新能源補貼退坡政策能否激發車企技術水平進步
——來自新能源車企采購和生產微觀數據的證據

劉相鋒，吳穎婕

(1.浙江財經大學中國政府管制研究院，浙江 杭州 310018；2.浙江省新型重點專業智庫“政府監管與公共政策研究院”，浙江 杭州 310018)

一、引 言

自2009年新能源汽車城市試點活動的通知發布以來(1)《關于開展節能與新能源汽車示范推廣試點工作的通知》(財建〔2009〕6號)。，新能源汽車補貼政策在過去十年中一直處于不斷完善和調整中，其演變過程顯著表現在三個階段政策目標的變化，分別是2009—2012年“推進節能減排，推動新能源汽車產業化”的第一階段、2013—2015年“加快新能源汽車產業發展”的第二階段和2016年至今“促進新能源汽車產業健康、高質量發展”的第三階段。尤其是2019年財政部等四部委聯合發布的最新補貼政策明確提出了“優化技術指標，堅持‘扶優扶強’”的要求(2)《關于進一步完善新能源汽車推廣應用財政補貼政策的通知》(財建〔2019〕138號)。。因此，中國新能源補貼政策目標整體上呈現兩個趨勢：對新能源汽車行業的發展要求已從最初的“加快總量擴大”轉變為“促進質量提升”；對行業的發展規劃也從初期的“鼓勵推廣應用”轉變為“推進技術升級”。與之相對應，新能源補貼政策整體呈現退坡趨勢，逐漸由政府主導讓位于市場主導。那么，實施的補貼退坡政策是否有效提高了新能源汽車產業的技術效率？補貼政策調整能否有效實現新能源汽車產業技術升級、高質量發展的目標？這些問題還沒有得到有效的回答和印證。

基于此，本文使用2018年1月以來的國產純電動乘用車制造企業月度微觀數據(包括電池搭載量、電機采購量和純電動乘用車產量等)，嘗試引入技術效率波動性異質性隨機前沿分析方法來測算企業的技術效率。在測算新能源汽車廠商技術效率的基礎上，進一步采用斷點回歸方法分析補貼退坡機制對新能源汽車廠商技術效率的影響。本文的邊際貢獻在于：著重于補貼政策退出對新能源汽車廠商技術效率的影響，為補貼政策績效評價及政策制定方向提供一定的實證依據；采用的異質性隨機前沿模型考慮了技術效率波動性因素，克服以往忽視技術效率波動性的測算方法導致的偏誤缺陷；在數據采集上，使用2018年1月以來的廠商采購和生產月度微觀數據，以新能源汽車制造企業為測算對象并放松同質化的前提假設，使研究結論更加具有科學性和針對性。

二、文獻綜述與假設提出

關于補貼政策對行業或企業技術效率影響的研究，一些學者認為政府補貼政策能有效刺激短期技術效率提升[1][2][3]，但長期來看效果并不顯著[4][5][6]。其原因在于：雖然政府在補貼過程中傳遞的利好信號促使企業在短期獲得更多資本[4][5]，但從長期來看，由于企業核心技術研發存在成本高、風險大、周期長的缺點，大量政府補貼觸發了企業“尋補貼”的投資動機，導致其將企業資源從提高技術效率轉移到尋求補貼成本上，反而“擠出”企業的自主研發支出[6]。也有部分學者持完全否定的態度，認為補貼政策不僅對技術效率沒有提升作用，甚至還存在阻礙技術進步的反作用，尤其在高端產品和技術方面的研發活動方面更為突出[7][8]。這可能是政府補貼促使企業只注重規模擴張，而忽視產品質量提升和結構優化，抑制了技術效率提高[9]。

關于補貼政策在新能源行業技術作用效果的研究，大多數文獻認為補貼政策僅促進了新興市場的形成，但普遍存在補貼強度過高、政策效果不理想、補貼激勵效應時效性短等問題[10][11][12]。據此，學者們展開對新能源補貼政策退坡機制的研究。從行業的需求端出發，諸多學者認為補貼的退出可促使汽車企業提升技術效率并引導消費者的購買行為。其原因在于：補貼政策的退出不僅能有效激活汽車企業發展的自主性[10]，而且使消費者減少對低端技術的新能源汽車的購買[13]，更加關注車輛的行駛里程、安全和充電時間等技術方面的問題[14]，從而給企業提供了更多的技術研發動力，迫使企業提高技術水平并逐漸淘汰低技術產品。

