新能源汽车消费激励政策的实施效果研究

高新伟， 周春燕

（中国石油大学（华东）经济管理学院，山东青岛 266580）

由IEA发布的《全球能源与二氧化碳现状2018》报告显示，2018年全球碳排放创历史新高，达到331亿t［1］，其中交通运输业的碳排放占据重要部分［2］. 中国汽车工业协会统计数据显示，中国2019年新能源汽车的销量仅占当期国内汽车销量的4.68%，相较于传统燃油汽车，新能源汽车的市场占比极低，消费不足. 基于此，本文通过定量分析充电基础设施相关政策、购置补贴政策和油价相关政策与新能源汽车消费量的关系，评估这3类消费激励政策的有效性，并根据结果针对性地提出激励新能源汽车消费的对策建议，为政府在有限的成本内向效果更强的政策倾斜、更高效地激励新能源汽车消费、缓解国内环境污染压力、优化能源消费结构提供参考.

1 研究综述

近年来，新能源汽车产业热吸引了国内外大量学者的目光，学者们对新能源汽车消费激励政策的研究逐渐增多，研究主要集中在新能源汽车消费激励政策效果评价、新能源汽车消费激励政策完善建议等方面.

1.1 新能源汽车消费激励政策效果评价研究

新能源汽车消费激励政策效果评价研究主要集中在政策效果定性分析、政策效果定量评估和不同政策的实施效果比较等方面.

在新能源汽车消费激励政策效果的定性分析研究中，Zhang等总结了不同国家的电动汽车消费激励政策，并以美国为例分析了财政政策、技术支持政策和充电基础设施扶持政策激励新能源汽车采用的作用机制［3］. 赵世佳等认为在充电设施扶持政策的积极作用下，充电基础设施的建设日渐完善、充电网络逐渐优化，这推动了电动汽车的推广与应用［4］. Brini等以清洁能源为例进行研究，发现油价一定程度的升高能激励清洁能源的消费，因此为推动清洁能源的发展可适当调高油价［5］. Yang研究发现购置补贴能够减少电动汽车的购买成本，进而促进消费者对电动汽车的采用［6］.

在新能源汽车消费激励政策效果的定量评估研究中，部分学者对消费激励政策的效果持肯定态度. 以财税政策为例，张海斌和盛昭瀚采用多Agent方法构建政府补贴政策激励模型，研究发现，政府适度的补贴可以扩大市场需求规模，对开拓新能源汽车市场有正向作用［7］. Jenn等评估了电动汽车的货币激励措施在美国不同州的激励效果，发现每提供1000 美元作为税收抵免或退税，电动汽车平均销售额会增长2.6%［8］.在其他政策效果评估研究中，Bakker和Trip分析欧洲城市的数据发现，政府集中采购电动汽车能够通过向公众传达电动汽车技术支持来增加其采用率［9］. 张奇等研究指出，“双积分”政策能有效地激励新能源汽车行业的发展，且政策效果在完全竞争的市场环境下较为显著［10］. 也有部分学者对相关政策的作用效果提出质疑，质疑主要集中在目前处于退坡状态的补贴政策. 高倩等构建演化博弈模型，研究发现政府补贴的政策效果与预期差距较大，当下补贴政策的实施力度存在问题，应合理地控制补贴范围［11］. 孙晓华和徐帅探究新能源汽车补贴政策对消费者购车意愿的影响，结果表明，补贴政策激励购买的作用效果较弱［12］.

