消费补贴对新能源汽车供应链研发的传导效应研究

何琳,宋文卉

(1. 北京交通大学 经济管理学院，北京 100044; 2. 广东财经大学 会计学院，广东 广州 510000)

发展新能源汽车产业不仅意味着社会交通运输方式的绿色化转型，也成为降低中国石油的对外依存度、实现汽车产业赶超的重要契机。为了推动新能源汽车产业的市场推广应用，中国政府从2009年开始对公共领域、2013年开始对私人领域的新能源汽车消费者进行消费补贴，2016～2020年消费补贴共约329.46亿元(1)资料来源于中华人民共和国工业和信息化部装备工业一司发布的《关于2016～2020年度新能源汽车推广应用补助资金清算审核初审情况的公示》，见https://www.miit.gov.cn/zwgk/wjgs/art/2021/art_99ae13aa81d04a358e0443700fe100ce.html。。在政府补贴驱动下，中国新能源汽车消费市场经历了爆发式增长，截至2021年6月，中国新能源汽车保有量达到603万辆，是全球新能源汽车保有量最多的国家。

尽管自2009年以来的政府补贴是针对“需求侧”的消费补贴，但政策目的是扶持中国新能源汽车产业“供给侧”的成长并培育新能源汽车产业国际竞争力。为此，补贴政策针对“续驶里程”“节油率水平”“快充倍率”等技术指标设置差异化补贴标准。补贴的“技术门槛”是否间接促进新能源汽车零部件制造企业的技术创新(本文将此定义为消费补贴政策的“传导效应”)，值得研究。

当前已有不少研究，是以整车制造企业为研究对象，研究消费补贴对培育新能源汽车消费市场和激励新能源整车制造企业的影响[1-2]；或研发补助对新能源汽车整车制造企业研发投入和技术创新的影响[3-4]。然而新能源汽车产业是一个颠覆传统汽车动力来源、商业模式和配套基础设施体系的新兴产业，产业发展不仅表现为整车产品创新，而且表现为产业链的整体培育与创新。中国政府为推动新能源汽车产业发展，进行十余年的消费补贴，正好为研究消费补贴政策对产业链发展的影响提供了不可多得的样本。基于此，本文的研究聚焦以下2个问题：(1)消费补贴对整车上游企业的技术创新是否产生“传导效应”？(2)如果产生“传导效应”，该效应对新能源汽车产业链上游企业的研发产生了怎样的影响，随着消费补贴的退坡，产业链上游企业的研发行为是否会随之改变？

一、文献回顾与研究假设

学者们自20世纪初开始研究政府补贴对企业研发投入和研发产出的影响，形成不同的观点。

(一)政府补贴对企业研发投入与产出的影响

1.政府补贴对企业研发投入的影响

一些研究表明，政府补贴能够有效补充企业资金，促进企业增加研发投入。Lach、Xulia et al.和Lee et al.分别通过研究以色列、西班牙和韩国的高新技术制造企业，发现政府补贴能够有效降低中小型制造企业技术创新的风险，显著刺激其研发投入强度[5-7]。曾繁荣等、谷丽静等认为政府补贴显著推动了企业技术创新，且通过信号效应影响股权融资规模，间接激励企业进行技术创新[8-9]。梅吟晨等认为一定程度的财政补助政策能够促进新能源汽车制造企业研发投入，但其激励效果不如所得税优惠[10]。

另一些研究则表明，政府补贴会导致企业过度依赖外部，进而减少自身对技术创新的投入[11]。Higgins基于174个制造业企业的财务数据，研究证实，随着政府补贴的增加，企业自身的研发投入下降[12]。Wallsten以参加小企业创新研究计划的81家企业数据，研究认为政府补贴与企业自身的研发投入呈替代关系[13]。吕久琴等建立补助组、研发组和补助研发组，研究发现政府补贴显著“挤出”企业当年和下一年的研发投入[14]。

