paint-brush
全球电动汽车采用情况的数据驱动分析经过@iamluke
539 讀數
539 讀數

全球电动汽车采用情况的数据驱动分析

经过 Luke7m2024/03/04
Read on Terminal Reader

太長; 讀書

电动汽车增长持续加速,世界上一些地区主要销售电动汽车,而其他地区则加速转型。 在本文中,我们深入研究了历史上电动汽车采用情况的数据集。我们使用 Python、Plotly 和 Quadratic 来研究数据。
featured image - 全球电动汽车采用情况的数据驱动分析
Luke HackerNoon profile picture
0-item
1-item

过去几年,电动汽车 (EV) 在全球的普及速度迅速加快。在这次探索中,我深入研究了不同地区和时间范围内增长背后的数据。


在我们深入研究之前请注意/附属披露:在这篇研究文章中,我们使用的是我受雇的一家公司Quadratic 。每当您在代码中看到对单元格的引用时,都是因为您可以在代码中引用这些单元格中的条目。如果您想跟上本文旁边的代码和可视化,可以在此处找到构建此分析的完整工作表。


EV dataset, visualized in Quadratic.

该数据集(MIT 许可证)大约有 9,500 行,包含 2010 年至 2022 年的不同区域和参数(每年更新)。我们将主要探讨 2022 年之前仅电动汽车(忽略混合动力汽车)的销量增长以及充电基础设施网络的增长。




随着时间的推移销售增长

我们首先将电子表格中的数据放入 Pandas DataFrame 中。从那里,我们过滤我们关心的动力系统(全电动,又名 BEV)的数据集,并直接使用我们的电子表格在Python中输入我们想要过滤的国家/地区。数据集还包括一些预测,但在本次分析中,我们只关心历史记录的值,因此我们过滤掉预测并保留历史条目。


 # get data from the spreadsheet into our DataFrame df = cells((0,0),(7,9542), 'EV Raw Data', first_row_header=True) # if region cell is empty don't try to filter if cell(2,2) != '': df = df.loc[df['region'] == cell(2,2)] # filter by selected parameter df = df.loc[df['parameter'] == cell(2,1)] # make this a historical analysis with none of the projections included df = df.loc[df['category'] == 'Historical'] 


Plotly chart, displayed in Quadratic.

我们注意到从 2020 年开始将出现大规模增长。请注意一个明显的趋势,2020 年美国电动汽车销量为 230,000 辆,2021 年为 470,000 辆,2022 年将达到 800,000 辆。从 2021 年到 2022 年,销量同比增长 70%。


我们的数据集预测假设持续增长,预计 2025 年美国的销量将接近 3M 电动汽车的销量。



Plotly chart, displayed in Quadratic.在全球范围内,我们看到了类似的趋势。从增长率来看,2021 年至 2022 年的增长相对于美国来说有些缓慢,但仍具有 58% 的巨大增长,销量从前一年的 730 万辆增长到 460 万辆。







如果您发现这些图表的样式很有吸引力,那么这些是基本的 Plotly 折线图,布局略有变化,如下所示。


 # title gets edited based on the value of the spreadsheet input at cell(2,1) fig = px.line(df, x="year", y="value", title=c(2,1) + title_description) # make chart prettier by removing background and making the margins less aggressive fig.update_layout( plot_bgcolor="White", margin=dict(l=30, r=30, t=50, b=50), ) # displaying chart to the sheet fig.show()


电动汽车占汽车销量的百分比

在深入研究市场份额之前,有一个重要的背景是中国和美国在汽车整体销量方面占据压倒性的领先地位。国际机动车辆制造商组织将中国列为汽车总销量领先者,每年销量超过 2500 万辆,美国位居第二,销量超过 1500 万辆,而排名第三的日本则下降,每年销量超过 400 万辆。


根据我们之前的分析,电动汽车的增长令人印象深刻,但要了解其范围,我们必须将其相对于所有其他车辆类型(汽油和混合动力)的市场份额进行比较。幸运的是,数据集包含市场份额数据点,因此我们不需要手动执行此计算。我们再次记录美国和全球(我们数据集中的“世界”)的值。


绘制图表,以二次方形式显示。


对于美国,我们注意到电动汽车的份额为 8%。有趣的是,全球电动汽车总体份额要高得多,达到 14%。


当然,我们现在应该将业务扩展到美国以外的地区,并了解哪些国家/地区贡献了这 14% 的份额。

采用速度最快的国家

我们不必把头埋在沙子里,只关注美国和全球总销量,而是可以做一个简单的分析,看看哪些国家的电动汽车销量占比最高。正如我们之前了解到的,中国和美国在全球汽车销售中占据主导地位,因此如果美国 8% 的销售量来自于电动汽车。在全球范围内,这个数字接近 14%,因此可以合理地猜测中国的电动汽车销量占其市场份额的百分比远高于美国,随着美国的追赶,这一全球百分比仍保持在较高水平。


