地區氣溫如何影響新能源汽車消費

摘 要：盡管新能源汽車產業在全球市場迅速擴張，但其市場滲透率仍低于內燃機汽車，尤其在極端溫度環境下，新能源汽車面臨充電緩慢、續航里程降低和安全性差等挑戰，嚴重阻礙了其推廣與應用。本文利用2010-2020 年城市層面的季度數據，首次考察了氣溫波動對新能源汽車消費的影響。研究發現，氣溫變化對新能源汽車消費具有顯著影響，且呈現倒U 型趨勢。過高和過低的氣溫均降低了新能源汽車消費，但低溫的負面影響更大。當交易前氣溫偏離最佳氣溫（16.60°C）時，購買概率降低。在16.60°C 基礎上，每增加1°C 和降低1°C，新能源汽車銷量分別減少1881 臺和5302 臺，分別占企業收入的4.821 億元和1358.3 億元。氣溫在14°C—18°C 之間時，對消費的積極影響最大，增幅為55.6%；而氣溫低于6°C 時，消極影響最大，降幅為136.6%。心理機制分析表明，投射偏差機制在非典型天氣條件下導致二手新能源汽車庫存增加，而注意力機制顯示，極端氣溫下消費者更關注性能，適宜氣溫下則更關注低碳和外觀特征。兩種機制均表明氣溫偏離最佳范圍會減少消費，但影響路徑不同：投射偏差在天氣良好時增加購買，注意力效應在天氣惡劣時提高購買意愿。本文為新能源汽車產業的可持續發展提供了新的視角和微觀證據，并為企業將自然環境因素納入商業決策提供了參考。

關鍵詞：氣溫約束；新能源汽車；廣義雙重差分法；投射偏差；注意力

一、引 言

在去全球化和世界經濟衰退的背景下，黨的十九屆五中全會通過《中共中央關于制定國民經濟和社會發展第十四個五年規劃和二〇三五年遠景目標的建議》，并提出了“推動形成以國內大循環為主體、國內國際雙循環相互促進的新發展格局”，簡稱“雙循環”戰略。“雙循環”戰略強調內外循環之間的協調發展，以平衡經濟增長和環境可持續性，其本質在于促進中國經濟的結構性轉型，減少對外需求的依賴，提高內需和消費市場，推動科技創新和資源利用效率的提升，從而增強經濟的可持續性和抗風險能力。作為內循環經濟的推動者，新能源汽車產業是“雙循環”戰略的關鍵一環，在提振經濟、刺激科技創新和實現“碳達峰”與“碳中和”目標的過程中發揮了關鍵作用。同時，全球正處于能源轉型的關鍵時期，各國紛紛加快新能源汽車技術創新步伐，以提升其在全球市場中的競爭力。隨著電池技術的進步和充電基礎設施的不斷完善，新能源汽車的性能和可靠性得到了顯著提高。此外，各國政府對新能源汽車的政策支持和補貼也在不斷增加，進一步促進了其市場普及。中國不僅是全球最大的新能源汽車市場之一，也是技術創新的重要推動者，通過積極參與國際競爭，不斷提升自身的技術水平和市場份額。

然而，與燃油汽車相比，中國新能源汽車市場滲透率仍然相對較低。例如，作為新能源汽車產業發展最快的國家之一，2023 年中國新能源汽車銷量達到了949.5 萬輛，市場份額為31.6%（中國汽車工業協會，2024）。盡管市場份額已顯著提升，但在全球范圍內，中國的滲透率仍排在第三位，低于同期挪威的82%和瑞典的49.6%（Global EV outlook 2024）。雖然已經完成了中國政府發布的《新能源汽車產業發展規劃（2021—2035）》中規定的市場份額達到25%的目標，但與七部委發布的《減污降碳協同增效實施方案》中規定的大氣污染防治重點區域達到50%的目標仍然存在較大差距。如何更有效地發掘中國新能源汽車市場的巨大潛力，將更廣大地區的潛在需求轉化為實際消費是實現“雙循環”戰略的關鍵，并通過新能源汽車產業發揮消費拉動經濟增長基礎性作用的關鍵。

以往學者從不同角度研究了影響新能源汽車消費的因素，如新能源汽車價格、電力價格和汽油價格等成本因素（Chen et al.， 2019；Diamond， 2009）；貨幣補貼、稅收抵免等貨幣激勵政策因素（周燕等，2019；Qiu et al.， 2019）；道路優先（李國棟等，2019）和政府采購等非貨幣激勵政策因素（Bakker 等，2013；Egnér 和Trosvik， 2018）；技術性能（Mahmouzadeh et al.， 2017；周亞虹等，2015）；充電基礎設施完善程度（趙小磊和李雪梅，2024）；以及消費者個體因素，如年齡、性別、受教育程度、收入、職業、環境意識（Sierzchula et al.， 2014）、人口密度（Li et al.， 2017）、政策認知（Xiong and Wang， 2020）。然而，鮮有研究聚焦氣候因素對新能源汽車消費的影響。中國一些寒冷或炎熱的城市，如哈爾濱、沈陽、長春或海口、福州等，過高或過低的氣溫都會導致新能源汽車無法正常運行或發揮最佳性能，嚴重阻礙了新能源汽車的應用與普及，導致這些省份在推廣新能源汽車時面臨較大的挑戰。具體來看，2020 年，與在適宜氣溫地區的北京、廣州、上海相比（新能源汽車銷量分別為89378 輛、121350 輛和59240 輛），哈爾濱、沈陽、長春等寒冷城市的新能源汽車銷量僅有4569 輛、8697 輛和2244 輛。同樣，海口、福州等炎熱城市的新能源汽車銷量也僅有8697 輛和9974 輛。這一現象暗示新能源汽車的推廣效果在處于不同氣候條件的地區存在巨大的差異。

本研究旨在將觀察到的經驗現象與現有理論框架相結合，以探討氣溫對新能源汽車消費的具體影響機制。汽車購買決策通常是一個家庭的重要決策，需要家庭成員考慮當前的經濟成本和未來效用。研究表明，外部物理環境的變化可以通過改變消費者對未來效用的預期來影響他們的購買決策。例如，便利店的營業額（Tian et al.， 2020）、茶葉消費（Murray et al.， 2010）、食品消費（Agnewand Thornes， 1995）、服裝的銷售額（Conlin et al.， 2007）、旅游消費（Belen， 2005）、汽車購買類型（Buss et al.，2014），甚至大學招生都受到外部物理環境變化的影響。此發現可類比于新能源汽車消費，表明氣候因素可能同樣影響消費者選擇。本文認為氣溫與新能源汽車消費之間存在因果關系，主要依賴以下兩個心理機制。首先，投射偏差是指消費者預期未來效用與實際未來效用之間的差異（Loewenstein et al.， 2003）。具體來說，潛在的新能源汽車消費者可能習慣性地預測未來的環境條件將與當前的環境條件相似或基本一致。然而，這些消費者所經歷的環境條件可能只是短期波動，而不是長期趨勢，這意味著未來消費者將面臨的實際環境條件很可能與他們先前的預期不同。因此，當前的外部環境條件可能導致消費者錯誤地估計未來的影響，從而做出非理性的購買決策。另一方面，消費者注意力也是一個可能的心理機制（Buss et al.， 2014）。注意力是消費者心理活動對外界一定事物的指向與集中（Bordalo et al.， 2012）。在購買決策中，消費者的注意力發揮著關鍵作用。在極端條件下，消費者的注意力可能集中于特定商品反常的特征（Bordalo et al.， 2013），從而無法做出理性的購買決策。因此，本文可以提出一個合理的假設，即外部物理環境的短期波動會通過改變消費者對購買新能源汽車的投射偏差和注意力來影響消費者的購買決策。然而，目前尚不清楚短期氣溫的變化，或者更具體地說，氣溫變化是否會影響新能源汽車的消費，因此需要進一步的經驗證據和實證檢驗。

