新能源汽车碳减排潜力分析

王震坡，詹炜鹏，孙逢春，邓钧君，崔丁松，黎小慧

（北京理工大学 机械与车辆学院 电动车辆国家工程研究中心，北京 100081）

随着气候变化的影响逐渐加剧，2015 年，全球多个国家共同签订《巴黎气候协定》以增强对气候变化的应对能力、减少温室气体排放，覆盖电力、钢铁、水泥、交通等多个领域.多年来，全球电力、钢铁、水泥等高碳排放行业已逐渐开始研制各领域碳排放核算方法、部署碳减排策略.

针对约占全球总碳排放量25%的交通领域[1]，世界各国正积极通过新能源应用、载具电动化等途径实现低碳化目标.然而，由于载具使用的随机性和牵连行业的广泛性，交通领域碳核算方法、碳减排策略的研究仍处于初级阶段.

作为碳排放总量位居全球第一的国家，我国交通部门碳排放约占全国碳排放的11%，道路交通总排放约占交通总碳排放的86%[2].因此，汽车行业碳减排成为我国交通领域实现双碳目标的重要组成部分，大力发展新能源汽车势在必行.

促进交通用能清洁化、低碳化发展，需要道路交通领域车辆、电网、能源生产端多方协同降碳[3-6].在车端，新能源汽车充电负荷具有时空不确定性，需要对用户进行充电需求的精准估计，作为低碳充电调度的基础；在网端，大量新能源汽车接入充电带来新一轮负荷增长，影响系统运行的经济性和供电的可靠性，需要对低碳充电策略进行优化；在源端，通过能源结构的持续清洁化，减少火电占比，发展储能技术和碳捕获与封存技术，从而最大限度发挥新能源汽车的减排潜力，即不同政策场景和技术发展场景组合交互影响下，新能源汽车相对于燃油汽车的减排量.

从车端进一步展开而言，聚焦新能源汽车生产、使用、回收阶段全生命周期，考察、量化新能源汽车降碳效果，可用于探究新能源汽车的减排场景，有助于建立基于碳管理机制的新能源汽车扶持政策，促进交通领域协同降碳.对于新能源汽车中长期降碳效果的预测，有助于量化将来多种政策场景下新能源汽车碳减排对于双碳目标的贡献.

综上所述，文中从车端视角出发，分析和综述道路交通“车-网-源”系统模式下新能源汽车碳排放计量与分析、车网协同优化低碳运行、车辆碳排放总量态势预测三个方面的模型与技术（图1），总结现有研究的不足并进一步展望未来研究方向.

图1 新能源汽车碳减排潜力分析研究框架Fig.1 Analysis and research framework of carbon emission reduction potential of new energy vehicles

在此基础上，文中还重点阐述了新能源汽车碳减排潜力分析的相关成果，如数据驱动的新能源汽车碳交易平台体系等.本研究对于开展新能源汽车碳减排潜力评估相关研究具有重要意义.

1 新能源汽车碳排放计量与分析

探究新能源汽车的减排场景及其减排潜力，为制定基于碳管理机制的新能源汽车扶持政策提供参考，需要对新能源汽车的能耗与碳排放进行精准核算.同时，对不同车型、地区、使用时间段的车辆碳排放进行多维度精准分析，可有效促进地方能源结构调整.

1.1 能耗分析与计算

新能源汽车行驶能耗的精准计算是碳排放核算的基础.受多种因素耦合影响，新能源汽车在实际行驶工况下的能耗和续驶里程往往与标称值存在较大差距.新能源汽车能耗影响因素可归纳为三类，即车辆相关因素（速度[7]、加速度[8]、制动能量再生[9]、附件能耗[10]和电池衰退等）、环境相关因素[11]（环境温度[12]、风速、路况等），以及与驾驶员相关的因素（驾驶模式[13]、充电习惯[14]和路线规划[15]等）.CUI等[16-18]综合考虑能耗影响因素的作用范围，从车辆参数、环境参数和驾驶员参数等多个维度分析和提取新能源汽车实际行驶能耗的影响因素并量化分析影响程度.

