基于多元统计分析和机器学习的中国新能源电动汽车产业发展趋势研究
摘要
在大数据与人工智能时代，本文基于统计建模方法对中国新能源电动汽车产业进行了深入研究。研究旨在探索新能源汽车的发展趋势，并围绕六大主题展开研究：新能源汽车发展的驱动因素分析、未来市场预测、对全球传统能源汽车产业的影响、国际政策的影响评估、城市电气化对生态环境的影响，以及公众认知提升。
在方法论上，采用了多元统计分析、机器学习和时间序列预测模型等先进的数学工具，构建了一系列的定量模型，以准确描绘中国新能源电动汽车产业的发展态势。具体来说，应用了多元线性回归和随机森林模型，深入分析了政策激励、市场动态和基础设施建设对新能源汽车发展的影响。结果显示，充电桩数量、补贴估计和市场份额对新能源汽车销量具有显著影响。此外，还利用ARIMA模型等时间序列方法对未来10年中国新能源电动汽车市场进行了预测分析。市场预测显示，未来十年中国新能源汽车市场将保持增长势头。同时，采用向量自回归(VAR)模型探讨新能源汽车对全球传统汽车产业的影响，结果显示新能源汽车产量与传统汽车产业存在一定的相关性，说明新能源电动汽车对全球传统能源汽车产业的影响较大。在国际政策方面，通过利用双重差分法(DID)分析了国际政策对中国新能源汽车发展的潜在影响。研究结果显示，双重差分效应不显著，这说明在不考虑其他因素的情况下，政策对新能源电动汽车发展的影响不显著。该研究还侧重于通过建立污染排放和能源消耗模型，评估城市新能源电动汽车电气化对环境的影响。模型预测显示，未来十年中国新能源电动汽车市场将继续保持增长势头。新能源汽车在降低环境污染和促进可持续发展方面将发挥重要作用。
综上所述，本研究结果为政府决策、企业规划以及公众认知提供了定量依据和策略建议。通过统计建模方法，深入分析了中国新能源电动汽车产业的发展趋势，为推动新能源汽车行业的可持续发展提供了重要参考。
关键词：时间序列分析；多元线性回归；随机森林；双重差分法；ARIMA；
目录
表格清单
表1.符号以及解释
表2.数据集来源
表3.未来十年新能源汽车销售额
表4.预测销售额
表5.总产量的计算结果
表6.电动车销售量的计算结果
表7.指标与发展得分的相关系数
表8.一些国家对新能源汽车的相关政策
表9.残差图与预测值对比图
表10.车辆百里耗能及年均运行情况表
表11.车辆分布表
表12.计算电动车和燃油车标准煤消耗量的公式
表13.汽油车与电动车的燃油效率和排放因子计算公式
插图清单
图1.充电站数量、补贴估计值、电动汽车销量和市场份额随着时间的变化
图2.特征重要性条形图
图3.实际销量与预测销量随时间变化的折线图
图4.相关性矩阵热力图
图5.PCA主成分分析图
图6.未来十年新能源汽车销售额
图7.充电桩数量的趋势
图8.新能源电动汽车销售和传统汽车销售的趋势变化图
图9.新能源汽车销量预测
图10.预测传统汽车随充电桩数量的变化
图11.模型结果的残差图
图12.新能源汽车保有量以及三个国家的进口指数随时间的变化
图13.中国新能源汽车出口量
图14.出口量拟合曲线
图15.政策影响的出口量对比
图16.不同公交车的碳排放量
图17.碳排放比较
基于多元统计分析和机器学习的中国新能源电动汽车产业发展趋势研究
（一） 研究背景与意义
在当今科技飞速发展的时代，大数据与人工智能已经成为引领未来的重要趋势。这一时代背景下，新能源汽车产业作为能源与环境领域的重要发展方向备受关注。新能源汽车不仅是传统能源汽车的替代品，更是应对环境污染、减缓气候变化的重要方式之一。随着工业化进程的加速和城市化程度的提高，汽车已成为人们生活中不可或缺的一部分。然而，传统燃油汽车的使用给环境带来了严重的污染问题，包括大气污染和温室气体排放等，加剧了全球气候变化和生态环境恶化。为了应对这一问题，各国纷纷推动新能源汽车的发展，以减少对传统燃油的依赖，降低汽车尾气排放，改善空气质量，实现可持续发展目标。中国作为全球最大的汽车市场之一，对新能源汽车的发展充满了巨大的潜力和机遇。政府出台了一系列的支持政策，包括补贴政策、免费牌照等措施，以鼓励消费者购买新能源汽车，推动产业的发展。在这一政策的支持下，中国新能源汽车市场迅速崛起，成为全球新能源汽车领域的重要参与者。