電動車價格研究的國內外文獻綜述1電動汽車的相關研究我國對電動汽車的研究已經有五十余年的歷史，上世紀70年代，受我國政府的委托，清華大學開始對其展開研究。經過多年積累，我國針對電動汽車的研究已經有了豐碩的成果。在電動汽車的發(fā)展方向以及發(fā)展階段方面，周冬(2007)從當前石油能源短缺以及尾氣污染加劇的背景出發(fā)，認為我國發(fā)展電動汽車應該首選乙醇車。庾晉(2008)指出，目前我國在傳統(tǒng)汽車的技術發(fā)展方面落后于發(fā)達國家，而在電動汽車的發(fā)展方面，由于我國擁有電動汽車零部件的天然金屬資源(鋰、鈷)和稀土等，我國在電動汽車研發(fā)上并未像燃油汽車一樣落后于國外發(fā)達國家。曾鵬(2009)指出，我國電動汽車的發(fā)展在資源儲備以及技術開發(fā)方面存在一些優(yōu)勢，但是真正進入產業(yè)化的速度還是比較緩慢。在對影響消費者購車選擇的因素方面，程君(2006)等的研究發(fā)現油價上漲除了會影響宏觀經濟外，也會影響消費者對于車型的選擇，并發(fā)現只有很少一部分消費者會堅持原先的購車計劃。楊峰(2009)等對純電動汽車和燃油汽車的經濟性進行了比較與研究，選擇了豐田兩個車系作為實驗樣本。研究后發(fā)現，就運行成本而言，電動汽車遠低于燃油汽車，但就全生命周期成本而言，依然是純電動汽車更高，這意味著綜合來看，選擇購買豐田系的純電動汽車將會給消費者帶來更大的經濟壓力，這是由于當前中高端車型的電動汽車價格仍處高位且其電池成本較高，然而隨著國際油價的上升以及電動汽車的量產，純電動汽車的全生命周期成本可能會貼近甚至低于傳統(tǒng)燃油汽車。在對政策的研究方面，Zhang(2020)等利用超高效SBM模型對23個推廣電動汽車的城市的政策績效水平進行了測度，用完全因子分解來衡量影響績效水平的外部因素，并發(fā)現在限購城市中歷年政策表現優(yōu)異，在未限購城市的政策改善空間較大。Li(2019)等以電動汽車政策的投入產出數據為基礎，運用DEA方法對電動汽車政策在推廣應用城市的相對投入產出效率進行了定量評價。Mtmiz(2019)等研究了2009年至2018年中國電動汽車公共政策的軌跡，從需求拉動和技術推動出發(fā)分析電動汽車的近期政策路徑，指出中央政府采取的政策已經由簡單的買方激勵(需求拉動政策)轉變?yōu)榘I方激勵、汽車制造商研發(fā)投資以及技術密集化的一整套政策。付翔(2007)等總結外國在電動汽車上使用的激勵手段主要有三種：經濟扶持、稅收優(yōu)惠以及法規(guī)限制。Zhang(2018)等考察了2010年至2016年中國國家、省市出臺的電動汽車政策的異同及其成功與失敗案例，并對電動汽車產業(yè)的發(fā)展提供建議，例如加強中央和政府的協(xié)調機制，未來政策應側重于基礎設施建設、研發(fā)、電池回收等。Wang(2021)的研究采用定量和定性相結合的方法，對253篇電動汽車政策文本進行了綜合分析，在內容分析的基礎上，給出了政策文本的政策工具類型和語義結構特征。Ju(2019)等以北京市的實際數據為基礎，探究了電動汽車政策對時間、能耗和尾氣成本的影響，定量分析了電動汽車的經濟成本，實證結果顯示，電動汽車政策實施期間，時間成本和尾氣成本增加，能耗成本下降。2電動汽車價格影響因素的相關研究分析影響電動汽車價格的主要原因和次要原因，HasishiIshitani(2007)認為構建合理的企業(yè)組織關系，將會促進企業(yè)內電動汽車的發(fā)展。黃振邦等(2007)將不同車型的電動汽車，根據自身具有的特點進行分類研究，并分析了電動汽車行業(yè)的發(fā)展前景。閆兆煒(2012)對電動汽車的研究分成了三個方面，特別是技術因素，市場因素和產業(yè)化發(fā)展因素，針對這三個特點展開詳細的研究。張遠森(2018)通過多種方法展開對市場價格的評估研究，并發(fā)現人工神經網絡在該數據集上相比多元回歸模型具備更優(yōu)的預測效果。而鄭婕(2021)用阿里元天池大賽數據集，利用隨機森林算法從30個特征變量中選擇出重要度最高的9個變量，之后利用Xgboost模型對汽車價格進行預測，并對比了其與LightGBM、GBDT的預測效果，最終Xgboost在模型R2(擬合程度)和MSE(均方誤差)兩個關鍵性的評價指標上的表現都遠超其他兩個模型。