在不同政策实施效果比较的研究中，学者们尚未得到一致的结论. Sierzchula 等指出，充电基础设施建设、购置补贴、电动汽车产量与电动汽车的市场份额显著正相关，且充电基础设施建设在激励电动汽车市场扩展中作用最强［13］. 与Sierzchula 等的结论不同，Silvia和Krause评估补贴、安装公共充电站、政府集中采购和混合政策对美国使用新能源汽车的影响，发现政府集中采购比扩展充电网络更有效，混合政策是提高新能源汽车采用率最有效的激励措施［14］. 马少超和范英采用时间序列协整模型评估购置补贴、税收减免、车辆限行和限购政策对新能源汽车市场份额的影响，发现3类政策都能推动新能源汽车市场份额增长，短期看限购政策有更强的推动作用［15］. Qiu等研究了中国88个试点城市电动汽车激励政策的有效性，发现基础设施建设补贴和充电折扣这两项需求侧政策与电动汽车销量存在正相关关系，但购置补贴、车型开发奖励、停车优惠、生产奖励不影响电动汽车的销量［16］. 李国栋等研究发现，补贴政策和免牌照政策贡献了样本新能源汽车45.57%的销量，而单独的补贴政策贡献了43.09%的销量，单独的免牌照政策只贡献了4.85%的销量［17］.

1.2 新能源汽车消费激励政策完善建议研究

完善新能源汽车消费激励政策的建议主要从充电基础设施、补贴以及油价相关的政策等方面进行研究. 在完善充电基础设施相关政策的建议中，Ning等发现高油价和低电价推动了电动出租车的采用，建议政府降低电池价格，提高充电站效率以推动电动出租车的发展［18］. 张勇等建议加强对充电设施的扶持，促进充电基础设施多元化建设［19］. 在完善补贴政策的建议中，谢梦等建议政府在新能源汽车发展初期主要施行目标为市场开拓的补贴政策，在新能源汽车发展至均衡市场价值后，主要施行直接研发补贴［20］. 孙红霞和吕慧荣指出，政府应在后补贴时期根据新能源汽车市场情况相应地完善补贴力度和退坡速度［21］. 在完善油价相关政策的建议中，汪泽波发现，油价较低时对新能源汽车的市场拓展有负面影响，为推动新能源汽车稳健发展，建议政府优化成品油的定价机制和政策［22］.

综上所述，国内外学者对新能源汽车消费激励政策的相关研究成果较为丰富，但目前的研究尚未得到一致的结论. 参考以往研究，可以发现，在当前形势下充电基础设施相关政策、购置补贴政策和油价相关政策是影响新能源汽车消费的主要激励措施，但尚未有学者研究比较它们的实施效果. 基于此，本文将研究对象扩展为充电基础设施相关政策、购置补贴政策和油价相关政策，综合考虑这3种政策，运用全生命周期成本模型，模拟分析3种政策对新能源汽车消费的影响，并构建向量自回归（VAR）模型，定量分析比较它们的实施效果，对比两种方法的结果以提高研究结果的准确性，并根据分析结果提出优化新能源汽车消费激励政策的建议.

2 不同政策对新能源汽车消费影响的模拟分析

本文依据现有文献的研究经验，选取充电基础设施相关政策、购置补贴政策和油价相关政策进行效果评价. 充电基础设施相关政策是推动充电设施建设的激励政策，其效果表现为充电设施建设的数量，对新能源汽车而言，充电桩是充电设施的重要组成部分，因此以充电桩数量衡量充电基础设施相关政策；购置补贴政策的激励形式是给予补贴金额，所以直接选取购置补贴数额来衡量该消费激励政策；油价相关政策是调整油价区间的措施，政策调整的结果用油价来表示，汽油在中国成品油消费中所占比例最大，因此用汽油价格来衡量油价相关政策；新能源汽车的消费情况用新能源汽车的销量来衡量. 在确定变量后，通过对比新能源汽车和传统燃油汽车在全生命周期内相对总成本的变化，构建新能源汽车全生命周期成本模型，模拟分析不同政策对新能源汽车消费的影响.

