中国家用汽车能源需求模型

English version is here.

本模型模拟中国家庭乘用车市场中电动汽车（BEV）的扩散过程，以及由此带来的家用汽车部门能源需求结构的变化。模型以家庭为智能体，刻画不同家庭在收入、学历、年龄、驾驶行为等方面的异质性，以及社交网络中的同伴效应对购车决策的影响。通过对比不同补贴政策情景，评估政策对电动车扩散速度和能源需求转型路径的影响。

模型概述

目的

本模型回答的核心问题是：随着电动汽车在中国家庭中的扩散，家用汽车部门的能源需求（燃油消耗和电力消耗）将如何变化？不同的补贴政策对这一转型路径有多大影响？

使用 ABM 的原因：

• 异质性：不同家庭的经济状况、驾驶习惯差异很大，同一政策对不同人的效果完全不同。高里程家庭从 BEV 的运行成本优势中受益更多，低里程家庭则可能觉得 BEV 的购置溢价和低保值率不划算。用均值或代表性消费者会严重失真。
• 社会交互：同伴效应是技术扩散的关键驱动力。当一个人社交圈中越来越多的人开始用电车，他自己采纳的概率也会升高。这种局部交互如何汇聚成全国性的扩散曲线，需要通过模拟来观察。
• 有限理性：家庭的购车决策并非严格的成本最优化，而是受多种因素综合影响的有限理性行为。

智能体

Household（家庭）

• 角色：代表一个拥有或潜在拥有一辆家用汽车的家庭单元
• 数量：按各省实际家庭数量 1:1000 缩放，全国约 50 万个智能体。数量在模拟期间固定（不新增/退出家庭，只有无车家庭转变为有车家庭）
• 关键属性：
  • 固定结构特征：省份、收入水平、学历、初始年龄、年行驶里程
  • 动态状态：是否有车、车辆类型（ICE/BEV）、车龄、年龄（每年递增）
• 异质性：
  • 收入：各省服从不同参数的对数正态分布抽样
  • 学历：各省按学历结构比例抽样
  • 年龄：各省按人口年龄结构抽样
  • 年行驶里程：与收入和省份相关的分布抽样
• 决策：首次购车（从无车变有车）、换车时的车型选择（ICE vs BEV）

交互机制

• 交互类型：社交网络中的同伴效应。每个家庭观察其社交网络中邻居的车辆类型，邻居中 BEV 占比越高，自己选择 BEV 的概率越大。
• 交互结构：基于收入同质性的社交网络。同一省份内，相近收入水平的家庭连接概率更高，但存在跨收入层的连接。不同省份的家庭之间不建立连接。
• 反馈循环：个体购买 BEV → 社交网络中 BEV 占比上升 → 更多邻居倾向于购买 BEV → 加速扩散。这是经典的正反馈扩散机制。

使用的 Melodie 模块

• Simulator：运行基于情景的模拟，对比不同补贴政策的效果
• Network：构建省内社交网络，实现基于收入同质性的同伴效应。各省独立建立网络（省内家庭相连，跨省不连接）。网络拓扑采用随机块模型（stochastic block model），以收入分组为块，组内连接概率高于组间。
• Calibrator：若获得 2010-2025 年各省 EV 渗透率历史数据，可用于校准行为参数（如决策函数中各因素的敏感度权重），使模型输出匹配历史观测值

模拟设计

时间结构

• 时间步长：年
• 时间范围：2010 年至 2060 年
• 总步数：50

2010-2025 年为历史区间，可用于校准和验证；2025-2060 年为预测区间。

模拟循环（每个时间步）

1. 更新外生变量：更新当年的政策参数（补贴金额、是否禁售 ICE）、能源价格（油价、电价）、各省充电基础设施覆盖率、车辆购置价格
2. 计算社会影响：对每个家庭，计算其社交网络邻居中 BEV 的占比
3. 更新时间状态：所有车辆车龄 +1，所有家庭年龄 +1
4. 识别购车家庭：
   • 新进入者：根据各省的汽车保有率 S 曲线目标，从无车家庭中随机选取一批进入市场
   • 替换购车者：车龄达到寿命上限的家庭进入换车流程
5. 车型选择决策：每个购车家庭在 ICE 和 BEV 之间做出选择（详见"智能体行为"）
6. 汇总宏观指标：计算各省和全国的 EV 渗透率、燃油总消耗、电力总消耗、碳排放等
7. 收集数据：记录智能体级别和环境级别的状态数据

智能体初始化

固定属性赋值：

• 省份：按各省家庭数量 1:1000 分配
• 收入水平：从各省特定的对数正态分布中抽样（参数来自统计年鉴中各省的人均可支配收入均值和方差）
• 学历：按各省学历结构比例（大专及以上、高中、初中及以下）随机抽样
• 年龄：按各省年龄结构分布抽样（聚焦 25-65 岁的主要购车人群）
• 年行驶里程：从与收入正相关的分布中抽样（高收入家庭平均里程偏高），默认均值约 12,000 km/年