为了进行排名分析,我们使用一个简单的过滤器来按销售份额进行过滤;我们离开所有国家,然后应用 max() 计算来获得按国家/地区划分的最高电动汽车份额的顺序。


 # get our data from spreadsheet into Python df = cells((0,0),(7,9542), 'EV Raw Data', first_row_header=True) # filter by selected parameter of market share df = df.loc[df['parameter'] == cell(2,1)] # make this a historical analysis with none of the projections included df = df.loc[df['category'] == 'Historical'] # filter just by the latest year available df = df.loc[df['year'] == '2022'] # exclude buses, vans, etc and just include cars df = df.loc[df['mode'] == 'Cars'] # sort by highest share of market df = df.sort_values(by=['value'], ascending=False) # return dataframe to sheet df 



这份清单中有很多令人着迷的见解。

请注意,美国和日本等汽车销售大国正在拖累电动汽车总销量,因此中国以按国家排名第一的汽车销量以及电动汽车总销量 29% 的高比例拉升了这一百分比。


我们还注意到北欧国家的销售趋势仅限于电动汽车。北欧制定了向电动汽车生产商提供增值税豁免的法规、激进的排放目标以及其他法规,这些法规导致北欧迅速向电动汽车过渡。














充电网络

随着电动汽车的普及加速,值得探索充电基础设施如何适应。就上下文而言,充电器有 3 种核心类型:


  • 1 级:标准住宅 120V 交流插座(用于插入日常家用物品的插座;这种充电类型非常慢,通常为 120V @ 14amps = ~1.7kW,然后 80 kW 电动汽车电池的效率损失。这意味着充满电至少需要 47 小时(实际上由于效率损失/传递给电池的实际功率,时间更长),对于通勤较少且可以根据需要使用公共基础设施的用户来说,这是一个足够好的解决方案。


  • 2级:可安装在住宅应用(电动家用烘干机通常使用240V)和最常见的公共基础设施充电站;家用 2 级电流通常高达 48A,有时更低。 240V @ 48A = 11.5 kW 峰值,实际上提供的功率更少。借助 2 级基础设施,80 kW 电池可在 5-9 小时内充满。这是最好的家庭解决方案,因为您可以轻松地在夜间充满电,并且对于公共基础设施,如果长时间停车,它允许补充或完全充电。对于需要在停靠站之间更快充电的行程来说,这不是解决方案。


  • 3级(DCFC):直流快速充电是纯粹的商业选项,不能安装在家里。这些充电器可以在一小时内将车辆从空到充满。这是类似于在泵处加注的充电解决方案。这种充电方式为了方便,成本相应较高。 3级充电器范围为50kW至350kW;在350kW的功率下,80kW的电池可以在不到20分钟内充满电。


在我们的数据集中,当数据提供商提到慢速充电时,他们指的是公开可用的 2 级基础设施。当提到快速充电时,他们指的是 3 级基础设施。


我们首先对美国和中国的充电器增长进行可视化。


绘制图表,以二次方形式显示。


我们注意到,中国的快速充电增长曲线极其令人印象深刻,而美国的慢速充电器增长迅速,而快速充电增长滞后。

2022 年充电器快速增长(中国 vs 美国)

2022 年中国快速充电桩安装量/电动汽车销量: 76 万个/440 万个 (.17)

2022 年美国快速充电桩安装量/电动汽车销量: 2.8 万个/80 万个 (.035)

2022 年充电器增长缓慢(中国 vs 美国)

2022 年中国慢速充电桩安装量/电动汽车销量: 100 万个/440 万个 (0.22)

2022 年美国慢速充电器安装量/电动汽车销量: 10 万/80 万 (.125)


充电体验各不相同。在某些情况下,可能存在线路或充电器已满的情况。在其他情况下,充电器可能很少用。靠近重要停车场、价格等因素会产生明显的影响。


平均而言,充电器有很大一部分时间处于闲置状态。为了使充电安装物有所值,安装人员需要能够预测使用率,使其在合理的时间表内实现盈利(就像任何投资一样)。


概括

近年来,电动汽车的采用速度迅速加快。一旦 2023 年的数据发布,我们可能会看到与前几年类似的增长。继续深入研究这个数据集并收集您自己的见解;我们的分析自然是不完整的——我们忽略了数据集中的许多字段,这些字段将提供各种有趣的见解(预测、货车/卡车/其他有趣车辆类型的销售等)。


要直接访问数据集和分析:

https://app.quadratichq.com/file/4251cd97-e14d-4788-baf2-9d161eb10625


数据集:

https://www.kaggle.com/datasets/padmapiyush/global-electric-vehicle-dataset-2023


其他来源:

车辆销量: https://www.oica.net/category/product-statistics/2022-statistics/
充电信息: https://www.transportation.gov/rural/ev/toolkit/ev-basics/charging-speeds