2.1 模型构建

2.1.1 新能源汽车全生命周期成本分析 全生命周期模型最早由Hamilton提出，主要应用于工程项目的研究，经过不同领域的应用演变，逐渐应用于消费领域. 本文从消费视角出发，根据Hutton和Wilkie在1980年文章中对商品全生命周期成本的划分［23］，结合汽车全生命周期成本的相关研究，衡量不同的政策对新能源汽车消费的影响，并定义全生命周期成本模型的公式为：

式中：TCO为新能源汽车全生命周期成本；T1为初始成本，是消费者最初购买新能源汽车的实际支出费用；T2为运行成本，是消费者使用新能源汽车过程中支出的费用；T3为报废成本；T4为环境成本.

将T1、T2分解，得到全生命周期成本模型的公式为：

式中：I为新能源汽车的原价；S为新能源汽车所获得的补贴；d为新能源汽车折旧率；P为电力单价；m为新能源汽车全生命周期内行驶里程数；e为车辆耗电效率，即百公里耗电量；C为充电桩数量；M为车辆维修成本；N为车辆保险费用.

2.1.2 全生命周期成本模型构建 相对于新能源汽车，传统燃油汽车的全生命周期成本有所不同. 具体而言，燃油汽车的初始成本中不包含补贴；运行成本也因燃料的不同产生差异，由于中国成品油消费中汽油占比最大，所以假设传统燃油汽车的燃料全部为汽油，因此得出传统燃油汽车的全生命周期成本TCO′的公式为：

分解T′1和T′2得到TCO′的公式为：

式中：P′为汽油单价；e′为车辆耗油效率，即百公里耗油量.

燃油汽车与新能源汽车互为替代品，根据经济学中的替代效应可知，在完全竞争市场中，传统燃油汽车相对价格的变动会引起新能源汽车销量的变化，因此本文在原有模型基础上，以新能源汽车相对于燃油汽车的全生命周期成本来衡量政策变化对新能源汽车消费量的影响，由此得到新能源汽车相对全生命周期成本T的表达式为：

将式（2）和式（4）代入得：

2.2 模拟分析

2.2.1 基本参数设定 对新能源汽车相对全生命周期成本中的各项参数进行赋值，通过数值更直观地展示不同政策变化对全生命周期成本的影响，进而通过成本影响新能源汽车的消费量. 本文以新能源汽车发展迅速的比亚迪汽车为例，以其生产的同一车型的纯电动汽车与燃油汽车作为研究对象，选取2017年各参数数据进行赋值，其中两类汽车的原价和百公里耗能量均来自太平洋汽车网（https://www.pcauto.com.cn/）；通过国家出台的《关于2016—2020年新能源汽车推广应用财政支持政策的通知》和各地补贴政策，得到全国大多地区对该新能源汽车的补贴为6.6万元；新能源汽车和燃油汽车的折旧率借鉴Palmer和Tate文章中折旧率的赋值［24］；电力单价来自中国电力网；汽油价格为2017年93号汽油均价，由Wind资讯（https://www.wind.com.cn/）2017年1—12月公布的93号汽油月度价格数据计算得出；新能源汽车、燃油汽车全生命周期内的行驶里程数和环境成本借鉴张雷等的文章数据［25］；充电桩数量来自中国电动汽车充电基础设施促进联盟（http://www.evcipa.org.cn/）2017年1—12月公布的统计汇总数据；由于汽车维修成本因车主自身情况而异，本文计算全生命周期成本时不考虑该因素；保险费用和报废成本借鉴任玉珑等的文章数据［26］. 详细参数设定见表1.

表1 参数设定表Tab.1 Parameters setting

2.2.2 政策变化对消费影响的模拟分析 在不同政策变化设定方面，由于中国新能源汽车消费激励政策的实施程度与美国、日本、欧洲各国的政策相比较弱，因此假设充电基础设施相关政策和购置补贴政策实施强度分别增加10%、20%、30%…100%，而油价的基数相对于充电桩数量和购置补贴数值较小，因此借鉴陈麟瓒等对限行政策相同效果的设定［27］，假设油价相关的政策实施强度分别增加1%、2%、3%…10%，将参数代入模型，并对每种情况下的新能源汽车全生命周期成本进行分析，图1为模拟结果，纵轴以3%后小数为基数. 例如，政策强度为0时，对应相对成本变化76.08%代表3.7608%.