中國疆域面積遼闊，橫跨高原山地氣候、溫帶大陸性氣候、溫帶季風氣候、亞熱帶季風氣候和熱帶季風氣候五個氣候帶，不同地區的氣溫差異巨大，與此同時各地區間新能源汽車銷量也差別巨大，這為研究氣溫對新能源汽車推廣的影響提供了天然的實驗空間。鑒于此，本文利用城市層面的數據，研究了2010—2020 年中國氣溫波動對新能源汽車消費的影響。本文通過雙向固定效應模型、邊際效應分析和斷點回歸設計等一系列實證檢驗，考察了氣溫對新能源汽車消費的影響，以及偏離舒適水平的氣溫是否會降低購買新能源汽車的意愿。研究結果表明，氣溫變化對新能源汽車消費具有顯著影響。隨著氣溫的變化，新能源汽車消費呈倒U 型趨勢。低溫和高溫均阻礙了新能源汽車的市場擴散，但前者的負面影響更大。本文的估計表明，當氣溫從16.60℃每上升或下降1℃時，新能源汽車的銷量將分別減少1881 輛和5302 輛。本文通過引入投射偏差和消費者注意力兩條心理效應機制，豐富了外部物理環境對耐用品消費影響的相關文獻。從微觀個體的角度來看，車輛在家庭消費支出中所占比例最高。因此，識別和進一步糾正汽車市場購買中的非理性行為可能對提升家庭福利具有重要意義。

本文的邊際貢獻主要包括以下四個方面：首先，本文首次從氣溫約束角度研究氣溫對新能源汽車消費的影響，同時解釋了在不同地區新能源汽車推廣效果的異質性。這為新能源汽車消費的研究提供了新的視角和理論支持。其次，通過引入投射偏差和消費者注意力這兩個心理效應，本文深入分析氣溫對新能源汽車消費的影響機制，探究消費者在決策過程中的心理因素。這有助于理解消費者在決策過程中的心理因素，從而更好地預測他們的購車行為。此外，本文進行了廣泛的異質性分析，以探討氣溫對新能源汽車消費的影響在不同條件下的變化，以期更好地理解氣溫因素在不同情境下的影響程度，為未來的研究提供更多的參考依據。最后，基于全球氣候急劇變化現狀，明確發展中國家，尤其是新興經濟體，以氣溫為環境資源稟賦，科學設定不同氣候帶城市或地區的新能源汽車推廣目標提供重要參考。這可以幫助政府更好地配置政策資源，如補貼或稅收減免，以推動新能源汽車的發展并減少溫室氣體排放。

二、文獻回顧與研究假設

在本部分，本文將對氣溫對消費決策、新能源汽車性能以及消費者心理效應影響的相關文獻進行分析，并在此基礎上提出研究假設。

（一）氣溫與消費決策

文獻表明，氣溫對不同消費領域的決策具有顯著影響。研究發現，氣溫變化可以通過改變消費者對未來效用的預期來影響他們的購買決策。Agnew 和Thornes（1995）研究了零售分銷行業和食品飲料行業受氣溫的影響，發現利用天氣預報可以提高食品飲料行業的業績，這表明氣溫對日常消費品銷售有直接影響。Wietze 和Richard（2001）對經合組織成員國游客的目的地選擇進行了分析，發現游客更傾向于在氣溫為21℃時外出旅行，這顯示了氣溫在旅游消費決策中的關鍵作用，類似的機制可能也適用于新能源汽車的使用場景選擇。Conlin（2007）基于服裝行業的數據，研究發現消費者的退換貨行為受到訂單日期氣溫變化的影響，訂單日期的氣溫每下降1℃，退貨概率就會增加4.45%。這表明氣溫變化直接影響消費者的滿意度和行為，類似地，氣溫變化可能會影響消費者對新能源汽車的滿意度和使用頻率。Bertrand（2015）發現，非季節性氣溫對春季和秋季的服裝銷售有顯著影響，非季節性氣溫會提高春季服裝消費、降低秋季服裝消費，而夏季和冬季服裝銷售不受非季節性氣溫的影響。氣溫對特定季節的消費行為影響顯著，類似地，新能源汽車的使用和消費也可能受氣溫季節性變化的影響。Stulec（2019）的研究表明，氣溫對飲料消費的正向影響在6 月和8 月最為顯著，表明氣溫變化對特定消費品的需求具有直接影響。該結果表明氣溫變化可能對新能源汽車的使用需求產生類似的影響，特別是在極端溫度月份。Busse（2015）基于超過4000 萬輛汽車的交易數據進行實證研究，發現消費者在對敞篷車或四輪驅動汽車的購買決策很大程度上取決于購買時的天氣。這說明氣溫在汽車購買決策中的重要性，同樣也可能適用于新能源汽車的購買決策。Tian（2021）基于中國一家連鎖便利店146 家分店的銷售數據，量化研究天氣陰晴、雨水、氣溫和空氣質量指數對便利店銷售業績的影響，發現相比陰天，晴天和雨天對便利店業績有顯著的正向影響。這表明氣溫在日常消費中的重要角色，類似地，氣溫變化也可能對新能源汽車的消費決策產生重要影響。這些研究表明，氣溫變化通過影響消費者對未來效用的預期，顯著影響他們的購買決策。

（二）氣溫與新能源汽車性能

由于電池驅動系統和氣溫控制技術的限制，新能源汽車的性能受外部氣溫的顯著影響。研究表明，氣溫變化會直接影響新能源汽車的續航里程和能源利用效率。Yuksel（2016）發現，寒冷氣候顯著降低了新能源汽車的續航里程，寒冷的天氣會導致Nissan Leaf 的平均續航里程從70 英里下降到不足45 英里，這顯示了低溫對電動車性能的負面影響。Fetene（2017）的研究指出，在氣溫過高或過低的情況下駕駛電池新能源汽車會對其能源利用效率產生不利影響，進一步說明了氣溫對新能源汽車性能的制約作用。Demircali（2018）發現，鹽酸鐵鋰電池（新能源汽車使用的主要電池類型）在氣溫達到40℃和0℃時，平均能量損耗功率會顯著提高到2.98 瓦與2.82 瓦（20 度時僅為1.98 瓦），這表明新能源汽車在極端溫度下的能效問題。Suarez-Bertoa（2019）研究發現，在低溫下使用的加熱系統嚴重縮減了電池續航里程，這說明了低溫對電池性能的雙重負面影響。Hao（2020）的研究指出，在冬季，新能源汽車駕駛者實際可用的續航里程僅為新歐洲行駛周期（NEDC）預測的64%。當外部氣溫低于10℃時，氣溫每下降5℃會導致電消耗增加2.4 千瓦時（kw·h）。當氣溫超過28℃時，功耗和氣溫每上升5℃分別會增加2.3 千瓦時/100 公里，這進一步強調了高溫對新能源汽車性能的不利影響。綜上所述，低溫和高溫均會顯著削弱新能源汽車的性能。基于上述分析，本文提出以下假設：

