基于时间序列协整的中国新能源汽车政策评估

马少超 范英

摘要 中国政府近年来出台了大量的优惠政策助力新能源汽车的推广，已取得了举世瞩目的成绩。在推广过程中，各类政策分别起到了怎样的作用是很值得研究与总结的。本文首先对中央政府近六年与新能源汽车销售和使用直接相关的政策进行梳理，选取了两项经济政策（购置补贴、税收减免）和两项中国独有的行政管制政策（车辆限行与限购）作为评估对象。以新能源乘用车市场份额的月度数据为因变量，各政策变量为自变量，加入汽油价格和新能源汽车行业专利申请量作为控制变量，采用时间序列协整模型和误差修正模型对各因素的长期与短期影响做出评估。研究结果表明，各项政策都与新能源汽车销售市场份额呈长期正向协整关系。其中补贴政策每阶段的调整对市场的推动作用是显著递增的，政策效果在不断的调整和适应中获得了提升。值得关注的是，限购政策通过抑制庞大的人口基数带来的巨大购车需求，调整了汽车市场的供需关系从而影响了消费者的选择，从侧面推动了新能源汽车的销售。而相较于长期影响，短期内因限购抑制的购车需求增加对新能源汽车推广有更强的推动作用，是新能源汽车销售市场份额增加的Granger原因。最后，不可忽视的是，行业技术水平的提高对于新能源汽车推广的长期和短期影响都是显著且正向的。

关键词 新能源汽车；政策评估；车辆限购；时间序列协整

中图分类号 F426

文献标识码 A文章編号 1002-2104（2018）04-0117-08DOI：10.12062/cpre.20180108

中国政府以推广新能源汽车作为交通部门应对气候变化和区域空气污染的重要途径，已取得了举世瞩目的成绩。从2009年2月财政部和科技部发布《关于开展节能与新能源汽车示范推广工作试点工作的通知》，首次开始在试点城市公共服务领域推广新能源汽车（“十城千辆”计划），至2015年年底，中国新能源汽车产销累计就已达49.7万辆，保有量居全球首位[1]，到2016年底，保有量突破100万辆。短短6年多时间，中国从一个新能源汽车几乎零基础的国家一跃成为新能源汽车全球保有量首位，在这个过程中，除了市场经济自身的发展规律之外，大量的政府优惠政策发挥着重要的作用[2]。哪些政策以何种方式促成了新能源汽车在中国的快速大量推广是本文的研究重点，考虑了中国独有的车辆限购政策的影响是本文的创新点。

1 文献综述

通过对中央政府层面2011年1月—2016年12月期间出台的与新能源汽车销售和使用直接相关的政策进行梳理，可以将这些政策分为购置补贴、税收减免、交通管理和鼓励充电设施建设4个方面[3]。其中购置补贴类的政策数量最多，从2010年首次向私人购买新能源汽车提供补贴的《关于开展私人购买新能源汽车补贴试点的通知》，到2016年底，共出台了5项政策，主要内容均为调整新能源汽车补贴标准。税收减免类政策有3项，减免内容为车船税和购置税。鼓励充电设施建设的政策共有3项，出台时间相对较晚，首项《关于新能源汽车充电设施建设奖励的通知》发布于2014年11月。交通管理类的政策为2015年9月29日，李克强总理主持召开国务院常务会议，决定完善新能源汽车扶持政策，各地不得对新能源汽车实行限行、限购，已实行的应当取消。

在政策梳理的同时，我们也进行了文献梳理，将各国对新能源汽车政策的典型研究列入表1中。

通过文献综述我们可以发现，在类似于挪威这样汽车工业基础并不发达的国家，高额的经济补贴是常用的政策方式，而德国和日本这类汽车工业发达的国家，鼓励技术研发则是首选的政策工具。从研究方法上看，多采用问卷调研、软件模拟和综述来弥补实证数据的不足。同时，这些研究中对于政策实施效果的评估较少，且没有考虑到中国行政管制政策的特殊性。所以在本文中将采用实证数据进行分析，并将中国特色的限购政策纳入研究范围。

