地区气温如何影响新能源汽车消费

摘 要：尽管新能源汽车产业在全球市场迅速扩张，但其市场渗透率仍低于内燃机汽车，尤其在极端温度环境下，新能源汽车面临充电缓慢、续航里程降低和安全性差等挑战，严重阻碍了其推广与应用。本文利用2010-2020 年城市层面的季度数据，首次考察了气温波动对新能源汽车消费的影响。研究发现，气温变化对新能源汽车消费具有显著影响，且呈现倒U 型趋势。过高和过低的气温均降低了新能源汽车消费，但低温的负面影响更大。当交易前气温偏离最佳气温（16.60°C）时，购买概率降低。在16.60°C 基础上，每增加1°C 和降低1°C，新能源汽车销量分别减少1881 台和5302 台，分别占企业收入的4.821 亿元和1358.3 亿元。气温在14°C—18°C 之间时，对消费的积极影响最大，增幅为55.6%；而气温低于6°C 时，消极影响最大，降幅为136.6%。心理机制分析表明，投射偏差机制在非典型天气条件下导致二手新能源汽车库存增加，而注意力机制显示，极端气温下消费者更关注性能，适宜气温下则更关注低碳和外观特征。两种机制均表明气温偏离最佳范围会减少消费，但影响路径不同：投射偏差在天气良好时增加购买，注意力效应在天气恶劣时提高购买意愿。本文为新能源汽车产业的可持续发展提供了新的视角和微观证据，并为企业将自然环境因素纳入商业决策提供了参考。

关键词：气温约束；新能源汽车；广义双重差分法；投射偏差；注意力

一、引 言

在去全球化和世界经济衰退的背景下，党的十九届五中全会通过《中共中央关于制定国民经济和社会发展第十四个五年规划和二〇三五年远景目标的建议》，并提出了“推动形成以国内大循环为主体、国内国际双循环相互促进的新发展格局”，简称“双循环”战略。“双循环”战略强调内外循环之间的协调发展，以平衡经济增长和环境可持续性，其本质在于促进中国经济的结构性转型，减少对外需求的依赖，提高内需和消费市场，推动科技创新和资源利用效率的提升，从而增强经济的可持续性和抗风险能力。作为内循环经济的推动者，新能源汽车产业是“双循环”战略的关键一环，在提振经济、刺激科技创新和实现“碳达峰”与“碳中和”目标的过程中发挥了关键作用。同时，全球正处于能源转型的关键时期，各国纷纷加快新能源汽车技术创新步伐，以提升其在全球市场中的竞争力。随着电池技术的进步和充电基础设施的不断完善，新能源汽车的性能和可靠性得到了显著提高。此外，各国政府对新能源汽车的政策支持和补贴也在不断增加，进一步促进了其市场普及。中国不仅是全球最大的新能源汽车市场之一，也是技术创新的重要推动者，通过积极参与国际竞争，不断提升自身的技术水平和市场份额。

然而，与燃油汽车相比，中国新能源汽车市场渗透率仍然相对较低。例如，作为新能源汽车产业发展最快的国家之一，2023 年中国新能源汽车销量达到了949.5 万辆，市场份额为31.6%（中国汽车工业协会，2024）。尽管市场份额已显著提升，但在全球范围内，中国的渗透率仍排在第三位，低于同期挪威的82%和瑞典的49.6%（Global EV outlook 2024）。虽然已经完成了中国政府发布的《新能源汽车产业发展规划（2021—2035）》中规定的市场份额达到25%的目标，但与七部委发布的《减污降碳协同增效实施方案》中规定的大气污染防治重点区域达到50%的目标仍然存在较大差距。如何更有效地发掘中国新能源汽车市场的巨大潜力，将更广大地区的潜在需求转化为实际消费是实现“双循环”战略的关键，并通过新能源汽车产业发挥消费拉动经济增长基础性作用的关键。

以往学者从不同角度研究了影响新能源汽车消费的因素，如新能源汽车价格、电力价格和汽油价格等成本因素（Chen et al.， 2019；Diamond， 2009）；货币补贴、税收抵免等货币激励政策因素（周燕等，2019；Qiu et al.， 2019）；道路优先（李国栋等，2019）和政府采购等非货币激励政策因素（Bakker 等，2013；Egnér 和Trosvik， 2018）；技术性能（Mahmouzadeh et al.， 2017；周亚虹等，2015）；充电基础设施完善程度（赵小磊和李雪梅，2024）；以及消费者个体因素，如年龄、性别、受教育程度、收入、职业、环境意识（Sierzchula et al.， 2014）、人口密度（Li et al.， 2017）、政策认知（Xiong and Wang， 2020）。然而，鲜有研究聚焦气候因素对新能源汽车消费的影响。中国一些寒冷或炎热的城市，如哈尔滨、沈阳、长春或海口、福州等，过高或过低的气温都会导致新能源汽车无法正常运行或发挥最佳性能，严重阻碍了新能源汽车的应用与普及，导致这些省份在推广新能源汽车时面临较大的挑战。具体来看，2020 年，与在适宜气温地区的北京、广州、上海相比（新能源汽车销量分别为89378 辆、121350 辆和59240 辆），哈尔滨、沈阳、长春等寒冷城市的新能源汽车销量仅有4569 辆、8697 辆和2244 辆。同样，海口、福州等炎热城市的新能源汽车销量也仅有8697 辆和9974 辆。这一现象暗示新能源汽车的推广效果在处于不同气候条件的地区存在巨大的差异。