图1 不同政策变化下新能源汽车相对全生命周期成本模拟变化图Fig.1 Simulation change of new energy vehicle relative life cycle cost under different policies changes

图1表明，随着充电基础设施相关政策、购置补贴和油价相关政策实施强度的不断增加，新能源汽车相对于传统燃油车的全生命周期成本都不断减少，即随着政策实施强度的增加，理性消费者购买新能源汽车的数量会不断增加，新能源汽车的销量会不断提升，说明这3类政策的实施均能拉动新能源汽车的消费；在政策实施增加相同强度的基础上，充电基础设施相关政策中新能源汽车相对全生命周期成本的减少量最多，其次是购置补贴政策，最后是油价相关政策，说明充电基础设施相关政策激励新能源汽车消费的效果最强，购置补贴政策次之，油价相关政策激励效果最弱.

3 不同政策对新能源汽车消费影响的定量分析

为进一步确保研究结果的准确性，在上文模拟分析的基础上，选取相同的变量，构建能够反映多个变量间动态关系的VAR模型、定量分析政策实施效果，并与模拟分析结果相比较.

3.1 数据与模型介绍

3.1.1 样本数据选择与处理 以2014年12月为研究起点，原因是2014年之前中国新能源汽车发展缓慢，未公开起点之前其销量与充电桩数量的月度数据；以2018年6月为研究终点，原因是2018年之后补贴退坡幅度过大，对政策结果的准确性有一定影响. 充电桩数量来自中国电动汽车充电基础设施促进联盟，为月度累计值；新能源汽车销量与购置补贴数据来自中国汽车工业协会，其中补贴基准是2013年续航里程为150～250 km的纯电动乘用车的国家补贴数额，按补贴比例的变动衡量购置补贴的数值；汽油价格数据来自Wind 资讯（https://www.wind.com.cn/）2014年12月—2018年6月公布的93号汽油月度价格数据和97号汽油月度价格数据，用剔除通货膨胀后的93（92）号和97（95）号汽油零售价格的均值表示.关于数据处理，首先用Census X12法调整季节变动因素，再对各变量对数变换，变量名称如表2所示.

3.1.2 模型构建 VAR模型是经济研究中对多个相互联系的经济变量进行综合分析的一种常用方法，在VAR系统下，各变量间长期均衡与短期动态关系均可详细分析，其一般形式为：

式中：yt为内生变量列向量；xt为外生变量列向量；p为滞后阶数；yt-p为变量y的第p期滞后；t为样本个数；εt为误差向量.

引入充电桩数量、购置补贴和汽油价格3个因素，探究它们与新能源汽车销量的关系，构建VAR模型：

表2 变量名称Tab.2 Variable names

3.2 定量分析

3.2.1 平稳性检验 首先进行ADF单位根检验，检验结果见表3. 由表3可知，4个变量的原始序列均为非平稳序列，但其一阶差分序列都是平稳序列，因此Johansen协整检验可以进行.

表3 变量的ADF检验结果Tab.3 ADF test results of variables

3.2.2 Johansen 协整检验 以Lag Length Criteria 方法判断最优滞后阶数是2 阶后，对4 个原始序列协整检验，结果表明，在5%的显著性水平下，原假设（4个变量之间没有协整关系）被拒绝，迹检验结果表明4个变量间有1个协整关系，表4是Johansen协整检验的标准化协整系数.

表4 变量标准化协整系数Tab.4 Normalized cointegrating coefficients of variables

由表4可得出1个标准化的协整关系式：

由式（9）可知，与模拟分析结果类似，新能源汽车销量与其影响因素之间的长期均衡关系为：充电桩数量、购置补贴和汽油价格均与新能源汽车的销量呈正相关，且充电桩数量与新能源汽车销量的正相关性最显著，其次是购置补贴，最后是汽油价格.

