 2 + α 3 S (i, j) + α 4 S (i, j) 2 + α 5 S (i, j) 3 + α 6 S (i, j) 4

（16）

式中，分母为车辆速度的四次多项式函数，表示燃油效率（mi·gal^-1, 1 mi = 1.609 km, 1 gal = 3.785 L）[81]。根据Fiori等[23]的研究，电动汽车的单位公里耗电量为

G E (i, j) = β 1 + β 2 S (i, j) + β 3 S (i, j) 2

（17）

式中， $α 1, α 2, α 3, α 4, α 5, α 6 和 β 1, β 2, β 3$ 为技术参数[82‒83]^{†1 †电力消耗方程式（17）是从对真实轨迹数据使用最小二乘回归方法校准的二次回归线推导出来的。该数据库源自美国交通部、联邦公路管理局的下一代仿真（NGSIM）计划[83]和欧盟项目MULTITUDE [84]。NGSIM数据被高度认为是微观交通数据最有价值的来源之一，并已被全球研究人员广泛用于进一步推进交通流理论的进步。该数据集包括真实驾驶数据、模拟数据和标准化测试周期数据。这些数据的多样性和代表性增强了方程预测结果的可靠性和广泛适用性。}。考虑到续航里程与充电时间的限制，进一步假设使用电动汽车的家庭需额外支付一项附加成本 $ϑ$ 。此外，假设家庭不具备自有充电桩，只能使用公共充电桩[17]^{‡2 ‡应该指出的是，购置电动汽车有时会配备家用充电桩，特别是对于电动汽车的早期用户而言。然而，这对于城市家庭来说并不总是可行的，特别是在私人停车位有限的密集城市环境中，这使得公共充电基础设施对于电动汽车的普及至关重要。如Klein等[17]所示，随着公共充电基础设施的改善，家庭充电选项的重要性降低。因此，我们只考虑使用公共充电桩的情况。但是，家用充电桩确实会影响家庭在住宅地点选择中的行为，未来应该对此进行探索。}。

电动汽车的续航里程受到电池容量衰减的影响[84‒85]，容量下降将导致更频繁的充电，从而增加车主的不便与续航焦虑。在本研究中，假设电动汽车的电池容量按指数规律衰减，年容量保留率为 $(1 - τ)$ ，其中 $τ$ 表示年度衰减率，即车龄为 $n$ 年的电动汽车电池容量为其初始容量的 $(1 - τ) n - 1$ 倍。额外成本 $ϑ (n)$ 定义为

ϑ (n) = A (1 - τ) 1 - n e γ

（18）

式中， $A$ 为衡量技术缺陷导致不便程度的常数； $γ$ 表示在给定的可充电范围 $W^$ 内（包括本单元及相邻单元）电动汽车数量与公共充电桩数量的比值。本模拟设定 $τ = 0.05$ ，则第5年的电池容量约降至初始值的81.5%，与多数文献建议的约80%退役容量标准相近[84,86‒88]。

基于上述分析，车龄为 $n$ 年的电动汽车家庭通勤支出可表示为

e E V x, y, n = O E V n + 2 ∑ i, j ∈ P x, y m E V + p E G E (i, j) d (i, j) + ϑ n

(19)

式中， $p E$ 表示电力的市场价格。在本研究中，假设电动汽车的关键技术参数——电池初始容量、购置价格及单位耗电量——在所考虑的时间尺度内保持不变。这一设定便于将研究重点集中于车辆老化所带来的折旧成本。不过，未来研究应进一步探讨这些参数变化对模型结果的影响。

对于燃油汽车而言，机油泵、气门、燃油喷射器等发动机部件会随时间磨损，其燃油利用效率会逐渐下降[89‒90]。本文假设燃油汽车的可变成本随车辆车龄 $n$ 线性增加，即按系数 $1 + ε n - 1$ 进行调整，以反映车辆老化导致的油耗增加。由此，车龄为 $n$ 年的燃油汽车家庭的通勤支出为

e F V x, y, n = O F V n + 2 ∑ i, j ∈ P x, y m F V + 1 + ε n - 1 p F G F (i, j) d (i, j)

(20)

式中， $ε$ 为燃油汽车与车龄相关的可变成本增长率； $p F$ 表示化石燃料的市场价格。例如，当 $ε = 0.05$ 时，意味着当车辆接近报废期时，其可变成本将比新车高出约20% [91]。

3.3 基于ABM框架的动态分析

我们假设在研究期初，城市中所有居民均通过燃油汽车通勤，且车辆车龄分布为均匀离散型，即城市中每一车龄组的车辆数量相等。居民选择居住位置，并在第一年达到初始均衡。

如前所述，车辆车龄会影响固定成本，且可变费用（以及由此产生的通勤成本）会随车辆车龄的增加而显著上升。此外，达到车龄上限的车辆会逐步进入回收流程，其车主需重新购置电动汽车或燃油汽车用于通勤。因此，由于车辆年龄结构的变化，每年年初上一年度建立的均衡状态将不再成立。居民会依据间接效用函数[式（11）]重新选择居住位置和车辆能源类型，直至形成新的均衡。

在每一年中，所提出的ABM框架采用时间步t的概念来动态模拟居民在城市环境中的行为与决策过程（图2）。在每个时间步 $t$ ，有一批居民根据上一个时间步 $t - 1$ 城市的空间分布与租金水平，选择新的居住地以最大化其间接效用函数 $U t$ [式（11）]。本文模拟了一系列短期均衡状态，从而避免了家庭在城市内部的频繁迁移[92‒93]。在每个时间步中，租金会根据成本和效用的变化进行调整。在均衡状态下，每个时间步 $t$ 中，位置为 $(x, y)$ 的住宅地块的租金率可表示为

r t (x, y) = δ s U t M (x, y) χ - δ l w χ - δ z p χ - 1 / χ

(21)

在此情形下，土地作为一种资源具有外生机会成本，该成本可视为由农业生产获得的收益。因此，城市土地的租金率存在一个等于农业地租 $R A$ 的最低值[75,79]。若由于通勤成本增加而导致调整后的租金率 $r t x, y < R A$ ，家庭将重新考虑其在城市内的居住选择。当城市中所有家庭均已完成选址，且各自实现相同的效用水平，并且无法通过单方面改变居住位置或车辆能源类型来提升效用时，系统达到均衡。

4 仿真

为展示所提出模型的适用性，本文开展了如下模拟实验。首先，仅考虑燃油汽车情景，分析车辆车龄异质性对居民选择和城市结构的影响；随后，引入电动汽车作为替代选项，分析家庭在车辆能源类型上的偏好；最后，探讨影响电动汽车普及的因素。