假設1a：氣溫過高將顯著降低新能源汽車的續航里程和能源效率，從而抑制新能源汽車的消費。

假設1b：氣溫過低將顯著降低新能源汽車的續航里程和能源效率，從而抑制新能源汽車的消費。

（三）影響機制

在前兩節中，本文回顧了與消費者對天氣的高度敏感性以及氣溫對新能源汽車性能的影響相關的研究。現在，本文將探討氣溫變化如何影響消費者對新能源汽車的消費。為此，本節將參照Busse（2015）的思路，介紹有關消費者購買決策的心理理論，并引入投射偏差和注意力作為氣溫變化影響新能源汽車消費的潛在機制。

1. 投射偏差

投射偏差是指個體傾向于高估未來偏好與當前偏好的一致性，從而將當前偏好投射到未來。在購車決策中，投射偏差可能導致消費者錯誤地預測未來不同氣候條件下新能源汽車的效用。投射偏差反映了人類認知中的一種常見偏誤，即人們往往高估當前情境在未來的可持續性。心理學研究表明，人類的大腦傾向于依賴當前的情感和體驗來預測未來，這種機制可以簡化決策過程，但也容易導致錯誤的預期。在新能源汽車的消費情境中，這意味著消費者在當前氣溫適宜時，會認為未來的氣溫也會大致相同，從而高估新能源汽車的未來使用效用。在實際購車過程中，當消費者在一個氣溫適宜的環境下進行購車決策時，他們更可能考慮到新能源汽車在這種氣溫條件下的優勢，如更好的電池性能和更長的續航里程。然而，當氣溫極端時，消費者可能會因擔憂未來天氣對新能源汽車性能的不利影響而猶豫或放棄購買。例如，當購車時氣溫適宜，消費者可能會高估未來也有類似氣候條件，從而預期新能源汽車在未來的使用效用較高。反之，如果購車時氣溫極端，消費者可能會低估未來適宜氣候條件的出現頻率，從而預期新能源汽車在未來的使用效用較低。因此，新能源汽車銷售人員可以利用這一心理機制，通過展示車輛在適宜氣溫條件下的優異表現來增加銷售。

進一步，根據Michalek 等（2011）、Sierzchula 等（2014）、Zhao 等（2023）和Chen 等（2019）的研究，新能源汽車的性能與其消費顯著正相關。這意味著，當消費者購車時的氣溫在適宜范圍內，且新能源汽車可以在這一氣溫范圍內正常運行和使用時，消費者將預期未來更多的適宜氣候條件以供新能源汽車正常使用，從而增加購買意愿。相反，當購車時的氣溫條件惡劣時，消費者會預期未來更多的糟糕天氣，從而降低購買意愿。因此，當購車時的氣溫條件適宜時，投射偏差將增加新能源汽車的消費；而當購車時的氣溫條件惡劣時，投射偏差將減少新能源汽車的消費。基于此，本文提出以下假設：

假設2a：在適宜氣溫條件下，投射偏差將導致消費者高估未來氣溫的持續性，從而增加新能源汽車的消費。

假設2b：在極端氣溫條件下，投射偏差將導致消費者低估未來適宜氣溫的頻率，從而減少新能源汽車的消費。

2. 注意力

注意力是本文考慮的第二個心理因素。在消費情境下，注意力涉及消費者對特定產品特征的關注，并可能賦予這些特征不成比例的重要性。Bordalo 等（2013）以及Koszegi 和Adam（2013）的研究表明，消費者在購車決策中可能會因為特定情境而對某些特征特別關注。注意力在心理學中是指人們選擇性地關注某些信息并忽略其他信息的過程。該過程受到環境、情境和個人動機的影響。在消費決策中，注意力決定了消費者對產品特征的優先級排序。在氣溫適宜的情況下，新能源汽車的環保特性和經濟性可能更容易引起消費者的注意，而在極端氣溫條件下，消費者的注意力可能更多地集中在車輛的性能和可靠性上。在實際購車過程中，消費者的注意力會受到當前氣溫條件的顯著影響。當氣溫適宜時，消費者可能會更加關注新能源汽車的低碳和環保特性，因為在這種氣溫條件下，新能源汽車的性能優勢更為明顯。然而，當氣溫極端時，消費者的關注點可能會轉向新能源汽車的續航里程和電池耐用性等性能指標。因此，汽車制造商和銷售人員可以通過在適宜氣溫下突出展示新能源汽車的環保特性，在極端氣溫下強調其性能優勢，以吸引消費者的注意力并促進銷售。

在新能源汽車與傳統燃油汽車的選擇中，當氣溫條件適宜時，消費者的注意力可能會集中在新能源汽車的低碳環保特性上，因為適宜氣溫下新能源汽車的性能表現較好，這些特性更容易被消費者認可。因此，消費者更有可能選擇新能源汽車，或至少不會對新能源汽車的消費造成負面影響。相反，當氣溫條件非常惡劣時，消費者的注意力將集中于新能源汽車的性能，因為在極端氣溫下，只有性能較好的新能源汽車才能正常運行。這種情境下，消費者可能會質疑新能源汽車在惡劣天氣中的可靠性，從而降低購買意愿。基于此，本文提出以下假設：

假設3a：在適宜氣溫條件下，消費者的注意力將集中在新能源汽車的環保和經濟性特征上，從而增加新能源汽車的消費。

假設3b：在極端氣溫條件下，消費者的注意力將集中在新能源汽車的性能和可靠性特征上，從而減少新能源汽車的消費。

三、數據、變量與實證策略

（一）數據

本文使用的城市層面季度面板數據包括三個部分：來自中國50 個城市的2010—2020 年的新能源汽車的銷售數據，來自美國國家數據中心（NCDC）的氣候信息以及控制變量數據集。這50 個城市包括：北京、天津、上海、重慶、沈陽、南京、杭州、合肥、鄭州、武漢、廣州、長沙、海口、成都、西安、石家莊、濟南、南昌、昆明、西寧、呼和浩特、烏魯木齊、長春、蘭州、銀川、南寧、福州、太原、哈爾濱、貴陽、深圳、蘇州、南通、大連、襄陽、廈門、唐山、揚州、鹽城、寧波、金華、新鄉、佛山、青島、紹興、湖州、蕪湖、東莞、綿陽、德陽。之所以選擇以上城市，是因為所選的50 個城市覆蓋了中國的主要經濟區域和不同的氣候帶，確保數據具有廣泛的代表性；這些城市大多是中國的主要經濟中心或省會城市，經濟發展水平較高，新能源汽車市場相對成熟。盡管這些城市樣本具有廣泛的代表性，但也可能存在樣本自選擇偏誤。一方面，所選城市大多是經濟發達地區，可能無法完全代表經濟欠發達地區的新能源汽車消費情況。另一方面，由于數據的可得性，部分經濟欠發達地區或小城市未能納入樣本，可能降低結果對這些地區的適用性。

本文主要關注城市維度的新能源汽車季度銷量，數據來源于《節能與新能源汽車年鑒2011—2021》與中國汽車工業協會。另外，NCDC 提供的數據集包括平均氣溫、露點氣溫、最高氣溫、最低氣溫、氣壓、風向、風速、云量和六小時降雨量。本文使用以下方法來解析和處理氣象數據。首先，由于NCDC 氣象站的數據是以CSV 格式的小時級數據，本文使用Python 來解析NCDC 的原始數據。其次，在處理數據后，最重要的工作之一是將氣象站與本文選擇的城市匹配。本文匹配的依據是NCDC 提供的中國地面氣象站基本氣象要素觀測表。如果研究中的城市沒有相應的氣象站，則選擇該城市的縣級氣象站或最近鄰城市的氣象站。最后，本文利用STATA 計算所有經過處理的數據，以獲得本文所需的季度平均值。控制變量集包括城市常住人口，數據來源于《中國城市統計年鑒2011—2021》；居民可支配收入，數據來源于國家統計局、《中國城市統計年鑒2011—2021》與《中國統計年鑒2011—2021》；公共充電樁保有量，數據來源于《節能與新能源汽車年鑒2011—2021》與中國充電聯盟。

