基于地理加權回歸模型的共享電動汽車租賃需求影響因素分析

摘" 要：近年來共享經濟蓬勃發展，共享電動汽車比傳統共享燃油車更加契合環保經濟理念，因此得到了快速普及。共享汽車企業以電動汽車作為租賃工具，有助于企業降低成本，迎合市場趨勢，并提供更好的用戶體驗。文章以南京市六個主城區的共享電動汽車數據為例，首先通過對城市多源數據的分析，選取居住用地、工作用地、休閑購物、科教服務、交通設施五個方面作為共享電動汽車設置分配的影響因素，然后對各影響因素按照不同屬性進行加權處理，構建了地理加權回歸模型，并且與傳統的OLS回歸模型進行了擬合效果的比較，最后采用空間可視化分析方法分析了共享電動汽車租賃需求量與關鍵影響因素之間的復雜關系。結果表明： GWR模型能更好地反映共享電動汽車租賃需求量與影響因素之間的關系，具有較高的準確性和更廣泛的適用性；工作用地、居住用地、休閑娛樂、交通設施因素在工作日的不同時段對共享電動汽車的租賃需求影響均為促進作用，而在非工作日時這些影響因素對共享電動汽車的租賃需求量具有空間異質性。研究通過使用變量分類加權的方法，提高了預測模型的準確性和實用性，可以為共享電動汽車投放規模確定和日常運營調度提供支持。

" 關鍵詞：共享電動汽車；地理加權回歸模型；分類加權；可視化分析

" 中圖分類號：F721.6；U491" "文獻標志碼：A" " DOI：10.13714/j.cnki.1002-3100.2024.24.012

Abstract： In recent years， the flourishing development of the sharing economy has seen a rapid proliferation of electric shared vehicles， which align with environmentally friendly economic principles more than traditional fuel-powered shared cars. Utilizing electric vehicles as rental tools allows sharing economy enterprises to reduce costs， cater to market trends， and provide an enhanced user experience. This article takes the shared electric vehicle data from six main urban areas in Nanjing City as an example.Initially， through the analysis of multi-source urban data， five factors—residential land use， workplace land use， recreational shopping， scientific and educational services， and transportation facilities—are selected as influential factors affecting the allocation and distribution of shared electric vehicles. Subsequently， the variables are weighted differently based on their attributes. A Geographic Weighted Regression （GWR） model is constructed and compared with the traditional Ordinary Least Squares （OLS） regression model to assess the fitting effects. Finally， spatial visualization analysis methods are employed to examine the intricate relationship between the demand for shared electric vehicle rentals and key influencing factors.The results indicate that the GWR model better reflects the relationship between the demand for shared electric vehicle rentals and influencing factors， demonstrating higher accuracy and wider applicability. Factors such as workplace land use， residential land use， recreational activities， and transportation facilities exhibit a promoting effect on shared electric vehicle rental demand during various time segments on workdays. However， on non-workdays， these influencing factors demonstrate both positive and negative effects on the demand for shared electric vehicle rentals. By employing a variable classification weighting method， this study enhances the accuracy and practicality of the predictive model， providing valuable insights for determining the scale of shared electric vehicle deployment and daily operational scheduling.

Key words： shared electric vehicles; Geographically Weighted Regression （GWR） model; variable classification weighting; visual analysis

收稿日期：2024-01-22

作者簡介：申" 彥（1982—），男，江蘇南京人，江蘇大學管理學院，副教授，博士，碩士生導師，研究方向：大數據分析與挖掘、商務智能、智能信息系統、圖情分析等管理科學與計算機科學；譚" 昕（1995—），女，山東濟寧人，江蘇大學管理學院碩士研究生，研究方向：工業工程與管理。

引文格式：申彥，譚昕. 基于地理加權回歸模型的共享電動汽車租賃需求影響因素分析[J]. 物流科技，2024，47（24）：57-62，94.