新能源汽车能耗计算与分析方法可以分为模型驱动法和数据驱动法两类.在模型驱动法中，常以速度、加速度、空气阻力和路面坡度等参数作为输入，基于车辆纵向动力学模型[19]和车辆比功率模型[20]研究在不同输入参数情形下的车辆能耗特征.由于模型驱动的能耗估计与预测方法往往依赖于参数假设，大多研究使用给定工况（如60km/h 恒速或NEDC 工况）作为输入，此类方法在复杂多变的实际工况下无法准确估计和预测车辆能耗.

近年来，得益于车联网的快速发展，实时获取车辆运行数据、环境和交通信息更具可行性.在数据驱动法中，学者们不再关注车辆动力学方程和模型，而是基于各种统计和机器学习算法，将大量真实驾驶数据与道路、天气、交通信息相结合，拟合能耗与影响因素的复杂非线性关系，实现实际工况下新能源汽车能耗的准确预测[21-23].ZHAO 等[24]运用统计方法和人工智能算法揭示了新能源汽车大规模和小规模应用的不同规律，并引入气候数据，将模型扩展到全球多个地区，分析了全球不同地区新能源汽车动力电池利用率和能耗规律的差异（如图2），突破了新能源汽车动力电池利用和能耗评估问题[25].QI 等[21]构建了基于车辆正动能和负动能分解的数据驱动能耗预测模型，实现了较高的精度.DE 等[22]使用神经网络在车辆行程之前预测路段上未知的微观行驶参数，使用多元线性回归预测能耗，平均绝对误差达到12%～14%.在现实应用中，有学者通过行驶环境判断与道路工况识别得到当前道路工况的能耗匹配结果，进而拟合能耗特征[23].

图2 不同地区和月份轻型乘用车平均能耗[25]Fig.2 Average energy consumption of light passenger vehicles in different regions and months [25]

综上所述，使用模型驱动法需要获取或假设大量车辆参数.在大规模车队实际驾驶条件下，这些车辆参数的可获得性较低.目前的研究不能充分考虑多种影响因素的耦合作用，可能会严重影响模型的保真度.数据驱动法对非线性关系的适应性，使其在复杂的现实条件下具有更好的性能，但存在运算复杂度较高的问题，难以实现规模化新能源汽车应用背景下的能耗实时精准估计.进而，将会影响到后续的新能源汽车行驶阶段碳排放的精准核算.

1.2 车辆碳排放核算方法

碳排放量的计量方法主要分为两大类：自顶向下模型和自底向上模型[26-27].自顶向下模型（例如投入产出法）多用于估算中国内外贸碳排放[28]、家庭碳足迹[29]等精细个体数据较难获取的、较为宏观的领域.而对于道路交通碳排放量的计算，往往使用自底向上模型对新能源汽车及传统燃油汽车进行全生命周期碳排放量的比较[30-34].

全生命周期分析法是目前主流的新能源汽车碳核算方法，分析范围涵盖燃料周期和车辆周期.燃料周期包括燃料的生产和使用两个阶段，车辆周期包含原材料获取、材料加工制造、整车生产、维修保养（轮胎、铅蓄电池和液体的更换）等阶段.为了评估新能源汽车全生命周期中各个阶段的温室气体排放量，美国阿尔贡实验室开发了具有严格系统边界（即核算范围）的GREET 模型，对每种材料、燃料的生产、使用和回收过程进行了详细的路径和组合计算[35].然而，该模型忽略了车辆使用时的环境温度、行驶工况等影响因素，及车辆用途、电池充电效率、车辆传动效率等车辆特性，导致某个区域某种车型的碳排放计算结果是一个固定值，无法反映真实运行中的排放差异.中国汽车技术研究中心的CALCM 模型[36]、清华大学的TLCAM 模型[37]和文献调研法[38]等依据ISO 14040/44 系列生命周期评价标准要求，综合评定出汽车全生命周期碳排放结果，但模型往往局限于单一车型的新能源汽车和燃油汽车碳排放量的比较，只能评估某一种车型在实现电动化后的碳减排潜力.

新能源汽车的能耗和排放与出行特征紧密相关，而出行特征在不同地区、车队之间均存在显著差异.目前研究主要采用基于宏观（区域级别、车群级别等）出行特征的统计方法，未考虑燃料生产的具体技术过程，难以实现燃料系统碳排放的细节分析，缺乏从微观视角进行差异化研究；基于静态统计方法，对于诸多碳排放的时变影响因素做出了静态假设；未对多种燃料全生命周期进行溯源，无法明晰碳排放在车用燃料系统中的时空转移机理，都将对车辆实时碳排放的准确计量与分析产生不利影响.