（二）變量

本文使用的被核心解釋變量是新能源汽車銷量（EV），它代表了某個城市在一個季度內的新能源汽車消費。平均氣溫是本文的核心解釋變量（T），反映了城市氣溫的變化。氣壓（Pressure）、風向（Direction）、風速（Speed）、云量（Cloud）、六小時降雨（Rain）、城市人口（Population）、可支配收入（Income）以及充電樁數量（Charge）是本研究的控制變量。此外，本文還收集了季節性氣溫和新能源汽車性能的季度城市瀏覽搜索指數（Performance）以進行機制檢驗。除了氣象變量，本文對所有變量進行了對數處理。各變量描述性統計見表1。

（三）實證策略

1. 基準回歸

在進行回歸分析之前，本文需要進行一系列的檢驗來確定回歸模型的合理性。本文通過STATA 16刻畫了新能源汽車消費的自然對數lnEV 隨平均氣溫變化的散點圖以及擬合趨勢（見圖1）。

根據圖1，本文發現隨著平均氣溫的提升，lnEV 呈現倒U 型趨勢，且低溫對新能源汽車消費的負面影響大于高溫。因此，為了測試倒U 型關系的存在，本引入自變量的二次項，并控制城市固定效應和時間固定效應。相比于隨機效應模型，雙向固定效應模型被更多學者用于實證研究，其通過在模型中引入省份的固定效應和時間固定效應，并通過去均值處理把不可觀測因素差分掉，如各地區文化與風俗、性別、種族、宗教等，可以在一定程度上緩解由于不隨時間或個體變化的遺漏變量與解釋變量相關導致的內生性問題。計量模型被設定如下：

2. 廣義雙重差分法

在本研究中，本文采用廣義雙重差分（DID）方法，基于平均季度氣溫與新能源汽車最佳消費氣溫之間的差異構建溫度箱，間隔為4 度，以識別不同氣溫區間對新能源汽車消費的影響。理論上，氣溫通過影響新能源汽車性能及消費者心理偏差（如投射偏差和注意力）進而影響消費決策。廣義DID方法能夠識別不同氣溫條件下處理組與控制組的平均處理效應，從而驗證氣溫對新能源汽車消費的非線性影響，并捕捉地域或氣溫差異所引發的異質性效應1。廣義DID 模型被設定如下：

3. 事前趨勢檢驗與傾向得分匹配

為了驗證處理組和控制組之間的平行趨勢，本文采用事件研究法，并將估計的顯著負面影響歸因于處理的影響。理論上，氣溫對新能源汽車消費的影響可能存在時間滯后效應，因此需要確保在處理前兩組的趨勢相似。通過事件研究法，本文能夠動態觀察處理前后的變化，并將估計的顯著負面影響歸因于氣溫變化的處理效應。這一方法有助于增強結果的穩健性，確保所觀測到的影響確實是由氣溫變化引起的，而非其他因素。在分析過程中，本文估計了處理組和對照組的回歸系數。接下來，本文將這些系數與0 進行比較，以驗證處理組和控制組是否表現出平行趨勢。如果兩組有平行的趨勢或者兩組之間的任何差異隨著時間的推移保持不變，那么認為滿足平行趨勢假設。事件研究模型計量模型設定如下：

4. 作用機制

為了探討氣溫是否影響新能源汽車消費，本文基于心理效應進行機制檢驗，包括投射偏差和注意力。首先，Conlin（2007）提出可以通過找到消費者事后認為決策是錯誤的證據來直接測試投射偏差。Busse（2014）提出在汽車市場中，可以通過觀察在非典型天氣購買的車輛是否比在季節性天氣購買的車輛更快地重新出現在市場上（置換或二手車）來識別投射偏差。本文通過檢驗新能源汽車的轉售、交易或退貨來量化投射偏差。由于數據的可用性，本文只考慮新能源汽車的二手交易。例如，如果一輛新能源汽車在特定氣溫下更有可能被轉售或交易，這可能表明購車者認為他們在該氣溫下的決定是錯誤的。具體來說，通過檢驗非典型天氣條件下市場上的二手新能源汽車庫存是否顯著增加可以識別投射偏差是否存在。在這里，本文為非典型天氣引入了一個虛擬變量，如果當期氣溫與季節性氣溫（1990—2020 年各城市相應季節的平均溫度，數據來源于NCDC）之差gt; 5℃，即為1，否則為0。本文使用的新能源汽車二手交易信息來自58 同城二手車平臺。另一方面，為了識別消費者注意力，本文引入了新能源汽車性能的兩個百度搜索指數和低碳或外觀屬性與氣溫條件虛擬變量來檢驗注意力的存在。基于以上分析，本文采用雙向固定效應模型進行機理檢驗。對于投射偏差，本文的目標是測試在非典型天氣條件下二手車庫存是否會增加。本文使用四個回歸來檢驗兩個搜索索引是否依賴于不適當的氣溫或適當的氣溫。計量模型被設定如下：

5. 基于半參數方法的異質性分析

先前的研究發現，不同類型的新能源汽車（如純電動汽車BEV 和插電式混合動力汽車PHEV）由于其技術特性和性能的差異，在面對氣溫變化時表現出不同的適應性和效率，因此消費者的購買意愿也可能因氣溫的變化而有所不同。為了捕捉這些差異性，本文采用了靈活的半參數方法。這種方法的優點在于能夠在不強加特定函數形式的情況下，靈活地處理不同城市的收入和人口差異，從而檢驗這些社會經濟因素如何影響氣溫對新能源汽車消費的異質性效應。通過該模型，本文可以更準確地識別氣溫變化在不同城市環境中對新能源汽車消費產生的非線性影響，以及這種影響如何因城市的經濟和人口特征而有所不同。這種設置使得模型具有更高的適用性和解釋力度。半參數模型被設定如下：

四、實證結果與分析

（一）基準回歸結果

1. 斷點回歸設計與倒U 型趨勢

在進行基準回歸分析之前，本文使用方差膨脹因子方法檢驗了變量間的多重共線性。結果顯示，VIF 的最大值僅為3.09，平均VIF 為1.61，表明變量之間沒有嚴重的多重共線性問題。此外，Hausman檢驗的結果表明使用固定效應模型是合理性。隨后，本文使用STATA 16 進行了基于模型（1-2）基準回歸分析，基于雙向固定效應模型。本文執行了四次回歸，分別是未納入二次項和控制變量的回歸、未納入二次項的回歸、未納入控制變量的回歸以及包括二次項和控制變量的回歸。首先，表2列（1）～（2）的結果顯示在控制了季度固定效應和城市固定效應的情況下，氣溫對新能源汽車消費的影響是顯著的。其次，列（3）～（4）的結果顯示，當本文在回歸模型中包括氣溫的二次項時，T 的系數為正，T2 的系數為負，兩者在1%的水平上均顯著。因此，隨著氣溫的變化，新能源汽車的消費存在顯著的倒U 型趨勢。然而，上述結果仍然存在一定的缺陷，為了確定二次項是否是一個干擾項，本文參照以往文獻的做法（Simonsohn et al.， 2014）進行RDD 回歸。