0" 引" 言

隨著共享經濟模式的崛起，社會資源分配的方式正經歷著革命性的變革，共享經濟正引領著當下乃至未來人們的生活方式[1]。在這一潮流中，共享電動汽車的發展不僅符合“共享經濟”理念，還積極響應了國家低碳發展的戰略方針。電動汽車出行作為現行環保的出行方式，其廣闊的市場前景也受到了企業的廣泛關注[2]。為企業帶來了大量利潤的同時，以電動汽車作為租賃車輛的共享汽車企業，不僅可以更好地滿足用戶個性化、差異化的出行需求，還可以進一步提升電動汽車在環保、節能、減排方面的經濟效益[3-4]。然而，共享電動汽車用戶的出行呈現明顯的潮汐特性，這導致了在用車高峰時段人口流量大的地點常常出現車輛供應不足的現象，從而影響用戶體驗，嚴重制約了共享電動汽車的發展[4]。因此，采用適當的布局優化和區域調度等策略對于解決車輛供需不平衡問題至關重要。然而，無論是考慮共享電動汽車系統的布局優化還是區域調度，決策者都需要掌握共享電動汽車租賃需求量的影響因素。

對于共享電動汽車企業管理而言，準確、高效地進行租賃需求量影響因素的分析具有重要的戰略價值。這會為企業提供決策支持，優化共享電動汽車的運營效果，提高用戶出行體驗，促進共享電動汽車行業的健康發展。根據羅蘭貝格戰略咨詢公司的研究預測，到2025年，中國分時租賃汽車每天的出行次數將達到3 700萬次，相應的市場容量將達到每年3 800億元，而潛在需求所帶來的關聯市場容量可能達到1.8萬億元的規模。值得注意的是，根據有關部門發布的《2021年中國分時租賃行業研究報告》，預測到2025年，中國共享汽車需求將達到300萬輛，而到2030年將超過1 200萬輛。由于該行業正處于導入期，共享電動汽車在如今并沒有得到廣泛的覆蓋和合理的配備，一些研究表明，共享汽車市場滲透率實際不足4%。相關企業對租賃需求量影響因素的分析，能夠實現更為合理的布局優化和區域調度，減少在決策過程中產生的成本，高效地配備已有資源。

為此，國內外學者對用戶選擇共享電動汽車出行的影響因素進行了深入研究，主要集中在以下幾個方面。基于交通需求模型的研究主要是通過分析城市居民的交通需求和出行行為，基于人口流量等因素構建交通需求模型。如Cocca等[5]基于城市人口數量這個影響因素進行研究，結合真實使用數據評估未來共享電動汽車的使用情況，表明隨機森林回歸模型比其他模型表現更優秀；Cheng等[6]探索了基于居民流量的共享電動汽車出行需求，考慮從出發地到目的地四周的多個影響因素，結果表明行程屬性在需求方面會起到關鍵作用；Cheng等[7]采用不同數據源的交通統計模型和機器學習算法，幫助汽車共享運營商選擇站點的最佳位置；Khattak等[8]根據出行模式等影響因素構建模型，提供關于消費者出行選擇以及電動汽車和混合動力汽車在MaaS中的共享使用的信息；Qi等[9]根據交通網絡等影響因素建立線性規劃模型，得出車隊規模和能源服務系統之間的復雜關系。另有其他研究者基于用戶行為分析，通過調查和分析潛在用戶對共享電動汽車的態度和行為進行需求量的預測。如Jiao等[10]提出了一個將價格激勵方法與出行選擇策略相結合的整合策略，該整合策略可以提升經濟和環境效益；Barth等[11]通過用戶調查和業務分析收集用戶滿意度，分析得出了關于出行特征和出行需求模式的關鍵結果。還有基于對共享電動汽車的商業模式、成本效益和市場競爭等因素進行評估的研究。如Galatoulas等[12]通過具體的使用成本分析了EVS系統，為共享電動汽車行業的經濟前景和盈利潛力提供了參考；張力[13]運用多層次分析框架構建新能源汽車商業模式創新的路徑模型，得出不同商業模式創新類型下的五條創新路徑。還有其他方向的研究考慮車輛出行模式、充電行為、載客率等影響因素，進而預測共享電動汽車的需求趨勢等問題。如Zhuk等[14]分析了在電動交通系統和能源系統聯合發展的基礎上，需求和停車位隨機性的電動汽車共享系統的車輛再分配問題；Lin等[15]構建了一個兩階段隨機規劃模型，該模型在第一階段，通過部署一個基于歷史客戶數據的共享系統，在第二階段重新定位人員在系統中的位置，使得電動車輛運營獲得最大化預期利潤，實現最大化最終利潤以適應不確定的需求。

