基于時間序列協整的中國新能源汽車政策評估

馬少超 范英

摘要 中國政府近年來出臺了大量的優惠政策助力新能源汽車的推廣，已取得了舉世矚目的成績。在推廣過程中，各類政策分別起到了怎樣的作用是很值得研究與總結的。本文首先對中央政府近六年與新能源汽車銷售和使用直接相關的政策進行梳理，選取了兩項經濟政策（購置補貼、稅收減免）和兩項中國獨有的行政管制政策（車輛限行與限購）作為評估對象。以新能源乘用車市場份額的月度數據為因變量，各政策變量為自變量，加入汽油價格和新能源汽車行業專利申請量作為控制變量，采用時間序列協整模型和誤差修正模型對各因素的長期與短期影響做出評估。研究結果表明，各項政策都與新能源汽車銷售市場份額呈長期正向協整關系。其中補貼政策每階段的調整對市場的推動作用是顯著遞增的，政策效果在不斷的調整和適應中獲得了提升。值得關注的是，限購政策通過抑制龐大的人口基數帶來的巨大購車需求，調整了汽車市場的供需關系從而影響了消費者的選擇，從側面推動了新能源汽車的銷售。而相較于長期影響，短期內因限購抑制的購車需求增加對新能源汽車推廣有更強的推動作用，是新能源汽車銷售市場份額增加的Granger原因。最后，不可忽視的是，行業技術水平的提高對于新能源汽車推廣的長期和短期影響都是顯著且正向的。

關鍵詞 新能源汽車；政策評估；車輛限購；時間序列協整

中圖分類號 F426

文獻標識碼 A文章編號 1002-2104（2018）04-0117-08DOI：10.12062/cpre.20180108

中國政府以推廣新能源汽車作為交通部門應對氣候變化和區域空氣污染的重要途徑，已取得了舉世矚目的成績。從2009年2月財政部和科技部發布《關于開展節能與新能源汽車示范推廣工作試點工作的通知》，首次開始在試點城市公共服務領域推廣新能源汽車（“十城千輛”計劃），至2015年年底，中國新能源汽車產銷累計就已達49.7萬輛，保有量居全球首位[1]，到2016年底，保有量突破100萬輛。短短6年多時間，中國從一個新能源汽車幾乎零基礎的國家一躍成為新能源汽車全球保有量首位，在這個過程中，除了市場經濟自身的發展規律之外，大量的政府優惠政策發揮著重要的作用[2]。哪些政策以何種方式促成了新能源汽車在中國的快速大量推廣是本文的研究重點，考慮了中國獨有的車輛限購政策的影響是本文的創新點。

1 文獻綜述

通過對中央政府層面2011年1月—2016年12月期間出臺的與新能源汽車銷售和使用直接相關的政策進行梳理，可以將這些政策分為購置補貼、稅收減免、交通管理和鼓勵充電設施建設4個方面[3]。其中購置補貼類的政策數量最多，從2010年首次向私人購買新能源汽車提供補貼的《關于開展私人購買新能源汽車補貼試點的通知》，到2016年底，共出臺了5項政策，主要內容均為調整新能源汽車補貼標準。稅收減免類政策有3項，減免內容為車船稅和購置稅。鼓勵充電設施建設的政策共有3項，出臺時間相對較晚，首項《關于新能源汽車充電設施建設獎勵的通知》發布于2014年11月。交通管理類的政策為2015年9月29日，李克強總理主持召開國務院常務會議，決定完善新能源汽車扶持政策，各地不得對新能源汽車實行限行、限購，已實行的應當取消。

在政策梳理的同時，我們也進行了文獻梳理，將各國對新能源汽車政策的典型研究列入表1中。

通過文獻綜述我們可以發現，在類似于挪威這樣汽車工業基礎并不發達的國家，高額的經濟補貼是常用的政策方式，而德國和日本這類汽車工業發達的國家，鼓勵技術研發則是首選的政策工具。從研究方法上看，多采用問卷調研、軟件模擬和綜述來彌補實證數據的不足。同時，這些研究中對于政策實施效果的評估較少，且沒有考慮到中國行政管制政策的特殊性。所以在本文中將采用實證數據進行分析，并將中國特色的限購政策納入研究范圍。

