新能源汽車補貼退坡政策對企業全要素生產率的影響研究

中圖分類號：F426.471；F812.42 文獻標識碼：Adoi：10.3969/j.issn.1672-2272.202504014

The Impact of the Subsidy Reduction Policy for New Energy Vehicles on Total Factor Productivity of Enterprises： A Study Based on Synthetic DID and Continuous DID Models

Yu Feiyan （School of Economics，Nanjing Audit University，Nanjing 211815，China）

Abstract：The new energy vehicle（NEV） industry，as a strategic emerging industry， has achieved rapid development with the support of policies. However，with the implementation of the subsidy reduction policy，enterprises are facing new challenges. Based on the data of Chinese NEV listed companies from 2009 to 2023，this paper employs Synthetic Difference-in-Differences （DID）and Continuous DID models to explore the impact of the subsidy reduction policy on the total factor productivity（TFP） of enterprises and its heterogeneity. The study finds that the subsidy reduction policy has a significant negative impact on the TFP of enterprises overall， but the impact varies among enterprises with different ownership and sizes，with a greater efect on non-state-owned enterprises and large-scale enterprises. Further analysis of the transmisson mechanism indicates that enterprises can mitigate the negative impact of the subsidy reduction policy to some extent by increasing Ramp;D and innovation investment. Finally， based on the research conclusions and the current development status of the NEV industry.

Key Words：New Energy Vehicles； Subsidy Reduction Policy； Total Factor Productivity; DID Model

0 引言

中國汽車流通協會乘用車市場信息聯席分會（以下簡稱乘聯分會）發布的最新數據顯示，2024年中國新能源汽車銷量1286.6萬輛，同比增長 35.5% ，同時全球新能源汽車銷量突破1000萬輛。新能源汽車產業作為全球汽車產業的重要發展方向，在減少環境污染和推動能源轉型方面具有重要意義。中國政府自2009年起出臺了一系列補貼政策以支持新能源汽車產業的發展，并取得了顯著成效。然而，隨著產業逐漸走向成熟，補貼退坡政策應運而生，旨在減少企業對政策的依賴，提升新能源汽車產業的內生發展動力、市場競爭力和自主創新能力。補貼退坡政策的實施對企業產生了深遠影響，尤其是在企業全要素生產率（TFP）方面。目前，國內外對新能源汽車產業政策的研究已取得較為豐富的成果[]。而對于新能源汽車行業補貼退坡政策的長期影響研究相對較少[2]

新能源汽車產業政策的研究主要集中在政策的演變、實施效果以及政策調整對產業發展的影響。Li等[3]采用雙重差分（DID）模型評估新能源汽車補貼政策，發現“騙補\"現象削弱了補貼政策的效果，且不同層級政府的補貼政策效果存在差異。對于產業政策的作用機制及效應評估研究，李良成和黎禎禎4構建新能源汽車產業政策作用機制分析框架，分析研發創新等因素在其中的作用機制。Mao[5]指出，補貼退坡政策對新能源汽車產業鏈中的企業盈利能力產生了顯著影響。此外，補貼退坡政策還與汽車充電基礎設施建設密切相關，Loniamp;Asadi研究發現，充電基礎設施的不足仍是限制電動汽車普及的重要因素。

自補貼政策實施以來，大多數研究認為政府補貼對企業績效發展產生正向影響。周亞虹等在研究分析影響中國新能源汽車發展主要因素時，通過建立數學模型發現政策支持對中國新能源汽車產業發展具有正向影響。補貼退坡政策的實施影響企業成本和運營資金，蔣巧艷[9研究發現，補貼退坡政策的實施通過縮短企業資金周轉期限，降低企業運營成本，提高企業競爭力。

關于補貼退坡對企業全要素生產率的影響，現有研究大多集中在短期效應方面。李文龍和閆文靜9通過建立數學模型發現，政策支持對新能源汽車產業的發展具有正向影響。駱瑞雪[10]研究表明，補貼退坡政策對企業生產效益的影響取決于成本效益的大小。補貼退坡政策短期內提高了企業競爭力。然而，這些研究對補貼退坡政策的長期效應以及企業內部資源配置效率和技術創新的分析相對不足。