然而，新能源汽车产业也面临着诸多挑战和困难。技术创新、产业链完善、充电设施建设等方面存在着不少问题，制约了产业的进一步发展。因此，通过深入的统计建模研究，探究中国新能源电动汽车产业的发展态势及其影响因素，对于政府、企业和社会制定科学的决策和发展规划具有重要的指导意义。统计建模方法可以通过对大量数据的收集、整理和分析，揭示出新能源汽车产业发展的内在规律和趋势。因此，本研究将通过统计建模的方法，全面探讨中国新能源电动汽车产业的发展情况及其影响因素，为政府、企业和社会提供科学的决策依据和发展建议，促进新能源汽车产业的健康、稳定和可持续发展。
（二） 研究目的与目标
本研究旨在通过统计建模的方法，全面探讨中国新能源电动汽车产业的发展情况及其影响因素，为政府、企业和社会提供科学的决策依据和发展建议。具体目标包括深入分析新能源汽车产业的驱动因素，包括政策支持、市场需求、技术创新等，以揭示其发展的内在机制；利用时间序列分析方法对未来新能源汽车市场进行预测，探讨其发展趋势及潜在增长空间；评估新能源汽车产业对传统能源汽车产业的影响，包括市场份额、销售量等方面的比较分析，以了解两者之间的关联性；分析国际政策对中国新能源汽车产业的影响，比较不同国家的政策措施，为我国产业发展提供政策建议；探讨新能源汽车产业对环境的影响，包括减排效益、资源利用效率等方面的定量评估，为环保政策的制定提供科学支撑；提升公众对新能源汽车的认知水平，通过调查问卷等方式，了解公众对新能源汽车的态度和意见，推动其普及与应用。
（三）文献综述
在国内外学术界，关于新能源汽车产业的研究已经取得了一定的成果。一些学者对新能源汽车市场需求、技术创新、政策支持等方面进行了深入分析，提出了许多有价值的观点和建议。但是，目前对于新能源汽车产业的统计建模研究相对较少，尤其是针对其发展趋势和影响因素的定量分析和预测方面还有待进一步探讨。
（四）研究内容与方法概述
本研究将采用多元统计分析、机器学习和时间序列预测等方法，构建定量模型，以全面深入地研究中国新能源电动汽车产业的发展态势。具体内容包括对驱动因素的深入分析，市场预测以及产业影响评估等方面的研究。通过这些方法的应用，旨在为新能源汽车产业的可持续发展提供科学的决策支持和发展策略。
（一）问题假设
假设在近几年新能源汽车以及传统燃油车的性能没有技术性的根本性改革。
假设近年来没有各种因素使汽车的保有量减少。
假设近年来新能源汽车的生产销量稳定。
假设2023年后的10年内影响新能源汽车的人为和社会因素没有过大的变化。
假设搜索得到的数据具有一定的可信度和合理性。
（二）符号说明
表1符号以及解释
（一）数据收集
为了分析各种因素对中国新能源汽车发展的关系，需要收集相关的数据，由表2显示了本文所用数据集的来源。
表2数据集来源
| 数据 | 来源网站名 |
| 政策补贴 | 中国汽车工业协会网站 |
| 充电桩数据 | 中国电动汽车充电基础设施促进联盟网站 |
| 汽车产销量 | 中国汽车工业协会网站 |
| 发电量 | 国家统计局网站 |
| 二氧化碳排放量 | 全球实时碳数据 |
| 全球汽车产量 | 全球汽车工业协会网站 |
| 全球新能源汽车销量 | Clean Technica网站 |
| 新能源汽车数据 | 中国汽车工业协会网站 |
（二）数据清理
在建模过程中，针对不同来源数据集中的缺失值，采取了有效的处理策略以确保数据的完整性和准确性。主要使用了前向填充法、均值填充法来填充数据集中的缺失值。通过这两种方法，确保了数据集在模型训练和预测分析中的可用性和可靠性，从而增强了模型的准确度和可信度。
与m
个非随机变量x
之间存在线性相关关系，则它们之间的关系可以用以下线性回归模型来表示:
y=β0+β1x1+…+βmxm+ε,ε~N0,σ2.#1
上式中β0+β1x1+....+βmxm
称为回归系数。现得到n
个独立观测数据[bi
,ai1
,…, aim
]，其中bi
为y
的观察值，ai1
,ai2
…,aim
分别为x1
,x2
,…,x3
的观察值（i = 1,2,… , n
, m
<n
）,由上式得回归参数β0
,β1
…,βm