另有学者认为，政府补贴对企业研发投入的影响呈现倒“U”形。例如刘虹等以2007～2009年中国上市公司为对象，研究发现政府补贴在初期对企业研发支出产生激励作用，当超过最佳补贴值则对企业研发支出产生挤出效应[15]。侯世英等基于2013～2017年高新技术产业上市公司的财务数据，研究发现财政补贴激励效果在研发活动前中期显著, 但后期逐渐下降[16]。

2.政府补贴对企业研发产出的影响

一些研究认为，政府补贴通过引导企业增加研发投入，从而刺激企业研发产出。Kang et al.基于2003～2007年中国工业企业数据，研究证实政府对中小企业的研发补贴能够显著提升企业创新能力[17]。郑春美等通过研究创业板高新技术企业的财务数据，得出“政府财政激励显著推动中小型高新技术企业创新绩效”的结论[18]。李磊基于A股上市的50家新能源汽车企业，研究发现尽管对不同生态位企业产生了不同效果，政府研发补贴仍可以使新能源汽车产业的整体技术创新产出有显著提升[3]。谢海娟等、陈威等分别以2011～2014年高新技术型上市公司和2014～2017年中国上市战略性新兴企业为研究对象，实证研究结果均表明政府科技创新补助能够提升样本企业的创新能力，同时这种推动作用具有滞后影响[19-20]。

另一些研究则认为，政府补贴会“挤出”企业研发投入，进而削弱其创新能力，抑制企业研发产出。熊维勤、逯东等发现企业并未有效运用政府给予的补助及资源，政府补贴反而对企业研发效率产生了负向影响[21-22]。白旭云等实证研究了505家高新技术企业的调研数据，发现直接研发补贴显著挤出企业创新绩效和创新质量[23]。任跃文以沪深A股上市企业2015～2017年的数据为样本，研究发现政府补贴显著抑制企业创新效率[24]。

还有研究认为，政府补贴与企业研发产出不存在显著关系或一致性关系。Minjeong et al.认为政府补助对企业创新产出无显著的正向作用[25]。李爽运用SFP模型研究发现在新能源上市企业中，政府补贴的激励作用不显著，技术创新效率一般不高[26]。余英等基于中国省级宏观数据，研究认为政府的财政补贴在企业研发阶段有显著激励作用，但是其在技术成果转化阶段无显著效果[27]。彭若弘等研究认为在企业研发不同阶段，不同类型的政府补贴对研发产出正向促进作用存在差异[28]。

(二)政府补贴对供应链技术创新的传导作用

彭鸿广等认为，政府按照购买或销售单位产品对消费者或供应商补贴，对激励供应商研发投入的效果相同[29]。Huang et al.研究了在双寡头环境下消费补贴对燃料汽车与混合动力汽车供应链的影响，发现高补贴可能并不会促进企业技术创新和降低环境污染[30]。

还有学者认为，供应链企业的研发投入受到政府补助有正向促进作用。罗春林研究电动汽车供应链，提出政府补贴越高，供应链绩效越好，从而促进制造商加大研发投入[31]。张正等研究发现政府对供应商和消费者采取创新补贴，能够提高上游制造商价值，促进供应链内企业创新水平提高[32]。Zhang et al.发现，不产生碳排放的零售商通过调整销售价格，将政府补贴转移给上游产生碳排放的制造商，制造商低碳技术创新水平会随着补贴力度的加大而提高[33]。李柏洲等认为政府的成果奖励与成本补贴都可以增强战略性新兴产业供应链系统协同创新效应[34]。

综上，目前国内外学者在研究政府补贴与企业研发、供应链研发之间的关系时，由于产业样本、时间跨度、研究方法等存在差异，实证研究结果存在分歧，且较少关注消费补贴对新能源汽车供应链企业技术创新的影响。本文在已有研究的基础上，将研究问题聚焦于：政府提供的消费补贴是否存在激励上游供应链企业技术创新的传导效应，传导效应是否随着补贴退坡而弱化，并提出以下假设：