具體而言，根據方程（3），本文進行了RDD 回歸。表3 中的回歸結果顯示，T 和T2 的系數具有相反的符號并且顯著，這初步驗證了倒U 型趨勢的存在，也加強了基準回歸結果的穩健性。列（2）的結果顯示Tlow 和Thigh 的系數也具有相反的符號并且顯著，這表明新能源汽車消費和平均氣溫T 之間存在倒U 型趨勢，即氣溫過高或過低均顯著抑制新能源汽車的消費，假設1a 與假設1b得證。此外，TMAX 的估值為16.5971，代表新能源汽車推廣的最優氣溫，同時也是倒U 型趨勢的拐點。從16.60℃每增加1℃和減少1℃，作為當前交易的替代，將導致新能源汽車消費分別減少3.1%和1.1%。與目前的新能源汽車推廣情況相比，從16.60℃增加1℃和減少1℃，將導致新能源汽車銷量減少1881 輛和5302 輛（2010—2020 年中國新能源汽車的平均季度銷量為1710，計算公式為

雖然這種影響不如通過技術創新對生產端的影響大，但這種影響擴大了對氣溫的感知和敏感性，從而影響消費者的購買決策。這些發現也為制定短期新能源汽車推廣策略和合理配置政策資源提供了潛在可能。與氣溫不影響新能源汽車購買的情景相比，這也將導致新能源汽車企業的收入分別減少482.1 萬元和1358.3 萬元（分別為中央政府對新能源汽車購買補貼的年均5.4%和15.4%。假設最暢銷的新能源汽車榮威E550，在考慮中國政府的購置稅減免后，在樣本期間設定為25.63 萬元）。

為了進一步提高RDD 的可信度，本文還繪制了散點圖。從圖2（a）中可以看出，RDD 的回歸結果再次驗證了表3 的結果。結合RDD 結果和圖2（a），此外，RDD 結果還提供了額外的信息，即低溫對消費的負面影響大于高溫。

2. 邊際效應分析

以往的文獻往往通過引入二次項判斷解釋變量和被解釋變量之間是否存在倒U 型關系。然而，更科學的做法必須考慮變量的經濟含義和數值范圍（Wooldridge， 2016）。因此，本文通過邊際效應分析方法提供了更深入的解釋。具體來看，基于樣本數據，本文繪制了平均氣溫與新能源汽車消費的二次擬合趨勢圖（見圖2（b）），同時用虛線標出了解釋變量的最值。顯然，本研究計算得出的拐點位于平均氣溫最大值的左側，即本研究的樣本區間涵蓋了拐點以及其右側的觀察值。圖2（b）中的結果暗示平均氣溫與新能源汽車消費之間存在非線性關系，且平均氣溫對新能源汽車消費的邊際效應先降低后增加。此外，圖2（c）以不同的方式展示了氣溫對新能源汽車消費的邊際效應變化結果。圖2（c）顯示小于拐點的氣溫比大于拐點的氣溫對新能源汽車消費產生更高的負面影響，再次驗證隨平均氣溫變化，新能源汽車消費呈現倒U 型趨勢。

3. 廣義線性模型

本文基于廣義線性回歸模型來估計不同氣溫對新能源汽車消費的影響。表4 列（1）～（2）結果顯示不同氣溫區間對新能源汽車消費的影響不同，這也與先前學術研究關于氣溫對耐用品消費的影響一致（He et al.， 2023）。具體來看，當氣溫低于8℃時，新能源汽車消費縮減。隨著氣溫的升高，特別是在8℃～22℃之間，新能源汽車消費提高。然而，當氣溫升高至26 ℃時，新能源汽車消費再次縮減。該結果與以往的研究一致（Parsons， 2001；Zahabi et al.， 2014），同時也再次證明倒U 型關系的存在，低溫的負面影響更大。圖2（d）是表4 中列（1）～（2）的結果的可視化，表明平均氣溫和新能源汽車消費之間存在倒U 型關系，且低溫的影響大于高溫。

（二）廣義雙重差分法

1. 廣義雙重差分法

本文使用廣義DID 來估計氣溫對新能源汽車推廣的平均處理效應。以4℃的增量為基礎構建溫度箱。設置氣溫箱的理由如下：首先，樣本城市的氣溫在10℃到30℃之間波動，這與中國的氣候變化基本趨勢一致。第二，如果季度間溫差太小，處理效應很難被捕捉。最后，以往的研究發現，居民可以明顯感知到gt;4℃的變化（Smith et al.， 2016）。另外，本文控制了季度固定效應和城市固定效應。廣義DID 的結果見表4 列（3）～（4）。結果和廣義線性回歸的結果相似，增加了結果的穩健性。此外，本文還在圖3（a）中可視化了效果的差異。圖3（a）為溫度偏離最適溫度（14℃～18℃）時新能源汽車銷量的變化趨勢。與對照組（14℃～18℃）相比，新能源汽車銷量的最大正、負影響分別為38.9%（10℃～14℃）和84.0%（26℃～30℃）。結果表明，低溫和高溫都阻礙了新能源汽車消費，再次驗證了溫度與新能源汽車銷量之間的倒U 型關系。圖3（a）中的差異表明，最適合新能源汽車推廣的溫度可能略低于16.6℃。然而，從更廣泛的意義上說，廣義DID 的結果是可以接受的，即當溫度在不合適的范圍內（lt;10℃和lt; 18℃）時，新能源汽車消費將受到阻礙。

2. 平行趨勢檢驗與PSM

滿足平行趨勢條件是使用雙重差分模型的前提條件（Bertrand et al.， 2004）。為了驗證平行趨勢條件，本文使用了事件研究法。在分析過程中，本文獲得了處理組和控制組在氣溫與去年同期的差異gt;1 和lt;1 的條件下的系數。從圖3（b）中可以看出，控制組在統計上與0 不存在差異，這證實了控制組與處理組之間的平行趨勢。同一時期處理組開始顯示出顯著的負影響，盡管幅度有所波動。這種波動可能與不受控制的交易季節性有關。對于其余額外的測試，首先，本文獲取了當期與去年同期相比，城市平均氣溫差值小于0.1 和大于0.1 的情況下平均氣溫的系數。其次，基于聯合顯著性檢驗，本文檢驗了在當前期與去年同期城市平均氣溫差值小于0.1 和大于0.1 的情況下系數與零之間的差異。所有的檢驗結果均在表5 中呈現。根據表5 列（1）～（2）的結果，本文發現處理組的系數與零之間存在統計學顯著差異，而控制組不存在。此外，本文通過SUR 測試了城市當前期平均氣溫與去年同期平均氣溫之間差值小于0.1 和大于0.1 情況下的系數之間的差異。表5 列（3）結果顯示，處理組的系數與控制組的系數存在顯著差異。綜上所述，處理組和控制組具有滿足平行趨勢條件。

在驗證了平行趨勢條件后，本文識別策略的另一個挑戰是樣本自選擇問題（Shen et al.， 2021），即新能源汽車消費不滿足隨機分配條件。為了應對這一問題，本文使用傾向得分匹配方法。表6 中的匹配結果顯示，匹配前的平均處理效應為4.38，在1%的水平上顯著，匹配后的平均處理效應為4.37，在1%的水平上顯著。平行趨勢檢驗的結果顯示，處理組和控制組的絕大多數樣本（尤其是控制組樣本）均符合匹配的條件，只有0 和13 個樣本分別位于處理組和控制組的共同值范圍之外，這表明絕大多數樣本（尤其是控制組樣本）均適合匹配。另外，為了檢驗匹配的有效性和可信度，本文進行了平衡性檢驗，即測試匹配后的協變量標準化均值差異是否顯著不同。