用最小二乘法进行拟合，由正规方程组的矩阵形式为
bi=β0+β1ai1+….+βmaim+εi,ε~N0,σ2,i=1,2,…,n.#2
当矩阵X
列满秩时，XTX
为可逆方阵,其公式为：
β=XTX-1XTY###3
将β
代回原模型得到y
的估计值:
y=β0+β1x1+…+βmxm#4
图1 充电站数量、补贴估计值、电动汽车销量和市场份额随着时间的变化
采用随机森林模型对新能源汽车市场的发展趋势进行统计分析，在该随机森林模型中，选择的特征包括充电桩数量、补贴估值、市场份额等，目标变量为新能源汽车销量。时间序列分析显示了使用随机森林模型训练的数据，包括充电站数量、补贴估计值、电动汽车销量和市场份额随着时间的变化，如图1所示。展示了新能源汽车市场的发展趋势，也反映了政府补贴和充电设施扩展对市场接受度和销量的正面影响。通过分析这些关键特征与销量之间的动态关系，有效地捕捉了市场的变化趋势，使预测结果更为准确和可靠，为制定政策和市场策略提供了重要的数据支持。
图2 特征重要性条形图
通过数据分析如图2所示，可得充电桩数量对新能源汽车销量的影响最小，其重要性得分为0.156；而补贴估值和汽车生产销售比对新能源汽车销量的影响较大，其重要性得分分别为0.191和0.179。使用线性回归模型，用于预测新能源汽车销量与充电桩数量、补贴估值以及时间（年份）之间的关系，使用LinearRegression模型对特征矩阵X
和目标变量y
进行拟合，得到了线性回归模型(充电桩数量、补贴估值和年份的特征矩阵X
，以及新能源汽车销量作为目标变量 y
)。使用训练好的模型对未来若干年的新能源汽车销量进行了预测，预测结果如图3所示，展示了销量的预期增长趋势，直到2022年，实际销量呈现波动趋势，2016年至2020年间，销量有所上升但之后出现下降，从2022年开始，预测数据显示销量将持续增长，预计至2026年将显著上升。
图3 实际销量与预测销量随时间变化的折线图
通过热力图对相关系数分析探究了各个特征之间的线性关系，如图4所示。“充电桩数量”与“新能源汽车销量”（0.99），这意味着随着充电桩数量的增加，新能源汽车的销量也显著增加，“传统汽车销量”与“新能源汽车销量”（-0.87），表明新能源汽车销量的增加可能与传统汽车销量的下降有关。可以得出，推动新能源汽车市场的关键因素包括充电基础设施的建设和政府政策支持，而这些因素对市场的影响远超过其他如传统汽车销量的变动。
图4 相关性矩阵热力图
将选取的特征列转换为矩阵形式，通过主成分分析可以发现数据集中的主要特征以及它们之间的相关性。使用PCA进行主成分分析，分析结果如图5所示。分析得出新能源汽车的销量和充电桩的数量，政府补贴以及产业协同率等有较强的相关关系。
图5 PCA主成分分析图
要对未来10年中国新能源电动汽车的发展进行描述和预测，需要收集以下数据进行分析：
历史销售数据：收集过去几年中国新能源电动汽车销售的数据，包括销售数量、销售额等信息，以了解市场的发展趋势。
政府政策文件：收集与新能源电动汽车相关的政府政策文件，包括补贴政策、减免税收政策、充电桩建设政策等，以评估政策对市场的影响。
建立数学模型，描述并预测未来10年我国新能源电动汽车的发展状况。然后对未来10年进行预测，再次做描述性分析。回归方程为：
N=-54.36+6.2*C+27.46*S+45.72*M#5
其中，N
为新能源车市场份额，C
为充电桩数量，S
为补贴估计，M
为市场份额。使用线性模型用于预测未来新能源汽车销量的发展趋势图6所示，预测销售额如表3所示。
表3 未来十年新能源汽车销售额
| 年份 | 新能源汽车销量（单位：万辆） |
| 2024 | 1398.18 |
| 2025 | 1495.29 |
| 2026 | 1677.34 |
续表3 未来十年新能源汽车销售额
| 2027 | 1834.79 |
| 2028 | 1810.38 |
| 2029 | 1733.74 |
| 2030 | 1903.20 |
| 2031 | 2045.01 |
| 2032 | 2049.66 |
| 2033 | 2175.83 |
图6 未来十年新能源汽车销售额