H1：消费补贴对新能源汽车供应链研发投入有正向促进作用。

H2：消费补贴对新能源汽车供应链研发产出有正向促进作用。

H3：消费补贴对新能源汽车供应链研发投入的传导效应不随补贴退坡而降低。

二、研究设计

本文通过两步法完成对假设的检验。第一步运用倾向得分匹配(Propensity Score Matching,PSM)方法，通过配对分析具有相似特征的处理组与控制组样本，检验消费补贴驱动下新能源汽车供应链企业与传统汽车零部件企业(从未受消费补贴影响)的研发投入和研发产出差异，从而有效验证消费补贴政策对供应链企业研发激励的传导效应“是否有”；第二步运用多元回归方法，检验不同时期消费补贴政策变化对新能源汽车供应链企业的研发投入产生了怎样影响，即研究传导效应“是怎样”。

(一)样本选择与数据来源

本文的研究样本是中国A股上市的汽车零部件制造行业企业，包括传统汽车零部件制造企业和新能源汽车供应链企业(主要为电池、电机、电控3类核心零部件供应企业)。为了保证研究的准确性，剔除以下几种情况的公司：①未披露本文所研究主要变量与相关数据的公司；②ST、*ST公司和B股公司；③上市年数小于1年的公司。经过筛选和整理后，从同花顺数据库国民经济行业“汽车零部件及配件制造”中选择出2010～2020年间共计238家上市公司的数据进行实证分析。根据有无新能源汽车零部件制造业务，进一步手动筛选区分出传统汽车零部件制造企业125家、新能源汽车零部件制造企业113家。

第一步的PSM法选择上述所有企业(共计238家)作为样本，将125家传统汽车零部件企业与113家新能源汽车零部件企业进行匹配分析检验；第二步的多元回归法仅将新能源汽车零部件制造企业(共计113家)作为研究对象进行实证分析。

(二)变量选取

本文的被解释变量为研发投入和研发产出。考虑到指标的代表性以及数据的可得性，本文选取“研发费用”“研发费用/营业收入”和“研发费用/资产总额”来衡量企业研发投入强度；选择“年专利申请数量”和“年专利申请数量增长率”来度量研发产出绩效。PSM法中，处理变量选择“消费补贴”，使用虚拟变量(新能源汽车企业组取值为1，传统汽车企业组取值为0)来衡量；根据企业相关财务指标和治理结构特征选取指标作为协变量[35-36]。多元回归法中，基于数据的可得性与合理性，解释变量采用年平均每辆新能源汽车所获消费补贴进行计量，控制变量与PSM方法中的协变量选择相同。变量说明如表1所示。

表1 变量说明表

(三)PSM模型设计

倾向得分匹配法的处理过程如下：第一，Logit回归估计倾向得分值。通过比较不同协变量的Logit模型回归R2和AUC值，确定适用的倾向得分匹配模型。第二，平衡性检验消除匹配后的两组样本协变量数据的显著性差异。第三，根据最近邻匹配法进行1∶1匹配。第四，稳健性检验采用半径匹配和核匹配法，检验匹配效果。

本文样本被分为处理组(新能源汽车企业组，受到消费补贴影响)和控制组(传统汽车企业组，从未受到消费补贴影响)。本文假设二元虚拟变量Sit，当企业i在第t年为补贴企业时，Sit取1，否则取值为0。

本文借鉴Rosenbaum et al.和Lian et al.的方法[37-38]，选择企业的内部特征及公司治理结构等指标，构建如下Logit模型估计倾向得分值P

P=P{Sit=1}=Φ{Xit}

(1)

式中：P{Sit=1}表示企业在多维度特征影响下可能会受到消费补贴的条件概率，Xit为i企业在第t年的多个维度的特征，Φ{Xit}表示Logit分布的累积概率。

(2)

对式(2)进行估计可以得到概率预测值，将处理组和控制组的倾向得分值分别表示为Pi和Pj，则式(3)可表示最近邻匹配原则

Ωi={Pi|min‖Pi-Pj‖,i∈(Sit=1),

j∈(Sit=0)}

(3)