綜上所述，現有文獻在補貼退坡政策對企業生產率影響以及補貼政策的研究方面已取得顯著進展[11]。然而，這些研究仍存在一些不足之處，需要在未來的研究中加以完善和拓展。首先，在探討補貼退坡政策對企業生產率的影響方面，現有研究大多集中于短期效應，而對企業內部資源配置效率和技術創新的長期影響分析則相對不足。其次，現有研究未能充分考慮企業異質性。不同企業性質（如國有企業與非國有企業）和技術水平的企業對補貼退坡政策的反應存在顯著差異。

據此，文章基于補貼退坡政策的連續性特征，使用連續DID模型，實證研究補貼退坡政策對企業全要素生產率的長期影響效應。同時，根據《新能源汽車推廣應用推薦車型目錄》（以下簡稱《推薦目錄》中直接受政策影響的企業名單所示，實驗組企業與對照組企業存在數量偏差，為解決可能帶來的選擇偏差，使用合成DID模型，具體操作見實證部分。本研究將從以下幾個方面展開：首先，梳理新能源汽車補貼政策的演變歷程及其政策目標，分析補貼退坡的背景和必要性。其次，基于企業微觀數據，構建計量經濟學模型，實證檢驗補貼退坡政策對企業全要素生產率的長期影響。再次，探討補貼退坡政策在不同企業規模和產權性質中的異質性。最后，結合政策實施過程中的問題和挑戰，提出優化補貼政策退出機制的建議，以促進新能源汽車產業的高質量發展。

1理論基礎與研究假設

1.1補貼退坡政策與企業全要素生產率的總體效應

在我國加快推進高質量發展的背景下，新能源汽車行業補貼退坡政策對企業全要素生產率（TFP）的影響，亟待更多理論和實證研究支撐。政策實施為企業提供了龐大的市場需求，根據著名經濟學家Rosenberg提出的\"需求驅動技術假說\"[12]，市場需求能夠推動企業進行自主創新，并根據市場需求不斷優化產品和服務[13]。同時，政府補貼減少后，行業競爭更加激烈，企業通過對關鍵資源的獲取與配置來促進產能績效的增加。有研究表明，政府補貼與新能源汽車的全要素生產率呈負相關關系[14]。補貼退坡政策的實施旨在減少企業對政策的依賴，推動產業向市場化競爭轉型。然而，這一政策也可能對企業的全要素生產率產生負面影響。一方面，補貼退坡可能導致企業資金緊張，影響其生產運營和技術創新投入；另一方面，企業可能通過優化資源配置和提升管理效率以應對補貼退坡帶來的挑戰。因此，補貼退坡政策對企業全要素生產率的總體效應是復雜的[15]。因此，本文提出以下假設：

假設1：補貼退坡政策的實施會降低新能源汽車企業的全要素生產率。

1.2補貼退坡政策影響企業全要素生產率的異質性分析1.2.1企業規模異質性

企業規模是影響企業生產率的重要因素。不同規模企業受補貼退坡政策影響存在差異[16]。小規模企業可能由于資源有限，對補貼的依賴程度更高，補貼退坡對其全要素生產率的影響可能更為顯著。而大規模企業通常具有更強的資源獲取能力和技術創新能力，能夠更好地應對補貼退坡政策帶來的沖擊。同時，企業規模的擴大也可能帶來管理復雜化和內部協調等問題，難以靈活適應市場變化，從而降低決策效率和創新執行效率[17]。因此，本文提出以下假設：

假設2：不同規模的企業全要素生產率受補貼退坡政策影響程度不同。

1.2.2企業產權異質性

根據產權性質差異分析，國有企業和非國有企業在資源獲取、政策響應和市場競爭力等方面存在顯著差異[18]。國有企業通常具有更強的政策響應能力、資源調配能力和更優的市場待遇，能夠更好地應對補貼退坡政策帶來的資金壓力；而非國有企業則可能更依賴市場機制，通過技術創新和效率提升來適應政策變化。因此，本文提出以下假設：

假設3：不同產權性質的企業全要素生產率受補貼退坡政策影響程度不同。

1.3 補貼退坡政策影響企業全要素生產率的傳導機制

補貼退坡政策雖然不會直接對企業的生產效率和競爭力產生影響，但可能通過多種機制影響企業的全要素生產率[19]。其中，企業技術創新是重要的傳導機制之一，由于新能源汽車屬于技術密集型產業，技術創新水平決定企業的生產經營狀態。補貼退坡政策實施后，企業面臨更大的市場競爭壓力，為了維持市場競爭力，企業可能會增加研發投入，推動技術創新，從而提升全要素生產率。因此，本文提出以下假設：

