Transport Research >

2022 , Vol. 8 >Issue 2: 49 - 56

DOI: https://doi.org/10.16503/j.cnki.2095-9931.2022.02.006

Original article

Purchase Intention of Electric Vehicles Considering Influence of Psychological Factors and Social Network

  • LU Huan , 1, 2 ,
  • GAN Hong-cheng , 1, 2 ,
  • WANG Xin-yu 1, 2 ,
  • HUANG Yue 1, 2 ,
  • WANG Wen-jing 1, 2
Expand
  • 1. Business School, University of Shanghai for Science and Technology, Shanghai 200093, China
  • 2. Center for Supernetworks Research, University of Shanghai for Science and Technology, Shanghai 200093, China

Received date: 2021-12-22

  Online published: 2022-05-26

Fold

Abstract

In order to furtherly promote the popularization and the use of electric vehicles, on the basis of systematically selecting relevant variables that affect consumers' willingness to buy electric vehicles, this paper established a hybrid choice model combining structural equation model and discrete choice model, and obtained the parameters of the model by using the maximum likelihood estimation method. The estimated results were used to explore the influence of consumers' individual attributes, vehicle attributes, psychological latent variables and social network variables on consumers' purchase intention. This study took Shanghai city as an example to analyze. Research results showed that the psychological latent variable of technology trust had a negative impact on consumers' purchase intention at the significance level of 0.01, and consumers with older age, higher income, higher education level and more family vehicles would expect and trust the new technology of electric vehicles. In addition, social network variables had a positive impact on consumers′ purchase intention at the significance level of 0.01. Compared with the information shared by social public evaluation (estimated value was 0.226) and new media (estimated value was 0.256), consumers′ purchase intention of electric vehicles was more likely to be affected by the information shared by family or friends (estimated value was 0.426). Based on the above research results, it is suggested to furtherly strengthen the technical research and development of electric vehicles on the basis of improving the preferential policies related to the purchase of electric vehicles, continuously improve the safety and charging convenience of electric vehicles, and actively publicize the advantages of electric vehicle products in the social network of consumers, so as to furtherly promote the use of electric vehicles and the development of low-carbon transportation.

Key words： traffic engineering; electric vehicle; purchase intention; psychological factor; social network; hybrid choice model

Cite this article

LU Huan , GAN Hong-cheng , WANG Xin-yu , HUANG Yue , WANG Wen-jing . Purchase Intention of Electric Vehicles Considering Influence of Psychological Factors and Social Network[J]. Transport Research, 2022 , 8(2) : 49 -56 . DOI: 10.16503/j.cnki.2095-9931.2022.02.006