为填补这部分研究空白，詹炜鹏等[39]考虑区域能源结构、碳排放因子、发电技术路线等资源禀赋特征，基于新能源汽车实时能耗评估模型，提出了考虑区域差异的燃料周期评估方法（图3）.研究厘清了燃料-碳排放因子的多时空分布规律，针对温度、电力碳排因子等影响因素的敏感性开展了分析研究，建立了车辆实时碳排放核算模型.在此基础上，北京理工大学基于新能源汽车国家监管平台开发了新能源汽车碳核算、碳资产平台，为未来碳市场的发展提供了基础[25].

图3 燃料周期评估方法[39]Fig.3 Fuel cycle assessment method [39]

综上所述，LCA 方法应用于新能源汽车碳排放核算领域仍然存在一定的局限性：①需要各类材料、燃料各环节的大量基础数据，有些基础数据较难获取，导致许多研究简化了相应的计算；②边界定义具有主观性，不同研究对于新能源汽车碳核算边界的定义有所差异；③未考虑材料、燃料的相关参数动态变化，使现有模型计算结果的参考价值有所下降；④未考虑车队保有量结构的动态变化，即车队的瞬态效应.在多数车辆LCA 研究中，整个生命周期中发生的排放被汇总为一次排放，通常没有考虑排放的时间分布[40-43].为了获得排放的时间分布，需要考虑边界条件随时间的变化，如法律法规、技术创新、技术变革以及材料上游工艺的变化.车辆的碳排放核算研究还应进一步考虑瞬态效应，由于生产、使用和处理的车辆数量随着时间的推移发生变化，这种动态行为的总体影响不能通过简单地组合单个车辆生命周期来准确描述.在此基础上，基于车队LCA 的方法能够对技术和系统随时间的变化进行明确的评估，更适合于全面评估引入新技术的影响.Field[44]等开发了一种基于车队的LCA 方法，考虑车队技术和组成的动态变化，获得了与传统LCA 方法不同的车队排放清单.后续章节也将对车队保有量结构的动态建模进行详细的综述.

2 车网协同优化低碳运行

新能源汽车与电网协同优化的低碳运行策略本质上是多利益主体参与的非线性、多约束条件、多优化目标的复杂系统优化问题.为了实现新能源不断渗透的电网和电动化交通之间的协调发展，需要研究“车-网”互动背景下的新能源汽车充电需求特性和充电规划手段，通过运营管理者的智能调度使新能源汽车个体用户的出行选择与行为直接或间接地改善电网宏观性能[45-50]，在保证经济效益的前提下实现新能源汽车的最大碳减排量.

2.1 充电需求估计

新能源汽车充电需求时空分布的精准估计是制定有序充电及车网互动（vehicle to grid，V2G）策略的必要前提[51-52].影响新能源汽车充电需求的主要因素有出行需求、使用习惯、充电设施分布、电池特性、充电控制方式等[53].现有研究已经提出了多种充电需求的预测方法，文中分别从基于新能源汽车出行特征、基于充电站运行特征、考虑路网及环境因素的充电需求估计方法三个方面进行阐述.

2.1.1 基于新能源汽车用户出行特征的充电需求估计

新能源汽车用户的使用行为特征、出行规律及充电偏好决定了新能源汽车的充电需求特性[54-55].从新能源汽车使用行为的需求侧角度出发，许多文献根据车辆用户在潜在兴趣点的停留时间和访问频率，结合蒙特卡洛、贝叶斯推理等方法，模拟用户的出行活动并进一步估计充电需求[56-58].LI 等[59]提出了新能源汽车充电需求建模方法，通过建立不同的时间、空间、能量使用、充电选择和响应模型组合，为新能源汽车在不同应用场景下的充电需求估计提供了深入的见解和可行的方法.

一些学者将出行特征进一步扩展到行程链的维度，提出了基于行程链的充电需求预测方法[60].杜兆斌等[61]按照功能特性划分区域，构建家用新能源汽车的简单和复杂出行链，构建车辆出行时空模型，进而模拟区域交通路网和出行链双重约束下新能源汽车充电负荷的时空分布特性.张谦等[62]针对新能源汽车时空转移随机性的问题，提出了基于马尔可夫决策过程随机路径模拟的城市新能源汽车充电负荷时空分布预测方法.