2 變量與數據源

為了研究政策對新能源汽車銷售市場份額的影響，除了在section 1中介紹的購買補貼、稅收減免、交通管理等政策因素，本文還考慮了汽油價格和行業技術進步兩個非政策因素。將模型需要研究的變量初步設定為：

marketshare：新能源乘用車（9座以下的純電動和插電式混動車）每月全國銷量占乘用車銷售市場的份額（如圖1所示）。選取新能源乘用車作為因變量可以剔除行政命令采購對新能源汽車銷售的剛性促動作用，即不計入電動環衛車、城市電動物流車等政府直接采購的專用車以及電動客車（主要用作城市公交）。選取銷售市場份額而非銷售量，可以盡量避免居民收入增長、經濟增長、行業周期性波動等外部宏觀因素對研究的干擾。

subsidy2， subsidy3， subsidy4為三個虛擬變量，表示圖1中劃分的中央財政補貼額度4個階段：

第1階段（2011年1月—2013年12月）：subsidy2= subsidy3= subsidy4=0；

第2階段（2014年1月—2014年12月）：subsidy2=1， subsidy3= subsidy4=0；

第3階段（2015年1月—2015年12月）：subsidy3=1， subsidy2= subsidy4=0；

第4階段（2016年1月—2016年12月）：subsidy4=1， subsidy2= subsidy3=0。

2011和2012年補貼標準相同，都是按照電池組容量計算補貼，2013年9月13日的《關于繼續開展新能源汽車推廣應用工作的通知》出臺后，補貼標準才改為按照純電續航里程計算。因此將2011至2013年合并定義為補貼第1階段，2014至2016年每年分別定義為一個階段。

exemption表示新能源汽車免購置稅政策（車船稅征收金額較低，未納入研究范圍）。設為虛擬變量，用0表示政策未出臺，自2014年9月政策出臺后該變量為1。

privilege表示新能源汽車全國不限購以及不限行政策，設為虛擬變量，用0表示政策未出臺，自2015年9月政策出臺后該變量為1。

gasolineprice表示中國成品汽油月度平均價格。新能源汽車的行駛成本遠低于傳統燃油汽車的行駛成本，所以汽油價格的高低決定了新能源汽車相較于燃油汽車節省的行駛成本。

patent表示中國新能源汽車領域專利（包括發明、實用新型和外觀設計專利）月度申請量，用以表征新能源汽車行業的技術進步[17]。

demand表示因大城市機動車限購抑制的購車需求變量，用來刻畫因為中國特有的車輛限購政策抑制的購車需求對不限購的新能源汽車銷售的促進作用。該變量以每月申請機動車牌照的數量減去最終發放的牌照數量得到被抑制的購車需求。選取了上海、北京、廣州、天津、杭州和深圳共6座城市每月因號牌管制的限購政策抑制的購車需求之和。

變量列表及數據源如表2所示。

鼓勵充電設施建設的政策發布在中國相對滯后，2014年11月，中央政府才正式發布第一份關于鼓勵充電設施建設的政策。鼓勵政策的實施方式是在各年年末根據新能源汽車推廣數量給地方政府安排充電設施獎勵資金，上述獎勵資金可以由地方政府統籌用于充電設施建設運營，但明確規定不得用于新能源汽車購置補貼等銷售相關環節。因而該類政策無法對新能源汽車銷售在短期內產生直接促進作用，發揮政策效果存在相當長而且不確定的滯后性，所以在本文中對鼓勵充電設施建設的政策影響未予考慮。

3 模型及結果

3.1 協整回歸

3.1.1 協整模型

將各時間序列中進行了自然對數處理，式（1）函數轉化為：

對模型中所有的非虛擬變量做單位根檢驗，發現均存在單位根，為非平穩序列，一階差分后不存在單位根，均為一階單整的平穩序列。

為了驗證各變量之間是否存在長期穩定的協整（Co-integration）關系，本文選用AE-G兩步檢驗法以ln marketshare為被解釋變量，其他變量為解釋變量進行OLS回歸并檢驗殘差項。

首先運用OLS 法對函數進行回歸，結果如表3所示。

從擬合結果中可以看出，R2和Adjusted R2分別為0.936 8和0.928 8，表示回歸方程與實際變量的趨勢關系有很好的擬合度。保留殘差序列繼續進行單位根檢驗：得出結果如表4所示。

