导语
在国家加快推进新能源汽车普及和构建高质量充电基础设施体系的战略背景下，科学规划充电桩空间布局已成为政策核心关切。近日，国家能源局答复《关于优化充电基础设施建设与管理的提案》，其中指出，要指导地方主管部门建立健全规划工作机制，科学编制充电基础设施专项规划；2024 年初国家能源局综合司印发的《电动汽车充电设施布局规划编制指南》，更从建设规模、网络结构、布局功能等维度，提出结合电动汽车发展趋势适度超前布局的要求。
然而，在多方政策和资本大力投入的背景下，城市公共充电站尚存在较明显的空间不平衡问题，既有覆盖不足的短板，也存在热点区域错配的现象。本文立足地理数据，综合考量充电网络完善程度与市场盈利能力，以期为优化充电站规划中的空间失衡问题提供一种解决思路。
（微信公众号：朗新研究院 作者：杨扬、葛智杰）
业务现状与背景
近年来，国家对高质量充电基础设施体系的建设给予了高度重视，并大力推动其发展，使得充电设施的建设规模以超过50%的年度同比增长率迅速扩张。这一显著的增长趋势无疑为电动汽车的广泛普及奠定了坚实的基础。
然而，在实际应用中，一方面，用户仍然频繁遭遇“找桩难、排队长”的问题。根据《充换电蓝皮书(2023)》1，70.6%的用户认为充电网络覆盖度低的问题较为突出，超一半用户认为快充网络覆盖不足，充电网络建设需进一步完善。
另一方面，而运营商则面临着投资回报率低、建设动力不足的挑战。据统计，2023年全年充电桩平均功率利用率6.6%2，刚满足平均盈亏平衡点3。
这种看似矛盾的现象，实际上揭示了充电设施在布局上的空间失衡问题。
造成这种供需失衡的根源在于充电站的规划工作缺乏科学的需求评估，过度依赖于经验和主观臆断。例如，常见的“热点扎堆”和“人多即建”的规划思路，导致充电设施往城市核心区集中，实际的建设效益也因桩满为患不如预期。在充电设施规模较小、需求相对集中的早期阶段，这种传统的规划方式或许尚能满足市场需求。但随着充电设施规模的急剧扩大，以及电动汽车用户群体的日益多元化和地理分布的广泛化，传统的规划方法已经难以有效应对新的市场形势，从而加剧了供需失衡的问题。
为有效解决这一问题，一方面，需要加强政府、运营商和用户之间的沟通与合作，共同推动充电基础设施的持续优化和完善；另一方面，必须转变传统的规划思路，引入科学的规划方法和手段。具体而言，可以通过大数据分析、人工智能等先进技术，对电动汽车用户的出行习惯和充电需求进行精准预测和评估，从而制定出更加合理、科学的充电站布局方案。
因此，探索一种基于数据驱动的选址优化模型，已成为提升充电站规划水平、解决供需失衡问题的关键途径。
注：1中气数据 2雪球网 3根据天风证券测算，充电桩项目盈亏平衡所需的充电桩利用率6.38%
数据驱动的选址优化模型探索
随着地理信息服务的日益完善和LBS（基于位置服务）大数据的广泛应用，使充电站选址从传统的经验决策转变为基于数据的科学分析成为可能。数据驱动的选址模型通过对多源空间数据的深度挖掘，可以更准确地评估不同区域的充电需求，优化充电站的布局。
在构建平衡且高效的充电网络中，两大核心平衡要素至关重要：
（一）空间网络建立健全
在空间网络上，广泛覆盖和良好的可达性是提升用户体验的基础。充电网络应满足不同区域的用户需求，使电动汽车在城市、郊区等各种场景下都能相对便捷地找到充电设施。
（二）需求与充电能力匹配
在满足充电可达性的基础上，根据实际充电需求合理配置充电站数量及充电能力，实现供需的精准对接，以避免资源浪费或资源不足。
在此背景下，本文通过对空间数据的深入分析，围绕充电网络的可达性和充电站的空间需求，分别构建评价方案，旨在为充电站的空间平衡提供全面的决策支持。
实施过程
（一）充电网络的可达性评价
从业务层面分析，“可达性4”是公共充电站规划的首要指标：
政府层面：若某些区域长时间处于“公共充电盲区”，不仅影响当地电动汽车的推广普及，也会使政府在公共服务和基础设施方面的职能受到质疑。