2 变量与数据源

为了研究政策对新能源汽车销售市场份额的影响，除了在section 1中介绍的购买补贴、税收减免、交通管理等政策因素，本文还考虑了汽油价格和行业技术进步两个非政策因素。将模型需要研究的变量初步设定为：

marketshare：新能源乘用车（9座以下的纯电动和插电式混动车）每月全国销量占乘用车销售市场的份额（如图1所示）。选取新能源乘用车作为因变量可以剔除行政命令采购对新能源汽车销售的刚性促动作用，即不计入电动环卫车、城市电动物流车等政府直接采购的专用车以及电动客车（主要用作城市公交）。选取销售市场份额而非销售量，可以尽量避免居民收入增长、经济增长、行业周期性波动等外部宏观因素对研究的干扰。

subsidy2， subsidy3， subsidy4为三个虚拟变量，表示图1中划分的中央财政补贴额度4个阶段：

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

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

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

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

2011和2012年补贴标准相同，都是按照电池组容量计算补贴，2013年9月13日的《关于继续开展新能源汽车推广应用工作的通知》出台后，补贴标准才改为按照纯电续航里程计算。因此将2011至2013年合并定义为补贴第1阶段，2014至2016年每年分别定义为一个阶段。

exemption表示新能源汽车免购置税政策（车船税征收金额较低，未纳入研究范围）。设为虚拟变量，用0表示政策未出台，自2014年9月政策出台后该变量为1。

privilege表示新能源汽车全国不限购以及不限行政策，设为虚拟变量，用0表示政策未出台，自2015年9月政策出台后该变量为1。

gasolineprice表示中国成品汽油月度平均价格。新能源汽车的行驶成本远低于传统燃油汽车的行驶成本，所以汽油价格的高低决定了新能源汽车相较于燃油汽车节省的行驶成本。

patent表示中国新能源汽车领域专利（包括发明、实用新型和外观设计专利）月度申请量，用以表征新能源汽车行业的技术进步[17]。

demand表示因大城市机动车限购抑制的购车需求变量，用来刻画因为中国特有的车辆限购政策抑制的购车需求对不限购的新能源汽车销售的促进作用。该变量以每月申请机动车牌照的数量减去最终发放的牌照数量得到被抑制的购车需求。选取了上海、北京、广州、天津、杭州和深圳共6座城市每月因号牌管制的限购政策抑制的购车需求之和。

变量列表及数据源如表2所示。

鼓励充电设施建设的政策发布在中国相对滞后，2014年11月，中央政府才正式发布第一份关于鼓励充电设施建设的政策。鼓励政策的实施方式是在各年年末根据新能源汽车推广数量给地方政府安排充电设施奖励资金，上述奖励资金可以由地方政府统筹用于充电设施建设运营，但明确规定不得用于新能源汽车购置补贴等销售相关环节。因而该类政策无法对新能源汽车销售在短期内产生直接促进作用，发挥政策效果存在相当长而且不确定的滞后性，所以在本文中对鼓励充电设施建設的政策影响未予考虑。

3 模型及结果

3.1 协整回归

3.1.1 协整模型

将各时间序列中进行了自然对数处理，式（1）函数转化为：

对模型中所有的非虚拟变量做单位根检验，发现均存在单位根，为非平稳序列，一阶差分后不存在单位根，均为一阶单整的平稳序列。

为了验证各变量之间是否存在长期稳定的协整（Co-integration）关系，本文选用AE-G两步检验法以ln marketshare为被解释变量，其他变量为解释变量进行OLS回归并检验残差项。

首先运用OLS 法对函数进行回归，结果如表3所示。

从拟合结果中可以看出，R2和Adjusted R2分别为0.936 8和0.928 8，表示回归方程与实际变量的趋势关系有很好的拟合度。保留残差序列继续进行单位根检验：得出结果如表4所示。

检验结果显示本模型的t-statistic值小于1%水平的临界值，拒绝有单位根的假设，也就是说残差序列是平稳的，模型的因变量与自变量之间具有长期稳定的趋势，存在协整关系。