檢驗結果顯示本模型的t-statistic值小于1%水平的臨界值，拒絕有單位根的假設，也就是說殘差序列是平穩的，模型的因變量與自變量之間具有長期穩定的趨勢，存在協整關系。

用拉格朗日乘數檢驗法對協整關系函數做殘差診斷，結果如表5，Prob.大于1%的接受水平，接受模型不存在序列相關性的原假設。

因此，得到各變量間的協整模型如下：

3.1.2 協整結果分析

式（3）各自變量系數中顯示出最強關聯關系的系數為變量ln gasolinprice的3.614 4，說明新能源車銷售市場份額相對于國內汽油價格的長期彈性為正，這與汽油價格增加導致消費者更傾向于購買行駛成本很低的新能源汽車的預期相符[18]。

三個補貼政策變量subsidy2、 subsidy3、subsid4的協整系數分別為0.886 7、1.569 4和1.598 2，Prob.值都小于0.01且協整系數逐漸遞增，說明從2014年開始的每次補貼政策變動對市場的推動作用是顯著而且遞增的，政策制定在不斷的學習和適應中獲得了更好的效果[19]。這樣的作用主要是由以下3個方面的政策轉變綜合影響形成的。

首先，推廣試點城市逐年增多，補貼政策適用的城市范圍不斷擴大。2011年的中央四部委將北京、深圳、上海、杭州、合肥、長春6個城市列為試點城市率先開展私人購買新能源汽車的補貼， 2013年推廣應用城市擴大為28個城市（群），2014年增加為39個城市（群）88個城市。2015年4月的《關于2016—2020年新能源汽車推廣應用財政支持政策的通知》將2016—2020年的新能源汽車補貼政策的適用范圍擴大到了全國。

其次，享受中央財政補貼的車型目錄不斷更新，地方保護政策被破除，消費者可選車型不斷增多。從2010年新能源汽車開始享受購買補貼至今，消費者可選的車型依據是政府部門發布的各批新能源汽車推廣應用推薦車型目錄，每次公布新的目錄都會增加享受補貼的車型。2014年之前各地方政府出于地方產業保護，在中央推廣目錄之外制定本地的推廣車型目錄，或者以對新能源汽車進行重復檢測檢驗、要求汽車生產企業在本地設廠等形式阻礙外地生產的新能源汽車進入本地市場，限制了消費者可享受補貼的車型數量[14]。2014年7月21日，國務院辦公廳印發《關于加快新能源汽車推廣應用的指導意見》明確要破除地方保護，統一了全國的新能源汽車推廣目錄和標準，增加了市場中新能源汽車的流動性。

再次，政府設計的財政補貼額度逐年降低的機制造成了市場預期。從2010年5月中央財政開始向私人購買新能源汽車提供補貼開始，政策中就已經明確提出了“財政補助采取退坡機制”，2011年的補貼上限60 000元是2011年至今新能源汽車財政補貼額度的最高值，此后出臺的補貼相關調整政策以補貼退坡為主。這對新能源車企會有加快研發新車投放市場獲得政策紅利的刺激，對消費者也會產生盡早購買的鼓勵。

ln demand較低的Prob.值0.007 0說明該變量對于整體協整方程擬合度是有顯著作用的，系數0.389 2顯示出中國城市的機動車限購政策造成的購車需求受限確實在側面推動了新能源汽車的發展，累積的購車需求每增加1%就對新能源汽車市場占有率在原基礎上有0.389 2%的提升作用。在上海、北京、廣州、天津、杭州和深圳6大經濟發達城市對傳統燃油車通過車牌管制發放進行限購，同時對新能源汽車提供上牌便利和購置稅減免，又在因為交通擁堵問題而實施機動車尾號限行的城市（北京、杭州、天津、貴陽、武漢等11個城市）對新能源汽車實施不限行政策。這一系列政策一方面通過行政管制控制傳統燃油汽車的供給，造成市場的供需不平衡，另一方面通過經濟補貼和財稅優惠彌補新能源汽車產業發展初期成本較高帶來的市場價格劣勢，從經濟系統中最重要的供需關系和價格要素等各個層面形成的協同作用對新能源汽車的推廣產生了有力的影響。

