Bewertungsmethode 1: ePCM

In dieser Blogreihe werde ich zu ergründen versuchen, was "gute" e-PKWs genau ausmacht und welche Methoden es ermöglichen diese Fahrzeuge in der stetig steigenden Anzahl an Modellen zu finden.

Nachdem die erste Analyse abgeschlossen ist können die errechneten Kennzahlen zur Bewertung der einzelnen Fahrzeuge verwendet werden.

In dieser Methode habe ich einen synthetischen Parameter namens "ePCM" kreiert. Dieses Akronym steht für electric Passenger Car Metric und soll ein objektives & deterministisches Maß zur Bewertung von elektrischen PKW bieten.

Grundsätzlich werden für diese Kennzahl zwei vorgelagerte Kennzahlen miteinander verschnitten, nämlich die Spitzenladeleistung (km/h) und die Reichweitenkosten (€/km). Daher ist die Einheit von ePCM die nicht sehr aussagekräftige Einheit km2/€h. Wie oben gesagt, handelt sich hier aber auch um eine rein synthetische Kennzahl.

Zusammenfassend berechnet sich ePCM als:

ePCM = ( Spitzenladeleistung / Reichweitenkosten ) * 10

Diese Bewertungsmetrik bildet also im weiteren Sinn folgende Kennzahlen ab:

Dadurch eignet sie sich in meinen Augen grundsätzlich gut dazu, eine solide Ersteinschätzung zur Güte eines beliebigen e-PKWs treffen zu können.

Als R-Code wird diese Bewertungsmethode über diese simple Funktion implementiert:

ePCM <- function(peakcharge, rangecost) {
  
  (peakcharge / rangecost) * 10
  
}

Wendet man diese Methode nun bei den aktuellen Fahrzeugen (Datenstand per 14.03.2021) in meiner Datenbank an, ergibt sich folgende Bewertung:

TeslaModel 3 LR AWD159
HyundaiIoniq 5 LRB121
TeslaModel Y LR RWD118
TeslaModel 3 SR+ RWD101
TeslaModel S LR AWD97
VWID.3 Pro S78
SkodaEnyaq iV 8069
FordMach-e ER RWD68
TeslaModel X LR AWD65
VWID.4 Pro S60
VWID.3 Pro59
OpelCorsa-e 56
Fiat500e 55
VWID.3 Pure55
BMWiX 53
PorscheTaycan Performance Plus53
HyundaiIoniq 5 SRB52
NissanAriya 2WD52
Peugeote-208 52
SkodaEnyaq iV 6050
Citroene-C4 49
PolestarTwo 48
OpelMokka-e 46
VWID.4 Pure46
FordMach-e ER AWD45
PorscheTaycan Performance44
SkodaEnyaq iV 5043
BMWiX3 42
FordMach-e SR RWD42
NissanAriya 2WD42
NissanLeaf e+42
AiwaysU5 40
KiaSoul LRB40
VolvoC40 40
DS3 Crossback E-Tense39
Peugeote-2008 39
VolvoXC40 Recharge P837
Kiae-Niro LRB36
MercedesEQA 25036
XpengP7 RWD SLR35
RenaultZOE R110 Z.E. 5032
FordMach-e SR AWD31
OpelAmpera-e 29
Honda28
RenaultZOE R110 Z.E. 4027
JaguarI-Pace EV32026
Audie-tron Sportback 5024
SeatMii electric 24
SkodaCitigo iV 24
Audie-tron 5023
Audie-tron 5523
Audie-tron Sportback 5523
VWe-Up 23
HyundaiIoniq 22
MercedesEQC 40021
Fiat500e Action20
HyundaiKona SRB19
BMWi3 120 Ah18
Kiae-Niro SRB18
NissanLeaf 18
DaciaSpring Electric 17
KiaSoul SRB17
MGZS EV 17
MiniElectric 15
LexusUX 300e 12
MazdaMX-30 12
VWe-Golf 12
CitroenAmi 0
MicroMicrolino 0
RenaultTwingo Z.E.0
smartforFour 0
smartforTwo 0

Folgende Muster können in obiger Tabelle beobachtet werden:

> summary(data_ePCM$ePCM)
   Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
   0.00   21.75   38.00   39.99   52.00  159.00 

![](/img/user/21 Homepage Alt/images/data-out-PKW-Plot-ePCM_highlighted.png)

![](/img/user/21 Homepage Alt/images/data-out-PKW-Plot-Hist-ePCM.png)

Das wäre die Vorstellung der ePCM, weiter geht's demnächst mit weiteren spannenden Methoden.