0 引言

在全球倡导节能减排的背景下，发展以电动汽车为主的新能源汽车将成为汽车工业转型升级的重要方向，同样也是我国实现“碳达峰”与“碳中和”目标的重要抓手之一[1]。国务院办公厅印发的《新能源汽车产业发展规划（2021—2035年）》提出“到2025年我国新能源汽车销量达20%”的目标[2]，但目前新能源汽车市场份额仅为8%[3]，说明公众对于电动汽车的购买意愿仍相对较低，这一现象引起了政府决策者、汽车企业以及学术研究人员的广泛关注。因此，当前必须充分了解消费者对电动汽车的态度及认知程度，确定影响其购买电动汽车的关键因素，从而制定更具针对性与合理性的电动汽车发展策略。
消费者对于是否购买电动汽车存在许多顾虑，比如认为电动汽车的售价过高、担心充电基础设施不足、续航里程低或对其技术缺乏信任等。基于此，已有学者开展相关研究，主要考虑的是消费者个体属性特征及车辆属性特征等对消费者购买电动汽车的影响。在个体属性特征方面，已有研究表明消费者的性别、收入、年龄、受教育程度、家庭车辆拥有数等会影响其购买电动汽车的意愿[4-5]。在车辆属性方面，现有研究主要分析了电动汽车的销售价格、续航里程、充电费用等对消费者购买意愿的影响[4-5]。在销售价格方面，也有研究考虑了政府补贴及激励政策的影响[5]。此外，还有研究发现电动汽车充电设施的使用安全性及便捷性也是重要的影响因素[6]。
与此同时，通过总结现有研究发现，心理因素同样会影响消费者的选择偏好，主要体现在消费者对于电动汽车的态度，包括其对电动汽车种类的熟悉程度、对补贴政策的了解程度、对电动汽车环保性的认识程度[7⇓-9]以及对电动汽车技术的信任程度，比如对电动汽车技术成熟性、先进性及安全性的信任度[8⇓-10]。此外，考虑到消费者身处社会群体中，其购买选择行为也会受所处的社会环境影响[11]。有研究加入社会网络影响因素来探究电动汽车的购买意愿，发现人们更倾向于在社会大众评价积极性较高、家人或朋友购买使用电动汽车的比例超过1/2时，选择购买电动汽车[12]。
综上，虽然目前针对电动汽车购买意愿的研究较多，但仍缺乏文献综合考虑消费者的心理因素和社会网络的影响，使得在研究消费者购买意愿的影响因素时无法从外部特征层面（个人和车辆属性特征）和内部心理层面（心理因素和社会网络影响）同时展开综合分析，从而得出更全面的结论。此外，目前对于电动汽车购买意愿的研究建模方法大部分基于结构方程模型或以混合Logit模型[13]为代表的离散选择模型。鉴于此，本研究通过构建结合结构方程模型和离散选择模型的混合选择模型（Hybrid Choice Model, HCM）探究消费者个体属性、车辆属性、心理潜变量及社会网络影响对其电动汽车购买意愿的影响，以期为政府制定电动汽车发展政策提出合理和有针对性的建议，也为汽车企业转型和技术研发提供参考。

1 模型构建

1.1 变量选取

通过总结现有研究发现，消费者购买电动汽车的意愿既与个人属性变量有关，也与电动汽车的属性如车辆售价、充电时间、行驶里程等有关[4⇓-6]。同时消费者行为理论认为，消费者的购买意愿会受其所处的社会网络环境的影响[11-12]，故本研究将其纳入考虑，这有助于更全面地分析消费者电动汽车购买意愿的影响因素。因此，在选择显变量时，本研究主要考虑消费者个体属性、车辆属性和社会网络影响3类显变量。其中，个体属性中设置的变量包括消费者的年龄、性别、教育程度、月收入和家庭车辆数;车辆属性中的变量包括电动汽车的购买价格、政府补贴、续航里程、充电时间及充电桩距离。在社会网络影响方面，在借鉴相关研究的基础上[11⇓⇓-14]，本研究以调查问卷的形式向受访者提出表1所示的3个调查问题。
表1 电动汽车购买意愿社会网络影响的调查问题
调查内容 属性水平
您身边有多少亲人、朋友向您分享电动汽车时，
您会选择购买电动汽车		 0，30%, 60%,90%
您关注的微信公众号等新媒体有多少向您推荐
电动汽车时，您会选择购买电动汽车		 0，30%, 60%,90%
当社会大众对电动汽车的积极评价有多少时，
您会选择购买电动汽车		 0，30%, 60%,90%
有研究发现，不可观测的潜变量也会影响消费者购买电动汽车的意愿[15]。消费者在商品选择过程中会依赖自身对属性级别的感知，所以其偏好会受到认知和态度的影响，同时消费者的态度与消费者个体的喜好差异有关。因此，在借鉴相关研究的基础上[16]，本研究在潜变量模型中设置两个潜变量，分别为认知程度和技术信任。认知程度表示的是消费者对电动汽车的了解、熟悉程度、整体印象等，技术信任表示的是消费者对电动汽车关键技术的信任程度。针对每一类潜变量设计4个测量问题，选项采用5分李克特量表进行设计。为保证潜变量量表的有效性，于2017年8月底在上海市进行了预调查，共发放问卷50份，其中有效问卷42份。通过对预调查数据进行可靠性分析，进一步优化初始量表的测量项，最终形成了包含8个测量项的正式量表，如表2所示。
表2 潜变量选取结果及对应测量项
潜变量 测量指标In
认知
程度		 I1：我非常了解市场现有的电动汽车种类
I2：我国现有的电动汽车补贴政策很完善
I3：我认为电动汽车可以实现节能环保
I4：我十分愿意为支持环保而支付高价格购买电动汽车
技术
信任		 I5：我十分期待我国自主研发的电动汽车
I6：我在技术完全成熟时才会选择购买电动汽车
I7：我对电动汽车的电池安全性不是非常放心
I8：我认为电动汽车的充电时间较长及续航里程较低