用拉格朗日乘数检验法对协整关系函数做残差诊断，结果如表5，Prob.大于1%的接受水平，接受模型不存在序列相关性的原假设。

因此，得到各变量间的协整模型如下：

3.1.2 协整结果分析

式（3）各自变量系数中显示出最强关联关系的系数为变量ln gasolinprice的3.614 4，说明新能源车销售市场份额相对于国内汽油价格的长期弹性为正，这与汽油价格增加导致消费者更倾向于购买行驶成本很低的新能源汽车的预期相符[18]。

三个补贴政策变量subsidy2、 subsidy3、subsid4的协整系数分别为0.886 7、1.569 4和1.598 2，Prob.值都小于0.01且协整系数逐渐递增，说明从2014年开始的每次补贴政策变动对市场的推动作用是显著而且递增的，政策制定在不断的学习和适应中获得了更好的效果[19]。这样的作用主要是由以下3个方面的政策转变综合影响形成的。

首先，推广试点城市逐年增多，补贴政策适用的城市范围不断扩大。2011年的中央四部委将北京、深圳、上海、杭州、合肥、长春6个城市列为试点城市率先开展私人购买新能源汽车的补贴， 2013年推广应用城市扩大为28个城市（群），2014年增加为39个城市（群）88个城市。2015年4月的《关于2016—2020年新能源汽车推广应用财政支持政策的通知》将2016—2020年的新能源汽车补贴政策的适用范围扩大到了全国。

其次，享受中央财政补贴的车型目录不断更新，地方保护政策被破除，消费者可选车型不断增多。从2010年新能源汽车开始享受购买补贴至今，消费者可选的车型依据是政府部门发布的各批新能源汽车推广应用推荐车型目录，每次公布新的目录都会增加享受补贴的车型。2014年之前各地方政府出于地方产业保护，在中央推广目录之外制定本地的推广车型目录，或者以对新能源汽车进行重复检测检验、要求汽车生产企业在本地设厂等形式阻碍外地生产的新能源汽车进入本地市场，限制了消费者可享受补贴的车型数量[14]。2014年7月21日，国务院办公厅印发《关于加快新能源汽车推广应用的指导意见》明确要破除地方保护，统一了全国的新能源汽车推广目录和标准，增加了市场中新能源汽车的流动性。

再次，政府设计的财政补贴额度逐年降低的机制造成了市场预期。从2010年5月中央财政开始向私人购买新能源汽车提供补贴开始，政策中就已经明确提出了“财政补助采取退坡机制”，2011年的补贴上限60 000元是2011年至今新能源汽车财政补贴额度的最高值，此后出台的补贴相关调整政策以补贴退坡为主。这对新能源车企会有加快研发新车投放市场获得政策红利的刺激，对消费者也会产生尽早购买的鼓励。

ln demand较低的Prob.值0.007 0说明该变量对于整体协整方程拟合度是有显著作用的，系数0.389 2显示出中国城市的机动车限购政策造成的购车需求受限确实在侧面推动了新能源汽车的发展，累积的购车需求每增加1%就对新能源汽车市场占有率在原基础上有0.389 2%的提升作用。在上海、北京、广州、天津、杭州和深圳6大经济发达城市对传统燃油车通过车牌管制发放进行限购，同时对新能源汽车提供上牌便利和购置税减免，又在因为交通拥堵问题而实施机动车尾号限行的城市（北京、杭州、天津、贵阳、武汉等11个城市）对新能源汽车实施不限行政策。这一系列政策一方面通过行政管制控制传统燃油汽车的供给，造成市场的供需不平衡，另一方面通过经济补贴和财税优惠弥补新能源汽车产业发展初期成本较高带来的市场价格劣势，从经济系统中最重要的供需关系和价格要素等各个层面形成的协同作用对新能源汽车的推广产生了有力的影响。