圖3（c）中的平衡性檢驗結果顯示，所有協變量的%偏差均小于10%，并且均顯著小于匹配前的%偏差，與匹配前相比，%偏差的絕對值顯著減少了19%～96%。圖3（d）中的PSM 平行趨勢假設檢驗結果與表6 的結果一致，即處理組和控制組的絕大多數樣本均在共同值范圍內，而不在共同值范圍內的樣本的傾向得分值更極端。

3. PSM-DID

為了進一步檢驗匹配的效果以及廣義DID 結果的穩健性，本文還測試了匹配前后控制組與對照組的傾向得分值是否存在差異。核密度結果（附錄圖1）顯示，無論匹配前還是匹配后，兩組核密度曲線均有所偏離，但匹配后兩組之間的曲線更接近，可以從平均距離的降低中看出。最后，本文再次使用匹配的樣本進行廣義DID 分析，并將回歸結果與基線回歸結果進行比較。回歸結果（附錄表1）顯示，使用匹配樣本進行的回歸結果與基準DID 模型的結果差異較小，增強了結論的穩健性。

（三）穩健性檢驗

1. 分組分位數回歸

為了提高本文結論的穩健性，本文采用以下方法進行了穩健性檢驗。首先，本文通過分組分位數回歸來測試倒U 型關系的存在。出于穩健性的考慮，本文將樣本分為兩組，分別使用樣本均值（第一組）和75 分位數（第二組）作為分組標準。結果顯示（見附錄表2）分組標準兩側的氣溫系數支持倒U 型關系的有效性（左側系數gt;0；右側系數lt;0）。

2. 基于Utest 的精確檢驗

其次，在實證分析中，解釋變量和被解釋變量之間往往存在非線性關系。在這里，基于Lind 和Mehlum（2010）的做法，本文使用了一個通用框架Utest 來檢驗氣溫與新能源汽車消費之間是否存在倒U 型關系。附錄表3 中Utest 的結果顯示氣溫的“極值點”為21.67。氣溫的范圍為14.7℃～29.7℃。可以看出，“極值點”位于氣溫范圍內，在1%的顯著性水平上拒絕了原假設。與此同時，結果中的斜率在這個區間內是負數，可以認為氣溫與新能源汽車消費存在倒U 型關系。

3. 廣義矩估計

此外，考慮到過去的新能源汽車消費可能對當期的消費產生影響，本文在模型中引入了因變量的滯后一期，并通過系統廣義矩估計（GMM）方法進行估計。附錄表4 中的GMM 結果顯示，過去的新能源汽車消費對當期的消費具有顯著的影響，且該影響為正。當本文將滯后1 的因變量添加到模型中時，SARGAN 和自回歸測試AR（1）均通過了測試，而自回歸測試AR（2）gt; 0.1，表明因變量滯后1 期是合理的。此時，新能源汽車消費與氣溫之間的倒U 型關系仍然存在，證明了上文結果的穩健性。

4. 基于汽車類型的安慰劑檢驗

此外，本文基于傳統燃油車（ICEV）銷量數據進行安慰劑測試。該測試方法與基準回歸相同。氣溫與傳統燃油車消費之間不存在倒U 型關系，這從側面證明了氣溫與新能源汽車消費之間的倒U 型關系是相對合理的。

5. 隨機抽樣安慰劑檢驗

本節基于隨機抽樣方法進行安慰劑檢驗。通常情況下，本文無法觀察到廣義 DID 模型是否遺漏了重要的變量，從而導致估計結果可能存在偏差。為了解決這個問題，本文采用1000 次隨機抽樣進行間接的驗證。附錄圖2 顯示1000 次隨機抽樣的 值呈現以零為中心的正態分布，且與基線回歸結果（虛線）存在顯著差異。這一結果間接驗證了 = 0。因此，可以得出結論，本文的廣義DID 模型沒有明顯的遺漏變量問題，從而提升了本文結論的穩健性。

6. 排除相關政策

為了排除其他影響新能源汽車銷量的政策干擾，本文在基準模型中引入了一個新的虛擬變量，作為控制變量。如果樣本城市地方政府當年出臺或已經出臺了《新能源汽車產業發展規劃》，則該虛擬變量為1，否則為0。數據來源于《節能與新能源汽車年鑒2011-2021》與各市政府、發改委官網。回歸結果見附錄表5 列（5）。結果依然支持假設1a～1b。

五、進一步分析

（一）基于心理效應的機制分析

本文已經驗證了氣溫對新能源汽車消費的影響，然而，這些影響如何發揮作用仍需要進一步的機制檢驗。因此，本文基于兩個心理效應機制，即投射偏差和注意力檢驗氣溫影響新能源汽車消費的機制。一方面，根據式（7）檢驗了投射偏差的存在性。表7 中列（1）的回歸結果表明，非典型天氣條件增加了二手新能源汽車的庫存。這一結果證實了投射偏差的存在，假設2b 得證（典型天氣條件的結果不顯著，驗證了假設2a1）。此外，基于2.3 的分析，本文認為新能源汽車市場中消費者的投射偏差與新能源汽車消費之間存在因果關系。

另一方面，本文根據式（8）～（11）檢驗消費者注意力的存在。表7 列（2）、（4）的回歸結果表明，新能源汽車性能搜索指數隨氣溫呈U 型趨勢，而低碳或外觀搜索指數隨氣溫呈倒U 型趨勢。這一結果意味著，當氣溫過低或過高時，新能源汽車的性能是最受關注的特征。相比之下，當氣溫在適當的范圍內時，低碳或外觀是最受關注的特征，假設3a～3b 得證。此外，基于2.3 的分析，本文認為在新能源汽車市場中，消費者的注意力與新能源汽車推廣之間存在著密切的聯系。因此，氣溫通過注意力影響新能源汽車消費的機制得到了驗證。盡管這兩種機制都意味著新能源汽車消費會隨著氣溫的偏離而下降，但兩種機制的影響是不同的。一個非常重要的區別是，前者的效果是“水平的”，而后者是“垂直的”。投射偏差表明，當絕對天氣好的時候，人們會購買更多的新能源汽車。與基準相比，當天氣異常惡劣時，注意力會提高新能源汽車的購買意愿。

（二）異質性分析

1. 新能源汽車vs 插電式混合動力汽車

先前的研究發現，不同類型的新能源汽車對環境的響應和敏感度不同（Parsons， 2001），因此，本文通過分組回歸來考察氣溫對不同類型新能源汽車消費的影響。根據附錄表6 中的結果，本文發現氣溫與新能源汽車消費之間的倒U 型關系對于純新能源汽車仍然成立，但對于插電式混合動力汽車不成立，這與先前研究的結構一致（Li et al.，2023）。

