#elektromobilitaet

Bewertungsmethode 2: Mediane

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.

Diese Bewertungsmethode basiert auf der Berechnung der (gemittelten) Mediane der für mich kritischen Eigenschaften von e-PKWs: Brutto-Effizienz, Reichweitenkosten & Spitzenladeleistung. Grundsätzlich wird dabei eine einfache Logik angewendet:

  1. Berechne den Median pro Eigenschaft (Brutto-Effizienz, Reichweitenkosten & Spitzen-Ladeleistung).
  2. Vergleiche die einzelnen Eigenschaft pro Fahrzeug mit dem jeweiligen Median.
  3. Ist der Wert des Fahrzeuges besser als der (oder gleich dem) Median, bewerte diese Eigenschaft mit "1".
  4. Ist der Wert des Fahrzeuges schlechter als der Median, bewerte diese Eigenschaft mit "0".
  5. Berechne nun den Mittelwert der drei Bewertungen ("1" oder "0") pro Fahrzeug.
  6. Optional: Reihe die Mittelwerte in absteigender Reihenfolge.

Als Ergebnis dieser Logik wird für jedes Fahrzeug eine Zahl zwischen "0", Fahrzeug bei jeder Eigenschaft schlechter als Median, und "1", Fahrzeug bei jeder Eigenschaft besser als Median, herauskommen.

Die zweckmäßige Implementierung in R sieht dann so aus:

#Generating medians (redundant, but needed if "Plots" isnt executed beforehand)

data_q50_Eb <- fivenum(data$EffizienzBrutto)[3]
data_q50_Ll <- fivenum(data$Spitzenladeleistung)[3]
data_q50_Rk <- fivenum(data$Reichweitenkosten)[3]

#Defining a good car: Above or Below Median

goodcar_low <- function(value, q50) {
  
  if ((value <= q50) == TRUE )  {
    
    1
    
  } else {
    
    0
    
  }
  
}

goodcar_high <- function(value, q50) {
  
  if ((value >= q50) == TRUE )  {
    
    1
    
  } else {
    
    0
    
  }
  
}

#Applying medians

data_medians <- data

data_medians$MedianEffizienzBrutto <- round(mapply(goodcar_low, data$EffizienzBrutto, data_q50_Eb), digits = 0)
data_medians$MedianSpitzenladeleistung <- round(mapply(goodcar_high, data$Spitzenladeleistung, data_q50_Ll), digits = 0)
data_medians$MedianReichweitenkosten <- round(mapply(goodcar_low, data$Reichweitenkosten, data_q50_Rk), digits = 0)

data_medians$MediansWinners <- round((data_medians$MedianEffizienzBrutto + data_medians$MedianSpitzenladeleistung + data_medians$MedianReichweitenkosten) / 3, digits = 2)

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

Citroene-C4 1
Fiat500e 1
HyundaiIoniq 5 LRB1
NissanLeaf e+1
OpelCorsa-e 1
OpelMokka-e 1
Peugeote-208 1
SkodaEnyaq iV 601
SkodaEnyaq iV 801
TeslaModel 3 LR AWD1
TeslaModel 3 SR+ RWD1
TeslaModel Y LR RWD1
VWID.3 Pro1
VWID.3 Pro S1
VWID.3 Pure1
VWID.4 Pure1
AiwaysU5 0,67
CitroenAmi 0,67
DaciaSpring Electric 0,67
DS3 Crossback E-Tense0,67
FordMach-e ER RWD0,67
FordMach-e SR RWD0,67
HyundaiIoniq 0,67
HyundaiIoniq 5 SRB0,67
Kiae-Niro LRB0,67
KiaSoul LRB0,67
MicroMicrolino 0,67
NissanAriya 2WD0,67
OpelAmpera-e 0,67
Peugeote-2008 0,67
RenaultZOE R110 Z.E. 400,67
RenaultZOE R110 Z.E. 500,67
SeatMii electric 0,67
SkodaCitigo iV 0,67
TeslaModel S LR AWD0,67
VWe-Up 0,67
VWID.4 Pro S0,67
XpengP7 RWD SLR0,67
Audie-tron 550,33
Audie-tron Sportback 550,33
BMWi3 120 Ah0,33
BMWiX 0,33
BMWiX3 0,33
Fiat500e Action0,33
FordMach-e ER AWD0,33
HyundaiKona SRB0,33
Kiae-Niro SRB0,33
KiaSoul SRB0,33
MercedesEQA 2500,33
MiniElectric 0,33
NissanAriya 2WD0,33
NissanLeaf 0,33
PolestarTwo 0,33
PorscheTaycan Performance0,33
PorscheTaycan Performance Plus0,33
RenaultTwingo Z.E.0,33
SkodaEnyaq iV 500,33
smartforFour 0,33
smartforTwo 0,33
TeslaModel X LR AWD0,33
VolvoC40 0,33
VolvoXC40 Recharge P80,33
Audie-tron 500
Audie-tron Sportback 500
FordMach-e SR AWD0
Hondae 0
JaguarI-Pace EV3200
LexusUX 300e 0
MazdaMX-30 0
MercedesEQC 4000
MGZS EV 0
VWe-Golf 0

Folgende Muster können in obiger Tabelle beobachtet werden:

> summary(data_medians$MediansWinners)
   Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
 0.0000  0.3300  0.6700  0.5369  0.6700  1.0000
0000.00
1000.33
1100.67
1111.00

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

Das wäre die Vorstellung der Bewertungsmethode nach (gemittelten) Medianen, weiter geht's demnächst mit weiteren spannenden Methoden.