表征新能源汽车行业技术进步的变量ln patent协整系数为0.871 6，Prob.值为0.000 0，该变量有较高的显著性，说明消费者在购买汽车这类高价值耐用消费品时很注重其实用价值，新能源汽车相对于传统燃油汽车表现出的技术不成熟仍然是行业发展的主要瓶颈[20]。从扶持产业发展以期实现中国汽车工业在新能源汽车层面实现“弯道超车”的角度来看，技术研发方面的鼓励政策更具有根本性效用。

兩个政策虚拟变量privilege和exemption系数分别为0.614 3和0.473 8，体现出不限购不限行和免征购置税的政策出台确实对新能源汽车的推广有一定的作用。

3.2 误差修正模型及结果分析

3.2.1 误差修正模型

协整模型刻画了变量之间的长期均衡关系，为了考察新能源汽车销售市场份额与各变量因素之间的短期动态关系，需要借助误差修正模型（Error Correction Model）来进行分析。保留协整方程残差作为误差修正项，并加入被解释变量ln marketshare的差分滞后项ECM，通过对原函数变量差分进一步分析，剔除不显著的虚拟变量，得到结果如表6所示。

用拉格朗日乘数检验法对模型做残差诊断，结果如表7所示，Prob.大于5%的接受水平，接受模型不存在序列相关性的原假设。

即可得到误差修正模型如下：

误差修正项ECM系数-0.588 6为负， 符合反向修正机制。模型的R2和Adjusted R2都低于长期协整模型中的值，说明短期模型的整体拟合度不如长期趋势， 这也说明了还有一些因素影响了新能源乘用车销售的波动，而本研究主要关注的各类政策因素对新能源汽车推广的影响效用，并非用于预测，因此较低的Adjusted R2在本文的证实研究中是可以接受的。

3.2.2 结果对比分析

比较长期协整模型和误差修正模型中的变量系数，变量demand的系数变化较为显著，从长期协整系数0.389 2变为短期系数0.923 8。说明相较于长期协整关系，短期内因为限购政策抑制的购车需求增加对新能源车销售情况的影响程度更大。限购抑制传统汽车消费供给的同时，给予新能源车上牌便利，这对新能源汽车的推广是有显著促进作用的，特别是对于短期内有刚性需求的潜在购买群体，在无法通过摇号或者竞价上牌获得传统燃油汽车牌照的情况下，新能源汽车提供了一个很好的选择[22]。因此，车辆限购政策确实对新能源汽车的推广有促进作用。

表征技术水平的Δlnpatentt变量短期系数0.871 6与长期协整系数0.715 4变化不大且显著的Prob.值0.000 0表明，不论长期和短期作用，技术水平的提升都是行业本身发展的重要动力。其实从中央财政的分层补贴政策也可以看出对技术研发的引导性。在2013年之前的补贴政策中，补助额根据新能源汽车动力电池组能量确定，按3 000元/kW·h给予补助，这样的初期政策设置使得新能源车企盲目增加汽车电池组数量，忽视了电池储能密度等重要性能指标。2013之后的补贴额度改为根据汽车的纯电续驶里程R决定，引导企业研发高储能密度的电池，同时通过提升电机效率、改进能量控制系统等技术研发方式增加纯电续航里程。2016年的新补贴标准还将最低纯电续航里程从80 km增加到100 km，这些引导性政策的制定也从侧面反映了技术水平对于新能源汽车推广的重要性。

从结果中变量的Prob.值发现，被解释变量滞后项Δlnmarketsharet-1并不显著，可见在短期内，上一个月的新能源汽车市场份额对下一个月市场份额的影响不显著，表现为图1中新能源乘用车市场份额呈现波动频繁的情况。主要原因在于毕竟目前新能源乘用车还处于推广阶段，市场份额的基数较小，政府政策变动或者汽油价格波动等其他因素的变动都会对其销售情况造成较为明显的影响。

3.3 Granger因果检验

为了检验lnmarketshare和lndemand两个变量之间是否存在上述因果关系，对两变量进行Granger因果检验。

Granger因果检验用于分析经济变量之间的因果关系。由于Granger因果检验的统计学本质上是对平稳时间序列数据一种预测，仅适用于计量经济学的变量预测，不能作为检验真正因果性的判据。但这并不影响其在统计层面的解释意义。因为Granger因果检验要求时间序列的平稳性[23-24]，所以对上述变量取一阶差分后的平稳序列进行检验，结果如表8所示。