使用ARIMA模型做销售数据的时间序列分析和预测，创建ARIMA模型对象，并使用已有的数据拟合模型。选择适当的阶数（p、d、q
）来指定自回归、差分和移动平均部分的阶数，使用拟合好的模型对未来时间点的值进行预测，预测结果如表4所示。
表4 预测销售额
| 平滑预测销售额 | 考虑到外部因素的销售情况 |
|
|
|
收集相关数据（全球传统能源汽车产业数据，新能源电动汽车产业数据，相关政策数据）相关数据可视化，充电桩数量如图7所示，新能源汽车与传统汽车销量对比如图8所示。进行对新能源电动汽车对全球传统能源汽车产业的影响，通过差异分析或者相关分析其影响关系。
图7 充电桩数量的趋势
图8 新能源电动汽车销售和传统汽车销售的趋势变化图
通过对历史新能源电动汽车销售分析，建立线性回归模型对未来几年的新能源汽车销量进行预测，预测结果如图9所示。
图9 新能源汽车销量预测
使用多元线性回归模型用于预测传统汽车销量。使用充电桩数量和新能源汽车销量作为自变量，传统汽车销量作为因变量进行预测，预测结果如图10所示。
图10 预测传统汽车随充电桩数量的变化
使用VAR模型对产量和电力销售两个变量进行分析，VAR模型是一种非结构性的方程组模型，在VAR模型中，每一个内生变量都被视为系统中所有其他内生变量的滞后值的函数，从而将单变量自回归模型推广到由多元时间序列变量组成的“向量”自回归模型。下面通过总产量和电力销售两个变量进行分析，结果残差图如图11所示。可以看到两者之间的相关系数为0.69，表明电动汽车的总产量和销量之间存在中等程度的正相关关系。
图11模型结果的残差图
表5 总产量的计算结果
| 参数 | 总产量 | 标准误差_总产量 | t统计量_总产量 | P值_总产量 |
| 常数项 | 59420048.063856 | 24257934.249365 | 2.450 | 0.014 |
| L1总产量 | 372360 | 263397 | 1.414 | 0.157 |
| L1电动车销量 | -11010.282239 | 5263.342819 | -2.092 | 0.036 |
通过VAR模型的生成数据如表5、6所示，进行相关性分析，当前期（t）的总产量与上一期（t-1）的总产量呈正相关，系数为 0.372360。总产量的变化对电力销售有一定的正向影响，但并不显著。
表6 电动车销售量的计算结果
| 参数 | 电动车销量 | 标准误差_电动车销量 | t统计量_电动车销量 | P值_电动车销量 |
| 常数项 | 50.109702 | 588.542264 | 0.085 | 0.932 |
| L1总产量 | -0.00000 | 0.000006 | -0.035 | 0.972 |
| L1电动车销量 | 0.483034 | 0.127698 | 3.783 | 0.000 |
当前期（t）的电力销售额与上一期（t-1）的电力销售额呈正相关，并且在统计上是显著的。根据模型结果残差的相关矩阵显示如图11所示，总产量和电力销售额之间存在一定的正相关关系。说明新能源电动汽车对全球传统能源汽车产业的影响较大。
一些国家制定了一系列政策，有针对性地抵制中国新能源电动汽车的发展，部分政策如表8所示。通过对收集的数据分析，整理政策内容，对政策文件进行整理和归纳，了解政策的具体内容和目标。根据政策的具体内容和目标，建立影响新能源电动汽车销售量的回归模型，将政策因素作为自变量，销售量作为因变量，分析政策对销售量的影响程度。利用历史数据和建立的数学模型，进行数据分析和预测。通过模型的参数估计和预测结果，评估政策对新能源电动汽车发展的影响效果。
如图12所示，新能源汽车市场需求持续增长，特别是从2018年开始销量迅速增加，这可能受到政府政策支持、技术进步和消费者偏好变化的推动。尽管出口量相对平稳，但图13显示的月度出口数据表明存在波动性，这反映了国际市场需求的不稳定性。如图14所示，出口量的波动性更大，尤其在某些月份，出口量甚至超过实际销量，可能是由于市场推广活动或订单完成的季节性高峰所致。整体来看，新能源汽车行业在过去十年里经历了显著增长，国内市场强劲增长部分抵消了对出口的需求增加。随着新能源汽车技术的成熟和全球对减少碳排放的关注增加，预计未来几年国内外市场的需求都将继续增长，这要求制造商对国际市场动向保持敏感并适时调整市场战略。同时，政府的支持政策和国际贸易环境将继续对行业的发展起到关键作用。