4.1 基准场景

本节针对基准情景进行模拟实验。在该情景中，所有家庭均使用燃油汽车通勤，且车龄服从均匀分布，即 $N F, i = N / 5, i = 1,2, …, 5$ 。家庭总数设为 $N = 100 000$ ，每日可支配时间 $T = 16 h$ ；城市的工资率 $w = 60 元 · h - 1$ 。考虑我国汽车市场的情况，燃油汽车的价格定为15万元。农业用地的租金定为每天每单位面积40元，这意味着单位面积住房的月最低租金为1200元。北京市95号汽油的当前价格约为 $9 元 · L - 1$ ，因此设定p_F = 9。交通拥堵参数为 $(a, b, c) = (1 / 40,0.15 / 40,1)$ ，表示自由流条件下交通速度为40 $k m · h - 1$ ，且拥堵延迟与总交通流量呈线性关系。依据Larson和Zhao [78]以及Fiori等[23]的设定，能耗函数[式（16）与式（17）]的技术参数取值为： $α 1 = 3.78 / 1.6$ 、 $α 2 = 0.822$ 、 $α 3 = 1.83$ 、 $α 4 = - 0.0486$ 、 $α 5 = 0.000651$ 、 $α 6 = - 0.0000037$ 、 $β 1 = 0.143$ 、 $β 2 = - 0.00191$ 、 $β 3 = 0.0000228 [23,78]$ †
3 †电动汽车耗电量公式[公式（17）]中参数（ $α 2 - α 6$ ）的取值来源于对文献[78]提供的实测数据进行四次多项式拟合后得到的二次回归曲线。燃油效率函数取倒数可得燃油消耗函数，其单位为mi·gal^-1。为便于计算，本文采用分子参数 $α 1$ 将其转换为国际单位制的L∙km^-1，其中换算系数3.78用于将加仑转换为L，1.6用于将英里转换为km。与此同时，（ $β 1 - β 3$ ）为文献[82]中针对电动汽车拟合曲线得到的系数。
。

在参数设定上，混合商品的权重参数 $δ z$ 标准化为1，其他参数利用《北京交通发展年报》[94]的数据进行校准。校准结果见表1，其中通勤距离、通勤时间、工作时间与住房成本均按日人均计量。在基准情景（表1第1行）下，空间分辨率设为1 km， $δ s, δ l, δ z = 200.93,27.73,1.00 [79]$ ，且 $ρ = - 1$ ，由此住房面积、休闲时间与混合商品之间的CES为 $σ = 1 / 2$ 。模拟结果显示，平均每日通勤距离为9.02 km，通勤时间为1.27 h，工作时间为8.34 h，与北京市的实际情况高度吻合。在该情景中，城市居民的月均工资为11 008.8元，其中住房月均支出为3943.06元，通勤成本为1549.76元，其余部分用于混合商品消费。

图3表明，拥有车辆车龄不同的家庭形成了具有居住隔离特征的城市住房结构。城市布局呈对角线方向延伸，而非沿主干道方向展开，这与本文假设居民选择通勤路径时优先考虑最短距离的设定有关。在通勤至CBD的过程中，居民更倾向于缩短通勤距离，而非规避拥堵。这一偏好导致他们主要通过相邻地块的对角线路径接近CBD，从而在 $x$ 与 $y$ 两个方向上同时缩短距离。由此，位于这些对角线路径上的居民可直接抵达CBD，而其他区域的居民则会先沿对角线移动至主干道，再沿主干道通往CBD。由于主干道汇集了来自多个地块的交通流量，因此极易出现严重拥堵。为了避免拥堵，居民会选择居住在靠近对角线路径的位置，即便这意味着距CBD的直线距离更远。此类选址行为最终形成了沿对角轴向向外扩展的独特城市形态。

如图3所示，车龄的不同会导致居民居住隔离。基于车龄差异，居住圈层自CBD向城市边界呈放射状分布。车龄从CBD向边界逐渐降低，表明城市中心聚集了更多拥有老旧车辆的家庭；而新车家庭则更倾向于聚居在城市边缘区域（图3）。其原因可能在于，老旧车辆的通勤费用对出行距离更加敏感，使得其车主倾向于选择靠近中心的居住地；相比之下，新车的通勤费用对距离的敏感性较低，而新车较高的固定成本可能限制了家庭选择高租金的中心区域，从而更多迁往远离中心、租金较低的地区。考虑老旧车辆通常效率较低且排放标准较低，因此由于老旧车辆的大量存在，可能进一步加剧城市中心区域的交通拥堵与排放问题。

根据标准单中心城市空间结构模型，人口密度应随与CBD距离的增加而递减[58,65‒66]，这一现象也得到了大量实证研究的支持[95‒98]。图3中呈现了相同的趋势：居民密度总体上由CBD向城市边界递减。这表明居民更倾向于选择靠近城市中心的位置以尽量缩短通勤距离[19‒101]。在同一车龄的居住范围内，住宅密度也会随距离城市中心的增加而持续降低。需要注意的是，由新车家庭构成的居住区在初始密度上可能高于老旧车辆家庭居住区的外围密度。

4.2 引入电动汽车后的空间平衡

在本节中，我们引入电动汽车作为家庭通勤的替代选项。假设车辆在使用五年后必须报废；在此之前，家庭可在每年年初选择更换一辆新车。设充电桩的电价 $p E = 1.5$ ，电池容量衰减率 $τ = 0.05$ ，电动汽车的购置价格为16万元，略高于燃油汽车。充电桩的数量设为每个方格100个，位于垂直主干道上的数量加倍。式（18）中的不便成本（IC）常数参数设为 $A = 100 / e$ ，意味着如果在一个不靠近主干道的方格中有100户家庭使用电动汽车，其每日所承受的不便成本相当于约40元的经济损失。其他条件与基准情景一致。本文在该城市中进行了为期十年（即两个报废周期）的模拟。

图4展示了电动汽车比例、耗电量（kW·h）以及燃油消耗量（L）的年度变化趋势。电动汽车普及率在第1年至第5年（即第一个报废周期内）呈持续增长，第5年达到最大值，超过0.5（即电动汽车数量超过燃油汽车数量）。然而，第6年电动汽车比例出现明显下降。此后比例再次回升，直至第9年，并在最后一年出现下降。最终，第10年电动汽车的比例约为0.34，与第4年相近。总体来看，10年间电动汽车普及率显著提高，并在第5年达到峰值。这一向电动汽车转移的趋势伴随着电力消耗增加、燃油消耗下降[图4（a）]，表明随着电动汽车的普及，城市交通的能源消费结构正由汽油逐渐向电力转变。