初始车辆状态（2010 年）：

• 有车/无车：按各省 2010 年家庭汽车保有率设定比例（2010 年全国平均约 15%）
• 车辆类型：2010 年 BEV 保有量可忽略不计，初始车辆几乎全部为 ICE
• 车龄：在 0 至该类型车辆平均寿命之间均匀分布（假设历史购车均匀分布）

随机抽样参数默认值：

• ICE 车辆寿命：对数正态分布，均值 15 年，标准差 3 年
• BEV 车辆寿命：对数正态分布，均值 12 年，标准差 2 年（电池衰减导致经济寿命偏短）

智能体行为

首次购车（市场进入）

• 触发条件：外生驱动。每个省每年有一个目标汽车保有率（由 S 曲线给出），若当前省内保有率低于目标，从该省的无车家庭中随机抽取一部分进入购车流程。抽取时偏向收入较高的家庭（购车概率与收入正相关）。
• 选项空间：进入购车流程后，进行下述"车型选择"决策。
• 政策影响：限购政策（如牌照限制）降低特定省份的年度新增购车数量。

车型选择（ICE vs BEV）

• 触发条件：首次购车或现有车辆到达使用寿命时触发
• 选项空间：ICE 或 BEV（二选一）。若当年政策已禁售 ICE，则只能选 BEV。
• 影响因素：
  • 经济成本（负面影响 → 成本越高越不倾向选择）
    • 购置成本差异：BEV 购置价 - ICE 购置价 - 补贴金额
    • 使用成本差异：基于该家庭的年行驶里程，计算 BEV 和 ICE 各自的年度能源费用差异
    • 保值率差异：BEV 残值率低于 ICE，对购买 BEV 产生负面影响
  • 社会影响（正面影响 → 邻居 BEV 比例越高越倾向 BEV）
    • 该家庭社交网络中 BEV 车主的占比
  • 个人特征（调节作用）
    • 收入：高收入家庭对购置成本差异不那么敏感
    • 学历：高学历家庭对 BEV 的接受度偏高
    • 年龄：年轻家庭对新技术接受度偏高
  • 区域因素（正面或负面影响）
    • 充电基础设施：基础设施越完善越利于 BEV（正面）
    • 气候：寒冷地区（如东北、西北）冬季电池性能下降，降低 BEV 吸引力（负面）
• 理性程度：有限理性。各因素通过响应函数综合为 BEV 的采纳倾向，加入随机扰动项后通过概率抽样决定最终选择。并非总是选成本最低的方案。
• 政策影响：
  • 补贴：直接降低 BEV 的有效购置成本
  • 禁售令：设定某年后 ICE 不可选，强制只能选 BEV
  • 牌照限制：部分城市对 ICE 限牌但 BEV 不限
• 行为参数：各影响因素的敏感度权重（如经济成本的权重、社会影响的权重等）无法直接测量，需通过校准或预训练确定初始值

情景设计

情景	名称	描述
0	无补贴基准	全期无 BEV 购置补贴，其余条件按趋势外推
1	补贴加速退坡	BEV 补贴从当前水平快速递减，较早年份完全退出
2	补贴延长	BEV 补贴在较长时期内维持较高水平，缓慢退坡

情景参数：

参数	是否随时间变化	是否差异化	对模型的影响
BEV 补贴金额	是（逐年变化路径不同）	统一（全国统一补贴标准）	直接降低 BEV 有效购置成本，影响车型选择
补贴退出年份	否（情景常量）	统一	决定补贴持续时间

其余参数（油价、电价、车辆价格趋势、基础设施建设速度等）三个情景保持一致，从而隔离补贴政策的净效果。

校准与验证

• 观测数据：如能获得 2010-2025 年各省的新能源汽车销量、渗透率和家庭汽车保有量历史数据，可用于验证模型在历史区间的输出是否合理
• 参数校准：车型选择决策中的行为参数（各因素的敏感度权重）是关键的不确定参数。若有历史观测数据，可使用 Calibrator 通过遗传算法搜索使模型输出最匹配历史数据的参数组合
• 行为参数训练：社会影响的敏感度和个人特征的调节强度等参数，初期可基于文献和经验设定默认值，后续视数据可得性决定是否引入 Trainer 进行预训练
• 收敛性：由于模型包含随机抽样（收入分布、网络生成、决策噪声），每个情景应运行多次（建议 10-30 次），取平均值并检查结果的稳定性

数据设计

数据维度

维度	示例值	描述
情景	0, 1, 2	补贴政策变体
省份	北京, 广东, ... (31 省级单位)	地理区域
车辆类型	ICE, BEV	动力类型
收入分组	低, 中, 高	用于分析输出的分组维度
时间	2010-2060	模拟年份