双重差分（DID）模型常用于估计政策或处理效应，通过双重差分（DID）模型进行政策分析，比较处理组和对照组在政策实施前后的变化来估计政策的影响。利用收集的数据，估计上述DID模型，得出相关系数的估计值。这个估计值表示了抵制政策对中国新能源电动汽车相对于对照组的影响如表7所示。
表7 指标与发展得分的相关系数
| 指标 | 新能源汽车发布的专利数量 | 纯电动汽车的最大续航里程（公里） | 活跃的政治和法律政策数量 | 充电桩数量（万个） | CO2排放量（亿吨） |
| 得分 | 0.921 | 0.926 | 0.827 | 0.986 | 0.679 |
表8 一些国家对新能源汽车的相关政策
| 国家 | 新能源汽车的财政补贴和税收优惠政策 |
| 瑞典 | 通过降低新能源汽车的购买价格、营业税、道路税和停车费，促进新能源汽车的销售。从2019年至2022年6月，每辆车将获得1万至6万瑞典克朗的购车补贴，每年的道路税将减少360至1万瑞典克朗；为基础设施建设提供 960 欧元或安装费用50%的补贴。 |
| 德国 | 2020年6月，出台经济复苏刺激计划，新能源汽车补贴翻倍，上半年发放新能源汽车补贴7760万欧元，下半年发放补贴5.75亿欧元，增长7倍，11月对安装充电桩的用户出台900欧元的补贴政策。2021年6月发放补贴13.3亿欧元，7月宣布将新能源汽车补贴政策延长至2025年底，将电动汽车10年减税政策延长至 2030 年，同时享受每年免征公路税的优惠政策。 |
| 法国 | 从2020年6月到2021年7月，将发放超过80亿欧元的购车补贴，并给予每辆车5000欧元的置换补贴；法国有4.37万个公共充电站，415条高速公路中一半以上都配备了充电站。 |
| 韩国 | 该公司计划到2025年将新能源汽车的价格至少降低1000万韩元，并延长汽车特别消费税税率减免的实施期限。动力电池租赁服务的推出大大减轻了人们的用车负担。 |
| 美国 | 2021年，拜登提出1.75万亿美元刺激经济法案获得通过，新能源税收抵免从7500美元提高到最高12500美元，新增3400万美元用于充电基础设施研发，新增419亿美元联邦补助资金用于电动汽车充电桩基础设施建设。 |
| 日本 | 到2035年，所有销售的新车将 100%为电气化汽车，纯电动汽车的最高补贴金额将从40万日元提高到80万日元，插电式混合动力汽车的最高补贴金额将从20万日元提高到40万日元，燃料电池汽车的最高补贴金额将从225万日元提高到250万日元。 |
图12 新能源汽车保有量以及美国、日本、德国三个国家的进口指数随时间的变化
图13 中国新能源汽车出口量
图14 出口量拟合曲线
图15 政策影响的出口量对比
估计双重差分效应利用统计模型（OLS回归）对双重差分数据进行分析，得出双重差分效应的估计值对比如表9所示。该估计值表示政策、治疗或干预措施对因变量的影响。通过分析得到，政策对新能源电动汽车发展的影响系数为-0.13。这意味着政策对新能源电动汽车发展有一定的负向影响，但影响不是非常显著p值为0.2112，这个p值较大，说明政策对新能源电动汽车发展的影响在统计上不是显著的。双重差分效应不显著，说明在不考虑其他因素的情况下，政策对新能源电动汽车发展的影响不显著。总体来说，根据提供的分析结果，不能得出明确的结论表明政策对新能源电动汽车发展产生了显著影响。进一步的研究可能需要考虑其他因素或者采用更多的数据来进行分析。
表9 残差图与预测值对比图
| 残差图 | 预测值对比图 |
|
|
|
收集相关数据，收集城市新能源电动汽车的数量、行驶里程、排放标准等数据，以及城市的空气质量、噪音污染等环境数据。根据收集到的数据，建立相应的数学模型。可以建立电动汽车的尾气排放模型，考虑不同车型的排放标准和行驶里程，估计其对城市空气质量的影响。利用建立的数学模型，进行计算和分析。根据城市新能源电动汽车的数量和使用情况，估计其对空气质量、噪音污染等方面的影响程度。分析城市新能源电动汽车（包括电动公交车)电动化对生态环境的影响，建立一个简化的模型来计算减少的污染排放和能源消耗。