图4（b）展示了每年选择更换车辆的家庭比例。可以看到，年度换车（电动汽车与燃油汽车之和）比例约为0.2，接近每年被迫报废的车辆比例。这意味着几乎没有家庭会在车辆达到报废车龄前主动更换新车。因此，在第一个报废周期中，每年报废的仅为最初的燃油汽车，车主在更换时重新选择能源类型，这解释了第一个报废周期中电动汽车比例的增长。

然而，在第6年，电动汽车比例显著下降，这与电动汽车和燃油汽车车主之间的住房竞争有关。位于电动汽车分布区附近的燃油汽车均为车龄为1年的新车，分布在中央燃油汽车区域的最外层。第6年年初，第1年购置的车辆（主要是电动汽车）达到5年使用寿命并需报废。这些车主必须为新车选择能源类型。此时，城市中存在车龄为2~5年的旧车，且其中相当一部分为燃油汽车[图4（b）]。由于老旧燃油汽车的车主居住在靠近CBD的高密度住宅区，城市结构较为紧凑，选择燃油汽车在购置成本上比选择电动汽车更有优势。因此，第6年家庭选择燃油汽车的比例增加，导致电动汽车数量大幅下降。同理，这一机制也解释了第5年电动汽车数量激增以及第10年燃油汽车数量增加的现象。

图5包含两幅等值线图，分别表示第十年的燃油成本（左，单位：L）与电力成本（右，单位：kW∙h）。图中给出了家庭在各位置使用车辆通勤时的能源消耗水平。中心区域的能源成本最低，向外递增。燃油成本等值线的形态呈现非均匀分布，可能受到出行距离与拥堵水平等因素影响；相比之下，电力成本等值线分布更为均匀、规律性更强。

根据IEA发布的最新内燃机燃油经济性数据，每加仑汽油燃烧会产生约8887 g CO₂。由此推算，每升汽油的CO₂排放量约为2350 g。电力的碳排放量则因发电能源结构不同而存在差异，可分为低碳和高碳两种情景：在低碳电力情景中（主要能源为可再生能源或核能），每消耗1 kW·h电力排放约50 g CO₂；在高碳电力情景中（主要能源为煤炭或天然气），每消耗1 kW·h电力排放约800 g CO₂。实际上，各国及各地区的发电碳排放强度差异显著，通常呈现上述两种情景的混合状态。例如，2020年中国的电力排放强度约为1 kW·h对应600 g CO₂，反映出低碳与高碳能源结构的混合特征[102‒103]。基于这些数据，绘制了碳排放总体变化趋势（图6）。

图6展示了CO₂排放量随电动汽车比例变化的趋势。红色曲线表示燃油消耗产生的CO₂排放量，其变化趋势与电动汽车比例呈反向关系。值得注意的是，即便在电动汽车比例达到峰值的第5年，燃油消耗产生的CO₂排放量仍是电力消耗排放量（黄色曲线）的两倍，且在整体CO₂排放量（黑色曲线）中始终占据较大比例。电力消耗产生的CO₂排放量与电动汽车比例的变化趋势一致，这主要是由于电力供应高度依赖高碳能源所致。这表明，尽管电动汽车普及率不断提高，但通过转向更清洁的能源结构，仍具有显著的碳减排潜力。

通勤时间是一种纯粹的无谓损失，通常被视为衡量系统福利的重要指标。表2显示，通勤时间增加与休闲时间、工作时间减少之间存在直接相关性，这种变化会对个体福利和经济造成不利影响。此外，住房开发用地数量、通勤距离与通勤时间之间存在显著正相关关系。第5年，城市的住房用地规模达到最大（2292个地块），平均通勤距离为13.54 km，通勤时间为1.95 h，两者均超过基准情景水平。然而，第10年的情况则较为特殊，其平均通勤距离下降至8.78 km（低于基准情景的9.02 km），但通勤时间反而增加。这与居住区分布特征有关：与基准情景相比，CBD附近的低密度住宅地块比例上升，而这些低密度区域被高密度地块环绕，导致交通拥堵程度加剧[104]。

图7展示了模型在11年模拟期内各项指标的年度总体平均变化趋势。这些指标包括通勤时间、通勤距离、住房面积、住房租金、休闲时间、非空间混合商品支出以及工作时间。在图7（a）~（e）中，左侧纵轴表示平均通勤时间，右侧纵轴表示相应的另一变量；图7（f）展示了工作时间与休闲时间的变化。图7（a）中，灰色曲线表示通勤时间，青色曲线表示通勤距离。从基准年（第0年）到第4年，两项指标的波动幅度较小。然而，在第5年，这两项指标均出现显著上升：通勤时间由第4年的1.3 h升至超过1.9 h，通勤距离则增加了4 km以上，超过13 km。该变化趋势与电动汽车比例的演化高度一致：在第6年，二者均出现明显下降，随后从第6年到第9年呈持续增长，最终在最后一年出现下降。

结果表明，平均通勤距离与通勤时间之间呈现一种几乎单一的关联关系，即更长的平均通勤距离往往对应更长的通勤时间。图7（c）展示了住房租金成本，图7（e）展示了非空间混合商品支出，这两者的变化趋势与通勤时间大体一致。然而，在图7（c）中，住房租金的变化与通勤时间并非完全同步。例如，在第8年至第9年期间，住房租金下降而通勤时间上升，这表明住房租金可能同时受到多重因素影响，而不仅仅是通勤时间的单一作用。

图7（b）中的住房面积和图7（d）中的休闲时间与通勤时间的变化趋势相反。通勤时间的增加导致了工作时间与休闲时间的双双减少。如图7（d）所示，第5年通勤时间的大幅增加使休闲时间显著减少，降幅超过1 h；相比之下，图7（f）显示，虽然工作时间也在同期减少，但降幅相对较小，约为0.2 h。这说明通勤时间变化对休闲时间的影响更为显著，这一特征即便在通勤时间下降时也依然存在。

图8展示了城市区域中住房密度和车辆能源结构的年度分布情况。从图中可以观察到，燃油汽车家庭更倾向于居住在靠近CBD的区域，而电动汽车家庭则更可能居住在远离城市中心的位置。这是因为电动汽车的可变成本较低，因此在长距离通勤中更具经济优势。随着电动汽车比例的增加，燃油汽车家庭的分布范围随时间逐渐缩小（即图8中蓝色区域逐渐收缩），尤其是在前5年的变化最为明显。