以上研究雖多角度分析了影響共享電動汽車設置、需求和成本等方面的各種因素，但基于時間變化對各種影響因素進行分析的探討略顯不足，缺乏系統化的論證分析。為了更好地衡量在不同時間段內不同區域回歸系數的空間異質性，為共享電動汽車的投放規模確定、停放點規劃以及日常的再平衡調度提供參考依據，本研究從工作日和非工作日內的兩個時間點，結合南京市的實時人口熱力數據、POI數據等多源數據，選取影響共享電動汽車租賃需求的影響因素，對各變量按照不同屬性進行加權處理，然后基于地理加權模型研究各因素對共享電動汽車需求影響程度的空間非穩態性，結合回歸系數的可視化結果，分析各影響因素對共享電動汽車需求的影響。

1" 研究區域及數據處理

1.1" 研究區域概況

本研究將共享電動汽車集中分布的南京市六大主城區作為研究范圍，保證了數據具有代表性，范圍如圖1所示。圖中，加粗邊界線以內作為研究范圍，面積約為787km2，涵蓋了鼓樓區、秦淮區、棲霞區、雨花臺區、建鄴區、玄武區6個主要行政區。

1.2" 影響因素的選取

在電子地圖中，每一個地名、建筑物、住宅小區、公園、學校、醫院、公司以及商場等均被視為一個空間特征物數據點（POI），包含名稱、類別、經緯度等詳細信息。結合國內外研究成果，考慮到共享電動汽車的本身特性、站點布局成本、資源使用效率等因素的共同影響，將各類POI的屬性體系劃分涵蓋居住用地、工作用地、休閑購物、科教服務、交通設施五大類型。各類POI的具體屬性如表1所示。

1.3" POI數據

本研究所采用的數據為研究范圍內的16萬個地理標識的空間特征物數據點（POI）。這些POI信息由數據供應商通過實地調查采集而來，其信息內容豐富準確，更新及時，并且與群眾的生活密切關聯。

本研究首先對POI位置數據使用ArcGIS軟件進行核密度分析得到核密度分布，然后再劃分500m*500m漁網進行數據捕捉，通過要素轉點轉成點數據，最后利用多值提取至點工具得到核密度值，從而得到了單一屬性變量的單個POI點所在區域范圍內的變量點密度，從而獲得本文的自變量。

1.4" 共享電動汽車的租賃需求量

從百度地圖慧眼商業與人口地理分析系統中提取的工作日和非工作日的人口活動數據，其時間跨度為一周。以共享電動汽車租賃需求量為本文的因變量，其數據處理方式為：首先，將POI點和人口活動數據地理位置坐標進行相關匹配后，篩選距離超過200米以上的數據得到14.2萬帶有實時人口數據的POI點。其次，與POI點進行最近距離匹配，得到單個POI點附近的實時人口數據值。最后，在此基礎上按照變量的屬性劃分，并對各個POI值按照自身屬性進行分類加權處理，得到與每個POI點對應的共享電動汽車租賃需求量，即本文的因變量值。

1.5" 多重共線性檢測

在構建回歸模型之前，需要對變量進行篩選，避免變量之間存在多重共線性。多重共線性是指在回歸模型中，自變量之間存在高度相關性或線性關系的情況。在進行模型回歸分析之前，進行多重共線性檢測是為了避免部分變量之間存在高度相關性或線性關系，影響結果的準確性。多重共線性檢測的方法有多種，其中最常用的是方差膨脹因子（VIF）檢驗法和Tolerance檢驗法。本文采用方差膨脹因子（VIF）以剔除不符合要求的影響因子。其計算公式如下。