1.2 HCM模型构建

目前，用于研究电动汽车购买意愿的模型主要有离散选择模型和结构方程模型。传统的离散选择模型在解释消费行为选择上具有一定的局限性，而结构方程模型在揭示不可观测的潜变量对消费者意愿的影响上具有明显优势。在此背景下，将结构方程模型和离散选择模型结合起来的HCM模型逐渐成为消费者购买意愿研究的热点[16⇓⇓-19]。本研究依据Ben-Akiva等人[18]和Vij等人[19]提出的理论框架，构建了电动汽车购买意愿的HCM模型，如图1所示。
图1 电动汽车购买意愿的HCM模型

1.2.1 模型定义

结构方程模型一般由测量模型和结构模型两部分组成。测量模型用来描述测量变量和对应的潜变量之间的因果关系，本研究的潜变量与测量变量之间的关系可以表示为：
I n = Λ x i + ε i
式（1）中： x i为潜变量; I n为测量变量; n为测量变量的编号; Λ为待估参数; ε i为随机误差，服从均值为0的正态分布[16]。
结构模型则用来描述潜变量之间、潜变量与显变量之间的因果关系，本研究中消费者的个体属性与潜变量的结构关系为：
x 1 = B 11 w 1 + B 21 w 2 + B 31 w 3 + B 41 w 4 + B 51 w 5 + ξ 1
x 2 = B 12 w 1 + B 22 w 2 + B 32 w 3 + B 42 w 4 + B 52 w 5 + ξ 2
式（2）~式（3）中： w为消费者的个体属性，下标表示个体属性编号; B为待估参数，下标由消费者个体属性和潜变量的编号组合而成; ξ 1和 ξ 2均为随机误差项，服从均值为0的正态分布[17-18]。
在获取变量间因果关系的基础上，根据随机效用理论的效用最大化原则，进一步获取消费者的选择结果，可得消费者选择购买电动汽车的效用函数 U为：
U = ∑ i = 1 n β X i X i + ∑ i = 1 n β w i w i + ∑ i = 1 n β z i z i + ∑ i = 1 n β x i x i + ζ
式（4）中： β X i, β w i, β z i, β x i为模型的估计参数; X i, w i, z i, x i分别为车辆属性、消费者个体属性、社会网络属性、潜变量; ζ为效用函数误差变量，服从均值为0且独立同分布的Gumbel分布[17-18]。

1.2.2 模型检验与估计

首先测量潜变量的因子，检验相关测量模型，当测量模型满足拟合指标时，方可将其整合入潜变量模型中进行分析。潜变量的信度效度分析主要有以下几个判断标准。
（1）利用验证性因子分析（Confirmatory Factor Analysis, CFA）法检验结构方程模型中测量模型的可识别性。首先，检验测量指标与潜变量间的路径是否显著，即显著性水平P小于0.05是进行CFA首先需要考虑的;然后，判断因子系数是否大于0.5，满足这两个标准的测量指标方可进入模型。
（2）当潜变量指标的路径系数与显著性满足要求时，需判断模型的近似误差均方根（Root-Mean-Square Error of Approximation, RMSEA）、标准化残差均方根（Standardized Root Mean Square Residual, SRMR）是否满足拟合度要求。统计学认为，RMSEA值越接近0，表示拟合度越好;SRMR值小于0.05时，表示模型拟合度较好。
（3）克朗巴赫系数值（Cronbach's α）可用作信度指标，该值在0.70以上为佳。
（4）计算收敛效度，其一般由平均方差提取值（Average Variance Extracted, AVE）表示。为表示潜变量有较好的收敛效度，AVE值需大于0.50。
（5）测量建构信度（Construct Reliability, CR），以确保模型结构的严谨性。当CR值大于0.70时，可认为模型的潜变量有较好的建构信度。
考虑到样本数据的峰度和偏度值均在标准值范围内，使用极大似然估计法（Maximum Likehood, ML）进行模型估计[17⇓-19]。似然函数表示为：
f ( U , I β X i , β w i , β z i , β x i , Λ , B i , ∑ ε , ∑ ξ , ∑ ζ ) = ∬ x ∏ i = 0 1 [ p ( i ) U i ] Φ α i η × ∏ n = 1 5 1 σ ε n Φ I n - x n α n σ ε n × ∏ i = 1 5 1 σ ξ i Φ x i - w B i σ ξ i d x
式（5）中： σ为模型的误差项; Φ为统计学中的求积符号;其余参数的含义同前。
最后，在参数估计和检验的过程中，采用T值检验法进行显著性检验，去掉T检验达不到显著性水平的变量。经多次试验，可得到HCM模型的参数估计及检验结果。