图8还显示，老旧车辆家庭集中分布在靠近CBD的区域，而新车家庭则更多分布在城市边缘，这与第4.1小节的结论一致。这表明，即使电动汽车成为通勤的潜在选择，由异质性主体导致的居住隔离现象依然存在。此外，电动汽车用户所居住区域的住房密度往往较低，其中一个原因是充电设施网络尚未充分完善；而当住宅密度较高时，使用电动汽车所需的不便成本会显著上升。电动汽车用户的低密度居住模式与较高的电动汽车普及率共同推动了城市扩张。因此，在推动电动汽车普及的同时建设紧凑型城市，需要重点优化人口稠密区域的充电基础设施布局，从而降低不便成本。

4.3 影响电动汽车普及的因素

4.3.1 电动汽车购置价格、不便成本与燃油价格的影响

图9展示了在汽车能源结构转型过程中，关键因素对电动汽车普及的影响。图中从左至右依次给出了电动汽车价格、不便成本以及燃油价格对电动汽车普及率的影响及变化趋势。在不同情景下，电动汽车的普及率均在第1年至第5年期间呈持续增长。

图9（a）展示了不同购置价格情景下电动汽车普及率的年度变化趋势。总体来看，购置价格的提高会导致电动汽车普及率下降，尤其当价格由18万元上升至19万元时，降幅尤为显著。当电动汽车购置价格为19万元和20万元时，其普及率在整个模拟期内均呈缓慢且稳定的增长。在北京市，截至2023年，新能源乘用车占比不足10% [94]，而购置价格为19万元的情景曲线与这一实际情况高度吻合，因此在图9（b）中将其作为基准情景进行对比。对于其余四个价格情景，电动汽车普及率在初期快速上升，第5年达到峰值，随后开始出现波动。

图9（b）展示了不同不便成本水平下的电动汽车普及率变化。在基准情景中，电动汽车比例初期稳定上升，在第5年达到峰值约0.5。当不便成本降至一半时，普及率显著提高，到第10年电动汽车比例接近0.7；在不便成本降至30%的情景下，普及率增长更为明显，第10年接近1.0。这表明，降低使用电动汽车的不便成本能极大促进其普及[9]。图9（c）展示了不同燃油价格情景下电动汽车普及率的年度变化。随着燃油价格的上升，电动汽车普及率均高于基准情景，并在峰值时接近0.7。这说明较高的燃油价格能够激励家庭转向电动汽车。

结合当前形势，许多城市和地区的电动汽车渗透率已达到0.10（图10）。将其与初始渗透率为零的情景对比可发现，城市中已存在的电动汽车保有量会积极影响家庭选择电动汽车的倾向。这一趋势表明，市场的快速扩张已对电动汽车的广泛普及产生了显著推动作用。尽管建设完善的充电基础设施网络需要时间，且电动汽车性能的提升受制于技术研发进展，但直接的经济激励已成为在短期内迅速提高城市电动汽车比例的有效手段。

4.3.2 公共充电桩分布的影响

结合现实中充电站的分布特征，我们对最初“每个方格均匀分布100个充电桩”的假设进行了修正。由于城市中心人口密度更高、对电动汽车充电设施的需求更大，相较于郊区或农村地区，城市中心的充电桩密度更高更为合理。因此，我们将模型调整为：充电桩密度随与CBD距离的增加呈线性递减。

在新的设定下，我们尝试了三种不同情景：从城市边界到CBD，每个方格的充电桩数量分别由50递增至100、由70递增至120、由75递增至150。年度电动汽车占比的变化结果如图11所示。

绿色曲线表示基准情景，黄色、粉色和橙色曲线分别表示在城市中心附近充电基础设施密度更高的三种新情景。数据表明，与基准情景相比，这三种情景下电动汽车普及率的提升幅度相对更高。在所有情景中，电动汽车占比在前5年均稳步上升，于第5年左右达到峰值，随后出现下降和波动。值得注意的是，相较于基准情景，这三种新情景下电动汽车普及率的波动幅度更小，说明增加城市中心附近充电基础设施密度有助于稳定电动汽车的普及水平。图12和图13显示，住宅密度结构与基准情景保持一致。然而，当充电桩密度降低时，电动汽车车主的居住分布模式发生变化，电动汽车车主更倾向于居住在远离CBD的地区。这种转移加剧了城市扩张，凸显了充电基础设施在塑造城市发展格局中的重要作用。

充电桩分布变化对家庭车辆能源类型选择影响较小，可能归因于充电桩数量庞大，从而降低了电动汽车车主之间的竞争。图12和图13显示，电动汽车分布区域的住宅密度相对较低，对应的绿色区域颜色较浅，大多数地块人口不足100人，部分甚至低于30人。因此，式（18）中的比值 $γ$ 接近于零，其数值过小，无法对电动汽车的额外不便成本产生显著影响。此时，不便成本接近常数 $A$ ，反映的主要是续航焦虑等技术劣势，而非充电桩竞争。为验证上述分析，我们进行了低密度充电桩情景的模拟。结果发现，当每个方格的充电桩数量低于20个时，充电桩密度才开始对电动汽车占比产生显著影响（图14）。

图14显示，当每个地块配备20个充电桩时，电动汽车占比与基准情景接近。然而，当每个地块的充电桩数量减少到10个时，从第5年开始，电动汽车占比显著下降，并且始终低于配备20个充电桩情景的水平。蓝色曲线表示另一种布局情景：充电桩密度从靠近城市中心的15个逐步递减至城市边缘的5个。由于靠近CBD的地块数量较少，该情景的充电桩总数少于均匀分布10个充电桩的情景。而即便如此，该情景下的电动汽车占比仍明显更高。

如表3所示，家庭到CBD的通勤距离与电动汽车占比呈正相关，这主要是因为长通勤距离家庭中电动汽车的比例更高。第5年之后，随着电动汽车市场趋近饱和，电动汽车的平均通勤距离走势与其比例变化趋于一致。通常情况下，较高的电动汽车占比与更长的通勤距离相对应，这可能源于城市扩张的影响。对比两种充电桩布局情景——第一种为每地块配备10个充电桩，另一种为中心配备15个充电桩、边缘配备5个充电桩——可以发现，在电动汽车占比接近的情况下，后者通常会带来更短的电动汽车通勤距离。例如，在情景1的第5年，电动汽车占比为0.49，通勤距离为21.32 km；而在情景2的第8年，电动汽车占比为0.51，但通勤距离更短，仅为20.83 km。同样，在第6年，情景1的电动汽车占比为0.45，通勤距离为21.05 km；情景2的电动汽车占比为0.46，通勤距离仅为20.22 km。