输出指标

指标	层级	描述
car_type	智能体级	每个家庭每年的车辆类型（None/ICE/BEV）
annual_fuel_consumption	智能体级	每个 ICE 家庭每年的燃油消耗量（升）
annual_electricity_consumption	智能体级	每个 BEV 家庭每年的电力消耗量（kWh）
ev_penetration_rate	环境级	各省每年的 BEV 占有车家庭比例
total_fuel_demand	环境级	各省每年的燃油总需求（万吨）
total_electricity_demand	环境级	各省每年的充电电力总需求（亿 kWh）
total_energy_demand	环境级	各省每年的总能源需求（折算为标准煤，万吨标煤）
total_carbon_emission	环境级	各省每年的碳排放总量（万吨 CO₂）
ev_adoption_by_income	环境级	各省每年按收入分组的 BEV 采纳率

输入数据文件

文件名	维度	说明
SimulatorScenarios.csv	情景	情景定义：id, run_num, period_num, start_year, subsidy_type, agent_scale
Data_ProvinceParams.csv	省份	省份静态参数：家庭户数、收入分布、学历结构、初始保有率、气候因子等
Data_OwnershipTarget.csv	省份 × 年份	S 曲线保有率目标：id_province, time_year, target_rate
Data_VehiclePrice.csv	车型 × 年份	购置价格（万元）：id_car_type, time_year, price
Data_VehicleParams.csv	车型	固定参数：能耗率、寿命分布、折旧率
Data_EnergyPrice.csv	年份	油价（元/升）和电价（元/kWh）
Data_Subsidy.csv	情景 × 年份	BEV 补贴金额（万元）
Data_Infrastructure.csv	省份 × 年份	充电基础设施覆盖率（0-1）

所有数据文件可通过 generate_data.py 重新生成。当前为合理近似值，用户可替换为实证数据。

输出数据文件

文件名	粒度	说明
Result_Simulator_Environment.csv	情景 × 年份	全国汇总：有车家庭数、EV 数、渗透率、燃油需求（万升）、电力需求（万kWh）、碳排放（万吨 CO₂）
Result_Simulator_Province.csv	情景 × 年份 × 省份	省级汇总：有车数、EV 数、渗透率、燃油需求、电力需求

模块设计

项目结构

ev/
├── main.py                 # 入口文件
├── generate_data.py        # 输入数据生成脚本
├── README.md
├── source/
│   ├── __init__.py
│   ├── agent.py            # HouseholdAgent — 家庭智能体
│   ├── scenario.py         # EVScenario — 数据加载与查找
│   ├── environment.py      # EVEnvironment — 主逻辑：社会影响、购车决策、能源计算
│   ├── model.py            # EVModel — 编排器：初始化智能体、运行循环、省级输出
│   └── data_collector.py   # EVDataCollector — 数据记录
└── data/
    ├── input/              # 8 个 CSV 输入文件
    └── output/             # 模拟结果

类设计

• HouseholdAgent（继承 Agent）：存储家庭属性和车辆状态，无决策逻辑
• EVScenario（继承 Scenario）：加载所有 CSV 数据，构建查找字典，提供便捷查询方法
• EVEnvironment（继承 Environment）：核心逻辑所在
  • _compute_peer_ev_share()：按（省份 × 收入组）参考群体计算 BEV 占比
  • _process_new_buyers()：按 S 曲线目标从无车家庭中选取新购车者（收入加权）
  • _process_replacements()：到寿命的车辆进入换车流程
  • _make_purchase_decision()：基于 logistic 响应函数的有限理性二元选择
  • _compute_bev_utility()：综合经济、社会、个人、区域因素计算 BEV 效用差
  • _aggregate_outputs()：汇总全国和省级指标
• EVModel（继承 Model）：在 setup() 中生成智能体初始属性（按省抽样），在 run() 中编排每步操作

社会影响实现

当前版本使用参考群体均值场近似（reference group mean-field）：每个家庭观察其所在（省份 × 收入组）群体的 BEV 占比（权重 70%）和省级总体占比（权重 30%）。这等价于一个收入同质性的完全子图，计算效率高（O(N) 而非 O(E)），适合 43 万智能体的规模。如需升级为显式社交网络（如随机块模型），可将 Agent 改为 NetworkAgent 并使用 Melodie 的 Network 模块。

行为参数

决策函数中的敏感度权重定义在 EVEnvironment.setup() 中，可直接修改或通过 Calibrator 校准：

参数	默认值	含义
beta_intercept	-4.0	基础倾向（负值 = 默认偏好 ICE）
beta_cost	1.5	经济因素（5 年总成本优势/收入）敏感度
beta_social	3.5	同伴效应（邻居 BEV 占比）敏感度
beta_edu	0.4	学历影响（高学历利好 BEV）
beta_age	-0.02	年龄影响（年长者更保守）
beta_infra	2.5	充电基础设施覆盖率影响
beta_climate	1.5	气候因子影响（寒冷不利 BEV）

如何运行

安装依赖

pip install Melodie numpy pandas

生成输入数据

python generate_data.py

运行模拟

python main.py

默认运行 3 个情景（无补贴、快速退坡、延长补贴），1:1000 缩放（43.5 万智能体），2010-2060 年。全部运行约 80 秒。

调整规模

在 data/input/SimulatorScenarios.csv 中修改 agent_scale：

• 1000：正式运行（43.5 万智能体，~80 秒）
• 10000：快速测试（4.4 万智能体，~7 秒）