綜上所述，本文認為雖然補貼政策與企業技術效率的關系形成了一定的研究基礎，但實施補貼退坡能否真正實現讓位于市場、提升技術效率，目前尚沒有充分論證。現有研究主要基于國外消費者問卷或宏觀數據，并以需求端的情況推斷廠商的技術效率是否提升難免有所偏差。因此，本文以微觀企業為研究對象并測度其技術效率，既彌補了國內研究的空白，也有助于政府理解和使用補貼退坡機制。

三、模型構建與數據處理

本文在測算企業各期實際效率方面采用異質性隨機前沿模型，這不僅能有效估算效率和不確定性的影響，而且能突破以往固定前沿的局限。在分析新能源補貼退坡政策效果時，我們采用斷點回歸(RD)模型和估計方法，以準確判斷政策實施效果的有效性。

(一)模型構建與估計策略

1.異質性隨機前沿模型的構建及估計策略

(1)隨機前沿生產函數模型的構建。本文借鑒蘇治和連玉君(2011)的思路，設定如下的異質性隨機前沿模型[15]：

(1)

(2)技術效率損失模型的設定。為衡量企業的技術無效率水平，我們設定如下的技術效率損失模型：

Inθit=β0+β1RDRit+β2ALRit+β3Collegeit

(2)

其中，RDR、ALR和College分別表示研發投入比、資產負債率和高級人才占比。

(3)

(4)

(5)

同時，對式(4)兩邊取自然對數和方差處理，發現技術效率損失的波動與技術效率的不確定性呈正比例關系，可得：

(6)

對式(6)兩邊進行方差處理，可得：

(7)

因此，隨機前沿模型中的技術效率不確定性可通過估計技術效率損失的波動方差加以識別。

2.斷點回歸模型的構建及估計策略

(1)斷點回歸模型的構建。2018年6月恰好是2018年補貼過渡期結束、新一期補貼政策開展的交替點。2018年補貼過渡期(2018年2月11日—6月11日)的政策與補貼過渡期之后(2018年6月12日)的政策在純電動續航里程和補貼金額兩方面均存在較大變化，整體上呈現補貼退坡趨勢，分別為對技術質量要求的提高和補貼金額的減少，因而行業內稱此階段的補貼政策逐步退出為新能源補貼退坡政策。

表1 2018年過渡期前后的補貼政策

由于補貼過渡期與補貼過渡期之后實行的補貼政策不同，在過渡期結束前后(即2018年6月)，企業的技術效率呈現不連續性，故本文采用斷點回歸(RD)的方法進行探討。由于使用的數據時間跨度為2018年1月至2019年4月，故本文僅研究2018年補貼過渡期，即2018年6月前后是否存在斷點。鑒于補貼過渡期是否使技術效率發生變化，我們采用精確斷點回歸(SRD)的估計方法，并假設技術效率是否發生變化完全取決于補貼政策是否發生改變。據此，設定虛擬變量Di為：

(8)

其中，i代表廠商；timei代表時間，是斷點回歸中的分組變量；Di代表技術效率是否發生變化，發生變化時取值為1，未發生變化時取值為0。企業的技術效率發生變化的概率在斷點處從0變成1，即：

limtimei→6+E(Di|timei)-limtimei→6-E(Di|timei)=1

(9)

由于在斷點兩側較小領域的樣本可認為是隨機分組的，因而補貼過渡期對企業技術效率的局部平均處理效應(LATE)的估計量為：

E[(y1i-y0i)|timei=6]=limtimei→6+E(y1i|timei=6)-limtimei→6-E(y0i|timei=6)=1

(10)

本文采用參數方法估計精確斷點回歸，故技術效率的回歸函數設定為：

TEi=δ0+δ1(timei-6)+δ2Di+δ3(timei-6)Di+εi(6-h

(11)

(2)估計策略及連續性檢驗。對處理效應的估計方法，本文借鑒張慧玲和盛丹(2019)的做法[19]，采用局部線性回歸方法來減少估計偏誤，并設定如下的函數：

(12)