这些结果表明，如情景2所示，在城市中心区域设置更高密度的充电基础设施，能够缩短电动汽车的通勤距离，并促进电动汽车在靠近CBD区域的使用。

虽然本研究的模拟为理解电动汽车普及对城市居住格局与能源消耗的影响提供了若干有益启示，但仍存在一定局限性。本文在建模过程中将电动汽车的关键参数（如电池容量、购置价格与单位耗电量）保持不变，以便将分析重点聚焦于车辆老化带来的折旧成本。然而，随着技术进步，充电基础设施的改善、充电速度的提升以及车辆续航里程的增加，有望缓解这些限制，从而使电动汽车在更大范围内具备更高的可行性与可获得性。本文模型未考虑这些参数随时间变化可能受到的技术进步影响，因此未来研究应针对该问题进行深入探讨。

5 结论和研究展望

本研究构建了一个空间均衡模型，用于分析家庭在车辆能源类型与居住区位选择之间的相互作用。通过比较电动汽车与燃油汽车在通勤成本上的差异，并纳入车辆使用年限（车龄）因素，我们模拟了电动汽车普及与城市空间结构随时间的协同演化。所提出的模型为理解电动汽车普及与城市发展之间的动态互动关系提供了新的研究视角。

研究结果表明，燃油车家庭更倾向于选择靠近CBD的居住区位，而电动车家庭则更多分布于远离CBD的区域。此外，车龄较高的家庭通常位于同一车辆类型分布区域的外围。在空间结构方面，车龄异质性显著促进了城市蔓延与交通拥堵。居住隔离现象导致城市空间被分割为多个同心环状结构，限制了外围居民向中心区域的集聚。在每个居住环内部，住宅密度随与CBD距离的增加而逐步递减，形成高密度住宅区环绕低密度区的空间格局，进一步加剧了交通拥堵。这一发现与既有研究相互印证。例如，Li等[104]指出，“山型”城市（中心建筑密度高）的交通拥堵程度相对较轻，而“盆地型”或“扁平型”城市则面临更严重的拥堵问题。

尽管本研究为理解电动汽车普及与城市发展之间的复杂关系提供了有益视角，但仍存在若干值得关注的局限性。首先，研究主要聚焦人口稠密的城市区域，未能充分考虑家庭充电桩在电动汽车大规模普及过程中的关键作用。未来研究可进一步探讨家庭充电基础设施对居民车辆选择与居住区位决策的影响。其次，本文虽考虑了车龄对车辆拥有成本的影响，但未纳入电动汽车技术快速演进的因素。电池容量提升与充电时间缩短等技术突破可能显著降低电动汽车的使用成本，进而改变用户行为与空间结构，因此未来模型有必要引入技术演进路径。最后，高峰时段电力系统过载可能影响电动汽车的充电可靠性与供电质量，未来研究还应关注智能充电策略与家庭能源管理系统在缓解用电不确定性、降低使用不便成本方面的潜在作用。

参考文献

原文顺序 | 出版日期 | 本文引用

[1]
Intergovernmental Panel on Climate Change (IPCC). Global warming of 1.5 ℃. Cambridge: Cambridge University Press; 2022.

[2]
Kalghatgi G. Development of fuel/engine systems-the way forward to sustainable transport. Engineering 2019;5(3):510‒8. . 10.1016/j.eng.2019.01.009

[3]
International Energy Agency (IEA). Tracking clean energy progress 2023. Report. Paris: IEA; 2023.

[4]
Küfeoğlu S, Khah Kok Hong D. Emissions performance of electric vehicles—a case study from the United Kingdom. Appl Energy 2020;260:241. . 10.1016/j.apenergy.2019.114241

[5]
Yao S, Bian Z, Hasan MK, Ding R, Li S, Wang Y, et al. A bibliometric review on electric vehicle (EV) energy efficiency and emission effect research. Environ Sci Pollut Res Int 2023;30(42):95172‒96. . 10.1007/s11356-023-29143-y

[6]
US Department of Transportation. Electric vehicle types [Internet]. Washington, DC: US Department of Transportation; [cited 2023 Oct 15]. Available from:

[7]
BNEF)BloombergNEF. Electric vehicle outlook 2024 [Internet]. London: BloombergNEF (BNEF); [cited 2024 Dec 5]. Available from:

[8]
Pelegov DV, Chanaron JJ. Electric car market analysis using open data: sales, volatility assessment, and forecasting. Sustainability 2022;15(1):399. . 10.3390/su15010399

[9]
International Energy Agency (IEA). Global EV outlook 2023: catching up with climate ambitions, global EV outlook. Report. Paris: IEA; 2023. . 10.1787/cbe724e8-en

[10]
Rietmann N, Hügler B, Lieven T. Forecasting the trajectory of electric vehicle sales and the consequences for worldwide CO₂ emissions. J Clean Prod 2020;261:121038. . 10.1016/j.jclepro.2020.121038

[11]
Kelley Blue Book. Kelley blue book reports new-vehicle transaction prices continue to tumble down 3.5% year over year in January [Internet]. Irvine: Kelley Blue Book; 2024 Feb 13 [cited 2024 Apr 7]. Available from: https://mediaroom.kbb.com/2024-02-13-Kelley-Blue-Book-Reports-New-Vehicle-Transaction-Prices-Continue-to-Tumble,-Down-3-5-Year-Over-Year-in-January.

[12]
International Energy Agency (IEA). Global EV outlook 2024-moving towards increased affordability. Report. Paris: IEA; 2024.

[13]
Haghani M, Sprei F, Kazemzadeh K, Shahhoseini Z, Aghaei J. Trends in electric vehicles research. Transp Res Part D Transp Environ 2023;123:103881. . 10.1016/j.trd.2023.103881

[14]
Wang S, Li J, Zhao D. The impact of policy measures on consumer intention to adopt electric vehicles: evidence from China. Transport Res A Policy Pract 2017;105:14‒26. . 10.1016/j.tra.2017.08.013

[15]
Duarte G, Silva A, Baptista P. Assessment of wireless charging impacts based on real-world driving patterns: case study in Lisbon. Portugal. Sustain Cities Soc 2021;71:102952. . 10.1016/j.scs.2021.102952

[16]
Rietmann N, Lieven T. How policy measures succeeded to promote electric mobility-worldwide review and outlook. J Clean Prod 2019;206:66‒75. . 10.1016/j.jclepro.2018.09.121

[17]
Klein M, Lüpke L, Günther M. Home charging and electric vehicle diffusion: agent-based simulation using choice-based conjoint data. Transp Res Part D Transp Environ 2020;88:102475. . 10.1016/j.trd.2020.102475