计算城市中汽车和公交车的总数以及它们的总行驶里程，如表10、11所示，接着计算了采用电动车和混合动力车辆相对于传统汽油车辆的能源节约和排放减少量，以及电动车辆的污染排放量，最后还计算预计需要在城市中建设约60000个充电站以满足当前需求，这对于促进新能源汽车的进一步发展具有至关重要的作用。
表10 车辆百里耗能及年均运行情况表
| 车型 | 电动汽车（千瓦时/100 公里） | 燃油车辆（升/百公里） | 年平均运行量 (万/公里） |
| 公共汽车 | 110 | 30 | 10 |
| 出租车 | 20 | 10 | 15 |
| 物流车辆 | 50 | 20 | 10 |
| 教练车 | 110 | 30 | 8 |
| 环卫卡车 | 40 | 20 | 5 |
| 私家车 | 20 | 10 | 2 |
表11 车辆分布表
| 车型 | 2015年 | 2016年 | 2017年 | 2018年 | 2019年 | 2020年 |
| 公共汽车 | 1239 | 1399 | 1559 | 1719 | 1879 | 2039 |
| 出租车 | 3043 | 3073 | 3104 | 3135 | 3166 | 3198 |
| 物流车辆 | 20000 | 21000 | 22050 | 23152 | 24309 | 25524 |
| 教练车 | 936 | 982 | 1031 | 1082 | 1136 | 1192 |
| 环卫卡车 | 259 | 293 | 329 | 371 | 420 | 475 |
| 私家车 | 757778 | 773253 | 791927 | 840541 | 889090 | 937572 |
| 总计 | 783255 | 800000 | 870000 | 920000 | 920000 | 970000 |
计算每年柴油公交车、混合动力公交车和纯电动公交车的碳排放量的。它使用了一些变量和常量来表示不同类型的公交车的相关参数，然后根据特定的计算公式如表12所示，计算出每种公交车类型的碳排放量如图16所示。
表12 计算电动车和燃油车标准煤消耗量的公式
| 电动车 | 燃油车 |
续表12 计算电动车和燃油车标准煤消耗量的公式
| 电动车能量消耗 = 电动车每百公里消耗的电能（单位：千瓦时/km） | 燃油车能量消耗 = 燃油车每百公里油耗（单位：升/100km） × 燃料的热值（单位：兆焦/升） |
| 标准煤消耗量 = 电动车能量消耗 × 标准煤转换率（单位：千克标煤/千瓦时） | 标准煤消耗量 = 燃油车能量消耗 × 标准煤转换率（单位：千克标煤/兆焦） |
注：以上公式仅适用于计算标准煤消耗量，并未考虑其他因素如车辆效率、驾驶方式等。其中，标准煤转换率是将不同能源的热值转换为标准煤的比例系数。
图16 不同公交车的碳排放量
表13 汽油车与电动车的燃油效率和排放因子计算公式
| 汽油车 | 电动车 |
| 总能源消耗=汽车类型1能源消耗 + 汽车类型2能源消耗 + ... + 汽车类型n能源消耗 | 总能源消耗=电动车类型1能源消耗 + 电动车类型2能源消耗 + ... + 电动车类型n能源消耗 |
| 总行驶里程= 2015年到2020年之间的总年数 * 汽车类型1总行驶里程 + 汽车类型2总行驶里程 + ... + 汽车类型n总行驶里程 | 总行驶里程= 2015年到2020年之间的总年数 * 总电动车能源消耗 |
| 总排放量= 总能源消耗 * (汽车类型1平均排放因子 + 汽车类型2平均排放因子 + ... + 汽车类型n平均排放因子) | 总排放量= 总能源消耗 * (电动车类型1平均排放因子 + 电动车类型2平均排放因子 + ... + 电动车类型n平均排放因子) |
| 平均燃油效率= 总能源消耗 / 总行驶里程 | 平均能源效率= 总能源消耗 / 总行驶里程 |
| 平均排放因子= 总排放量 / 总能源 | 平均排放因子= 总排放量 / 总能源消耗 |