[VIF=11-R2i ，i=1，2，…，k] （1）

式（1）中，[R2i]是把第[i]個自變量作為因變量，將其對其他[k-1]個自變量做線性回歸所得的可決定系數。VIF檢驗的經驗準則通常以10作為判斷邊界，VIF的均值（Mean VIF）gt;2，VIF的最大值gt;10，滿足兩個條件之一就表明存在多重共線性。

在檢測中，本研究發現科教服務變量在非工作日18時的VIF gt;10，檢測結果如表2所示，證明該變量與其他變量存在高度相關的關系，說明科教服務變量在后續進行的模型分析中將影響其他四個變量系數的呈現結果，導致其他四個變量系數結果都出現偏差，所以將科教服務的影響因子予以剔除處理。將處理后的變量重新進行VIF檢測，結果中不存在VIF gt;10的情況，結果如表3所示，表明處理后的數據不存在多重共線性。

2" 回歸模型構建

2.1" OLS與GWR模型

普通最小二乘法（OLS）模型是一種統計分析中常用的線性回歸分析方法。它用于描述自變量（獨立變量）與因變量（依賴變量）之間的關系。OLS模型基本形式如下。

[yi=β0+i=1βkxik+εi] （2）

式（2）中，[yi]為第[i]個樣本點的因變量（共享電動汽車租賃需求量），[xik]為第[i]個樣本點的第[k]個自變量（POI點密度），[β0]為線性回歸方程的截距（常數項），[βk]為第[k]個自變量的回歸系數，[εi]為隨機誤差。

OLS模型的參數估計是通過最小化殘差平方和來獲得的，并且它產生的全局模型對整個數據集是一致的。OLS模型適用于空間上的平穩數據，其中空間位置對回歸關系的影響是恒定的。

GWR模型是在傳統的OLS回歸模型的基礎上改造模型系數，納入表示地理位置的參數，根據研究區域的空間變化對各變量進行局部回歸分析。GWR允許模型系數在空間上變化，它可以為每個地理位置計算出不同的回歸系數，能夠更好地捕捉數據中的空間異質性。并且GWR使用權重矩陣來調整每個地理位置的權重，以反映空間上的相對距離或相似性，這可以更準確地描述數據之間的空間關系。本文選用GWR模型對共享電動汽車租賃需求量的影響因素進行進一步探討，其計算公式如下。

[Yi=β0ui，vi+k=1nβkui，viXik+εi，i=1，2，…，n] （3）

式（3）中：[ui，vi]為第[i]個樣本點的空間經緯度坐標點，[k-1nβkui，vi]為變量[Xik]的回歸系數；[Xik]為影響因素，[εi]為隨機誤差項，[εi～N0，δ2]、[n]為樣本量。

2.2" AHP確定不同屬性變量加權系數

共享電動汽車的需求分布符合區域效應現象，這會吸引具有相似社會人口特征的人，并在不同屬性的變量點產生不同的需求量。因此，我們可以將相同屬性的變量歸為一個評價指標，并對其進行量化處理。隨后，通過不同屬性變量對共享電動汽車租賃需求的影響進行比較分析。為了使研究結果更有針對性，對GWR模型中的不同屬性變量采用加權策略顯得至關重要。此外大量研究表明各個變量對共享電動汽車的需求量因其所處環境和人口的差異化而不同，所以本研究通過層次分析法（AHP）對不同屬性變量賦予權重。這不僅可以更準確地揭示每個不同屬性變量對共享電動汽車需求的差異的影響，還可以提升模型結果的穩定性和準確性，增強其在實際決策中的可信度。此外，結合專家的知識和經驗，有助于確保模型權重更客觀、更合理，并與實際應用場景更貼切。

在構建層次評價模型時，首先要明確定義各個指標之間的相對重要性。這一過程涉及將這些指標量化，并將它們用于構建判斷矩陣，以便在層次結構中進行兩兩比較，最后通過對這些比較值進行歸一化，形成一個層次結構。構建層次評價模型如圖2所示。

