图片来源：电影《梦幻之地》(Field of Dreams)海报

文献来源：

Burlig, F., Bushnell, J. B., & Rapson, D. S. (2026). If You Build It, They May Not Come: Willingness to Participate in Managed EV Charging. NBER Working Paper No. 35086.

01

前言

新能源汽车的普及被视为交通脱碳的关键路径。中国是全球最大的电动汽车市场，2025年新能源汽车产销量分别为1662.6万辆和1649万辆（中国汽车工业协会，2026年1月），保有量达4397万辆（公安部，2026年1月），新能源汽车国内新车销量占比首次突破50%。然而，新能源汽车的快速普及给电网带来双重挑战：配电变压器可能面临过载风险，以及“充电难”问题也日益突出。

在配电设施方面，据能源基金会2023年发布的报告测算，无序充电情景下，一个典型小区的现有电力容量仅能满足不足20%的车位配桩率。现实中，变压器容量不足导致无法安装充电桩的案例并不少见——贵阳某小区业主申请安装充电桩，被物业以“变压器电容过载”为由拒绝，供电部门核查后发现该变压器最高负载已达75%，接近安全阈值。

在充电设施供给方面，节假日高速公路充电拥堵尤为典型。据国家电网智慧车联网平台预测，2025年国庆期间全国超三分之一的高速公路服务区充电桩处于满负荷工作状态，车主排队充电时长普遍在1至4小时之间。

面对上述挑战，电网运营商有三种选择：大幅投资扩容、设计精细化的动态电价、或者直接对电动汽车的充电行为进行远程管理。理论上，远程管理既能缓解电网压力，又无需用户改变日常习惯——用户只需授权，算法便会在电价低、碳排放少的时段自动充电，并在用户设定的“用车时间”前充满。此前的小规模随机对照试验也证实了智能充电的有效性：自愿参与的用户确实显著调整了充电时间，提高了充电效率。然而，如果智能充电需要用户主动选择加入（opt-in），那么在整个电动汽车车主群体中，是否仍有人愿意参与？若参与率很低，则即使智能充电对参与者效果显著，对整体电网的缓解作用也可能微乎其微。

该文作者与加州一家高电动汽车渗透率的公用事业公司合作，开展了一项覆盖几乎全部电动汽车车主的大规模随机实验。他们向不同组别的车主提供了每月0至40美元不等的参与激励，以此估计智能充电的“供给曲线”，并评估其真正的政策效果。结果令人意外：即使在每月40美元（约合人民币290元）的激励下，参与率也不到5%，而意向处理效应（ITT）几乎为零。这一发现对中国同样有参考价值。中国部分地区已开始试点智能充电和车网互动（V2G），但多依赖于早期的“自愿者”样本评估。若未来大规模推广同样采用用户自愿选择加入的模式，低参与率可能使“智能充电”的美好设想落空，迫使电网不得不走“扩容”这条高成本路径。

02

制度背景与数据

2.1 智能充电的运作方式

本文研究的智能充电项目通过一个第三方App（）实现。用户下载App并绑定车辆后，每次在家充电时，可以选择“托管”或“不托管”。托管模式下，App会根据电价、电网清洁度、用户设定的“用车时间”等因素，自动控制充电起止时间。该方案对用户的实际不便极低——用户只需完成注册即可按月领取激励，即便从未在实际充电时启用托管功能。

2.2 实验环境与样本

实验与加州的社区选择聚合商（CCA）Peninsula Clean Energy（PCE）合作开展。为了确定实验样本，PCE首先需要识别哪些家庭拥有新能源汽车。PCE通过两种方式获取这一信息：一是查看家庭是否已注册“新能源车专用电价”——这种电价套餐只有新能源车主才会主动选用，因此注册该电价的家庭几乎可以确定拥有新能源车；二是将加州车管局的车辆登记地址与PCE的账单地址进行匹配，筛选出登记住址与PCE服务地址一致的新能源车主。两种方式相互补充，综合识别出12,174户符合条件的家庭，并将其全部纳入实验样本。

2.3 数据来源

电表数据：PCE提供的小时级用电量数据，覆盖实验前后约12个月。

用户信息：电价套餐、居住地邮编等。

充电遥测数据：来自 App，记录每次充电的时间、时长、位置、托管与否，以及充电量（仅针对同意加入遥测的用户）。

03

研究设计

3.1 随机分组

该文件者将12,174户家庭按电价套餐和车辆类型（特斯拉、插电混动、其他纯电动车）分层随机分配到10个实验组，具体如下：

3.2 识别策略

参与供给曲线：用线性概率模型估计不同激励下的参与率（请见正文式（1））。

意向处理效应（ITT）：比较被邀请智能充电的家庭与纯控制组在用电量上的差异，不受实际参与与否影响（请见正文式（2））。

局部平均处理效应（LATE）：以随机分组为工具变量，估计实际参与者的处理效应。

所有回归均包含分层固定效应，标准误聚类在家庭层面。

04

主要结果

4.1 智能充电的参与率极低

估计结果表明，即使每月40美元（约普通家庭电费的15%），也只有4.6%（不到二十分之一）的新能源汽车车主愿意加入。该文作者还发现，参与率与事前用电量、高峰用电占比等特征的相关性较弱，唯一显著的正相关是已经使用新能源车专用电价套餐的家庭——表明这些家庭本身就是更关注电费、更易被激励的人群。不同激励下的参与率如下图所示：