2 数据收集

上海市是我国电动汽车普及和使用率最高的城市之一，本研究选择上海市展开调查，具有一定的代表性。数据收集时间段为2017年10月22日—10月25日，重点选取居民住宅区、商业、办公地以及加油站等人流密集地，以主动询问的方式开展问卷调查，共发放问卷400份，通过对问卷的筛选，剔除了有缺失数据的问卷，最终获取294份有效问卷，问卷有效率为73.5%。研究样本个体属性特征如表3所示。
表3 研究样本特征
个体属性 选项 人数/人 比例（%）
性别 男 158 53.74
女 136 46.26
年龄/岁 ≤30 131 44.56
31~40 109 37.07
41~50 37 12.59
51~59 13 4.42
≥60 4 1.36
月收入/元 ≤8000 111 37.76
(8000,12000] 151 51.36
(12000, 20000) 17 5.78
≥20000 15 5.10
教育程度 高中及以下 32 10.88
专科及本科 115 39.12
研究生 147 50.00
家庭车辆数
/辆		 0 61 20.75
1 200 68.03
2 25 8.50
≥3 8 2.72

3 结果分析

3.1 模型检验

在对模型进行求解时，要进行信度和效度检验。结果显示，各潜变量的Cronbach's α值均超出临界值0.70;CR值为0.905和0.869，超出了临界值0.70;AVE值分别为0.705和0.625，都大于临界值0.5。以上数据表明测量指标具有良好的内部一致性，收敛度和建构信度良好，潜变量之间具有较强的聚合效度和区分效度，因此，量表通过信度与效度检验。本研究采用极大似然估计法得到模型的拟合指标，其中RMSEA值为0.086，SRMR值为0.028，经验证这两项数值均表明模型拟合度较好;同时，相对拟合指数（Comparative Fit Index, CFI）值为0.956，统计学认为，CFI≥0.9时表明模型拟合较好。综上，可以看出各项指标值均在可接受范围内，说明本研究的潜变量模型的拟合优度可以接受。

3.2 估计结果

HCM模型估计结果如表4所示，分析后得出如下结论：
表4 HCM模型参数估计结果
变量分类 变量 估计值 T值
潜变量 认知程度 -0.017 -0.819
技术信任 -0.035*** -1.673
社会网络 家人、朋友的分享 0.426*** 9.109
新媒体途径分享 0.256*** 3.426
公众评价的积极性 0.226*** 5.206
性别 -0.05 -0.229
个人属性 月收入 -0.024 -1.118
年龄 -0.001 -0.037
受教育程度 0.056*** 2.666
家庭汽车数 0.054*** 2.761
车辆属性 车辆价格 0.221*** 10.700
政府补贴 0.100*** 4.345
续航里程 0.170*** 9.161
充电桩距离 -0.001 -0.037
充电时间 -0.001*** -19.558