根据Granger因果检验的结果，从统计数据的角度分析，在5%的接受水平上，因机动车限购抑制的购车需求变化确实是新能源乘用车销售市场份额变化的Granger原因，也就是说从统计层面上看，机动车限购抑制的购车需求变化确实有助于解释新能源乘用车销售市场份额的变化。这也验证了在协整模型和误差修正模型中的结果，说明车辆限购政策确实与新能源乘用车的推广存在统计意义上的因果关系。

4 结论与政策建议

本文通过2011年1月—2016年12月之间72组月度数据的分析可知，近年来中央政府的一系列优惠政策对新能源汽车行业的推动是有效的。新能源汽车行业的经济补贴政策、免购置税和不限行的优惠政策与新能源汽车的市场份额具有长期的正向协整关系，机动车辆限购政策也对新能源汽车的推广产生了推动作用。

经济补贴政策的影响是显著的。从补贴第1阶段至今，各期补贴与新能源汽车市场份额的相关性由弱变强。说明政府在初期的推广阶段因为缺乏有效的参考，并不能很好地把握补贴的额度与方式；而在政策实施效果的不断观察，以及与市场的不断适应中，新能源汽车补贴政策经过四次修正，其对新能源汽车推广的影响程度表现出不断增强的良好态势。可以总结为在新能源汽车推广前期，政策的适时修正是必要的，目前的政策发展方向是正确且有效的，应该继续保持一定的补贴力度，但同时逐渐退坡的趋势也需要继续保持。因为过度的补贴可能会被新能源汽车企业直接放入了销售价格中[18]，也就是补贴流入了企业账户而起不到消除新能源汽车价格偏高这一劣势的作用，与政府提供补贴的初衷相背离。

研究結果表明，具有鲜明的中国特色的燃油汽车限购政策对新能源汽车市场份额的影响是显著且正向的，也就是说限购政策确实有助于新能源汽车的推广。且相比于长期影响，短期内产生的购车需求抑制增加对新能源汽车销售有更强的推动作用。被其他国家广为采用的经济补贴政策只能通过影响价格因素来引导消费者的偏好，而独具中国特色的行政限购政策则是通过调整供需关系来影响消费者的选择，特别是有刚性需求的消费群体。该类政策的经济成本较低，是应该在货币补贴逐渐退出的同时继续发挥作用的政策因素。

从对新能源汽车市场份额的长期和短期影响的影响显著程度中都可以看出，技术研发水平作为模型中唯一的行业内部因素对最终的新能源汽车推广有显著正向影响。而目前国内对于新能源汽车行业的政策支持相对不足[16]，建议从销售环节的补贴政策退坡中节省的资源投入到鼓励科技研发环节中，进一步通过分摊技术研发成本的方式推动国内新能源汽车产业尽早掌握行业核心技术，提升新能源汽车产业的生产效率和技术水平。

本文的研究存在两点不足。第一，新能源汽车在中国发展时间有限造成本研究的时间跨度较小。对本文的直接影响是样本量的不足，间接影响是部分政策的效果并不明朗，导致滞后影响的充电设施建设政策未纳入研究模型中。第二，本文只对与新能源汽车销售直接相关的政策进行了分析，并未纳入供给侧的产业政策，比如行业准入政策。待新能源汽车市场逐步成熟之后，上述问题值得进一步研究。

参考文献（References）

[1]中国汽车技术研究中心，日产（中国）投资有限公司，东风汽车有限公司.中国新能源汽车产业发展报告（2016）[M].北京：社会科学文献出版社，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]李苏秀，刘颖琦，王静宇，等. 基于市场表现的中国新能源汽车产业发展政策剖析[J]. 中国人口·资源与环境，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，张媛，贺正楚，等.新能源汽车产业专利趋势分析[J].中国软科学，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/.