林倩玉(2019)采用的研究方式是“學習曲線”，將特斯拉與比亞迪兩款電動汽車進行對比研究和價格預測，并且將這兩款車與傳統(tǒng)的燃油車對比研究。李寶勝(2020)在研究前首先將數據進行預處理，處理數據的方式是Pearson相關系數法和主成分分析法，我分析數據采集到具有價值的樣本數據以后，在使用支持向量機模型研究電動汽車。蔡秋茹（2020）在分析數據時主要采用了兩種方式，分別是XGBoost分類和預測模型不急，需要用到的信息，之后將這些數據進行測試，并做出價格預測，再通過支持向量機和神經網絡的算法計算數據，當兩次得出的結果進行對比后分析。對比后發(fā)現采用XGBoost分類算法得出的結果最貼近實際情況，此將這次得出的結果作為最終的實驗成果。黃瑩和任偉（2020）采用的是多分類邏輯斯蒂回歸方式來分析數據，采用允讓構式的分析方法可以方便統(tǒng)計數據。歐陽漢(2021)等同樣利用比賽數據，結合背景知識，創(chuàng)建出原始數據的七個特征，使用兩種集成學習模型對特征重要性進行排序，并對同時出現的排名靠前的特征進行選取，得到最終的九個特征，然后利用機器學習、神經網絡等模型對電動汽車價格進行預測，最終將預測模型確定為神經網絡模型。焦岑(2020)禾1J用汽車之家上有關汽車參數的數據，通過spearman相關系數法進行特征選擇，最終將自變量由128個刪減到107個，再分別利用多元線性回歸、隨機森林回歸以及全連接神經網絡對汽車的價格進行預測，并在神經網路的激活函數上使用了一個全新的激活函數--SeIu激活函數。參考文獻[1]楊進,李慧,張雨晗.基于支持向量機對電動汽車價格進行預測[J].企業(yè)科技與發(fā)展,2022(01):79-81.[2]歐陽漢,廖文琪,田秋紅.基于機器學習對電動汽車價格預測[J].廣西質量監(jiān)督導報,2021(04):204-206.[3]蔡秋茹.基于XGBoost集成學習算法的電動汽車價格預測[J].江蘇理工學院學報,2020,26(06):33-43.[4]孫一飛,夏帆,唐晨添,趙陸亮.基于機器學習方法的電動汽車價格預測[J].綠色科技,2020(14):266-268.[5]林倩云,邱國玉,曾惠,劉錦慧.基于“學習曲線”的我國純電動汽車價格補貼及其可持續(xù)性研究[J].管理現代化,2019,39(03):39-43.[6]李寶勝,秦傳東.基于粒子群優(yōu)化的SVM多分類的電動車價格預測研究[J].計算機科學,2020,47(S2):421-424.[7]王眾.基于電動汽車用電行為的電池預測研究[D].青島理工大學,2019.[8]盧泓宇,張敏,劉奕群,馬少平.卷積神經網絡特征重要性分析及增強特征選擇模型[J].軟件學報,2017,28(11):2879-2890.[9]張曉宇,趙海斌,周小柯.中國新能源汽車產業(yè)發(fā)展現狀研究[J].現代管理科學,2010,No.213(12):75-76+82.[10]陳杰軍,奚巍民,朱嬋霞,孫志凰,周佳偉,潘杭萍.電動汽車發(fā)展態(tài)勢評價體系及方法研究[J].電力需求側管理,2023,25(01):74-79.[11]MohammadRezaPahlavan-Rad,KhodadadDahmardeh,MojtabaHadizadeh,GholamaliKeykha,NaderMohammadnia,MojtabaGangali,MehdiKeikha,NaserDavatgar,ColbyBrungard.Predictionofsoilwaterinfiltrationusingmultiplelinearregressionandrandomforestinadryfloodplain,easternIran[J].Catena,2020,194.[12]HasishiIshitani．OverviewofJapan’sEffortonPlug－inHybird，Vehicle，EVS－23Plug－inHybridElectricVehicleworkshop[J].CaliforniaUSA．De