注：***代表P<0.01。

（1）模型中的心理潜变量——认知程度对消费者的电动汽车购买意愿没有显著影响，但技术信任（估计值为-0.035, P<0.01）会显著影响消费者的电动汽车购买意愿，且技术信任系数为负，结合技术信任的测量指标可发现，消费者不信任电动汽车技术时购买电动汽车的意愿不强。
（2）在社会网络影响方面，家人、朋友的分享（估计值为0.426, P<0.01）、新媒体途径分享（估计值为0.256, P<0.01）、公众评价的积极性（估计值为0.226, P<0.01）这3个属性均显著影响消费者的电动汽车购买意愿，且系数均为正，说明社会网络影响属性正向显著影响消费者的决策。尤其，家人、朋友的分享这一变量的估计值和T值最大，说明消费者在决策时会更信赖家人、朋友。
（3）消费者个体属性中，只有教育程度（估计值为0.056, P<0.01）、家庭汽车数（估计值为0.054, P<0.01）两个变量显著影响购买意愿，且系数均为正，说明受教育程度越高，家庭汽车数越多的消费者越倾向选择购买电动汽车。
（4）车辆特征属性中，除了充电桩距离这个属性外，车辆价格（估计值为0.221, P<0.01）、政府补贴（估计值为0.100, P<0.01）、续航里程（估计值为0.170, P<0.01）、充电时间（估计值为 -0.001, P<0.01）4个属性均具有显著影响。其中，价格的系数为正，说明消费者倾向于购买补贴前价格较高的电动汽车;政府补贴和续航里程估计值的系数也为正，说明越高的政府补贴、越长的续航里程对消费者的购买意愿有越强的正向影响;充电时间的估计值系数为负，表明充电时间对消费者的购买意愿有负向影响，充电时间越长，消费者的购买意愿越弱。
同时，为探究消费者个体属性对潜变量的影响，本研究选取显著影响消费者电动汽车购买意愿的技术信任潜变量进行潜变量模型的结构关系参数估计，结果如表5所示。可得出如下结论：除性别这一变量外，月收入（估计值为0.053, P<0.01）、年龄（估计值为0.048, P<0.05）、受教育程度（估计值为-0.146, P<0.01）和家庭车辆数（估计值为0.078, P<0.01）对技术信任均具有显著影响。月收入、年龄和家庭车辆数的系数均为正，说明年龄越大、收入越高、家庭车辆越多的消费群体对电动汽车的技术期待相对更强烈;受教育程度的系数为负，结合技术信任测量指标可知，学历高的消费者会更加信任电动汽车的技术。
表5 潜变量模型结构关系的参数估计结果
解释变量 技术信任
估计值 P值
性别 -0.009 0.663
月收入 0.053*** 0.008
年龄 0.048** 0.021
受教育程度 -0.146*** 0.001
家庭汽车数 0.078*** 0.003

注：***代表P<0.01;**代表P<0.05。

3.3 对策建议

结合上述研究结果，本研究从完善政策、加强技术研发、加大宣传等方面提出相应的对策建议。
（1）拥有一辆及以上汽车的消费者，会由于电动汽车的政策福利选择购买电动汽车。建议政府和汽车企业采取公共停车场减免电动汽车停车费和充电价格优惠等措施吸引更多消费者购买电动汽车。
（2）消费者的购买意愿受其对电动汽车技术信任的影响。建议电动汽车生产商和相关技术研发团队加强核心技术创新，努力突破研发瓶颈。
（3）消费者希望享受更安全与便捷的电动汽车技术，建议电动汽车生产商和相关技术研发团队积极改善充电技术，研发安全性高、可随车携带的蓄电池，提升消费者的充电便捷性。
（4）当电动汽车的续航里程接近传统燃油车且能满足快速充电需求时，消费者的购买意愿会相对强烈。建议加大力度推进电动汽车基础设施建设，充分了解消费者的充电需求，增加充电桩数量、加大充电桩密度，尤其是在居民区、商务区等区域。
（5）在社会网络影响下，相比于公众平台、新媒体发布的信息，消费者的购买意愿受自己家人、朋友分享信息的影响更大。建议鼓励电动汽车车主通过线上社交平台（如微信的朋友圈或抖音、微信视频号等）向亲朋、好友等积极宣传电动汽车的优势;特别应鼓励受教育程度较高、对新技术认同感较强、比较容易接受新事物的群体向亲朋、好友推荐购买电动汽车。

4 结语

本文在考虑消费者心理因素和社会网络影响的基础上，通过采集数据并建立HCM模型获取关键影响因素来探究消费者的电动汽车购买意愿。研究发现：技术信任心理潜变量和社会网络会影响消费者的购买意愿，技术信任的影响因消费者的月收入、年龄、受教育程度和家庭车辆数的不同而异;相比于公众平台和新媒体发布的信息，消费者购买电动汽车的意愿更容易受家人、朋友的影响。本研究的案例分析城市为上海，在后续研究中，可考虑在全国多个城市开展调查，逐步扩大样本数据，丰富样本多样性，从而对不同城市的消费者购买意愿的影响因素进行比较分析。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
张立. “碳达峰、碳中和”UP论坛综述[J]. 城市规划学刊, 2021(4):6-9.