其中，K(·)為內核函數，h為帶寬，c為斷點(即6)，Di為處理變量。內核函數包括三角內核(Triangular Kernel)、Epanechnikov內核及均勻內核(Uniform Kernel)，本文采用三角內核進行最小化。

對最優帶寬h的選擇，本文采用Imbens和Kalyanaraman(2012)的方法[20]，以最小化均方誤差(MSE)為指標選擇最優帶寬，即：

(13)

對分組變量timei密度函數的連續性檢驗，本文采用MCcrary(2008)的方法[21]，原假設為：

H0∶θ=Inlimx↓cf(x)-Inlimx↑cf(x)=Inf+-Inf+=0

(14)

(二)變量選擇及說明

1.被解釋變量。在構建企業生產隨機前沿模型時，主要采用各汽車制造廠商的實際產量為被解釋變量。但需要說明的是，首先，每個汽車制造廠商都擁有多個類型和系列的車型，本文盡可能將不同類型的純電動汽車產品予以分類整理，難以細分的車型則采取合并處理；其次，相同品牌的汽車可能由總、分公司分別生產，我們按照兩類企業加以處理，分類統計相應的產量。

2.解釋變量。異質性隨機前沿模型生產函數使用的解釋變量包括電池搭載量、電機采購量、資本投入和勞動投入四個，技術效率損失模型和技術效率波動性模型使用的解釋變量包括資產負債率、高級人才占比和研發投入比三個。其中，電池的搭載和電機的采購是新能源汽車生產的前提條件，對其產量具有直接影響。資本投入以廠商的固定資產季度數據替代，勞動投入選取廠商的職工總人數[22]。資產負債率衡量企業的融資能力，對企業的技術進步產生顯著的影響[23]。此外，一個企業高級人才的數量會影響企業的創新績效，故以高級人才占比表征企業的技術水平提升能力。高級人才占比采用本科及以上學歷職工人數與職工總人數的比例[24]。研發投入比以研發支出與銷售收入的比值來衡量[25][26][27]。本文按照月度對時間因素進行控制，并設置相應的虛擬變量。

表2 相關變量的描述性統計

(三)數據篩選及處理

1.數據的篩選過程。本文從中國汽車協會和中國乘用車聯合會獲取純電動乘用車生產廠商2018年到2019年4月的純電動乘用車產量，共計63家企業。以企業名稱為匹配對象，匹配收集63家純電動乘用車生產廠商的電池和電機的月度采購數據，時間跨度為16個月，共1008個觀測值。考慮到數據的可獲得性，剔除未上市公司及僅由外資控股的公司后，剩下的上市公司(包括中外合資)41家，共656個觀測值。通過同花順軟件獲取上市公司2018—2019年的季度報表，以其股票代碼作為配對變量，分別與電池、電機進行匹配，得到面板數據共656條。

由表3可知，41家上市企業的純電動乘用車產量占整個純電動乘用車行業的86.35%，樣本的統計結果具有統計意義和代表性，能真實反映整個新能源汽車行業的情況。

表3 2018—2019年上市企業電池、電機和乘用車的占比情況

2.數據的處理過程。在實際數據整理過程中，存在部分企業當期無采購記錄但有產出的情況，這符合生產預先購置行為或提前備貨行為，故采取整合處理。對于部分汽車制造企業在某月沒有產量，這屬于正常的市場行為而非數據輸入或其他原因導致，因而剔除該月純電動乘用車產量為0的觀測值。針對企業在觀測期內由于停牌、合并等原因出現數據異常的現象，我們也剔除此類異常數據。最終，本文共采集320個月度企業觀察值作為研究對象。

表4 調查數據采樣、數據匹配及其處理情況

四、實證分析結果及說明

本文重點關注補貼政策的變化對國產純電動汽車廠商技術效率的影響，實證分析主要為兩部分：考慮到技術效率的波動性，構建四種異質性隨機前沿模型，選擇最優模型來測算上市的國產純電動汽車廠商的技術效率；利用斷點回歸方法，測算設置2018年過渡期前后的補貼退坡政策對國產純電動汽車廠商技術效率的影響作用及程度。