假設4：補貼退坡政策會激勵企業技術創新，進而提升全要素生產率。

2數據來源與模型設計

2.1 數據來源

本文以 2009-2023 年中國新能源汽車上市企業作為研究對象。數據來源于國泰安（CSMAR）數據庫和上市公司年報。樣本經過篩選處理，剔除了ST、*ST、退市以及數據缺失嚴重的樣本，最終得到831家上市公司數據。為了確保數據的準確性和可靠性，本文對主要連續變量進行了 1% 和 99% 分位數的雙邊縮尾處理，同時剔除了異常值。

2.2 變量定義

2.2.1 被解釋變量

本文的被解釋變量為企業全要素生產率（TFP），采用LP法（Levinsohn一Petrin）測算。借鑒魯曉東和連玉君[20]的方法，以柯布道格拉斯函數為基礎，具體計算公式如下：

lnY_it=β₀+β₁lnL_it+β₂lnK_it+β₃lnM_it+ε_it

其中， Y 為企業的營業收入； L 為勞動投入（員工總數）；K為資本投入（固定資產凈值）；M為中間投入（營業成本、銷售費用、財務費用和管理費用扣除折舊和支付給職工的現金）； ε_it 為殘差項[21]。

2.2.2 解釋變量

本文的主要解釋變量（ _DID ）為補貼退坡政策虛擬變量（Treat）與時間虛擬變量 （Post ）的交互項。其中，政策虛擬變量（Treat）[22]，若企業屬于《新能源汽車推廣應用推薦車型自錄》中的企業，則取值為1，否則為0。時間虛擬變量 （Post ）則根據新能源汽車補貼退坡政策開始實施時間，即2016年及以后取值為1，2016年以前取值為0。在連續 DID 模型中還引入了另一個時間虛擬變量，即政策強度變量 （SubRe）^[23] ，本文將2016 年以前政策強度變量取值為0，2017年取值為1，2018年取值為2，以此類推。

2.2.3 其他變量

本文的控制變量為：企業壽命 （Age） 、營業收入增長率（Roa）、企業規模 .Size ）和流動比率（Liquidity）。在研究政策影響企業生產率的作用機制以及異質性分析時，機制變量為技術創新（RD）和企業所有制（Ownership）[24]

其中企業壽命 （Age ）是企業自成立之年至統計當年的年限，取自然對數。營業收入增長率（Roa）用本期營業收入與上期營業收入的差值除以上期營業收入來衡量。企業規模（ .Size ）是企業年度營業收入的自然對數。流動比率（Liquidity）用流動資產合計與流動負債合計的比率來衡量。研發創新（RD）用研發資金投入對數來衡量。企業所有制（Ownership），國有企業取值為1，非國有企業取值為0。變量說明見表1。

2.2.4 描述性統計分析

變量描述性統計分析結果如表2所示，其中共6546個觀測值，企業全要素生產率均值為3.183，標準差為0.212，最小值為0.586，最大值為7.503，這表明樣本企業在全要素生產率上存在一定的差異性。樣本企業的研發投人平均值為4.453，標準差為3.047，最小值為0.004，最大值為36.86，這顯示出企業在研發投入上存在較大差異。由其余變量可以看出，樣本企業年齡分布較為廣泛，營業收入增長率波動較大，企業規模相對集中，流動性比率的波動較小，顯示出樣本企業在流動性管理上的一致性。

2.3 模型設定

雙重差分法（Difference-in-Differences，簡稱DID）是一種評估政策或干預效果的計量經濟學方法，其通過比較實驗組和對照組在政策實施前后的變化差異來估計政策效應。通過回歸分析法估計模型參數，重點關注交互項的系數。模型設定如下：

Y_it=β₀+β₁Treat_i×Post_t+β₂Control_it+μ_t+λ_i +ε_it （2）

其中， Y_it 為企業的全要素生產率； treat_it×post_t 即下文的DID，為政策虛擬變量與時間虛擬變量的交互項； Control_it 為控制變量； μ_t 為時間固定效應； λ_i 為個體固定效應； ε_it 為隨機擾動項；交互性系數 β₂ 為政策的處理效應[25]，正系數表示政策產生了積極影響，負系數 則表示政策效果可能不佳。