評價指標如圖2所示，為比較評價指標之間的相對重要性，邀請了4位從事共享充電樁選址的企業專家與6位從事共享電動汽車研究的教授，通過層次分析法多輪反饋確定了分值表。采用1—9標度法如表4所示，對各個不同屬性地區的共享電動汽車的租賃需求量進行兩兩比較，得到目標層和準則層二的判斷矩陣。根據各變量不同權重值由算術平均法求出最終權重，并且計算出最大特征根、特征向量、各層次的單排序，并經過一致性檢驗后得出表5各變量判斷矩陣數值。最終得到各變量不同權重系數，結果如表6所示。

2.3" 模型評估

在對變量進行回歸分析時，選擇恰當的模型對于獲得準確、可靠的結果至關重要。在本文中，使用了兩種模型：地理加權回歸（GWR）模型和普通最小二乘法（OLS）模型。為了驗證這兩種模型的有效性和準確性，采用了四個關鍵的評估指標：擬合優度R2、調整后的R2、AICc（赤池信息準則）值和剩余平方和。

當AICc的數值最小時，說明模型的擬合效果最佳。AICc計算公式如下。

[AICc=2nlnσ+2nln2π+nn+trSn-2-trS] （4）

式（4）中：[σ]為隨機誤差項方差的極大似然估計值：[σ=RSSn-trS]，其中[trS]是矩陣S的跡，[RSS]為剩余平方和。令AICc取最小值，可求得對應矩陣的跡，進而得到最優。

在分析表7中的結果時，我們發現GWR模型的R2和調整后的R2值上均高于OLS模型，這表明GWR模型能更好地捕捉自變量和因變量之間的關系，尤其是在考慮地理空間異質性的情況下，GWR模型能夠考慮數據在空間上的變化。

同時，GWR模型的剩余平方和和AICc值均低于OLS模型，表明GWR模型對數據更敏感，模型擬合的效果更好。因此在本文的研究中，GWR模型表現出更強的解釋能力和更高的數據敏感度，是相比于OLS更合適的選擇。

3" 基于GWR模型的分析

結合模型估計結果中具有空間異質性的顯著變量，本研究通過使用可視化分析工具，分析了工作日、非工作日早晚高峰時段回歸系數對比的圖像，可以得出不同影響因素對共享電動汽車租賃需求量的影響程度具有較大差異的結論，并對研究區域內共享電動汽車的分布差異及其內在原因進行詳細梳理。

3.1" 工作日和非工作日各影響因素對租賃需求影響的分析

如圖3所示，在工作日和非工作日，工作用地變量的回歸系數之間存在顯著的變化，這表明工作日和非工作日工作地點變量對共享電動汽車需求的影響存在明顯的差異。然而，在工作日和非工作日內相同時段的對比中，觀察到回歸系數較大的區域會存在一定的重合現象，這主要集中在南京站、新街口、奧體中心等區域，這與該區域內擁有密集的商圈以及交通樞紐等原因密不可分。在進行調度策略時，企業可以重點考慮回歸系數較大且存在重合現象的區域，以更有效地滿足需求并提高資源利用效率。

通過圖4和圖5的對比研究，工作日和非工作日之間各個變量的回歸系數的大小在空間分布上存在一定的差異。在工作日情境下，這些系數表現出漸變分布，這一現象顯示了人們對共享電動汽車的需求在城市空間上呈現出梯度變化的分布，缺乏明顯的小范圍聚集現象。然而，在非工作日狀態下，觀察到各個變量的回歸系數呈現出不同區域差異較大的特征。這表明在非工作日，人們對共享電動汽車的需求分布呈現出更大的分散性和小范圍的聚集性。這種在工作日和非工作日差異的產生，可能是因為在工作日人們要前往工作地點，而非工作日則是人們的休閑時間，出行目的地具有不確定性，這也與人們在日常生活中的工作習慣相符。

3.2" 同日內不同時間段各影響因素對租賃需求影響的分析

上文3.1節論述分析了工作日和非工作日各影響因素對租賃需求影響，然而，在實際決策中，僅僅考慮工作日與非工作日對租賃需求的影響可能導致資源的低效利用。了解工作日與非工作日不同時段的租賃需求，能夠以一種更細化、更微觀的角度為企業提供決策依據，以達到合理的共享電動汽車配置。