2. 經濟社會特征

先前的研究表明，氣溫對新能源汽車消費的影響通常受到不同的經濟和社會特征的影響，從而導致了異質性（Zahabi et al.， 2014）。因此，本節關注了幾個最有可能產生影響的變量，包括新能源汽車類型、收入水平、人口規模和充電設施完善程度。本文共進行了四次靈活的半參數檢驗，結果見圖4。首先，本文將氣溫設置為異質性變量，再次考察氣溫對新能源汽車消費的影響。圖4（a）顯示氣溫對新能源汽車消費的影響隨著氣溫的變化先增加后降低，呈現倒U 型趨勢。這一發現再次提高了本文結論的可信性與穩健性。第二，圖4（b）顯示人口規模增加時，氣溫對新能源汽車消費的影響先降低后增加。在中國，低人口往往意味著山區或高原地區，這些地區通常沒有足夠的充電設施（Xiong and Wang， 2020）。類似地，當人口過高時，通常意味著充電設施不足或交通擁堵（Langbroek et al.， 2016）。此外，圖4（c）顯示隨著收入水平的增加，氣溫對新能源汽車消費的影響降低，這與先前的研究一致。這是因為更高收入群體可以負擔得起建立私人充電設施（Sierzchulaet al.， 2014）。最后，圖4（d）顯示隨著城市充電設施的改善和充電站數量的增加，氣溫對新能源汽車消費的影響減弱。更多的充電設施可以有效地彌補由于極端氣溫造成的新能源汽車續航里程下降和充電焦慮（Ma et al.， 2019）。

六、結論與政策建議

本文的研究結果顯示，氣溫變化對新能源汽車消費產生了顯著影響。隨著氣溫的升降，新能源汽車消費呈現出倒U 型的變化趨勢。無論是過高還是過低的氣溫都會導致新能源汽車消費減少，但低溫的負面影響更為顯著。本文揭示了消費者在氣溫波動下對新能源汽車的心理預期的變化，從而改變其購買決策。這種影響可能會妨礙新能源汽車的推廣和應用，從而對實現“碳達峰”和“碳中和”的目標構成挑戰。本文的研究表明，當交易前的氣溫偏離新能源汽車的最佳氣溫（16.60℃）時，購買新能源汽車的概率會降低。在16.60℃的基礎上，每增加1℃和降低1℃，新能源汽車的將分別減少1881 輛和5302 輛（分別占新能源汽車企業收入的4.821 億元和1358.3 億元）。與低溫和高溫相比，最大的積極影響出現在14℃～18℃，新能源汽車消費增加了24.9%。與14℃～18℃的氣溫相比，最大的負面影響出現在氣溫lt;6℃，新能源汽車消費下降了132.7%。盡管氣溫因素可能相對于技術和補貼等其他因素而言受到較少關注，但它為新能源汽車產業的可持續發展提供了機會，有助于消費者更好地理解氣溫對其購買決策的風險和敏感性。本文的研究結果為政策制定者和新能源汽車企業提供了新的視角。一方面，新能源汽車企業可以根據氣溫變化制定更有效的市場營銷策略。更重要的是，新能源汽車企業和政府部門應加快開發與全天候新能源汽車和電池熱管理相關的技術，以逐漸減少新能源汽車對氣溫變化的敏感性。另一方面，政策制定者不僅應向制造商和駕駛員提供更詳細和專業的新能源汽車技術性能和氣溫信息，還應不斷改善城市充電設施，以滿足不斷增長的充電需求，特別是在氣溫敏感度較高的城市。此外，政策制定者還應向制造商提供財政支持和合理的專利豁免，以減輕新能源汽車對氣溫變化的脆弱性。

影響機制的研究結果表明，投射偏差和注意力是影響新能源汽車消費的有效心理機制。除了增加對全氣候新能源汽車研發的投資外，政策制定者還應該建立新能源汽車與天氣信息之間的傳遞和反饋機制，以便及時向駕駛員提供有關氣溫變化的信息，使他們能夠選擇適當的交通工具或旅行目的地，從而減少由于氣溫變化而導致的交通事故或出行不便。

隨著燃料成本的不斷上升，能源貧困和能源利用效率進一步下降的問題日益嚴重。本文的異質性效應測試表明，當消費者生活在人口相對較少或較多、收入較高以及擁有更多充電設施的社區時，極端氣溫對新能源汽車消費的負面影響較小。因此，需要著重考慮如何進一步激勵經濟社會地位較低的群體使用新能源汽車，以解決能源貧困問題。為此，政策制定者應該考慮包括天氣影響因素在內的經濟政策，這一關系值得學術研究人員和政策制定者的密切關注。以往關于能源型耐用品的研究主要集中在如何利用政策激勵和其他類型的經濟激勵措施來增加能效產品的消費（Newell andSiikam?ki， 2013）。然而，由于在某些情況下，消費者更有可能關注新能源汽車，這可能會顯著提升政策或激勵措施的效果。因此，本文的研究結果可以為將氣溫波動納入產業政策或其他激勵計劃的政策組合方案提供更多的理論依據。同時，對于在本文的異質性分析中可能更加敏感的城市和社區，新能源汽車企業可以將氣溫波動納入以天氣為基礎的營銷策略中（Gillingham and Palmer， 2014）。此外，政策制定者在評估氣候變化損失時應考慮消費者行為，并探索將購買行為變化作為減少溫室氣體排放的潛在途徑。鑒于氣溫變化不僅在中國而且在全球范圍內將變得更加頻繁和劇烈（Biardeau et al.， 2019），這種需求端策略可能在提高能源利用效率和增加新能源汽車消費方面發揮關鍵作用。

參考文獻

[1] 李國棟，羅瑞琦，谷永芬. 政府推廣政策與新能源汽車需求：來自上海的證據[J]. 中國工業經濟，2019 年第4 期，第42-61 頁。

[2] 趙小磊，李雪梅. 產業政策對充電基礎設施產業的影響機制與經驗證據[J]. 中國人口·資源與環境，2024 年第07 期，第47-57 頁。

[3] 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 年第6 期，第147-161 頁。

[4] 周燕，潘遙. 財政補貼與稅收減免——交易費用視角下的新能源汽車產業政策分析[J]. 管理世界，2019 年第10 期，第133-149 頁。

[5] Agnew， M. D.， Thornes， J. E. “The weather sensitivity of the UK food retail and distribution industry”， Meteorological Applications， 1995， 4（2）， 137-147.

[6] Bakker， S.， Jacob Trip， J. “Policy options to support the adoption of electric vehicles in the urban environment”，Transportation Research Part D： Transport and Environment， 2013， 25， 18-23.

[7] Belen， M. G. “Weather， climate and tourism a geographical perspective”， Annals of Tourism Research， 2005， 32（3），571-591.

[8] Bertrand， J. L.， Brusset， X.， Fortin， M. “Assessing and hedging the cost of unseasonal weather： Case of the apparelsector”， European Journal of Operational Research， 2015， 244， 261-276.

[9] Biardeau， L. T.， Davis， L. W.， Gertler， P.， Wolfram， C. “Heat exposure and global air conditioning”， Nature Sustainability， 2019， 3， 25-28.

[10] Bordalo， P.， Nicola， G.， Andrei， S. “Salience and Consumer Choice”， Journal of Political Economy， 2013， 121（5）， 803-843.

[11] Bordalo， P.， Nicola， G.， Andrei， S. “Salience Theory of Choice Under Risk”， Quarterly Journal of Economics， 2012，127（3）， 1243-1285.

[12] Busse， M. R.， Pope， D. G.， Pope， J. C.， Silva-Risso， J. “The psychological effect of weather on car purchases”，Quarterly Journal of Economics， 2015， 130， 371-414.

[13] Chen， K.， Ren， C.， Gu， R.， Zhang， P. “Exploring purchase intentions of new energy vehicles： From the perspective of frugality and the concept of ‘mianzi’”， Journal of Cleaner Production， 2019， 230， 700-708.

[14] Conlin， M.， Donoghue， T. O.， Vogelsang， T. J. “Projection bias in catalog orders”， American Economic Review， 2007，97（4）， 1217–1249.

[15] Diamond， D. “The impact of government incentives for hybrid-electric vehicles： evidence from US states”， Energy Policy， 2009， 37（3）， 972–983.