(一)基于異質性隨機前沿模型的技術效率分析

已有研究并未考慮異質性隨機前沿模型中的技術效率波動性問題，一般的做法是假設企業技術效率波動性為常數，但系統性影響往往帶來技術效率波動性問題。因此，本文構建四種模型進行比較分析，選擇最優模型來測算技術效率。其中，模型(1)為異質性隨機前沿模型，模型(2)假設企業技術效率波動性為常數，模型(3)假設企業技術效率損失為常數，模型(4)假設不存在企業技術效率損失。

從表5可見，LR(1)和LR(2)的似然比卡方值均呈顯著性，表明模型(1)更適合研究的需求。從隨機前沿產量模型來看，廠商汽車產量前沿中的電機采購量、電池搭載量、資本投入和勞動投入均為1%的顯著水平，說明模型假設是穩定且合理的。電池搭載量和資本投入與廠商純電動乘用車產量呈正相關關系，電機采購量和勞動投入與純電動乘用車產量呈負相關關系，說明增加電池采購和固定資產投入顯著提升了廠商產量。

表5 異質性隨機模型的估計結果

從技術效率損失模型來看，研發投入比、資產負債率和高級人才占比三個變量均不顯著，說明企業在補貼政策的刺激下引發了追求更多補貼的動機，通過增加自身投入的方式向政府釋放“技術進步”的虛假信號，從而獲得更多的地方政府補貼和政策支持，印證了任優生等(2017)和章元等(2018)的研究結論[10][7]，即企業通過擴大規模的形式增加產能，迎合新能源汽車補貼政策，追求更高的補貼利潤，導致低水平的新能源汽車大量出現。

從技術效率波動模型來看，資產負債率對技術效率的提升不存在顯著作用，而且明顯增加了技術效率的不穩定性。具體而言，資產負債率每增加1個百分點，技術效率變化的不穩定性在99%的置信水平上顯著上升2.139個百分點，即穩定性下降2.139%，說明過高的資產負債率增加了企業融資風險，給企業的技術研發活動帶來不穩定性因素，使其做出相對謹慎的創新投資決策[28]。同時，資產負債率的不斷攀升影響債權人決策，使其更傾向于實物資產(即能帶來可見收入的日常生產經營活動)[29]，忽視技術研發活動的投入。

結合上文的計量模型分析和測算，本文計算2018年1月至2019年4月上市國產純電動汽車廠商的技術效率。限于篇幅，表6僅展示前四名廠商在2018年4—8月的技術效率。可見，2018年6—7月車企的技術效率均呈現一定幅度的上升，7月份之后仍呈增長態勢。以吉利汽車為例，其技術效率從2018年6月的0.628升至2018年7月的0.774，上升幅度達到23.348%。

表6 2018年4—8月前四位廠商的技術效率

本文計算的國產純電動汽車行業各月份的平均技術效率為0.66。從圖1可看出，對整個行業而言，除2018年5月前后技術效率出現大幅度的下降和上升外，其余月份的行業技術效率大多穩定在均值附近，整體上呈現平穩趨勢。技術效率的最低值在5月份、最高值在7月份，5—7月行業技術效率發生較大程度的變化。各月份的每個企業技術效率大多處于[0.625,0.675]，個別企業的技術效率最高達到0.782、最低達到0.430。

圖1 行業技術效率

從隨機前沿模型的分析中得到我國新能源車企的技術效率約為66%。從各月份的技術效率均值變化來看，補貼退坡機制實施的6月份形成顯著的差異性。由此可見，企業自身投入的增加對其技術效率提升沒有顯著作用。企業加大研發投入、引進人才等一系列舉措的最終目的并不是提高新能源汽車的研發水平，而是在補貼政策的刺激下產生的一系列的策略性“迎合”行為。同時，過高的資產負債率增加企業資金約束，促使債權人做出忽視技術研發活動的決策，降低技術效率提升的穩定性。

(二)基于斷點回歸模型的技術效率分析

從表7可看出，遵循最小化均方誤差(MSE)的選擇原則，帶寬h=4.152時均方誤差達到最小(僅為0.011)。從圖2來看，選擇帶寬h=4.152時，技術效率的跳躍現象更加明顯和清晰。在最優帶寬下，局部沃爾德(Local-Wald-Estimate)的估計值為0.020且在99%的置信區間上顯著，說明實行補貼政策后的技術效率有所提升。技術效率在6月份存在跳躍，在該斷點處，補貼政策變化后的技術效率比變化前高出0.020(即補貼政策的變化使技術效率提升2個百分點)，說明此次補貼政策的變化顯著促進了技術效率的提升。