3.2.3 Granger检验 Johansen协整检验只证明了新能源汽车销量、充电桩数量、购置补贴和汽油价格间存在长期均衡关系，是否因果关系还需进行Granger检验. 检验前先用AR根来稳定性检验，图2显示了单位根的分布，可以看到所有点都落在单位圆内，说明VAR模型稳定.

图2 单位根分布图Fig.2 Unit root distribution

表5为Granger检验的结果，“*”指该解释变量是其对应的被解释变量的Granger原因.

由表5可知，当被解释变量是新能源汽车销量时，充电桩数量、购置补贴、汽油价格都是新能源汽车销量的Granger原因；补贴是充电桩数量的Granger原因，这表明需求端的财政政策与新能源汽车基础设施的建设有密切联系；当被解释变量是购置补贴时，充电桩数量、汽油价格、新能源汽车销量都不是购置补贴的Granger原因；同样当被解释变量是汽油价格时，充电桩数量、购置补贴、新能源汽车销量都不是其Granger原因.

表5 Granger因果关系检验结果Tab.5 Results of Granger test

3.2.4 脉冲响应 运用脉冲响应分析各变量对新能源汽车销量的动态全过程影响. 图3～图6表示销量自身及其他3个因素对新能源汽车销量的脉冲响应. 横轴表示追溯期数（月），纵轴表示销量的响应程度.

图3 表明新能源汽车销量在本期受到自身的正向冲击后，销量表现为正响应，这一正响应在前两期下降，第3期开始上升，而在第4期后逐渐收敛并保持平稳. 说明新能源汽车的销量会受到自身的正影响，而且该影响在第5期后趋于平稳状态.

图3 销量对自身的脉冲响应函数Fig.3 Impulse response of A to A

图4表明本期给充电桩数量正冲击后，1～3期对新能源汽车销量的正响应逐渐上升，随后保持平稳. 说明充电桩数量的增加会使新能源汽车销量增加.

图4 销量对充电桩数量的脉冲响应函数Fig.4 Impulse response of A to R

图5 表明本期给购置补贴正冲击后，前两期对新能源汽车销量的正响应函数逐渐上升，第2 期达峰值点，随后开始下降，并在第3期后趋于平稳的正响应. 说明购置补贴的增加对新能源汽车销量有正影响，且短期激励效果明显.

图5 销量对购置补贴的脉冲响应函数Fig.5 Impulse response of A to B

图6 表明本期给汽油价格正冲击后，前两期为上升的负响应，第2 期后负响应函数下降，第3 期由负转正，并在第5期达到正响应的峰值，而后逐渐平稳. 表明短期内油价上升会使得新能源汽车销量下降，但长期来看油价上升会促进新能源汽车销量的提升，说明新能源汽车销量对油价变动的反应有一定的滞后性.

图6 销量对汽油价格的脉冲响应函数Fig.6 Impulse response of A to F

3.2.5 方差分解 运用方差分解来捕捉不同因素对中国新能源汽车销量的贡献率，结果如图7所示.

由图7可知，新能源汽车销量本身的贡献率最大，并随着滞后期数增加逐渐下降，而由其他3个因素解释的部分贡献率逐渐上升，到第5期渐趋平稳. 平稳时新能源汽车销量约20%的方差变动可由其他3个因素解释. 就平均贡献率而言，充电桩数量最大，约占10%，其次是约占7%的购置补贴，汽油价格的贡献率最小，约占4%.

3.2.6 VEC模型 VEC模型是包含协整约束的VAR模型，能分析各个变量间的短期均衡关系，在协整方程短期偏离均衡时将其修正. 新能源汽车销量影响因素的VEC模型为：

VEC 模型中的解释变量为原序列的差分序列，其平稳性保证了VEC 模型结果的稳定性. 由式（10）可得，VEC模型的结果与VAR模型结果类似，此处不再展开分析.

