Bewertungsmethode 3: Ränge

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 pro Fahrzeug den aufsteigenden Rang der Eigenschaft im Vergleich mit allen Werten dieser Eigenschaft (Brutto-Effizienz, Reichweitenkosten & Spitzen-Ladeleistung). Dabei ist ein Rang von "1" gut, ein Rang von "2" ist schlechter.
2. Mittle die drei resultierenden Ränge pro Fahrzeug mit einem gewichteten Schlüssel. Umso niedriger der gemittelte Rang, umso besser.
3. Optional: Reihe die Mittelwerte in absteigender Reihenfolge.

Der Schlüssel zur Gewichtung der Ränge ist folgender:

Diese Gewichtung ist natürlich absolut subjektiv. Mein Überlegung war, dass sich derzeit die Güte eines Elektroautos vor allem dadurch zeigt, dass eine große Reichweite zu niedrigen Kosten zur Verfügung gestellt wird (= 50%). Gleichzeitig ist aber auch wichtig, dass dieses Fahrzeug einerseits effizient im Betrieb ist und andererseits schnell Laden kann, wobei Effizienz doppelt so wichtig ist, als schnell zu laden (= 50%).

Die zweckmäßige Implementierung in R sieht dann recht simpel so aus:

data_ranks <- data

data_ranks$RangEffizienzBrutto <- round(rank(data_ranks$EffizienzBrutto), digits = 0)
data_ranks$RangReichweitenkosten <- round(rank(data_ranks$Reichweitenkosten), digits = 0)
data_ranks$RangSpitzenladeleistung <- round(rank(-data_ranks$Spitzenladeleistung), digits = 0)

data_ranks$RanksWinners <- round(data_ranks$RangEffizienzBrutto * (2/6) + data_ranks$RangReichweitenkosten * (3/6)+ data_ranks$RangSpitzenladeleistung * (1/6), digits = 2)

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

Folgende Muster können in obiger Tabelle beobachtet werden:

• Wie dem unten genannten Code entnommen werden kann, befinden sich die "besten" 25% der Fahrzeuge im Wertebereich unter 24.50. Die "schlechtesten" 25% befinden sich jenseits von 49.91.

> summary(data_ranks$RanksWinners)
   Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
   9.17   24.50   36.00   36.49   49.91   64.33 

• Betrachtet man die Verteilung der gemittelten und gewichteten Ränge anhand eines Histogramms, dann zeigt sich, dass eine nahezu konstante (sprich gleichmäßige Verteilung) der Wert herrscht. Auch eine graphische Darstellung mittels Scatterplot würde diese Aussage unterstützen, die sortierten Werte entsprächen hier einer nahezu perfekten Geraden. Dieses Phänomen leitet sich direkt aus der verwendeten Grundfunktion dieser Bewertungsmethode ab: Das sortieren nach Rängen führt zwangsweise zu einer kontinuierlichen Verteilung, da die einzelnen Werte (egal wie diese im Endeffekt gestreut sind) einer nach dem anderen gereiht werden.


• Vorteil dieser Methode ist wie bei ePCM und im Gegensatz zur Bewertungsmethode über Mediane, dass eine eindeutige Reihenfolge der Güte von e-PKW ersichtlich ist.
• Ein weiterer Vorteil dieser Methode besteht darin, dass aufgrund der Übergewichtung von Reichweitenkosten und der Untergewichtung der DC-Ladefähigkeit, sich auch Kleinstfahrzeuge wie der Citroen Ami und der Micro Microlino unter den Top25% befinden.
• Die Schlusslichter wiederum stellen e-Luxusflundern wie Audi e-tron, Jaguar I-Pace und Mercedes EQC dar.
• Größter Nachteil dieser Methode ist die inhärente Subjektivität des Gewichtungsschlüssels. Diese kann nur durch eine solide Begründung für jede einzelne Gewichtung zumindest erklärt werden. Es bleibt aber, dass jede Änderung des Schlüssels auch zu einer (massiven) Änderung der Ergebnisse führen wird.

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