2.1.2 基于充电站运行特征分析的充电需求估计

与聚焦于需求侧的充电需求研究不同，一些学者提出了基于充电站运行特征的供给侧充电需求估计方法[60-61].MAJIDPOUR 等[63]通过消费者充电记录以及充电站充电量数据构建充电需求预测模型，通过使用时间权重节点产品临近搜索（TWDP）、改进模式顺序预测（MPSF）、支持向量回归（SVR）和随机森林（RF）四种技术实现了充电需求的预测.汪德夫等[64]研究了不同类型充电站的充电汽车数量、新能源汽车充电时长以及用户充电模式选择，基于蒙特卡洛方法提出了考虑时空分布的新能源汽车充电负荷仿真预测方法.

许多研究假设新能源汽车到达充电站进行充电是遵循泊松分布的随机过程[65]，可以利用排队论方法进行建模分析[66].BAE 等[67]基于流体动力学交通模型和M/M/s 排队理论提出了高速公路出口快速充电站的新能源汽车充电需求时空模型，揭示了高速公路充电站充电需求的时空动态变化.

2.1.3 考虑路网及环境因素的充电需求估计

以往的新能源汽车充电需求预测研究大多未考虑现实世界的交通流量、天气条件以及新能源汽车的实际能耗.随着采集数据范围的逐渐扩大，影响车辆行程和电池性能的多种不同类型数据已纳入充电需求估计及预测模型当中.ARIAS 等[68]在历史交通数据和天气数据的基础上提出了基于大数据技术的新能源汽车充电需求预测模型，并进一步基于实际城市道路网的实时数据，利用马尔可夫链交通模型和隐形传态方法估计新能源汽车到达城市路网中邻近路段充电站的速度，进而确定了公共快充站的新能源汽车充电功率需求[69].SOARES 等[70]综合利用交通信息系统中地理位置、电网接入位置、历史数据以及实时需求数据，采用蒙特卡洛模拟方法和模糊逻辑回归模型对新能源汽车的充电需求进行了刻画.MU 等[71]建立了基于电力系统和交通系统的时空模型（STM），采用OD 分析方法对新能源汽车移动性进行建模，进而估计新能源汽车充电负荷时空特性.邵尹池等[72]提出了一种“车-路-网”模式下新能源汽车充电负荷时空预测模型，首先建立单体新能源汽车充电模型和计及交通网络拓扑特性、速度-流量关系及区域属性特征的道路交通模型，进而运用OD 分析法精确模拟新能源汽车行驶路径，并采用蒙特卡洛方法对各类新能源汽车的充电负荷进行时空预测.ZHANG 等[73]和王震坡等[74]考虑了多种环境因素和工况，将新能源汽车用户按照不同的使用习惯、属性和特征聚类为6 类，进一步建立基于行程链仿真的充电需求预测模型，实现对现实充电需求的高精度预测.

2.2 低碳调度策略

基于新能源汽车充电需求的精准估计，有助于以经济效益、环境效益为目标的充电调度策略的研究.在以经济效益最大化为目标的新能源汽车充放电调度策略方面，许多学者已进行详细综述，并建立了“车一桩一路一网”协同互动与智慧充电服务系统[59,75-77].本部分将以新能源汽车减排潜力最大化为目标的车网互动策略研究作为综述重点.

研究表明，新能源汽车通过参与有序充放电调度，缓冲和储存间歇性风能和太阳能发电厂产生的能量，从而提供进一步的环境效益[78-79].张钰等[80]考虑新能源汽车出行特性及其电池充电特性，建立了新能源汽车无序充电情景下的边际碳排放增长模型，并提出以碳费用计算模型为基础的新能源汽车碳排放评价指标，进一步提出了碳市场中以减少边际碳排放增长和碳费用为目标的新能源汽车充电与清洁能源协同的有序充电策略.卢志刚等[81]以低碳效益最大化为目标建立风电、光伏发电、电动公交车充电站和电动私家车充电站的协调投资模型.娄素华等[82]以电力系统能耗成本、二氧化碳排放成本和V2G 服务补贴成本为目标函数，建立低碳经济环境下新能源汽车集群协调优化运行模型.此外，部分文献考虑了用户充电满意度、电网约束、可再生能源的强间歇性等因素，利用多层感知（MLP）等方法对边际排放因子进行短期预测，并采用遗传算法等优化方法对区域新能源汽车充电计划进行优化，从而评估新能源汽车V2G 的减排效益[83-85].