表14 输出结果
| 燃油车 | 电动车 | ||
| 平均燃油效率 | 0.0615千米/升 | 平均能源效率 | 0.0474千米/千瓦时 |
| 平均排放因子 | 0.9485千克二氧化碳/升 | 平均排放因子 | 0.9485千克二氧化碳/千瓦时 |
通过表13的汽油车与电动车的燃油效率和排放因子计算公式计算出结果如表14所示，这些数值反映了汽油车和电动车在平均燃油效率和排放因子方面的表现。尽管电动车的能源效率相对较低，但由于其较低的排放因子，它在减少碳排放方面具有优势。
基于提供的数据，假设当前城市人口为100万，全国人口为14.1175亿。在全国范围内，汽车数量达到3300万辆，其中包括1401万辆电动车和420万辆混合动力车。通过城市汽车拥有量的计算，得到城市目前拥有10,000辆汽车。接下来，计算当前的能源消耗和碳排放量。得到当前碳排放量，进行电气化模拟，基于提供的数据，得到了电气化模拟碳排放量。最后对比碳排放减少效果，排放减少量等于当前碳排放量减去电气化模拟碳排放量。结果如图18所示。 通过模型结果，明显的可以看出来碳排放量的减少，所以说在不考虑其他因素下新能源汽车电动化后对生态环境有明显的提高作用。
图17 碳排放比较
九、模型评价以及进一步讨论
（一） 随机森林回归模型的数据分析模型
该模型使用随机森林回归算法进行训练和预测。随机森林是一种集成学习算法，通过组合多个决策树来进行预测。它具有良好的准确性和鲁棒性，并且能够处理高维数据和特征之间的复杂关系。其次，模型通过选择一些特征作为输入，包括充电桩数量、补贴估值、市场份额、传统燃油汽车产量、行业协同效应、充电桩增长率和新能源汽车产销比等，来预测新能源汽车销量。这些特征被认为与新能源汽车销量之间存在一定的相关性。然后，模型对数据进行了清洗和处理。其中，缺失值被填充为平均值或前一个非缺失值，以保证数据的完整性和一致性。此外，使用标准化方法对数据进行了预处理，以确保各特征具有相同的尺度。
接着，模型使用训练集对随机森林回归模型进行了训练，并在测试集上进行了预测。通过比较预测值和真实值，可以评估模型的准确性和性能。最后，模型输出了各个特征的重要性，并绘制了特征重要性的条形图。可以利用交叉验证等方法对模型进行进一步稳定性评估。
（二）多元线性回归模型
数据选择：选择了充电桩数量、补贴估计和年份作为自变量，新能源汽车销量作为因变量，这些因素与新能源汽车销量可能存在相关性。模型拟合：使用了LinearRegression模型进行拟合，得到了模型的参数。预测结果：对未来几年的新能源汽车销量进行了预测，并输出了预测结果模型解释：模型的系数（斜率）可以解释不同自变量对新能源汽车销量的影响程度，可以进一步探讨这些影响。
模型准确性评估：需要对模型进行进一步的准确性评估，比如使用交叉验证等方法来评估模型的泛化能力。数据的影响：除了已有的数据外，还可以考虑其他可能影响新能源汽车销量的因素，比如经济指标、能源政策等，以提高模型的解释能力和预测准确性。
（三）ARIMA预测模型
ARIMA模型对NEEV销售额和传统销售额进行了预测，并考虑了数据的季节性和外部因素的影响。在预测之前，对原始数据进行了平滑处理以减少随机波动的影响，还可以使用残差图来检查模型是否存在显著的自相关性或异方差性。如果存在这些问题，则需要进一步调整模型。此外，在考虑外部因素时，需要注意选择合适的指标，并且需要谨慎解释预测结果。即使一个模型在训练数据上表现良好，但在现实情况下，由于各种未知的因素，它可能无法准确预测未来销售额。因此，需要持续监督和更新模型，以确保其仍然能够准确反映市场变化。
（四）多元线性回归模型
通过对充电桩数量和NEEV销量进行标准化处理，可以更好地进行数据分析和预测。模型预测了未来传统汽车销量随着充电桩数量和NEEV销量变化的趋势，同时提供了历史平均销量的参考线，引入其他影响因素、使用非线性模型或其他机器学习算法进行建模，以提高预测精度和鲁棒性。同时，也可以探讨充电桩数量和NEEV销量对传统汽车销量影响的深层次机制和趋势，从更广泛的产业和市场角度进行分析和讨论。
（五） OLS（Ordinary Least Squares）回归模型