[16] Egnér， F.， Trosvik， L. “Electric vehicle adoption in Sweden and the impact of local policy instruments”， Energy Policy，2018， 121， 584-596.

[17] Fetene， G. M.， Kaplan， S.， Mabit， S. L.， Jensen， A. F.， Prato， C.G. “Harnessing big data for estimating the energy consumption and driving range of electric vehicles”， Transportation Research Part D： Transport and Environment，2017， 54， 1-11.

[18] Gillingham， K.， Palmer， K. “Bridging the Energy Efficiency Gap： Policy Insights from Economic Theory and Empirical Evidence”， Review of Environmental Economics and Policy， 2014， 8， 18-38.

[19] Gonzalez， A.， Tersvirta， T.， Dijk， D. V. “Panel smooth transition regression models”， Research Paper， 2005.

[20] Hao， X.， Wang， H.， Lin， Z.， Ouyang， M. “Seasonal effects on electric vehicle energy consumption and driving range：A case study on personal， taxi， and ridesharing vehicles”， Journal of Cleaner Production， 2020， 249， 119403.

[21] Hashmi， A. R. “Competition and innovation： the inverted-u relationship revisited”， Review of Economics and Statistics，2013， 95， 1653-1668.

[22] He， P.， Liu， P.， Qiu， Y. L.， Liu， L. “The weather affects air conditioner purchases to fill the energy efficiency gap”，Nature Communications， 2022， 13， 5772.

[23] Heckman， J. “Sample selection bias as a specification error”， Econometrica， 1979， 47， 153-161.

[24] Jay， O.， Capon， A.， Berry， P.， et al. “Reducing the health effects of hot weather and heat extremes： from personal cooling strategies to green cities”， Lancet， 2021， 398， 709-724.

[25] Koszegi， B.， Adam， S. “A Model of Focusing in Economic Choice”， Quarterly Journal of Economics， 2013， 128（1），53-107.

[26] Langbroek， J. H. M.， Franklin， J. P.， Susilo， Y. O. “The effect of policy incentives on electric vehicle adoption”， Energy Policy， 2016， 94， 94-103.

[27] Li， X.， Zhao， X.， Xue， D.， Tian， Q. “Impact of regional temperature on the adoption of electric vehicles： an empirical study based on 20 provinces in China”， Environmental Science and Pollution Research， 2023， 30， 11443-11457.

[28] Lind， J. T.， Mehlum， H. “With or Without U？ The Appropriate Test for a U-Shaped Relationship”， Oxford Bulletin of Economics and Statistics， 2010， 72， 109-118.

[29] Loewenstein， G.， O’Donoghue， T.， Rabin， M. “Projection Bias in Predicting Future Utility”， Quarterly Journal of Economics， 2003， 118， 1209-1248.

[30] Ma， S. C.， Fan， Y.， Guo， J. F.， Xu， J. H.， Zhu， J. “Analysing online behaviour to determine Chinese consumers’preferences for electric vehicles”， Journal of Cleaner Production， 2019， 229， 244-255.

[31] Michalek， J. J.， Chester， M.， Jaramillo， P.， Samaras， C.， Shiau， C. S.， Lave， L. B. “Valuation of plug-in vehicle lifecycle air emissions and oil displacement benefits”， Proceedings of the National Academy of Sciences， 2011， 108，16554-16558.

[32] Murray， K. B.， Di Muro， F.， Finn， A.， Popkowski Leszczyc， P. “The effect of weather on consumer spending”， Journal of Retailing and Consumer Services， 2010， 17， 512-520.

[33] Newell， R. G.， Siikam?ki， J. “Nudging energy efficiency behavior： the role of information labels”， Journal of the Association of Environmental and Resource Economists， 2014， 1， 555-598.

[34] Parsons， G. A. “The association between daily weather and daily shopping patterns”， Australasian Marketing Journal，2001， 9（2）， 78-84.

[35] Shen， X.， Liu， P.， Qiu， Y.， Patwardhan， A.， Vaishnav， P. “Estimation of change in house sales prices in the United States after heat pump adoption”， Nature Energy， 2020， 6， 30-37.

[36] Sierzchula， W.， Bakker， S.， Maat， K.， van Wee， B. “The influence of financial incentives and other socio-economic factors on electric vehicle adoption”， Energy Policy， 2014， 68， 183-194.

[37] Simonsohn. U.， Nelson， L. D.， Simmons， J. “P-curve： a key to the file-drawer”. Journal of Experimental Psycholog，2014， 143（2）， 534-547.

[38] Smith， K. R.， Woodward， A.， Lemke， B.， Otto， M.， Chang， C.J.， Mance， A. A.， Balmes， J.， Kjellstrom， T. “The last Summer Olympics？ Climate change， health， and work outdoors”， Lancet， 2016， 388， 642-644.

[39] Stulec. I.， Petljak. K.， Naletina. D. “Weather impact on retail sales： how can weather derivatives help with adverse weather deviations？”， Journal of Retailing and Consumer Services， 2019， 49， 1-10.

[40] Suarez-Bertoa， R.， Pavlovic， J.， Trentadue， G.， Otura-Garcia， M.， Tansini， A.， Ciuffo， B.， Astorga， C. “Effect of Low Ambient Temperature on Emissions and Electric Range of Plug-In Hybrid Electric Vehicles”， ACS Omega， 2019， 4，3159-3168.

[41] Swaab， R. I.， Schaerer， M.， Anicich， E. M.， et al. “The too-much-talent effect： Team interdependence determines when more talent is too much or not enough”， Psychological Science， 2014， 25（8）， 1581-1591.

[42] Tian， X.， Cao， S.， Song， Y. “The impact of weather on consumer behavior and retail performance： Evidence from a convenience store chain in China”， Journal of Retailing and Consumer Services， 2021， 62， 102583.

[43] Ungemach， C.， Stewart， N.， Reimers， S. “How incidental Values from the environment affect decisions about money，risk， and delay”， Psychological Science， 2011， 22（2）， 253-260.

[44] Watts， N.， Amann， M.， et al. “The 2018 report of the Lancet Countdown on health and climate change： shaping the health of nations for centuries to come”， Lancet， 2018， 392， 2479-2514.

[45] Wietze， L.， Richard， S. J. “Impact of climate on tourist demand”. Climate Change Modelling and Policy， 2002， 55，429-449.

[46] Wooldridge， J. M. “Introductory Econometrics a Modern Approach”， 6th Edition. Sec， 2016， 3， 153-158.

[47] Xiong， Y. Q.， Wang， L. Y. “Policy cognition of potential consumers of new energy vehicles and its sensitivity to purchase willingness”， Journal of Cleaner Production， 2020， 261， 121032.

[48] Yuksel， T.， Tamayao， M. A. M.， Hendrickson， C.， Azevedo， I. M. L.， Michalek， J. J. “Effect of regional grid mix，driving patterns and climate on the comparative carbon footprint of gasoline and plug-in electric vehicles in the United States”， Environmental Research Letters， 2016， 11， 044007.

[49] Zahabi， S. A. H.， Miranda-Moreno， L.， Barla， P.， Vincent， B. “Fuel economy of hybrid-electric versus conventional gasoline vehicles in real-world conditions： A case study of cold cities in Quebec， Canada”， Transportation Research Part D： Transport and Environment， 2014， 32， 184-192.

[50] Zhao， X.， Hu， H.， Yuan， H.， Chu， X. “How does adoption of electric vehicles reduce carbon emissions？ Evidence from China”， Heliyon， 2023， 9， e20296.