当前，以低碳为目标的新能源汽车充放电优化调度策略研究往往缺乏车辆端充电需求与用户响应的建模，影响低碳调度策略的实际应用价值，更精确的充电行为建模和预测仍需进一步深入探讨.此外，大多数研究仅考虑到新能源汽车用户和充电站的经济性目标以及电网削峰填谷需求，而缺乏对可再生能源出力强不确定性（风能、光能随时间变化的随机性）和电网潮流影响的考虑.由于减排效果的关联因素较为复杂，缺乏对于充电策略、用户响应等因素的细致化建模，难以实现对新能源汽车在低碳调度策略下的减排潜力精准评估.

并且，在时间、空间和行为三维不确定性约束下，耦合电力系统、交通网络系统和电动汽车的充电负荷预测和协同分析方面的研究有待深入.此外，充电优化调度策略在面向不同用户画像分类的差异性、电动汽车参与“车-网”互动的模糊性和不确定性等方面考虑不足，考虑多影响因素、统筹“车一桩一路一网”需求与效益、考虑多方博弈的协同充电优化策略方面仍有待进一步研究.

3 车辆碳排放总量态势预测

车辆碳排放总量取决于单车碳排放和车队保有量结构.在补贴退坡的影响下，新能源汽车市场渗透率受到一定的影响.为量化未来多种政策场景下新能源汽车碳减排对于双碳目标的贡献，需预测新能源汽车市场扩散与发展趋势，对车队保有量结构进行动态建模，并对未来情景进行假设（如一般政策情景、强化政策情景、2 度和1.5 度情景等[86]）.结合新能源汽车的碳排放核算对道路交通领域碳排放态势进行预测，将为未来面向碳中和的政策组合提供有效参考.

目前对不同国家和地区的车队保有量结构动态建模的研究方法主要分为两类：系统动力学（system dynamics，SD）模型和基于智能体的模型（auto body model，ABM）.

SD 模型是一种自上而下的宏观建模方法，使用存量、流量、内部反馈回路、表函数和时间延迟来表征复杂系统随时间的非线性行为，有助于厘清系统内部各要素之间的因果关系以及模拟演化过程和相互作用，并且能够反映系统行为的滞后效应，适用于在宏观尺度上对车队保有量结构进行中长期发展规模预测[87].应用SD 模型预测汽车市场规模过程中，通常以车辆存量的增长率计算销售数据，并通过嵌入离散选择模型来估计市场份额，以反映消费者对不同燃料类型车辆的选择.由于消费者个体之间的相互影响没有明确的建模，通常采用扩散模型（如Bass, Gompertz 和Logistics 模型[88]）来捕获聚集级别上个体之间的相互作用[89-92].清华大学考虑提高交通工具能效、推广新能源汽车使用、增加燃油税和碳税等情景，开发了交通模式-技术-能源-二氧化碳模型（TMOTEC），研究中国交通部门的未来能源消费和二氧化碳排放（图4）[93-94].一些学者使用系统动力学方法针对多种政策激励（如燃油车牌照限制、电车购置补贴、充电桩建设补贴等）下的中国新能源汽车渗透率进行了预测，但局限于考虑车企加入碳交易市场的场景，忽略了个人参与碳减排的经济效益，以及政策组合的场景，限制了模型的预测效果[90-92].

图4 不同措施对车辆的温室气体减排的贡献[94]Fig.4 Contribution of different measures to greenhouse gas emission reduction of vehicles[94]

对于消费者车型选择，最常用的方法是离散选择模型（discrete choice models，DCM）[95].基于个人效用最大化的原则，离散选择模型（如Logit 模型等）利用消费者偏好和一组车辆属性之间的衍生关系来估计新能源汽车的市场渗透率[88-89,96].DCM 模型的优势在于使用丰富的消费者偏好历史数据集来建模未来的消费者偏好.DCM 模型比ABM 模型的消费者选择部分更容易处理、更透明、更简单，因为DCM模型将消费者作为群体而不是个体进行决策建模.DCM 模型的缺点是，许多新能源汽车的购买者不存在历史销售数据集.对于这些发展中的技术和市场，消费者购买决策对新能源汽车属性的敏感性必须间接来源于假设、调查数据或其他消费者偏好研究领域[96].