式中：Ωi表示控制组企业(相对应处理组企业)的匹配集合。经过最近邻匹配后，控制组企业除了消费补贴以外的差异可被替代。因此式(2)转化为

(4)

(四)多元回归模型设计

多元回归分析以新能源汽车供应链企业为样本，模型设计如下

Yi=α0+β1Lei+β2Bi+β3Gri+β4Cfi+

β5Rai+β6Hi+β7Sui+εi

(5)

式中：Yi分别采用前文PSM法下新能源汽车零部件制造企业与传统汽车零部件制造企业存在差异的3个技术创新指标，即R1、R2、R3，α0为截距项，βi为待估参数，εi为随机扰动项。

由于2010～2020年中国政府对新能源汽车的消费补贴政策不断调整，总体呈现退坡趋势(表2)，为了进一步研究消费补贴强度变化对新能源汽车零部件企业研发投入和研发产出的影响，本文将新能源汽车供应链企业样本分为补贴上升阶段(2010～2013)和补贴下降阶段(2014～2020)，分别进行多元统计回归分析。

表2 平均每辆新能源汽车所获消费补贴(2010～2020)

(五)稳健性检验

本文选用半径匹配和核匹配的方法再次配对分析处理组和控制组的样本企业，用以考察最近邻匹配法的稳健性，保证实证结果可靠稳定。

半径匹配首先需要设定半径值r，比较控制组半径范围内的样本平均倾向得分值与处理组个体i的倾向得分值，匹配程度低于半径r的匹配对象具体表示为

Ωi={Pi‖Pi-Pj‖

j∈(Sit=0)}

(6)

核匹配通过加权平均所有的控制组企业，构建最贴近控制组企业倾向得分值的虚拟样本。

本文选用相似变量代替原模型的控制变量，再次对多元回归模型进行分析。如果二次回归的结果与原有模型相同，则证明多元回归模型结果的稳定可靠性。

三、实证结果

(一)描述性统计

技术创新指标和Logit模型各协变量的基本统计指标如表3所示。

表3 变量的描述性统计

表3显示，在研发投入方面，传统组企业研发费用、研发费用/营业收入、研发费用/总资产的均值和标准差均低于新能源组，说明新能源组样本的研发投入强度更大，但企业间差异较大。在研发产出方面，新能源组企业年专利申请数量和增长率的均值、中位数和标准差都远高于传统组企业，说明新能源组样本企业的研发产出绩效总体高于传统汽车组，但企业间的异质性更大。

(二)倾向得分匹配Logit模型选择

根据Lian et al.的观点[38]，本文基于式(1)，使用R2和AUC值判断Logit回归模型的有效性，选择R2和AUC值最优的模型作为估计倾向得分值的模型。经过多次筛选协变量构建Logit模型回归分析，得到R2和AUC值最优的3组协变量组合如表4所示。

表4 Logit模型估计结果

比较上述3种Logit模型，模型③的R2和AUC值最高，由此可以认为模型③的拟合效果更优，更适用于估计样本的倾向得分值。

(三)平衡性检验

只有处理组和控制组企业在匹配后的匹配变量上无显著差异，才能满足倾向得分匹配法的可靠性要求。因此，本文在匹配分析之前进行平衡性检验，主要变量在匹配后的样本特征情况以及匹配的平衡性检验结果见表5。匹配后各协变量的均值差异均无显著性。同时，标准偏差值越小，匹配效果越好。借鉴Rosenbaum et al.的研究，当协变量的标准偏差绝对值小于20时，匹配效果较好，倾向得分匹配估计结果具有可靠性[39]。表5匹配后各协变量的标准偏差绝对值均小于20，说明匹配方法有效。

表5 匹配后均值差异显著性检验及标准偏差检验

图1和图2分别为最近邻匹配前和匹配后处理组和控制组间的核密度函数图。比较图1和图2发现，匹配后处理组和控制组样本的核密度函数较为接近，且倾向得分值重合度较高，说明本文的样本满足倾向得分匹配分析的“共同支撑假设”，进行实证分析后得到的结果具有可靠性。

图1 处理组和控制组的核密度函数图(匹配前)