表征新能源汽車行業技術進步的變量ln patent協整系數為0.871 6，Prob.值為0.000 0，該變量有較高的顯著性，說明消費者在購買汽車這類高價值耐用消費品時很注重其實用價值，新能源汽車相對于傳統燃油汽車表現出的技術不成熟仍然是行業發展的主要瓶頸[20]。從扶持產業發展以期實現中國汽車工業在新能源汽車層面實現“彎道超車”的角度來看，技術研發方面的鼓勵政策更具有根本性效用。

兩個政策虛擬變量privilege和exemption系數分別為0.614 3和0.473 8，體現出不限購不限行和免征購置稅的政策出臺確實對新能源汽車的推廣有一定的作用。

3.2 誤差修正模型及結果分析

3.2.1 誤差修正模型

協整模型刻畫了變量之間的長期均衡關系，為了考察新能源汽車銷售市場份額與各變量因素之間的短期動態關系，需要借助誤差修正模型（Error Correction Model）來進行分析。保留協整方程殘差作為誤差修正項，并加入被解釋變量ln marketshare的差分滯后項ECM，通過對原函數變量差分進一步分析，剔除不顯著的虛擬變量，得到結果如表6所示。

用拉格朗日乘數檢驗法對模型做殘差診斷，結果如表7所示，Prob.大于5%的接受水平，接受模型不存在序列相關性的原假設。

即可得到誤差修正模型如下：

誤差修正項ECM系數-0.588 6為負， 符合反向修正機制。模型的R2和Adjusted R2都低于長期協整模型中的值，說明短期模型的整體擬合度不如長期趨勢， 這也說明了還有一些因素影響了新能源乘用車銷售的波動，而本研究主要關注的各類政策因素對新能源汽車推廣的影響效用，并非用于預測，因此較低的Adjusted R2在本文的證實研究中是可以接受的。

3.2.2 結果對比分析

比較長期協整模型和誤差修正模型中的變量系數，變量demand的系數變化較為顯著，從長期協整系數0.389 2變為短期系數0.923 8。說明相較于長期協整關系，短期內因為限購政策抑制的購車需求增加對新能源車銷售情況的影響程度更大。限購抑制傳統汽車消費供給的同時，給予新能源車上牌便利，這對新能源汽車的推廣是有顯著促進作用的，特別是對于短期內有剛性需求的潛在購買群體，在無法通過搖號或者競價上牌獲得傳統燃油汽車牌照的情況下，新能源汽車提供了一個很好的選擇[22]。因此，車輛限購政策確實對新能源汽車的推廣有促進作用。

表征技術水平的Δlnpatentt變量短期系數0.871 6與長期協整系數0.715 4變化不大且顯著的Prob.值0.000 0表明，不論長期和短期作用，技術水平的提升都是行業本身發展的重要動力。其實從中央財政的分層補貼政策也可以看出對技術研發的引導性。在2013年之前的補貼政策中，補助額根據新能源汽車動力電池組能量確定，按3 000元/kW·h給予補助，這樣的初期政策設置使得新能源車企盲目增加汽車電池組數量，忽視了電池儲能密度等重要性能指標。2013之后的補貼額度改為根據汽車的純電續駛里程R決定，引導企業研發高儲能密度的電池，同時通過提升電機效率、改進能量控制系統等技術研發方式增加純電續航里程。2016年的新補貼標準還將最低純電續航里程從80 km增加到100 km，這些引導性政策的制定也從側面反映了技術水平對于新能源汽車推廣的重要性。

從結果中變量的Prob.值發現，被解釋變量滯后項Δlnmarketsharet-1并不顯著，可見在短期內，上一個月的新能源汽車市場份額對下一個月市場份額的影響不顯著，表現為圖1中新能源乘用車市場份額呈現波動頻繁的情況。主要原因在于畢竟目前新能源乘用車還處于推廣階段，市場份額的基數較小，政府政策變動或者汽油價格波動等其他因素的變動都會對其銷售情況造成較為明顯的影響。

3.3 Granger因果檢驗

為了檢驗lnmarketshare和lndemand兩個變量之間是否存在上述因果關系，對兩變量進行Granger因果檢驗。

Granger因果檢驗用于分析經濟變量之間的因果關系。由于Granger因果檢驗的統計學本質上是對平穩時間序列數據一種預測，僅適用于計量經濟學的變量預測，不能作為檢驗真正因果性的判據。但這并不影響其在統計層面的解釋意義。因為Granger因果檢驗要求時間序列的平穩性[23-24]，所以對上述變量取一階差分后的平穩序列進行檢驗，結果如表8所示。