由于實驗組企業僅為名錄中的18家企業，參考Arkhangelsky等[26]的方法，選取合成DID模型進行研究。合成DID模型通過構建合成對照組來模擬實驗組在沒有政策干預下的潛在結果，在合成DID中根據對照組與實驗組的相似程度分配個體權重。而與政策后期趨勢更為相似的事前時期則分配更大的時間權重。適合估計單位數量少的情況。

連續DID方法參考Hegland[2的做法，連續DID模型將補貼退坡政策視為連續變量，能夠更準確地反映政策強度的變化對企業全要素生產率的影響。在模型中引人政策強度變量，文章根據政策實施年份將2016年政策實施當年賦值為1，政策實施第二年賦值為2，以此類推。

3 實證結果分析

3.1 合成DID回歸分析

使用模型式（2）檢驗補貼退坡政策實施與企業全要素生產率之間關系，回歸結果見表3列（1），回歸系數為-0.123 ，在 1% 的顯著性水平上顯著。表3列（2）顯示，在加入控制變量后回歸系數為一0.104，系數絕對值減小，在 1% 的顯著性水平上顯著。可以得出補貼退坡政策對企業全要素生產率產生了顯著的負向影響，假設1得到驗證。具體而言，政策實施后，企業的全要素生產率（ TFP ）下降，表明補貼退坡政策在短期內對企業生產效率產生了較為明顯的抑制作用。這可能是因為補貼退坡導致企業面臨成本上升的壓力，同時企業需要時間來調整生產策略和優化資源配置以適應新的政策環境。

圖1為合成DID的估計結果趨勢圖。橫軸表示時間，縱軸表示企業全要素生產率。實線和虛線分別表示實驗組和對照組的變化趨勢。圖1右下角為Lambda權重，表示每個對照組單位在合成對照組中的權重。權重的分布是對照組單位對合成對照組的貢獻率。2016年政策實施前，實驗組和對照組的趨勢接近，即在沒有政策干預下，實驗組和對照組的趨勢相似，支持平行趨勢假設。2016年政策實施后，實驗組數值顯著下降，與前文回歸結果一致，表明2016年補貼退坡政策的實施對實驗組產生了顯著負向影響。進一步驗證了前文合成DID實證結果的穩健性。

3.2 連續DID回歸分析

傳統DID模型通常使用二值虛擬變量即0、1變量，來反映政策的實施與否的二元狀態。而補貼退坡政策的實施是一個動態過程，其對企業全要素生產率的影響隨著時間的推移而發生變化。為了捕捉這種動態效應，本文進行了動態效應分析。使用連續DID模型，將政策分組虛擬變量替換為連續型變量。在模型中，假如企業屬于實驗組且年份在2016年以前設為0、2016年設為1、2017年設為2，以此類推，能夠更準確地反映政策影響的動態變化。回歸結果見表4，列（1）中退坡政策系數為一0.105，列（2）加入控制變量后回歸系數為一0.082，均在 1% 的顯著性水平上顯著。回歸結果與合成DID回歸結果一致。

3.3 異質性分析

3.3.1產權性質異質性

用連續DID法分析政策對企業全要素生產率時，將補貼退坡政策視為連續型政策。能夠得到補貼退坡政策對企業全要素生產率的平均處理效應，為了深入剖析補貼退坡政策對企業全要素生產率的影響效應，基于企業產權性質和企業規模進行異質性分析。表5為異質性分析結果，列（1）和列（2）分別為補貼退坡政策對非國有企業和國有企業全要素生產率的影響結果。列（1）非國有企業回歸系數為一0.170，列（2）中國有企業回歸系數為—0.082，均在 10% 的顯著性水平上顯著。分析發現，補貼退坡政策對不同產權性質企業的全要素生產率影響存在差異。對于國有企業而言，其全要素生產率受到的負面影響相對較小，而對非國有企業的影響則更為顯著。這可能是因為國有企業在資源獲取和政策響應方面具有優勢，能夠更有效地應對補貼退坡帶來的資金壓力；而非國有企業則可能由于資源有限，對補貼的依賴程度更高，補貼退坡后資金鏈緊張，進而影響其生產運營和技術創新投入，假設2得到驗證。