4.2 智能充电对整体用电量几乎无影响

该文使用意向处理效应（ITT）估计政策邀请对家庭总用电量的影响。结果如下表所示：控制组（C2）平均每小时用电量为0.929kWh。对于T1-T4合并的处理组（Managed charging offer，智能充电邀请），点估计仅为-0.381%，且统计上不显著，这意味着智能充电邀请对整体负荷的改善几乎可以忽略。即使在40美元/月的高激励组（T4），ITT点估计也仅为-0.6%且不显著（具体见文章附录Table C.1）。陡峭电价邀请（仅车辆）的ITT同样不显著，表明此类需要用户主动选择加入的电价改革方案也难以产生实际影响。

4.3 按时段分析：微弱且有限的负荷转移

该文进一步分析了不同时段的ITT效应（见下图）。在凌晨0点至4点之间，智能充电邀请组有极其微弱的用电量下降（约-0.02 kWh/小时），但幅度太小，不足以缓解晚高峰（下午4点至9点）的变压器压力。陡峭电价组在任何时段均未显示有统计学意义的负荷转移。

4.4 局部平均处理效应（LATE）：参与者确实改变了行为

在实际参与智能充电的少数家庭中，确实观察到了充电行为的改变。该文估计了局部平均处理效应（LATE），即实际参与者的因果效应。结果显示（见下图）：参与者凌晨0-4点的用电量呈现显著下降，而其他时段变化不显著。这表明智能充电技术本身是有效的，能够将充电负荷转移至凌晨低谷时段。只是由于参与率太低，导致整体ITT为零。

此外，该文还使用遥测数据，在同一家庭内部比较“托管充电时段”与“非托管充电时段”的用电差异（见下图）。结果发现：当用户实际激活托管功能时，凌晨充电负荷显著低于非托管时段，且在晚高峰时段几乎不产生额外用电。这进一步印证了智能充电算法的技术可行性。

4.5 模拟：需要多高的参与率才能缓解电网过载？

最后，文章尝试回答低参与率是否一定意味着智能充电无法解决电网瓶颈？如果只需极少数参与者就能缓解变压器过载，那么4.6%的参与率或许仍然够用。该文利用公用事业公司提供的变压器容量数据进行了模拟。

假设每个L2充电桩功率为7kW，在变压器最拥堵的时段，若要避免过载，需要多大比例的新能源汽车车主参与智能充电？模拟结果显示：

若新能源汽车渗透率较低（5%的家庭拥有L2充电桩），约需30%的新能源汽车车主参与才能覆盖大部分变压器；

若新能源汽车渗透率达25%（更现实的近期目标），则需超过50%的参与率。

而该文实验中最高参与率仅4.6%，与需求相去甚远。

05

政策启发

（1）自愿参与模式存在根本性局限。只要用户需要主动选择加入（opt-in），即便提供每月40美元激励，绝大多数人也不会参与。对于需要大规模用户参与才能见效的电网管理方案，可能需要考虑默认注册（opt-out）或强制注册，但后者面临隐私和监管障碍。

（2）动态电价也难担重任。该文中的陡峭电价参与率同样极低，且对用电行为无显著影响。这与已有文献中“消费者对电价不敏感”的结论一致。

（3）对中国智能充电试点的启示。中国部分城市（如上海、深圳）已开始试点车网互动（V2G）和智能有序充电，但初期参与者多为对新能源技术有高度热情的“志愿者”。如果未来政策设计仍以用户自愿选择加入为前提，该文的发现提示：实际参与率可能远低于预期，从而导致试点效果难以复制到大范围推广中。政策制定者或需考虑更积极的激励措施，甚至将智能充电与充电桩安装许可、电价套餐绑定等机制结合。

推文作者评论

这篇论文的标题化用了凯文·科斯特纳经典电影《梦幻成真》中的名台词“If you build it, they will come”。影片中的主人公在一片玉米地里建起棒球场，已故球星们的灵魂真的出现。这种“只要创造好条件，理想就会成真”的希望感，也正是许多人对智能充电技术的期许。

然而，该文的发现给这份期许加上了一个重要的注脚：If You Build It, They May Not Come。智能充电常被视为解决新能源汽车并网难题的有力工具，此前基于志愿者样本的随机对照试验也证实了其技术有效性。但Burlig等人用严格的群体随机实验提醒我们：在现实世界中，大多数人懒得去下载一个App、授权车辆数据、每次充电时确认“托管”——即使有每月40美元的收入。这一困境并非智能充电独有。任何需要用户主动选择加入的“善政”——如节能补贴、健康管理、退休储蓄计划——都可能面临类似的低参与率。该文告诉我们，不要用“如果人人都参与”的假设来评估政策；要用“在真实世界中，究竟有多少人会自愿参与”来设计政策。

推文作者

李嘉豪，华东理工大学商学院博士研究生，

 Abstract 

Despite the importance of program participation for policy, treatment effects are often measured on self-selected samples. We study electric vehicle (EV) managed charging, intended to reduce electric grid strain by optimally allocating charging across EVs. Prior work finds large impacts of managed charging among households who volunteer for an RCT. In contrast, we test managed charging with an experiment including all EVs within a California utility. Enrollment is low even with high incentives, and we can reject even modest intent-to-treat effects on electricity consumption. Managed charging is less effective than previously thought, underscoring the value of population-wide experiments.

声明：推文仅代表文章原作者观点，以及推文作者的评论观点，并不代表香樟经济学术圈公众号平台的观点。