根據Granger因果檢驗的結果，從統計數據的角度分析，在5%的接受水平上，因機動車限購抑制的購車需求變化確實是新能源乘用車銷售市場份額變化的Granger原因，也就是說從統計層面上看，機動車限購抑制的購車需求變化確實有助于解釋新能源乘用車銷售市場份額的變化。這也驗證了在協整模型和誤差修正模型中的結果，說明車輛限購政策確實與新能源乘用車的推廣存在統計意義上的因果關系。

4 結論與政策建議

本文通過2011年1月—2016年12月之間72組月度數據的分析可知，近年來中央政府的一系列優惠政策對新能源汽車行業的推動是有效的。新能源汽車行業的經濟補貼政策、免購置稅和不限行的優惠政策與新能源汽車的市場份額具有長期的正向協整關系，機動車輛限購政策也對新能源汽車的推廣產生了推動作用。

經濟補貼政策的影響是顯著的。從補貼第1階段至今，各期補貼與新能源汽車市場份額的相關性由弱變強。說明政府在初期的推廣階段因為缺乏有效的參考，并不能很好地把握補貼的額度與方式；而在政策實施效果的不斷觀察，以及與市場的不斷適應中，新能源汽車補貼政策經過四次修正，其對新能源汽車推廣的影響程度表現出不斷增強的良好態勢。可以總結為在新能源汽車推廣前期，政策的適時修正是必要的，目前的政策發展方向是正確且有效的，應該繼續保持一定的補貼力度，但同時逐漸退坡的趨勢也需要繼續保持。因為過度的補貼可能會被新能源汽車企業直接放入了銷售價格中[18]，也就是補貼流入了企業賬戶而起不到消除新能源汽車價格偏高這一劣勢的作用，與政府提供補貼的初衷相背離。

研究結果表明，具有鮮明的中國特色的燃油汽車限購政策對新能源汽車市場份額的影響是顯著且正向的，也就是說限購政策確實有助于新能源汽車的推廣。且相比于長期影響，短期內產生的購車需求抑制增加對新能源汽車銷售有更強的推動作用。被其他國家廣為采用的經濟補貼政策只能通過影響價格因素來引導消費者的偏好，而獨具中國特色的行政限購政策則是通過調整供需關系來影響消費者的選擇，特別是有剛性需求的消費群體。該類政策的經濟成本較低，是應該在貨幣補貼逐漸退出的同時繼續發揮作用的政策因素。

從對新能源汽車市場份額的長期和短期影響的影響顯著程度中都可以看出，技術研發水平作為模型中唯一的行業內部因素對最終的新能源汽車推廣有顯著正向影響。而目前國內對于新能源汽車行業的政策支持相對不足[16]，建議從銷售環節的補貼政策退坡中節省的資源投入到鼓勵科技研發環節中，進一步通過分攤技術研發成本的方式推動國內新能源汽車產業盡早掌握行業核心技術，提升新能源汽車產業的生產效率和技術水平。

本文的研究存在兩點不足。第一，新能源汽車在中國發展時間有限造成本研究的時間跨度較小。對本文的直接影響是樣本量的不足，間接影響是部分政策的效果并不明朗，導致滯后影響的充電設施建設政策未納入研究模型中。第二，本文只對與新能源汽車銷售直接相關的政策進行了分析，并未納入供給側的產業政策，比如行業準入政策。待新能源汽車市場逐步成熟之后，上述問題值得進一步研究。

參考文獻（References）

[1]中國汽車技術研究中心，日產（中國）投資有限公司，東風汽車有限公司.中國新能源汽車產業發展報告（2016）[M].北京：社會科學文獻出版社，2016. [China Automotive Technology and Research Center， Nissan（China） Investment Co.， Ltd， Dongfeng Automobile Co.， Ltd. Annual report on new enegy vehicle industry in China（2016） [M]. Beijing： Social Science Academic Press， 2016.]

[2]YUAN X， LIU X， ZUO J. The development of new energy vehicles for a sustainable future： a review[J]. Renewable and sustainable energy reviews，2015，42： 298-305.