3.3.2企業規模異質性

在企業規模異質性分析中，如表5列（3）所示，中規模企業的退坡政策系數為一0.072，在 5% 的顯著性水平上顯著。列（4）大規模企業的退坡政策系數為一0.098，在 1% 的顯著性水平上顯著。在企業規模方面，研究發現補貼退坡政策對大規模企業的全要素生產率產生了較大的負面影響。這可能是因為大規模企業在發展過程中對補貼政策形成了較高的依賴性，補貼退坡后，這些企業需要調整經營策略和業務模式，以適應新的市場環境，但其轉型難度較大。此外，大規模企業在技術創新和研發投人方面通常具有優勢，補貼退坡可能導致其資金鏈緊張，進而影響技術創新的持續投人。假設3得到驗證。

3.4 傳導機制分析

文章以研發創新投入（RD）作為衡量指標，檢驗企業研發創新在補貼退坡政策對企業全要素生產率影響中的作用機制。機制檢驗的計量模型是將原模型被解釋變量企業全要素生產率替換為企業創新投人[27]。表6列（1）、列（2）分別為合成DID和連續DID的傳導機制回歸結果。列（1）中，退坡政策系數為0.573，在 10% 的顯著性水平上顯著。列（2）中，退坡政策系數為0.542，在 1% 的顯著性水平上顯著。結果表明，補貼退坡政策實施后，企業為了應對市場競爭壓力，增加了研發投入，推動了技術創新，從而在一定程度上緩解了補貼退坡政策對全要素生產率的負面影響。這表明企業技術創新在補貼退坡政策影響企業全要素生產率的過程中發揮了積極的傳導作用，假設4得到驗證。

為了直觀地觀測到檢驗結果，圖2展示了合成雙重差分模型（SDID）的機制檢驗結果，圖中橫軸為政策年份，縱軸為企業的研發創新投入水平。可以看出2016年后實驗組企業技術創新水平相較于對照組顯著上升。自2016年補貼退坡政策實施以來，補貼力度逐年減少，企業面臨著加大研發投入力度的迫切需求，推動了整個行業的技術革新。同時，國內龐大市場需求轉化為產業發展的內生動力，即使在補貼逐年退坡的背景下，新能源汽車行業也展現出了強勁的增長趨勢。

4結論與建議

4.1 研究結論

本文通過合成DID和連續DID兩個模型，實證分析了新能源汽車補貼退坡政策對企業全要素生產率的影響及其異質性和傳導機制。實證分析中通過第一個模型合成DID模型，使用合成控制法來構建一個合成對照組，這個合成對照組是未受政策影響的個體的加權組合，旨在模擬如果沒有政策發生，實驗組可能會經歷的情況。結果顯示與現有文獻研究結果一致，2016年政策實施當年，補貼退坡政策的確顯著降低了企業的全要素生產率水平。之后，基于補貼退坡政策的連續型特征，根據政策實施年份定義政策實施強度，通過連續DID模型得出平均處理效應指標，驗證2016年補貼退坡政策實施后數年，隨著政策力度的增加對企業全要素生產率的影響。結果表明政策實施后，補貼退坡政策仍在降低企業的全要素生產率。據此得出結論，補貼退坡政策總體上對企業的全要素生產率產生了顯著的負向影響，且從長期角度看，該政策在整個實施過程中對企業生產率的影響是持續的。但這種影響在不同產權性質和規模的企業中存在差異。具體表現為國有企業和中規模企業受補貼退坡政策的影響相對較小，而非國有企業和大規模企業受影響程度較大。此外，在機制檢驗中發現，企業技術創新在補貼退坡政策影響企業全要素生產率的過程中發揮了積極的傳導作用，能夠有效緩解政策的負面影響。

4.2 政策建議

面對日益激烈的同質化競爭，智能化正逐漸成為車企的核心競爭力。隨著智駕解決方案的優化與降本，各大頭部車企正大力推動智駕平權，高階智駕有望加速向全車系滲透。預計2025年或成為基礎智能駕駛體驗的普及階段，隨著更多功能逐步下沉至中低端車型，或將進一步激發下沉價位段消費者購買意愿，進而帶動產業鏈核心零部件需求快速放量。因此，補貼退坡政策后，政府仍需出臺政策協助構建更加成熟且更具競爭優勢的產業體系。同時，對高補貼依賴度的新能源汽車企業來說，及時轉型升級是企業在競爭日益激烈的環境下生存的關鍵。基于此，本文提出以下幾點建議：