表7 局部沃爾德檢驗結果

圖2 補貼政策-行業技術效率

接下來，本文檢驗消費者年底搶購行為對企業技術效率產生的間接影響。結合現實情況來看，由于消費者認為下一年度補貼政策存在減少補貼甚至直接退出的可能性，故在年末搶購新能源汽車而導致市場上的“搶購潮”現象，促使汽車銷量快速上升。因此，本文將“搶購潮”出現的時間(即12月份)設定為斷點并進行斷點回歸分析(結果如圖3所示)。

圖3 消費者行為-行業技術效率

由圖3可看出，年底的技術效率不存在顯著斷點，說明消費者搶購行為對廠商的技術效率沒有促進作用。其原因在于：消費者年末的大量搶購擴大了廠商的實際產出量，但廠商大多是出售價格低廉的存貨而非當年前沿產品，沒有形成廠商對產品的激勵。綜上所述，通過斷點檢驗的實證結果看，2018年補貼退坡政策的實行對行業技術效率具有顯著影響(提高2個百分點)，促進了企業技術進步，而由消費者對政策預期產生的年底搶購沒有顯著提升廠商的技術效率水平。

(三)穩健性檢驗

為防止“偽”回歸的問題，本文對估計結果進行穩健性檢驗。模型(5)是用于對比參照結果的原模型，模型(6)剔除技術效率波動模型中的研發投入比變量，模型(7)將技術效率損失模型和波動模型中的解釋變量進行交換。從穩健性的估計結果來看，廠商生產前沿模型得到的結論非常穩健，模型(6)、(7)與原模型(5)的生產變量呈現顯著的一致性關系。在技術效率損失模型中，模型(6)和原模型(5)也相當一致。在技術效率波動模型中，資產負債率顯現一致的顯著性和影響方向。在對變量進行剔除和交換后，模型的統計分析結論也無任何變化，說明模型在變量估計和設計方面都具有較強的穩健性。

表8 穩健性檢驗結果

五、結 語

經過十年的完善和調整，新能源汽車補貼政策已進入退坡階段的后期。在此背景下，如何評價新能源補貼退坡政策的技術創新效果顯得尤為重要。本文構建異質性隨機前沿模型，采用新能源車企采購和生產的微觀數據，分析補貼退坡政策對車企技術水平的影響，得到以下結論：新能源車企的技術效率均值約為66%；補貼逐步退出顯著性提升行業技術效率2個百分點，非理性搶購難以有效促進車企提高技術效率；補貼政策造成車企做出策略性的“迎合”行為。此外，過高的資產負債率增加了企業的融資約束，使企業忽視技術研發活動，影響技術創新的穩定性。

據此，本文提出以下幾點針對性的建議和意見，希望對新能源汽車補貼政策的優化提供有益的啟示。(1)重新認識補貼退坡政策實施的必要性。補貼政策在行業發展的不同階段應具有不同的訴求。新能源汽車行業“總量發展”日益健全，應采取合理的補貼退坡手段幫助新能源汽車行業在“質量發展”上更進一步。充分認識到補貼退坡是大勢所趨，也是補貼政策的最終歸宿。建立科學的補貼退坡機制，合理規劃新能源汽車行業的補貼退坡進程，發揮補貼退坡產生的積極作用。(2)優化引導消費者行為的實施手段。消費者對汽車性能和質量等方面的重視迫使企業提高技術研發水平、提供更高質量的產品，從而淘汰落后低級的產品。引導消費者購買技術含量更高的產品，加大對新能源汽車在續航和安全等方面的信息宣傳，培養消費者拒絕低價低質、注重汽車性價比的消費意識。(3)健全新能源車企的融資機制。研究表明，企業的資產負債率過高會影響企業研發活動的穩定性。積極建設科學、合理的融資機制，以拓展融資渠道、充分利用各種融資形式、給予融資優惠的方式緩解企業在研發過程中的資金壓力。消除企業對政府補貼的外部依賴，充分發揮企業的自主性，將主動權逐漸交回到市場手中，促進企業通過市場的方式實現健康成長。