3.2.1" 工作日早晚高峰時段對租賃需求影響的分析

根據圖4和圖5的分析，我們可以觀察到在工作日的早晚高峰時段，以上四個類型變量的回歸系數均為正值，表明它們對共享電動汽車的租賃需求量起到了促進作用。

從工作用地和居住地點這兩個變量類型在早高峰和晚高峰時段的回歸系數來看，早高峰時段回歸系數在建鄴區和雨花臺區較高，說明這兩個區域對共享汽車租賃需求的影響比其他區域的正向作用更強，而晚高峰時段則表現為鼓樓區、玄武區以及棲霞區的東南部對共享汽車租賃需求的影響更為明顯。交通設施變量在早高峰和晚高峰時段回歸系數的差異范圍相對較小，這與該區域內較為密集的公共交通網絡等原因密不可分。

然而，休閑購物變量在早高峰和晚高峰時段回歸系數的分布與其他三個相比具有較大的不同。結合實際情況得出具體原因在于鼓樓區、秦淮區、建鄴區、玄武區的公共交通等設施相對較為完善，可以為用戶提供更多的出行方式選擇，因此休閑娛樂設施的分布密度與共享電動汽車出行需求的正相關性相對微弱。相反，雨花臺區和棲霞區分布有較多的工業和科技園區，休閑娛樂設施分布相對分散，因此產生了大量以就餐和購物為目的的出行需求，但由于公共交通覆蓋不足，這就會增強其對共享電動汽車租賃需求量的正相關性。

3.2.2" 非工作日早晚高峰時段對租賃需求影響的分析

由圖6、圖7綜合對比來看，非工作日的早晚高峰時段工作用地變量的回歸系數變化不大，表明工作用地變量對共享電動汽車租賃需求量的影響變化較小，這也符合人們的實際出行習慣。

而非工作日晚高峰期間，玄武區、雨花臺區和建鄴區附近的交通設施變量的回歸系數比早高峰期間顯著提高，這表明交通設施變量對以上所述城區的共享電動汽車租賃需求量影響的正相關性更強。這是因為人員在白天聚集后需要返程，但由于晚上使用公交、地鐵等公共交通設施需求人數變多且設施有限，從而提高了交通設施變量對共享電動汽車需求量的影響。

在非工作日晚高峰時間段，居住地點變量的回歸系數在全域普遍較低，甚至出現負值。這是因為在非工作日晚高峰時間段，用戶大多居家休息，出行需求較小，因此對共享電動汽車的使用產生微弱的促進作用。

4" 結" 語

本文從城市POI熱點屬性的影響因素出發，首先確定影響共享電動汽車需求量分布的影響因素，然后再篩選變量，并對各個變量值按照自身屬性進行分類加權處理，通過地理加權回歸模型對各變量進行全局回歸分析，得到影響共享電動汽車需求量回歸系數的分布特征。根據模型分析結果判斷出各個影響因素對因變量的作用程度及空間分布，有利于決策者了解共享電動汽車投放環境的優劣狀態。

通過對南京市主城區的共享電動汽車需求量數據進行GWR模型分析可知：在工作日的不同時段，工作用地、居住用地、休閑娛樂、交通設施變量對共享電動汽車的租賃需求影響均為促進作用。而在非工作日的不同時段，這些變量具有空間異質性。對這些因素進行可視化分析，決策者可直觀地看出不同時空下影響共享電動汽車需求量的關鍵因素，以選取合適的改善方案來提高用車率和流通率。南京作為一線城市，以其高度復雜的城市結構和豐富的環境資源而著稱，具備可作為研究典型的特點。這些結論能夠為其他城市的共享電動汽車管理企業完善管理方法和經營策略提供一定的啟發和借鑒。

本文著重分時段研究了不同的影響因素，在未來的研究中，可將社會、人口屬性等其他因素的共同影響進行融合后納入研究范疇，以進一步提高變量的解釋能力，為管理者提供更科學合理的決策支撐依據，為共享電動汽車的投放和調度提供更具針對性的指導。

參考文獻：

[1]" KATZEV R. Car sharing： A new approach to urban transportation problems[J]. Analyses of Social Issues amp; Public Policy， 2003，3（1）：65-86.