模型诊断方面，进行了残差分析。通过计算模型的残差，并绘制了残差图。在残差图中，观察到残差值大致围绕0波动，没有明显的趋势，说明模型的拟合效果较好。此外，还绘制了预测值与观测值之间的比较图。在该图中，观察到预测值与观测值之间的趋势基本一致，说明模型能够较好地拟合数据。综上所述，根据模型结果和诊断分析，可以初步认为政策对新能源电动汽车发展有显著影响。
（六）DID 差分模型
结果解释：政策对新能源电动车出口量的影响并不显著，即政策实施后的出口量下降了0.13个单位。
政策实施的时间段：模型中设立了一个政策实施前后的时间点，但是没有提供更多关于实施政策的具体细节。考虑到政策可能需要一定时间来产生影响，因此需要进一步探究政策实施的时间段是否合适
模型是基于已有的数据集进行分析，但是数据集的局限性可能会对模型结果产生影响。比如，可能存在其他未考虑的因素影响出口量，或者数据集的样本容量不足等原因
十、结论
中国新能源汽车市场的发展受到多方面因素的驱动，其中政府补贴、市场需求、充电基础设施建设和技术创新起到了关键的推动作用。通过应用多元线性回归和随机森林模型的深入分析，研究显示充电桩数量、政府补贴估计值和市场份额对新能源汽车销量具有显著影响。针对市场预测，未来十年内，中国新能源汽车市场预计将持续增长。利用ARIMA模型等时间序列分析技术进行的预测结果，对行业的未来规划提供了重要的参考信息。此外，VAR模型的分析揭示了新能源汽车产量与传统汽车产业之间的相关性，这表明新能源汽车的兴起将在全球范围内引发深刻的产业变革。国际政策的变化也对中国新能源汽车产业产生了一定的影响，尽管这种影响不是特别显著。通过双重差分法的研究发现，国际政策的微妙变动仍需引起足够的重视，以便更好地应对产业发展的挑战。在城市环境影响方面，尽管新能源汽车数量显著高于公交车数量并且总行驶里程达到显著水平，导致能源消耗增加，但新能源汽车在减少排放方面显示出显著的环保效益。尤其是混合动力车辆与传统汽油车相比，在能源节约和排放减少方面表现出显著优势。然而，在推广电动车的过程中，需要考虑到电力发电过程中的环境影响，以确保环保效益的最大化。此外，为了支持电动汽车的普及，预计需要在城市中建设约60000个充电站以满足当前需求，这对于促进新能源汽车的进一步发展具有至关重要的作用。整体来看，充电基础设施的扩建将是推动新能源汽车市场成长的关键因素之一。
- 翟佳恬.新能源汽车的发展现状与前景分析[J].汽车实用技术,2023,48(20):193-198.DOI:10.16638/j.cnki.1671-7988.2023.020.039
- 于小宁;杨艳伟.产业融合背景下的新能源汽车技术发展趋势[J].时代汽车,2023,(19):103-105.
- 莫苗苗.低碳经济下新能源汽车的发展研究[J].时代汽车,2023,(20):130-132+145.
- 张议文. 城市新能源公交系统减少碳排放潜力研究[D].吉林大学,2023.DOI:10.27162/d.cnki.gjlin.2023.007348
- Cao L C .Research on the Development and Application of Charging Piles Based on the Development of New Energy Vehicles[J].IOP Conference Series: Earth and Environmental Science,2020,565(1):012001-.
- YongMZT .Development status and trends of new energy vehicles in China[J].AIP Conference Proceedings,2019,2066(1):020012.
- Bin X T .The development and industry risks of new energy vehicles in China[C],2023:
扫一扫
1688
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
