编辑推荐：
本研究针对伊朗德黑兰用户对电动汽车充电的支付意愿影响因素进行深入分析。为解决廉价化石燃料与有限充电设施带来的挑战，研究者通过陈述偏好调查收集了366份样本，并系统对比了有序Logit模型与随机森林等三种机器学习模型的预测效能。结果表明，在工作场所或教育机构充电的支付意愿最高，比化石燃料成本高出约60%。机器学习模型（特别是随机森林）的预测准确率达75.73%，显著优于传统模型。此研究为发展中国家优化充电设施布局与定价策略提供了关键实证依据。
在全球致力于减少温室气体排放、改善城市空气质量的背景下，交通运输部门贡献了约16%的全球排放量，成为重点治理领域。电动汽车作为替代传统内燃机车辆的绿色出行方案，其推广意义重大。然而，用户的接受程度，特别是他们为电动汽车充电服务付费的意愿，是决定这一技术能否成功普及的关键。在发展中国家，如伊朗，情况更为复杂：一方面，廉价的化石燃料使得电动汽车的运营成本优势不明显；另一方面，充电基础设施匮乏，用户缺乏使用经验，这些因素都可能抑制其支付意愿。以往的研究多集中在挪威等发达国家，那里的充电成本极低甚至免费，而化石燃料价格高昂，其结论未必适用于伊朗等发展中国家。因此，针对德黑兰这一具体情境，探究哪些因素会影响用户为电动汽车充电付费的意愿，对于制定有效的推广政策、引导基础设施投资具有紧迫的现实意义。
为了深入探究这一问题，来自伊朗德黑兰Modares大学的研究团队开展了一项开创性的研究。他们并未采用以往研究中常见的、将充电成本作为自变量来间接推算支付意愿的方法，而是设计了一份专门的问卷，直接询问用户在特定充电条件下愿意支付的金额。研究于2024年夏季，通过面对面访谈的方式，收集了366名德黑兰居民的陈述偏好数据。问卷为每位受访者设定了三种不同的充电场景，共获得1098个有效观察值。研究团队采用了两种方法论路径：一是使用有序Logit模型来识别关键影响因素并检验变量间的线性关系；二是引入了随机森林、XGBoost和支持向量机三种机器学习模型，以捕捉可能存在的复杂非线性关系，并比较模型的预测准确性。评估指标包括准确率、精确率和F1分数等。
研究结果揭示了多个影响支付意愿的关键因素。首先，充电时间是核心影响因素。有序Logit模型显示，充电时间每增加一分钟，用户选择最高支付类别（WTP-Cat3）的概率就下降0.4%。而随机森林模型进一步识别出一个关键的“阈值效应”：当充电时间超过40分钟后，用户支付意愿会出现更急剧的下降。其次，充电地点的影响巨大且呈等级性。与公共充电站相比，在商业购物中心充电能显著提升支付意愿，而在工作场所或教育机构充电的意愿则达到最高，其支付意愿水平比与化石燃料成本持平的基准高出约60%。此外，用户态度也扮演重要角色：对充电时间越敏感的用户，支付意愿反而越低；而重视充电站周边便利设施（如商店、咖啡馆）的用户，以及环境意识更强的用户，都表现出更高的支付意愿。社会经济变量方面，女性、高收入群体和年轻人群的支付意愿更高。
在模型比较方面，机器学习模型整体上超越了传统的有序Logit模型。其中，随机森林模型表现最佳，其预测准确率达到75.73%，显著高于有序Logit模型的59.02%。XGBoost和支持向量机模型也取得了较好的成绩。这一发现表明，在处理涉及复杂态度和行为模式的数据时，机器学习方法因其强大的非线性拟合能力而更具优势。
研究的结论与政策启示十分明确。在伊朗德黑兰这样的发展中国家推广电动汽车，必须采取有针对性的策略。首要任务是优先在工作场所和教育机构布局充电设施，因为这里用户的支付意愿最高，有利于投资回收。其次，应大力发展快速充电技术，将充电时间控制在40分钟以内，以避免用户支付意愿的断崖式下跌。同时，提升充电站的服务质量，增加周边便利设施，不仅能改善用户体验，也能直接提升其付费意愿。此外，加强环保宣传，提升公众对电动汽车减排效益的认知，也是推动市场接受度的重要一环。最后，在政策研究和市场分析中，可以考虑结合机器学习模型与传统计量模型，前者用于提高预测精度，后者用于解读变量影响，从而获得更全面、更深入的洞察。
这项发表在《Asian Transport Studies》上的研究，首次在伊朗背景下系统评估了电动汽车充电的支付意愿，其方法和结论不仅为德黑兰乃至伊朗的电动汽车政策制定提供了直接依据，也为其他面临类似挑战的发展中国家城市提供了宝贵的参考。