图2 处理组和控制组的核密度函数图(匹配后)

(四)PSM法最近邻匹配实证分析

1对1匹配完成后，消费补贴对新能源汽车供应链企业技术创新影响的ATT值及各指标的差异、显著性如表6所示。

为减少样本选择偏误对实证的影响，本文使用set seed语句迭代2 020次，计算标准误差和T值。表6显示，匹配完成后，除了“是否受消费补贴影响”以外的因素都已被控制，样本企业之间技术创新投入和技术创新产出的差异可以认为源于下游整车企业有无接受消费补贴的差异，即下游整车企业是否为新能源汽车企业的差异。

表6 消费补贴对新能源汽车供应链技术 创新影响的效果(最近邻匹配1对1)

在采用最近邻匹配进行配对分析时，处理组的研发投入变量研发费用的自然对数(R2)的ATT值为 9.04，显著高于匹配后控制组的同一变量，并且其ATT值在5%的水平上显著异于0。研发费用/营业收入和研发费用/总资产(R1和R3)的ATT值均为0.01，在1%的水平上显著异于0。由此可知，与传统汽车供应链企业相比较，消费补贴促使新能源汽车供应链企业更倾向于进行研发投入，假设H1得到证实。

另外，处理组的研发产出变量年专利申请数量(T1)的ATT值为161.34，显著高于匹配后控制组的同一变量，并且其ATT值在1%的水平上显著异于0。而年专利申请数量增长率(T2)的ATT值为0.52，并未显著异于0。由此可知，比较于传统汽车供应链企业，消费补贴对新能源汽车供应链企业的研发产出(年专利申请数量)有正向促进作用，但对其年专利申请数量增长率无显著影响，假设H2部分得到证实。

(五)多元回归模型分析

首先，对变量做相关性分析，2010～2013年、2014～2020年样本的相关性分析结果如表7所示。根据表7可知，各变量的方差膨胀因子值都在2.00以下，排除了自变量的多重共线性影响。

表7 方差膨胀因子检验结果

其次，描述2010～2020年每辆新能源汽车所获消费补贴与样本企业各年研发投入水平、研发产出绩效的趋势关系(图3)，发现在2010～2013年间，研发投入、研发产出与补贴水平呈同向变化；在2014～2020年间，补贴水平迅速下降，但研发投入和研发产出总体仍呈现上升直至平稳波动的趋势，表明企业的研发行为并未受补贴退坡的影响。

图3 2010～2020年补贴水平、研发投入和研发绩效比较

最后，本文分阶段进行回归分析，补贴上升阶段(2010～2013年)和补贴下降阶段(2014～2020年)的回归结果分别如表8和表9所示。

表8 2010～2013年样本回归结果

表9 2014～2020年样本回归结果

多元回归分析结果表明：在补贴上升阶段(2010～2013年)，消费补贴与新能源汽车零部件制造企业的研发费用、研发费用/总资产均显著正相关，与研发费用/营业收入不显著正相关，表明在此阶段消费补贴具有显著激励作用。在补贴下降阶段(2014～2020年)，消费补贴水平与研发费用、研发费用/总资产和研发费用/营业收入均显著负相关，表明在此阶段，随着消费补贴下降，研发投入强度反而继续上升。实证结果验证了本文的假设H3。

(六)稳健性检验

1.半径匹配结果分析

将配对范围控制在r<0.04和r<0.02的匹配半径下，通过半径匹配检验最近邻匹配法的实证结果，如表10所示。

表10 消费补贴对新能源汽车供应链技术 创新影响的效果(半径匹配稳健性检验)

表10显示，不同匹配半径下专利数量增长率的结果不同，当半径范围小于0.02和0.04时，研发费用的自然对数在5%水平下显著；研发费用/营业收入、研发费用/总资产和专利数量的实证结果均在1%水平下显著。半径匹配的实证结果整体上与最近邻匹配结果一致，进一步证明给予新能源汽车整车企业的消费补贴有助于增强新能源汽车供应链企业的研发积极性和研发产出。