[18]
Hardman S, Jenn A, Tal G, Axsen J, Beard G, Daina N, et al. A review of consumer preferences of and interactions with electric vehicle charging infrastructure. Transp Res Part D Transp Environ 2018;62:508‒23. . 10.1016/j.trd.2018.04.002

[19]
Fevang E, Figenbaum E, Fridstrøm L, Halse AH, Hauge KE, Johansen BG, et al. Who goes electric? The anatomy of electric car ownership in Norway. Transp Res Part D Transp Environ 2021;92:102727. . 10.1016/j.trd.2021.102727

[20]
Proost S, Thisse JF. What can be learned from spatial economics? J Econ Lit 2019;57(3):575‒643. . 10.1257/jel.20181414

[21]
Wangsness PB, Proost S, Rødseth KL. Vehicle choices and urban transport externalities. Are Norwegian policy makers getting it right? Transp Res Part D Transp Environ 2020;86:102384. . 10.1016/j.trd.2020.102384

[22]
Ma J, Zhu Y, Chen D, Zhang C, Song M, Zhang H, et al. Analysis of urban electric vehicle adoption based on operating costs in urban transportation network. Systems 2023;11(3):149. . 10.3390/systems11030149

[23]
Fiori C, Arcidiacono V, Fontaras G, Makridis M, Mattas K, Marzano V, et al. The effect of electrified mobility on the relationship between traffic conditions and energy consumption. Transp Res Part D Transp Environ 2019;67:275‒90. . 10.1016/j.trd.2018.11.018

[24]
Rezvani Z, Jansson J, Bodin J. Advances in consumer electric vehicle adoption research: a review and research agenda. Transp Res Part D Transp Environ 2015;34:122‒36. . 10.1016/j.trd.2014.10.010

[25]
Klinger T, Lanzendorf M. Moving between mobility cultures: what affects the travel behavior of new residents? Transportation 2016;43(2):243‒71. . 10.1007/s11116-014-9574-x

[26]
Cano ZP, Banham D, Ye S, Hintennach A, Lu J, Fowler M, et al. Batteries and fuel cells for emerging electric vehicle markets. Nat Energy 2018;3(4):279‒89. . 10.1038/s41560-018-0108-1

[27]
Haddadian G, Khodayar M, Shahidehpour M. Accelerating the global adoption of electric vehicles: barriers and drivers. Electr J 2015;28(10):53‒68. . 10.1016/j.tej.2015.11.011

[28]
Krupa JS, Rizzo DM, Eppstein MJ, Lanute DB, Gaalema DE, Lakkaraju K, et al. Analysis of a consumer survey on plug-in hybrid electric vehicles. Transp Res Part A Policy Pract 2014;64:14‒31. . 10.1016/j.tra.2014.02.019

[29]
Mounce R, Nelson JD. On the potential for one-way electric vehicle car-sharing in future mobility systems. Transp Res Part A Policy Pract 2019;120:17‒30. . 10.1016/j.tra.2018.12.003

[30]
Dumortier J, Siddiki S, Carley S, Cisney J, Krause RM, Lane BW, et al. Effects of providing total cost of ownership information on consumers’ intent to purchase a hybrid or plug-in electric vehicle. Transp Res Part A Policy Pract 2015;72:71‒86. . 10.1016/j.tra.2014.12.005

[31]
Gillingham K, Munk-Nielsen A. A tale of two tails: commuting and the fuel price response in driving. J Urban Econ 2019;109:27‒40. . 10.1016/j.jue.2018.09.007

[32]
Maggi E, Vallino E. Price-based and motivation-based policies for sustainable urban commuting: an agent-based model. Res Transp Bus Manag 2021;39:100588. . 10.1016/j.rtbm.2020.100588

[33]
Wasesa M, Hidayat T, Andariesta DT, Natha MG, Attazahri AK, Afrianto MA, et al. Economic and environmental assessments of an integrated lithium-ion battery waste recycling supply chain: a hybrid simulation approach. J Clean Prod 2022;379:134625. . 10.1016/j.jclepro.2022.134625

[34]
Pagani M, Korosec W, Chokani N, Abhari RS. User behaviour and electric vehicle charging infra-structure: an agent-based model assessment. Appl Energy 2019;254:113680. . 10.1016/j.apenergy.2019.113680

[35]
Gnann T, Plotz P, Kühn A, Wietschel M. Modelling market diffusion of electric vehicles with real world driving data—German market and policy options. Transp Res Policy Pract 2015;77:95‒112. . 10.1016/j.tra.2015.04.001

[36]
Melliger MA, Van Vliet OP, Liimatainen H. Anxiety vs reality-sufficiency of battery electric vehicle range in Switzerland and Finland. Transp Res Part D Transp Environ 2018;65:101‒15. . 10.1016/j.trd.2018.08.011

[37]
He X, Zhan W, Hu Y. Consumer purchase intention of electric vehicles in China: the roles of perception and personality. J Clean Prod 2018;204: 1060‒9. . 10.1016/j.jclepro.2018.08.260

[38]
Palmer C. Lagging charging infrastructure threatens to roadblock electric vehicle future. Engineering 2023;25:3‒5. . 10.1016/j.eng.2023.04.002

[39]
Fulton L, Jenn A, Tal G. GFEI working paper 16: can we reach 100 million electric cars worldwide by 2030? A modelling/scenario analysis [Internet]. London: Global Fuel Economy Initiative; 2017 May 31 [cited 2023 Dec 1]. Available from:

[40]
Plug In America. Understanding electric vehicle charging. Los Angeles: Plug in America; 2011 Jan 31 [cited 2023 Dec 1]. Available from:

[41]
Zhang XQ, Zhao CZ, Huang JQ, Zhang Q. Recent advances in energy chemical engineering of next-generation lithium batteries. Engineering 2018;4(6):831‒47. . 10.1016/j.eng.2018.10.008

[42]
Egbue O, Long S. Barriers to widespread adoption of electric vehicles: an analysis of consumer attitudes and perceptions. Energy Policy 2012;48:717‒29. . 10.1016/j.enpol.2012.06.009

[43]
Sovacool BK, Kester J, Noel L, de Rubens GZ. The demographics of decarbonizing transport: the influence of gender, education, occupation, age, and household size on electric mobility preferences in the Nordic region. Glob Environ Change 2018;52:86‒100. . 10.1016/j.gloenvcha.2018.06.008

[44]
Liao F, Molin E, van Wee B. Consumer preferences for electric vehicles: a literature review. Transp Rev 2017;37(3):252‒75. . 10.1080/01441647.2016.1230794