运营商层面：通过系统化的可达性评估，能快速发现潜在空白或欠缺区域，有助于形成差异化布点策略。提前布局在竞争对手尚未充分覆盖的区域，不仅可以增加用户黏性，还可能赢得更高的市场份额和更好的投资回报。
在理想情况下，完善的公共充电网络应确保车辆在一定距离内都能找到充电设施，以满足应急充电需求。具体而言，若要保证用户在电动汽车仅剩1度电（通常可行驶约5公里）的情况下，仍能顺利到达充电站，必须确保在任何位置的5公里行驶范围内都设有公共充电站点。
目前，借助地理导航服务，可以轻松获取任意两个位置的行驶距离和时间。通过分析目标区域（如全市、区县等）内任意需求点到最近充电站的行驶距离，即可科学地评估该区域充电网络的完善程度。
以某区域为例，本文利用包含目标区域范围边界和区域内公共充电站位置的原始数据，对该区域公共充电站的可达性进行了评估。
图1 区域公共站点可达性评价
步骤1：创建覆盖区域的需求点集合。在投影坐标系下，创建基础网格（如500米×500米），覆盖整个待分析区域。
步骤2：初始近邻站点。在区域充电网格状划分后，为每个网格单元找出直线距离最近的5个充电站点，并记录每个网格单元对应的最近5个充电站点的距离等相关信息。本步骤主要通过直线距离搜索最近的备选站点，减少导航请求次数。
步骤3：找到最近站点。利用高德等地图服务API获取从网格中心到每个相邻站点的驾车导航路径。该过程充分考虑道路网络和实际交通状况，收集并处理路径规划结果，包括总距离、预计行驶时间等关键信息。
表1 最近站点情况
步骤4：决策与可视化。通过对结果筛选（如最近站点行驶距离15分钟以上的区域）等，结合空间属性，可以进行可视化或区域统计，进而评估区域公共充电站网络的完善程度。
图2 某区域公共站点可达性评价结果
步骤5：“伪需求5”点删除。在需求点选取过程中，由于部分区域为非活动区域，如湖泊、山体等，存在一定的评估失真。为避免分析中出现无人居住或不必要的区域，可以利用路网或建成区数据删除。
通过以上步骤，可有效评估目标区域内公共充电站的可达性和网络完善程度，为充电站规划和优化布局提供科学依据。
注：4 指一个区域在空间上与其他区域通过交通网络（如道路、铁路等）连接的程度，即该区域与周边地区之间的通达性和可达性。在车辆行驶和充电需求分析中，空间的连接性反映了车辆可能经过或停留的频率和概率
5一些实际无行驶可能的需求区域，如湖泊、山体等
（二）空间期望电量评价
在确保了充电站的基本空间可达性后，确认其在地理位置上的可访问性，但仍未实现需求的准确评估，即相当于解决了“有没有”的问题，但未触及“够不够”的核心。为实现供需精准对接，支撑城市的绿色发展和电动汽车行业的健康发展，仍需要准确量化各区域的充电需求，确保充电站规模与需求相匹配。
汽车具有高度的流动性，新能源汽车流量越大的区域，往往具有更高的充电需求。考虑到车辆行驶具有明显的目的性，通常与出行需求密切相关，如购物、工作、返程等，或者与空间的连接性有关（如交通干道）。因此，可以通过区域空间特征进行量化，作为充电需求的评估因子，主要包括：
交通因子：道路种类与密度通常预示着人车流动的主干路径，对充电需求有明显引导作用；同时，高速、城市主干路上的快充布点可吸引因“短时补能”而产生的高频需求。
居住因子：居住区的人口密度、房屋结构（老旧小区、租赁集中区等）意味着对公共充电的依赖程度不同。对运营商来说，此类因子能帮助评估小区自建桩的普及率以及公共充电的补充需求。
工作因子：商务写字楼、产业园区等周边上班族所产生的通勤充电需求，对于工作日白天时段的充电业务量尤为重要，也决定了潜在的盈利时段和排队风险。
商业因子：商场、餐饮、娱乐业态聚集区除了周末和节假日可能出现集中充电需求外，平日的用户停留时间也相对较长，提升了公共充电使用率及周转率。