2.核匹配结果分析

进一步通过核匹配进行稳健性检验，匹配前后的结果如表11所示。表11显示，专利数量增长率的实证结果不显著，研发费用/营业收入、研发费用的自然对数、研发费用/总资产和专利数量的实证结果均显著，稳健性检验的结果均控制了其他因素，表明消费补贴对研发费用的自然对数、研发费用/总资产、研发费用/营业收入和年专利申请数量的促进作用显著，证明本文的实证结果是稳健的。

表11 消费补贴对新能源汽车供应链技术 创新影响的效果(核匹配稳健性检验)

3.多元回归稳健性检验

为保证多元回归模型的稳定性，以净资产收益率代替总资产收益率，对模型重新进行回归分析，其实证结果与原有模型相同，证明了多元回归模型的结果是稳定、可靠的。

四、结论与启示

(一)结论

本文以中国汽车供应链上市公司为样本，通过PSM和多元回归实证分析，研究消费补贴对新能源汽车零部件企业研发投入与产出中的传导性调节效应，并得到如下结论。

(1)相比传统汽车制造业而言，消费补贴激励了新能源汽车供应商的研发投入，并获得更优的研发产出，表明设定技术门槛的消费补贴存在“传导效应”，并推动了新能源供应链的技术创新。但是随着产业技术创新逐渐从渐进式创新走向突破式创新阶段，技术创新难度越来越大，专利增长率与研发投入并未呈现规律性变动。

(2)在消费补贴政策早期阶段，新能源汽车供应链的研发投入受到补贴的激励效应较为明显；在后期的补贴退坡阶段，企业依然保持高强度研发投入，与补贴退坡呈现相反趋势。

本文认为，消费补贴的传导效应分为资金传导和信号传导。补贴初期正是产业起步期和消费市场培育初期，市场规模不够大，企业资金不足以完全支撑巨大的研发投入，政府补贴通过供应链采购行为从整车制造企业传导至上游，成为支撑上游企业研发和运营周转的重要财务资源。同时，高额且连续的消费补贴为企业传递了政府支持新能源汽车产业的强烈信号，增加了企业技术创新的意愿。随着消费补贴退坡，资金传导效应减弱，但信号传导效应依然强烈。政府补贴重心转向充电基础设施领域，并且延续了新能源汽车在购车、路权等方面的优惠政策，传递了持续支持新能源汽车产业发展的强烈信号，因此企业继续保持高研发强度。

(二)启示

基于上述分析，本文认为政府可以在不同阶段实行相应的政策措施，激励企业技术创新行为，扶持新兴产业发展。

(1)政府从消费端进行持续补贴对新兴产业发展至关重要，不仅能够培育早期消费市场，而且能够为产业供应链提供资金，传递市场预期的积极信号，从而激励企业研发行为，促进产业发展。

(2)当产业发展的稳定预期建立之后，政府的补贴应当逐渐退坡。一方面可以降低财政压力，另一方面倒逼企业“自力更生”，避免陷入补贴依赖。

(3)货币补贴政策退坡的同时应当通过非货币补贴政策继续传递政策支持信号，激励企业的持续技术创新。消费补贴推动新能源汽车产业发展的案例，可以为政府支持其他新兴产业的发展和技术进步提供借鉴。

五、结语

本文证实了新能源汽车消费补贴对该产业链研发行为存在传导效应，丰富和完善了政府补贴对企业研发行为影响的相关理论，并有助于评价新能源汽车产业的补贴政策效果，为政府扶持新兴产业发展制定补贴政策提供经验证据。不足之处在于企业的产品结构往往多元化，一些新能源汽车产业链企业也会生产非新能源汽车配套零部件，因此样本企业的研发与新能源汽车补贴政策的相关度检验效果可能受到影响。总体而言，新能源汽车产业的消费补贴对产业链技术创新起到了积极作用，然而消费补贴在何种技术和市场条件下才能够起到最有效的激励效果，补贴的强度和时间长度应该如何确定，这是未来可进一步研究的问题。