[45]
Chen Z, Liu W, Yin Y. Deployment of stationary and dynamic charging infrastructure for electric vehicles along traffic corridors. Transp Res C Emerg Technol 2017;77:185‒206. . 10.1016/j.trc.2017.01.021

[46]
Berkeley N, Jarvis D, Jones A. Analysing the take up of battery electric vehicles: an investigation of barriers amongst drivers in the UK. Transp Res D Transp Environ 2018;63:466‒81. . 10.1016/j.trd.2018.06.016

[47]
Kumar RR, Alok K. Adoption of electric vehicle: a literature review and prospects for sustainability. J Clean Prod 2020;253:119911. . 10.1016/j.jclepro.2019.119911

[48]
Tarei PK, Chand P, Gupta H. Barriers to the adoption of electric vehicles: evidence from India. J Clean Prod 2021;291:125847. . 10.1016/j.jclepro.2021.125847

[49]
Abbasi AR, Baleanu D. Recent developments of energy management strategies in microgrids: an updated and comprehensive review and classification. Energy Convers Manage 2023;297:117723. . 10.1016/j.enconman.2023.117723

[50]
Abbasi AR, Mohammadi M. Probabilistic load flow in distribution networks: an updated and comprehensive review with a new classification proposal. Electr Power Syst Res 2023;222:109497. . 10.1016/j.epsr.2023.109497

[51]
Rahmani K, Kavousifard F, Abbasi A. Consideration effect of wind farms on the network reconfiguration in the distribution systems in an uncertain environment. J Exp Theor Artif Intell 2017;29(5):995‒1009. . 10.1080/0952813x.2016.1270359

[52]
Abbasi A, Seifi A. Fast and perfect damping circuit for ferro resonance phenomena in coupling capacitor voltage transformers. Electr Power Compon Syst 2009;37(4):393‒402. . 10.1080/15325000802548780

[53]
Meurs H, Haaijer R. Spatial structure and mobility. Transp Res D Transp Environ 2001;6:429‒46. . 10.1016/s1361-9209(01)00007-4

[54]
Næss P. Residential location, transport rationales and daily-life travel behavior: the case of Hangzhou metropolitan area, China. Prog Plann 2013;79:5‒54. . 10.1016/j.progress.2012.05.001

[55]
Aditjandra PT, Mulley C, Nelson JD. The influence of neighborhood design on travel behavior: empirical evidence from North East England. Transp Policy 2013;26:54‒65. . 10.1016/j.tranpol.2012.05.011

[56]
Gim THT. The relationships between land use measures and travel behavior: a meta-analytic approach. Transp Plann Technol 2013;36(5):413‒34. . 10.1080/03081060.2013.818272

[57]
Handy S, Cao X, Mokhtarian P. Correlation or causality between the built environment and travel behavior? Evidence from Northern California. Transp Res Part D Transp Environ 2005;10(6):427‒44. . 10.1016/j.trd.2005.05.002

[58]
Alonso W. Location and land use: toward a general theory of land rent. Cambridge: Harvard University Press; 1964. . 10.4159/harvard.9780674730854

[59]
de la Barra T. Integrated land use and transport modeling: decision chains and hierarchies. Cambridge: Cambridge University Press; 1989. . 10.1017/cbo9780511552359

[60]
Waddell PA. Household choice and urban structure: a re-assessment of the behavioural foundations of urban models of housing, labor and transportation markets. London: The Routledge; 2018. . 10.4324/9780429455728

[61]
Wingo L Jr. Transportation and urban land. Washington: Resources for the Future; l 96l. . 10.56021/9780801806797

[62]
Chang JS. Models of the relationship between transport and land-use: a review. Transp Rev 2006;26(3):325‒50. . 10.1080/01441640500468432

[63]
Mcfadden D. Conditional logit analysis of qualitative choice behaviour. In: Zarembka P, editor. Frontiers of econometrics. New York City: Academic Press; 1973.

[64]
Pinjari AR, Bhat CR. Activity-based travel demand analysis. In: A handbook of transport economics. Gloucestershire: Edward Elgar Publishing; 2011. p. 213‒48. . 10.4337/9780857930873.00017

[65]
Muth RF. Cities and Housing. Chicago: University of Chicago Press; 1969.

[66]
Mills ES. Studies in the structure of the urban economy. Baltimore: Johns Hopkins University Press; 1972.

[67]
Wegener M. Overview of land-use transport models. In: Handbook of transport geography and spatial systems. Leeds: Emerald Publishing; 2004. p. 127‒46. . 10.1108/9781615832538-009

[68]
Spencer D. Cities and complexity: understanding cities with cellular automata, agent-based models, and fractals. J Archit 2009;14(3):446‒50. . 10.1080/13602360903028044

[69]
An L. Modeling human decisions in coupled human and natural systems: review of agent-based models. Ecol Modell 2012;229:25‒36. . 10.1016/j.ecolmodel.2011.07.010

[70]
Bonabeau E. Agent-based modeling: methods and techniques for simulating human systems. PNAS 2002;99():7280‒7. . 10.1073/pnas.082080899

[71]
Epstein JM. Agent-based computational models and generative social science. Complexity 1999;4(5):41‒60. . 10.1002/(sici)1099-0526(199905/06)4:5<41::aid-cplx9>3.3.co;2-6

[72]
Manson SM, Sun S, Bonsal D. Agent-based modeling and complexity. In: Heppenstall A, Crooks A, See L, Batty M, editors. Agent-based models of geographical system. Berlin: Springer; 2012. p. 125‒39. . 10.1007/978-90-481-8927-4_7

[73]
Mehdizadeh M, Nordfjaern T, Klockner CA. A systematic review of the agent-based modelling/simulation paradigm in mobility transition. Technol Forecast Soc Change 2022;184:122011. . 10.1016/j.techfore.2022.122011

[74]
O’Sullivan D, Millington J, Perry G, Wainwright J. Agent-based models—because they’re worth it? In: Heppenstall A, Crooks A, See L, Batty M, editors. Agent-based models of geographical systems. Berlin: Springer; 2012. p. 109‒23. . 10.1007/978-90-481-8927-4_6

[75]
Schindler M, Caruso G. Emerging urban form—emerging pollution: modelling endogenous health and environmental effects of traffic on residential choice. Environ Plan B Urban Anal City Sci 2020;47(3):437‒56. . 10.1177/2399808318783206

[76]
Elgowainy H, Han J, Ward J, Joseck F, Gohlke D, Lindauer A, et al. Cradle-to-grave lifecycle analysis of U.S. light-duty vehicle-fuel pathways: a greenhouse gas emissions and economic assessment of near term (2015) and future (2025‒2030) technologies. Report. Washington, DC: USDOE Office of Energy Efficiency and Renewable Energy (EERE); 2016. . 10.2172/1254857