[2]" GAMBELLA C， MALAGUTI E， MASINI F， et al. Optimizing relocation operations in electric car-sharing[J]. Omega， 2018， 81：234-245.

[3]" LU Miaojia， TAIEBAT M， XU Ming， et al. Multiagent spatial simulation of autonomous taxis for urban commute： Travel economics and environmental impacts[J/OL]. Journal of Urban Planning and Development， 2018，144（4）：04018033. [2023-12-13].https：//doi.org/10.1061/（ASCE）UP.1943-5444.0000469.

[4]" TAIEBAT M， XU Ming. Synergies of four emerging technologies for accelerated adoption of electric vehicles： Shared mobility， wireless charging， vehicle-to-grid， and vehicle automation[J]. Journal of Cleaner Production， 2019，230：794-797.

[5]" COCCA M， TEIXER|IRA D， VASSIO L， et al. On car-sharing usage prediction with open socio-demographic data[J/OL].Electronics， 2020，9（1）：72.[2023-12-16]. https：//doi.org/10.3390/electronics9010072.

[6]" CHENG Jiaqi， CHEN Xiaohong， YE Jianhong， et al. Flow-based unit is better： Exploring factors affecting mid-term OD demand of station-based one-way electric carsharing[J/OL]. Transportation Research Part D： Transport and Environment， 2021，98. [2023-12-16]. https：//doi.org/10.1016/j.trd.2021.102954.

[7]" CHENG Yu， CHEN Xu， DING Xiaohua， et al. Optimizing location of car-sharing stations based on potential travel demand and present operation characteristics： The case of Chengdu[J/OL]. Journal of Advanced Transportation， 2019，2019：1-13. [2023-12-19]. https：//onlinelibrary.wiley.com/doi/epdf/10.1155/2019/7546303.

[8]" KHATTAK Z H， KHATTAK A J. Using behavioral data to understand shared mobility choices of electric and hybrid vehicles[J/OL]. International Journal of Sustainable Transportation， 2023，17（2）：163-180. [2023-12-19]. https：//doi.org/10.1080/15568318.2021.2004627.

[9]" QI Wei， SHA Mengyi， LI Shanling.When shared autonomous electric vehicles meet microgrids： Citywide energy-mobility orchestration[J]. Manufacturing amp; Service Operations Management， 2021，24（5）：2389-2406.

[10] JIAO Zihao， RAN Lun， LIU Xin， et al. Integrating price-incentive and trip-selection policies to rebalance shared electric vehicles[J/OL]. Service Science， 2020，12（4）：148-173. [2023-12-20]. https：//doi.org/10.1287/serv.2020.0266.

[11] BARTH M， TODD M. User behavior evaluation of an intelligent shared electric vehicle system[J/OL]. Transportation Research Record： Journal of the Transportation Research Board， 2001，1760（1）：145-152. [2023-12-20]. https：//doi.org/10.3141/1760-19.

[12] GALATOULAS N-F， GENIKOMSAKIS K N， IOAKIMIDIS C S. Analysis of potential demand and costs for the business development of an electric vehicle sharing service[J/OL]. Sustainable Cities amp; Society， 2018，42：148-161. [2023-12-23]. https：//doi.org/10.1016/j.scs.2018.07.008.

[13] 張力. 中國新能源汽車商業模式創新以及路徑演化研究 ——社會技術系統視角[D]. 北京：北京交通大學，2020.

[14] ZHUK A Z， BUZOVEROV E.The impact of electric vehicles on the outlook of future energy system[C/OL]//IOP Conf. Series： Materials Science and Engineering 315（2018）012032.IOP Publishing，2018：1-10. （2018-02-23）[2024-02-23]. https：//www.researchgate.net/publication/323348464.

[15] LIN Dung-ying， KUO Jia-kai.The vehicle deployment and relocation problem for electric vehicle sharing systems considering demand and parking space stochasticity[J/OL].Transportation Research Part E： Logistics and Transportation Review， 2021， 156. [2023-12-23]. https：//doi.org/10.1016/j.tre.2021.102514.