[3]MA S C， FAN Y， FENG L Y. An evaluation of government incentives for new energy vehicles in China focusing on vehicle purchasing restrictions[J]. Energy policy， 2017，110： 609-618.

[4]FIGENBAUM E. Perspectives on Norways supercharged electric vehicle policy[J]. Environmental innovation and societal transitions，2017，25：14-34.

[5]ZHANG Y， QIAN Z， SPREI F， et al. The impact of car specifications， prices and incentives for battery electric vehicles in Norway： choices of heterogeneous consumers[J]. Transportation research part C： emerging technologies， 2016，69： 386-401.

[6]WESSELING J H. Explaining variance in national electric vehicle policies[J]. Environmental innovation and societal transitions， 2016，21：28-38.

[7]MASSIANI J. Cost-Benefit analysis of policies for the development of electric vehicles in Germany： methods and results[J]. Transport policy， 2015，38：19-26.

[8]PLTZ P， SCHNEIDER U， GLOBISCH J， et al. Who will buy electric vehicless identifying early adopters in Germany[J]. Transportation research part A： policy and practice， 2014，67： 96-109.

[9]A。HMAN M. Government policy and the development of electric vehicles in Japan[J]. Energy policy，2006，34：433-443.

[10]XU G， MIWA T， MORIKAWA T， et al. Vehicle purchasing behaviors comparison in two-stage choice perspective before and after eco-car promotion policy in Japan[J]. Transportation research part D： transport and environment，2015，34： 195-207.

[11]YU Z， LI S， TONG L. Market dynamics and indirect network effects in electric vehicle diffusion[J]. Transportation research part D： transport and environment， 2016，47： 336-356.

[12]GREEN E H， SKERLOS S J， WINEBRAKE J J. Increasing electric vehicle policy efficiency and effectiveness by reducing mainstream market bias[J]. Energy policy， 2014，65： 562-566.

[13]HARRISON G， THIEL C. An exploratory policy analysis of electric vehicle sales competition and sensitivity to infrastructure in Europe[J]. Technological forecasting and social change，2016.

[14]WAN Z， SPERLING D， WANG Y. Chinas electric car frustrations[J]. Transportation research part D： transport and environment，2015，34：116-121.

[15]李蘇秀，劉穎琦，王靜宇，等. 基于市場表現的中國新能源汽車產業發展政策剖析[J]. 中國人口·資源與環境，2016，26（9）：158-166. [LI Suxiu， LIU Yingqi， WANG Jingyu， et al. Chinas new energy vehicle industry development policy： based on the market performance[J]. China population， resources and environment，2016，26（9）：158-166.]

[16]LI W， LONG R， CHEN H. Consumers evaluation of national new energy vehicle policy in China： an analysis based on a four paradigm model[J]. Energy policy， 2016，99：33-41.

[17]SIERZCHULA W， NEMET G. Using patents and prototypes for preliminary evaluation of technology-forcing policies： lessons from Californias zero emission vehicle regulations[J]. Technological forecasting and social change， 2015，100： 213-224.

[18]DIAMOND D. The impact of government incentives for hybrid-electric vehicles： evidence from US states[J]. Energy policy， 2009，37（3）： 972-983.

[19]XU L， SU J. From government to market and from producer to consumer： transition of policy mix towards clean mobility in China[J]. Energy policy，2016， 96： 328-340.

[20]謝志明，張媛，賀正楚，等.新能源汽車產業專利趨勢分析[J].中國軟科學，2015（9）：127-141. [XIE Zhiming，ZHANG Yuan，HE Zhengchu，et al. Research on patent trend of new energy vehicles industry[J]. China soft science，2015（9）：127-141.]

[21]HAO H， OU X， DU J， et al. Chinas electric vehicle subsidy scheme： rationale and impacts [J]. Energy policy， 2014，73（C）：722-732.

[22]LI P， JONES S. Vehicle restrictions and CO₂ emissions in Beijing： a simple projection using available data [J]. Transportation research part D： transport and environment 2015，41：467-476.

[23]CHEN P， HSIAO， CHIH Y. Looking behind Granger causality[N/OL]. Munich personal RePEc archive， 2010-09-10 [2017-10-06]. https：//mpra.ub.uni-muenchen.de/24859/.