[77]
Tikoudis I, Verhoef ET, van Ommeren JN. On revenue recycling and the welfare effects of second-best congestion pricing in a monocentric city. J Urban Econ 2015;89:32‒47. . 10.1016/j.jue.2015.06.004

[78]
Larson W, Zhao W. Self-driving cars and the city: effects on sprawl, energy consumption, and housing affordability. Reg Sci Urban Econ 2020;81:103484. . 10.1016/j.regsciurbeco.2019.103484

[79]
Candia D, Verhoef E. Tradable mobility permits in a monocentric city with preexisting labor taxation: a general equilibrium perspective. Transp Res Part B Methodol 2022;163:145‒65. . 10.1016/j.trb.2022.07.002

[80]
Compostella J, Fulton LM, De Kleine R, Kim HC, Wallington TJ. Near- (2020) and long-term (2030‒2035) costs of automated, electrified, and shared mobility in the United States. Transp Policy 2020;85:54‒66. . 10.1016/j.tranpol.2019.10.001

[81]
Larson W, Liu F, Yezer A. Energy footprint of the city: effects of urban land use and transportation policies. J Urban Econ 2012;72(2‒3):147‒59.

[82]
US Department of Transportation Federal Highway Administration. Next generation simulation (NGSIM) vehicle trajectories and supporting data. [Dataset] Washington, DC: US Department of Transportation; [cited 2024 Aug 3]. Available from:

[83]
University of Naples Federico II. MULTITUDE Project [Internet]. Campania: University of Naples Federico II; [cited 2024 Aug 3]. Available from:

[84]
Hu X, Xu L, Lin X, Pecht M. Battery lifetime prognostics. Joule 2020;4(2):310‒46. . 10.1016/j.joule.2019.11.018

[85]
Li Y, Liu K, Foley AM, Zülke A, Berecibar M, Nanini-Maury E, et al. Data-driven health estimation and lifetime prediction of lithium-ion batteries: a review. Renew Sustain Energy Rev 2019;113:109254. . 10.1016/j.rser.2019.109254

[86]
Lunz B, Yan Z, Gerschler JB, Sauer DU. Influence of plug-in hybrid electric vehicle charging strategies on charging and battery degradation costs. Energy Policy 2012;46:511‒9. . 10.1016/j.enpol.2012.04.017

[87]
Neubauer J, Pesaran A. The ability of battery second use strategies to impact plug-in electric vehicle prices and serve utility energy storage applications. J Power Sources 2011;196(23):10351‒8. . 10.1016/j.jpowsour.2011.06.053

[88]
Wood E, Alexander M, Bradley TH. Investigation of battery end-of-life conditions for plug-in hybrid electric vehicles. J Power Sources 2011;196(11):5147‒54. . 10.1016/j.jpowsour.2011.02.025

[89]
Zhou M, Jin H, Wang W. A review of vehicle fuel consumption models to evaluate eco-driving and eco-routing. Transp Res Part D Transp Environ 2016;49:203‒18. . 10.1016/j.trd.2016.09.008

[90]
Motamen Salehi F, Morina A, Neville A. The effect of soot and diesel contamination on wear and friction of engine oil pump. Tribol Int 2017;115:285‒96. . 10.1016/j.triboint.2017.05.041

[91]
Greene DL, Liu J, Khattak AJ, Wali B, Hopson JL, Goeltz R. How does on-road fuel economy vary with vehicle cumulative mileage and daily use? Transp Res Part D Transp Environ 2017;55:142‒61. . 10.1016/j.trd.2017.06.004

[92]
Caruso G, Peeters D, Cavailhès J, Rounsevell M. Spatial configurations in a periurban city. A cellular automata-based microeconomic model. Reg Sci Urban Econ 2007;37(5):542‒67. . 10.1016/j.regsciurbeco.2007.01.005

[93]
Caruso G, Vuidel G, Cavailhès J, Frankhauser P, Peeters D, Thomas I. Morphological similarities between DBM and a microeconomic model of sprawl. J Geogr Syst 2011;13(1):31‒48. . 10.1007/s10109-010-0131-7

[94]
Beijing Transport Institute. Beijing transport development annual report. Report. Beijing: Beijing Transport Institute; 2023. Chinese.

[95]
Cai J, Huang B, Song Y. Using multi-source geospatial big data to identify the structure of polycentric cities. Remote Sens Environ 2017;202:210‒21. . 10.1016/j.rse.2017.06.039

[96]
Hyra DS. Conceptualizing the new urban renewal: comparing the past to the present. Urban Aff Rev 2012;48(4):498‒527. . 10.1177/1078087411434905

[97]
Mills ES, Tan JP. A comparison of urban population density functions in developed and developing countries. Urban Stud 1980;17(3):313‒21. . 10.1080/00420988020080621

[98]
Pan H, Deal B, Chen Y, Hewings G. A reassessment of urban structure and land-use patterns: distance to CBD or network-based?—Evidence from Chicago. Reg Sci Urban Econ 2018;70:215‒28. . 10.1016/j.regsciurbeco.2018.04.009

[99]
Fujita M, Thisse JF. Economics of agglomeration. cities, industrial location, and regional growth. Cambridge: Cambridge University Press; 2002. . 10.1017/cbo9780511805660

[100]
Fujita M. Urban economic theory: land use and city size. Cambridge: Cambridge University Press; 1989. . 10.1017/cbo9780511625862

[101]
Parker DC, Filatova T. A conceptual design for a bilateral agent-based land market with heterogeneous economic agents. Comput Environ Urban Syst 2008;32(6):454‒63. . 10.1016/j.compenvurbsys.2008.09.012

[102]
International Energy Agency (IEA). Global EV outlook 2020—entering the decade of electric drive? Report. Paris: IEA; 2020. . 10.1787/d394399e-en

[103]
International Energy Agency (IEA). The role of critical minerals in clean energy transitions. Report. Paris: IEA; 2021. . 10.1787/f262b91c-en

[104]
Li J, Lu M, Lu T. Constructing compact cities: how urban regeneration can enhance growth and relieve congestion. Econ Model 2022;113:105828. . 10.1016/j.econmod.2022.105828

AI Summary ^{中
Eng} ×
说明：请注意，以下内容是人工智能生成的。本网站不对与使用此内容相关的任何后果承担责任。

AI Summary AI Mindmap

Share on WeChat

PDF (5780KB)

专题

2748

访问

0

被引

详细

导航

相关文章

在线期刊

作者中心

关于期刊

摘要