竞争因子：除了判断目标区域已有充电桩密度及服务能力，还可评估市场饱和度。对于投资方而言，竞争程度是预测收益和回收周期的重要参考。
同时，伴随充电市场的运营，运营商已拥有丰富的历史运营数据，作为充电需求的量化指标。
因此，通过对空间特征进行量化作为特征，将区域历史充电数据作为预测目标，通过机器学习方法建立空间特征与充电需求的预测模型，即可有效预测区域的充电需求。
以某城市核心区域为例，本文首先以现有充电站为样本，选取与充电需求的关联性较强的交通、居住、工作、商业、竞争的5类空间数据，构建了完整的空间数据集。然后，通过对该数据集进行模型训练，获得充电电量6的预测模型。最后，利用区域内500米×500米的网格作为输入数据，应用预测模型对每个网格的预期充电电量进行分析与评估。
注：6根据常规的市场评估方法，本研究以年日均充电电量作为预测变量的示例。在不同的分析目标下，可以调整预测指标，例如高峰充电电量，以便探讨更多选址维度的可能性
图3 某区域公共站点期望电量评价模型
阶段一：汇总多源空间数据。通过地图服务、企业门户、地产门户、充电门户等平台，获取各类基于位置的各类空间数据。由于空间数据往往来源于多个渠道，属于异构数据，加上不同的距离尺度，在数据对齐上需要通过空间运算构建基本数据集。以某运营商充电站为例，选取交通、居住、工作、商业、竞争5个方面因子，分别统计自营站点5公里范围内相关因子指标，与自营站点的年平均日充电量进行建模分析。
表2 模型输入变量
图4 区域存量站点样本数据集
阶段二：构建预测模型。以基础预测框架为例，通过历史测试及实践，选取xgboost、lightgbm两个集成算法作为基础预测模型，通过随机参数游走进行特征选择、参数训练。获取最优模型后，对未覆盖区域进行期望电量预测，评价区域建站盈利能力。需要指出的是，模型的构建并非本文讨论重点，因此仅提供使用基本模型框架，并未进行深度优化。
在实施算例中，重要性较高的指标包括“人行道路”、“区域总直流桩数量”、“租赁和商务服务业”以及“其他行业企业”等。这些指标共同反映了人流密集和交通流量高的特征，是影响充电需求的关键因素。
表3 特征重要性得分
对比模型在样本集上的预测情况，准确率在87.37%，具备较好的解释力，能对充电电量进行科学的预测。
图5 样本预测效果
模型训练后，输入区域不同空间特征，对整体区域进行充电电量预测，结合现有站点分布，获取优选站点位置，如图（颜色越深，期望充电电量越高）。
图6 某区域公共站点期望电量热力图
利用空间期望电量评价，可以精准预测各区域的充电需求，指导充电站的选址和容量规划，实现供需匹配，避免资源浪费。同时，提升运营效率，支持电网负荷管理，促进可再生能源的利用，降低投资风险，为充电设施运营商的战略布局和可持续发展提供了科学依据。
总结与展望
数据驱动的空间决策模型综合考虑了人口密度、交通流量、商业活动水平、现有充电设施分布等多源空间数据，通过对这些数据的深度分析，可以准确评估不同区域在网络布局和预期充电量方面的需求强度，量化评估充电设施“有没有”和“够不够”的问题。通过识别高需求的热点区域和充电服务盲区，模型可以指导充电站的合理空间布局，确保充电设施的分布与实际需求相匹配，从而提升充电网络的覆盖率和服务水平，避免空间供需失衡的问题。
值得一提的是，通过对可达性与期望电量两大维度的综合分析，政府及行业监管方可以更好地发现亟须政策支持和引导的区域，如交通薄弱但潜在需求上升较快的郊区、快速发展的商务新区等；而运营商则可相应制定差异化建站方案，更精准地把握高需求或潜力区域，缩短项目回收周期。
此外，合理选择并综合应用交通、居住、工作、商业、竞争等因子，不仅能显著提升算法的预测准确度，也为后续充电站盈利预测和周边配套商业模式探索奠定数据基础——例如与商圈协同和停车运营联合等，使得充电设施建设在城市能源网络中发挥更积极的经济与社会效益。