4.2.1 優化補貼政策設計

新能源汽車產業作為戰略性新興產業，在發展初期離不開政府補貼的扶持。然而，隨著產業逐步成熟，補貼政策也需要適時調整。政府應深入研究產業發展階段特點，精準把握企業實際需求，靈活調整補貼政策。在補貼退坡過程中，設立過渡期至關重要。例如，可以按照一定比例逐年遞減補貼額度，讓企業有足夠的時間適應補貼減少的情況，逐步增強自身造血功能。同時，政府要加強對補貼資金使用的監管，建立嚴格的審核機制和跟蹤評估體系。通過定期檢查、審計等方式，確保企業將補貼資金真正用于技術研發和創新，如電池技術升級、自動駕駛系統研發等關鍵領域，提高補貼政策的精準性和有效性，避免補貼資金被濫用，使補貼政策發揮最大效能，推動新能源汽車產業可持續發展。

4.2.2 支持企業技術創新

技術創新是新能源汽車產業發展的核心動力。政府應積極加大對新能源汽車企業技術創新的支持力度，設立專項基金，為企業開展前沿技術研發和應用提供充足資金保障。這些專項基金可以用于支持企業研發高性能電池、智能駕駛系統、輕量化材料等關鍵技術。同時，政府要充分發揮稅收優惠、財政補貼等政策工具的作用，降低企業的研發成本。例如，對企業的研發投入給予一定比例的稅收抵免，或者對成功實現技術突破并產業化應用的企業給予一次性財政獎勵，提高企業技術創新的積極性。此外，政府還可以搭建產學研合作平臺，加強企業與高校、科研機構的聯系。通過組織產學研對接活動、建立聯合實驗室等方式，促進各方資源共享、優勢互補，加速技術成果轉化和應用。比如，高校和科研機構可以為企業提供前沿理論和技術支持，企業則為高校和科研機構提供實踐平臺和資金支持，共同推動新能源汽車技術創新，提升產業整體技術水平。

4.2.3推動產業升級與轉型

當前，新能源汽車產業正處于轉型升級的關鍵時期。政府應積極引導新能源汽車企業向高端化、智能化、綠色化方向發展，鼓勵企業加大在新能源汽車關鍵核心技術領域的研發投入。例如，引導企業加大對固態電池技術、氫燃料電池技術等前沿電池技術的研發投人，提高新能源汽車的續航里程和安全性；支持企業開展智能網聯汽車技術研發，提升車輛的智能化水平，增強產品附加值和市場競爭力。同時，政府要加強對新能源汽車產業鏈上下游企業的扶持。對于上游原材料供應商，可以通過產業政策引導，幫助企業優化資源配置，降低生產成本；對于中游整車制造企業，鼓勵其加強品牌建設，提升產品質量和工藝水平；對于下游的銷售、售后服務以及充電基礎設施建設等環節，加大政策支持力度，促進產業鏈協同發展。通過完善產業鏈上下游企業之間的協作機制，提升整個產業的韌性和競爭力，打造具有國際影響力的新能源汽車產業集群。

4.2.4加強市場機制建設

完善的市場機制是新能源汽車產業健康發展的保障。政府應進一步完善新能源汽車市場機制，加強市場監管，規范市場競爭秩序。建立健全新能源汽車質量檢測標準和安全監管體系，加強對新能源汽車產品質量和安全性能的檢測，確保消費者權益。同時，嚴厲打擊不正當競爭行為，如虛假宣傳、價格欺詐、惡意低價競標等，為企業創造公平競爭的市場環境。此外，政府要通過建立完善的市場準入和退出機制，鼓勵企業通過市場競爭提升自身實力。對于新進入企業，要設定合理的準入門檻，確保其具備一定的技術實力和資金實力，避免低水平重復建設；對于經營不善、技術落后的企業，要建立有序的退出機制，引導其通過兼并重組等方式實現資源優化配置。通過市場競爭機制的完善，推動新能源汽車產業的優勝劣汰，促進產業健康發展，提升產業整體質量和效益，使新能源汽車產業在全球市場中更具競爭力。

參考文獻：

[1]左世全，趙世佳，祝月艷.國外新能源汽車產業政策動向及對我國的啟示J].經濟縱橫，2020（1）：113-122.