4 结论及对策建议

4.1 结论

本文基于消费视角，构建新能源汽车消费的全生命周期成本模型和VAR模型，模拟并定量分析充电基础设施相关政策、购置补贴政策和油价相关政策对中国新能源汽车消费量的作用效果，主要得出结论：

1）从短期效果看，充电基础设施相关政策和购置补贴政策均能拉动新能源汽车的消费，且购置补贴的实施效果优于充电基础设施相关政策，而新能源汽车消费对油价相关政策的实施反应存在滞后性，油价相关政策的实施在短期内会抑制新能源汽车的消费量.

图7 新能源汽车销量方差分解结果Fig.7 Variance decomposition results of new energy vehicle sales

2）从长期效果看，充电桩数量、购置补贴、汽油价格均是新能源汽车销量的单向Granger原因，且均与销量呈正相关，说明随着充电基础设施相关政策、购置补贴政策和油价相关政策实施强度的增加，新能源汽车的消费量都会相应增加.

3）充电桩数量与新能源汽车销量的正相关性最强，购置补贴次之，汽油价格与其正相关性最弱，说明在长期激励新能源汽车消费的实施效果方面，充电基础设施相关政策＞购置补贴政策＞油价相关政策.

4.2 对策建议

基于本文的研究，立足中国新能源汽车消费激励政策实际情况，针对性提出以下建议：

1）加大充电设施建设，建立智能充电网络. 中国新能源汽车充电基础设施发展的滞后性体现在充电设施建设不足和技术水平的落后. 由结论可知，充电基础设施相关政策在长期最能促进新能源汽车销量的提升. 为推动新能源汽车的消费，发挥充电基础设施相关政策最强的激励消费效果，政府应向充电基础设施相关政策倾斜，增加相关政策种类和扶持力度，尤其是增加技术投入资金，以加快充电桩的智能化建设，在数量上满足充电需求的同时提高充电效率；其次，政府可以通过标准化新能源汽车的电池、扶持换电站建设等手段加快新能源汽车换电站的发展，节约充电时间，提高充电有效性；另外，对于充电基础设施存在的布局失衡现象，政府应结合人工智能与大数据，构建“互联网+充电基础设施”的智能充电网络，以5G技术、GPS、GIS等技术监测，按比例配置充电桩，数字化信息化转型来实现充电设施的合理布局，提高其利用率.

2）加强补贴监管力度，构建奖强扶优机制. 由结论可知，短期内购置补贴对新能源汽车消费的促进作用明显，但中国新能源汽车购置补贴政策存在监管力度不足的问题，严重阻碍了其对新能源汽车消费的激励效果. 对此，政府应加大审核及监管力度，严惩车企的“骗补”事件，如实行“一次骗补即终身取消补贴”的准则，还可利用社会监督，建立匿名举报机制. 同时在补贴整体退坡趋势下，应加大对技术研发水平较高的新能源汽车的补贴力度，奖优扶强，如提升对续航里程超过450 km的新能源汽车的补贴力度，以确保购置补贴真正惠及消费者，使其充分发挥短期快速激励新能源汽车消费的作用.

3）适应油价阶段变化，调整其他激励政策. 油价相关政策间接作用于新能源汽车的消费，但油价受多方因素影响，不能轻易调整变动. 所以在油价的不同阶段，政府要相应调整其他消费激励政策来使各政策组合达到最有效拉动新能源汽车消费的效果. 在高油价阶段（高于80美元/桶），油价本身能促进新能源汽车的消费，所以可以适当减少其他激励政策的幅度，靠市场调节消费；在低油价阶段（低于40美元/桶），油价对新能源汽车消费的促进作用很小，政府应提高其他激励政策的幅度来拉动消费；在油价处于高油价与低油价之间时，可保持其他政策强度不变，以在有限的政策成本内更高效地拉动新能源汽车的消费.