[2]
国务院办公厅. 国务院办公厅关于印发《新能源汽车产业发展规划(2021-2035年)》的通知(国办发〔2020〕39号)[EB/OL]. (2020-11-02)[2021-12-10]. http://www.gov.cn/zhengce/content/2020-11/02/content_5556716.htm.

[3]
中国汽车技术研究中心. 中国新能源汽车产业发展报告[M]. 北京: 社会科学文献出版社, 2020.

[4]
NAZARI F, MOHAMMADIAN A K, STEPHENS T. Modeling electric vehicle adoption considering a latent travel pattern construct and charging infrastructure[J]. Transportation Research Part D: Transport and Environment, 2019, 72: 65-82.

[5]
GONG S Q, ARDESHIRI A, RASHIDI T H. Impact of government incentives on the market penetration of electric vehicles in Australia[J]. Transportation Research Part D: Transport and Environment, 2020, 83: 102353.

[6]
QIAN L X, GRISOLÍA J M, SOOPRAMANIEN D. The impact of service and government-policy attributes on consumer preferences for electric vehicles in China[J]. Transportation Research Part A: Policy and Practice, 2019, 122: 70-84.

[7]
ORLOV A, KALLBEKKEN S. The impact of consumer attitudes towards energy efficiency on car choice: survey results from Norway[J]. Journal of Cleaner Production, 2019, 214: 816-822.

[8]
BANSAL P, KUMAR R R, RAJ A, et al. Willingness to pay and attitudinal preferences of Indian consumers for electric vehicles[J]. Energy Economics, 2021, 100: 105340.

[9]
王宁, 晏润林, 刘亚斐. 电动汽车潜在消费者特征识别和市场接受度研究[J]. 中国软科学, 2015(10):70-84.

[10]
GHASRI M, ARDESHIRI A, RASHIDI T. Perception towards electric vehicles and the impact on consumers′ preference[J]. Transportation Research Part D: Transport and Environment, 2019, 77: 271-291.

[11]
左志, 王涛, 刘锴. 新能源汽车购买行为及其环境影响效果研究[J]. 交通运输研究, 2015, 1(6):40-44,50.

[12]
KIM J, RASOULI S, TIMMERMANS H. Expanding scope of hybrid choice models allowing for mixture of social influences and latent attitudes: application to intended purchase of electric cars[J]. Transportation Research Part A: Policy and Practice, 2014, 69: 71-85.

[13]
黄瑞锦, 顾高峰. 基于混合Logit模型的电动汽车购买意愿影响因素研究[J]. 交通运输研究, 2021, 7(1):95-103,114.

[14]
孙叶, 刘锴. 里程焦虑对纯电动汽车使用意愿的影响[J]. 武汉理工大学学报(交通科学与工程版), 2017, 41(1):87-91.

[15]
李军, 陈雅. 考虑心理潜变量的专车出行选择行为分析[J]. 科学技术与工程, 2017, 17(11):322-327.

[16]
王健, 付兴胜, 胡晓伟, 等. 考虑心理潜变量的居住区共享泊位停车选择行为分析[J]. 大连交通大学学报, 2019, 40(4):1-5,12.

[17]
郝京京, 张玲, 吴小龙, 等. 考虑定制出行的儿童通学方式选择行为研究[J]. 交通运输系统工程与信息, 2020, 20(1):111-116.

[18]
BEN-AKIVA M, MCFADDEN D, TRAIN K, et al. Hybrid choice models: progress and challenges[J]. Marketing Letters, 2002, 13(3): 163-175.

[19]
VIJ A, WALKER J L. How, when and why integrated choice and latent variable models are latently useful[J]. Transportation Research Part B: Methodological, 2016, 90: 192-217.

Options
Outlines

/

〈 〉