[2] 龐德良，卜睿，劉兆國.我國新能源汽車產業制度安排演進與優化建議[J].經濟縱橫，2022（4）：106-115.

[3] LIJ，JIANG M，LIG.Does the new energy vehiclessubsidy policy decrease the carbon emissions of the urbantransport industry？ Evidence from Chinesecitiesin Yan-gtze RiverDelta[J].Energy，2024，298：131322.

[4]李良成，黎禎禎.補貼退坡政策對新能源汽車企業研發投入的影響實證研究[J].科學決策，2023（5）：152-168.

[5]MAO X. The impact of the reduction of consumption subsi-dies on the industrial chain of new energyvehicles：Based ontheperspectiveofprofitabilityand Ramp;Dability[C]//E3SWeb of Conferences.Paris：EDP Sciences，2O21，235：01002.

[6]LONI A，ASADI S.Data-driven equitable placement forelectric vehicle charging stations：case study San Francisco[J].Energy，2023，282：128796.

[7] 周亞虹，蒲余路，陳詩一，等.政府扶持與新型產業發展——以新能源為例[J].經濟研究，2015，50（6）：147-161.

[8] 蔣巧艷.新能源汽車行業的戰略成本管理研究——以BYD為例[J].商展經濟，2023（11）：140-142.

[9] 李文龍，閆文靜.財政支持、技術創新與稀土企業高質量發展[J].大連大學學報，2023，44（5）：100-109.

[10] 駱瑞雪.“雙碳”目標背景下新能源汽車行業盈利能力分析LJ].科技創業月刊，2023，36（2）：76-81.

[11]李龍.新能源汽車營銷策略研究[J].科技創業月刊，2020，33（10） ：84-86.

[12]ROSENBERG N. Perspectives on technology[M].Cambridge：Cambridge University Press，1976

[13]李曉華.技術推動、需求拉動與未來產業的選擇[J].經濟縱橫，2022（11）：45-54.

[14］王曉君.財政補貼對研發創新的影響研究——基于行業景氣度視角[J].當代經濟研究，2019（5）：98-107.

[15]徐鍇.政府補貼、雙元創新與企業全要素生產率關系的實證研究[J].技術與市場，2023，30（11）：9-15.

[16]李天籽，谷雨，李振濤.高鐵網絡節點優勢與企業生產率——基于復雜網絡分析方法[J].產業經濟研究，2023（4）：99-113.

[17]陳奉先，封文華.國際資本流動“突然停止”如何影響企業全要素生產率？——基于準自然實驗的考察[J].經濟社會體制比較，2023（5）：28-42.

[18]李俊成，李建軍.“一帶一路\"倡議對企業海外投資的增進效應[J].金融論壇，2022，27（4）：31-41.

[19]孫一平，彭梁峰.政府補助準則變化對新能源汽車企業利潤質量影響研究——以比亞迪為例[J].科技創業月刊，2023，36（4）：40-44.

[20]魯曉東，連玉君.中國工業企業全要素生產率估計：1999-2007[J].經濟學（季刊），2012，11（2）：541-558.

[21]李小克，李小平.中國全要素生產率演變的測度和多重效應分解：偏向性技術進步視角[J].經濟研究，2022，57（4）：191-208.

[22]任曉怡，葉顯，吳非.地方經濟增長目標、政府行為與企業全要素生產率[J].公共管理與政策評論，2021，10（4）：127-146.

[23]BRUCE M，DALY L，KAHN K B. Delineating designfactors that influence the global product launch process[J]. Journal of Product Innovation Management，2007，24（5）：456-470.

[24]楊汝岱，李艷，孟珊珊.企業數字化發展、全要素生產率與產業鏈溢出效應[J].經濟研究，2023，58（11）：44-61.

[25]劉甲炎，范子英.中國房產稅試點的效果評估：基于合成控制法的研究[J].世界經濟，2013，36（11）：117-135.

[26]ARKHANGELSKY D，ATHEY S，HIRSHBERG D A，et al. Synthetic difference-in-differences[J]. AmericanEconomic Review，2021，111（12）：4088-4118.

[27]HEGLAND T A. Wooldid：estimation of difference-in-differences treatment effects with staggered treatmentonset using heterogeneity-robust two-way fixed effectsregressions[EB/OL].（2023-10-06）[2025-05-28].ht-tps：//github.com/thegland/wooldid/.（責任編輯：周媛）