另一方面，ABM 模型是一种自下而上的微观建模方法，通过模拟各代理（包括政府、燃料供应企业、汽车生产企业、汽车使用者的行为与决策等）的行为和交互，从微观层面预测车队保有量结构和碳排放总量[89].WANG 等[97]建立了基于多智能体的中国城市通勤相关二氧化碳减排政策集成仿真模型，但模型中代理的行为规则和决策过于简化.李文翔等[87]构建了结合系统动力学和多智能体的道路交通碳交易仿真模型，然而也存在车企和消费者模型过于简化、忽略了宏观经济与车辆保有量的关系等问题，导致模型预测效果不佳.

分别采用系统动力学和多智能体两类方法进行未来车辆规模及车队保有量结构预测均具有一定局限性.系统动力学模型无法考虑到个体的异质性，难以解释用户出行行为、用户购车选择、企业发展选择等方面的差异；基于智能体代理的模型过于简化代理的行为规则和决策，对主体交易理性程度与市场信息获取做出了较强假设，难以反映市场主体在燃料-汽车-碳耦合市场中的多元决策机理与复杂交互关系.基于此，詹炜鹏等[39]结合SD 模型与ABM模型，预测多种情景下中国货运、城际客运、城市客运等车辆行驶阶段的碳排放，估算了乘用车和商用车的整车生产阶段碳排放以及交通基础设施运行阶段的碳排放.综合分析汽车产业的碳排放，为制定碳中和技术路径的量化指标体系提供支撑[98-100].

孙逢春院士团队创新性地设计了新能源汽车应用端动态碳核算模型算法，系统性地搭建了架构稳定、拓展性强的数据管理平台，多层级地构建了新能源汽车碳核算服务生态体系，向全球发布了重要突破性成果“新能源汽车碳核算平台”，为碳排放总量态势预测奠定了坚实的数据基础[25,101].

然而，只有少量文献结合SD 和ABM 来评估新能源汽车的市场扩散[102-103].这些模型中的ABM 仅包含用户、制造商、基础设施提供商和政府几个大类，没有对用户进行细分，无法捕捉多种类型的用户带来的不确定性，导致了难以考虑使用侧政策场景[104-105].此外，一些研究假设用户的属性和偏好遵循独立的经验分布，缺乏说服力[106].

因此，这些模型大多适用于成熟稳定的市场，难以模拟新兴市场的剧烈变化.新能源汽车市场是一个新兴市场，补贴退坡、技术进步等诸多因素都可能导致突变.量化这些突变因素并将其纳入模型已成为当前研究的主要挑战.此外，补贴退坡后各项使用端政策的落实力度也成为研究关注点.

4 结 论

文中基于车端视角，从新能源汽车碳排放计量与分析、车网协同优化低碳运行、车辆碳排放总量态势预测三个方面，对新能源汽车碳减排潜力进行了分析与综述，重点阐述了全时、全地域、从生产端到使用端的车辆实时碳排放评估模型，以及建立的汽车节能减排核算体系与行业碳排放管理体系.文中主要结论如下：

①基于新能源汽车使用行为的碳排放核算方法：目前碳核算方法研究主要基于静态数据对单车型进行全生命周期碳排放分析，碳排放在车用燃料系统中的时空转移机理尚不明晰.探究新能源汽车用户出行、充电等运行特征演变规律，研究典型城市新能源汽车在不同季节、时段、场景下的能耗分布特征，明晰碳排放在车用燃料系统中的时空转移机理，是实现车辆碳排放核算从静态到动态、从抽样到全样、从个性到全局的技术路径和发展趋势.

②新能源汽车与电网协同低碳运行优化方法：目前研究缺乏从车端视角进行精细化建模，进一步研究应考虑用户的V2G 参与意愿和响应程度，研究其与减排效果之间的关系，提供多场景下新能源汽车的使用成本与减排潜力的计算方法.

③车辆碳排放总量态势预测方法：当前研究采用系统动力学和多智能体两类方法，难以反映市场主体在燃料-汽车-碳耦合市场中的多元决策机理与复杂交互关系.进一步的研究有必要提出结合系统动力学和多智能体等的创新性方法，预测不同场景组合交互影响下新能源汽车市场扩散前景与碳排放总量，为道路交通领域低碳发展路径研究提供基础.