Elbilprediksjon : en empirisk studie av karakteristika og prediksjon av elbil-eiere

Abstract

I denne utredningen studerer vi hva som karakteriserer elbil-eiere og undersøker videre om disse faktorene kan brukes til å predikere potensielle elbil-eiere. Tidligere studier basert på spørreundersøkelser har konkludert med at typiske elbil-eiere er relativt unge menn mellom 35-54 år med høy utdanning og inntekt. Denne utredningen skiller seg fra tidligere studier ved å ta i bruk prediksjonsmetoder for å bedre definere elbil-eiernes karakteristika og rangere disse etter viktighet. Til dette formålet benyttes et datasett over bilregistreringer i Oslo og Akershus mellom 2010-2018. Prinsipalkomponentanalyse og korrespondanseanalyse viser at alderen til bileier, bostedskommune, politisk tilhørighet, samt høy inntekt og formue var interessante variabler for videre analyse. Det blir i tillegg gjennomført en variabelutvelgelse gjennom Borutaalgoritmen for tre tidsperioder som viser de viktigste forklaringsvariablene for å skille elbileiere fra andre bileiere. Gjennom bruk av trebaserte metoder innenfor prediksjon, estimeres det innledningvis en basismodell gjennom et klassifiseringstre som sammenligningsgrunnlag. Videre estimeres det modeller med henholdsvis random forest og extreme gradient boosting for tidsperiodene. Utredningen konkluderer med at aldersgruppene 25-40 år og 40-60 år, andel husholdninger med en samlet formue over 4 millioner kroner i en kommune, antall ladestasjoner i kommunen, og bostedsadresse som ligger i Asker eller Bærum kommune er viktige faktorer for å predikere elbil-eiere. Verken menn eller høy inntekt regnes som spesielt viktige faktorer, mens viktigheten av utdanning er tvetydig. Tilhørighet til politiske partier som Miljøpartiet De Grønne og Høyre karaktieriserte tidligere elbil-eiere, men disse faktorene er ikke like prominente i nyere tid. Dette er ett av flere tegn til en homogenisering av elbileiernes karakteristika med andre bileiere. Derav resulterer dette i et fall i prediksjonsevnen til modellene som benytter data fra nyere tid, ettersom klassene blir vanskeligere å skille.