本研究旨在将观察到的经验现象与现有理论框架相结合，以探讨气温对新能源汽车消费的具体影响机制。汽车购买决策通常是一个家庭的重要决策，需要家庭成员考虑当前的经济成本和未来效用。研究表明，外部物理环境的变化可以通过改变消费者对未来效用的预期来影响他们的购买决策。例如，便利店的营业额（Tian et al.， 2020）、茶叶消费（Murray et al.， 2010）、食品消费（Agnewand Thornes， 1995）、服装的销售额（Conlin et al.， 2007）、旅游消费（Belen， 2005）、汽车购买类型（Buss et al.，2014），甚至大学招生都受到外部物理环境变化的影响。此发现可类比于新能源汽车消费，表明气候因素可能同样影响消费者选择。本文认为气温与新能源汽车消费之间存在因果关系，主要依赖以下两个心理机制。首先，投射偏差是指消费者预期未来效用与实际未来效用之间的差异（Loewenstein et al.， 2003）。具体来说，潜在的新能源汽车消费者可能习惯性地预测未来的环境条件将与当前的环境条件相似或基本一致。然而，这些消费者所经历的环境条件可能只是短期波动，而不是长期趋势，这意味着未来消费者将面临的实际环境条件很可能与他们先前的预期不同。因此，当前的外部环境条件可能导致消费者错误地估计未来的影响，从而做出非理性的购买决策。另一方面，消费者注意力也是一个可能的心理机制（Buss et al.， 2014）。注意力是消费者心理活动对外界一定事物的指向与集中（Bordalo et al.， 2012）。在购买决策中，消费者的注意力发挥着关键作用。在极端条件下，消费者的注意力可能集中于特定商品反常的特征（Bordalo et al.， 2013），从而无法做出理性的购买决策。因此，本文可以提出一个合理的假设，即外部物理环境的短期波动会通过改变消费者对购买新能源汽车的投射偏差和注意力来影响消费者的购买决策。然而，目前尚不清楚短期气温的变化，或者更具体地说，气温变化是否会影响新能源汽车的消费，因此需要进一步的经验证据和实证检验。

中国疆域面积辽阔，横跨高原山地气候、温带大陆性气候、温带季风气候、亚热带季风气候和热带季风气候五个气候带，不同地区的气温差异巨大，与此同时各地区间新能源汽车销量也差别巨大，这为研究气温对新能源汽车推广的影响提供了天然的实验空间。鉴于此，本文利用城市层面的数据，研究了2010—2020 年中国气温波动对新能源汽车消费的影响。本文通过双向固定效应模型、边际效应分析和断点回归设计等一系列实证检验，考察了气温对新能源汽车消费的影响，以及偏离舒适水平的气温是否会降低购买新能源汽车的意愿。研究结果表明，气温变化对新能源汽车消费具有显著影响。随着气温的变化，新能源汽车消费呈倒U 型趋势。低温和高温均阻碍了新能源汽车的市场扩散，但前者的负面影响更大。本文的估计表明，当气温从16.60℃每上升或下降1℃时，新能源汽车的销量将分别减少1881 辆和5302 辆。本文通过引入投射偏差和消费者注意力两条心理效应机制，丰富了外部物理环境对耐用品消费影响的相关文献。从微观个体的角度来看，车辆在家庭消费支出中所占比例最高。因此，识别和进一步纠正汽车市场购买中的非理性行为可能对提升家庭福利具有重要意义。

本文的边际贡献主要包括以下四个方面：首先，本文首次从气温约束角度研究气温对新能源汽车消费的影响，同时解释了在不同地区新能源汽车推广效果的异质性。这为新能源汽车消费的研究提供了新的视角和理论支持。其次，通过引入投射偏差和消费者注意力这两个心理效应，本文深入分析气温对新能源汽车消费的影响机制，探究消费者在决策过程中的心理因素。这有助于理解消费者在决策过程中的心理因素，从而更好地预测他们的购车行为。此外，本文进行了广泛的异质性分析，以探讨气温对新能源汽车消费的影响在不同条件下的变化，以期更好地理解气温因素在不同情境下的影响程度，为未来的研究提供更多的参考依据。最后，基于全球气候急剧变化现状，明确发展中国家，尤其是新兴经济体，以气温为环境资源禀赋，科学设定不同气候带城市或地区的新能源汽车推广目标提供重要参考。这可以帮助政府更好地配置政策资源，如补贴或税收减免，以推动新能源汽车的发展并减少温室气体排放。

二、文献回顾与研究假设

在本部分，本文将对气温对消费决策、新能源汽车性能以及消费者心理效应影响的相关文献进行分析，并在此基础上提出研究假设。

（一）气温与消费决策

文献表明，气温对不同消费领域的决策具有显著影响。研究发现，气温变化可以通过改变消费者对未来效用的预期来影响他们的购买决策。Agnew 和Thornes（1995）研究了零售分销行业和食品饮料行业受气温的影响，发现利用天气预报可以提高食品饮料行业的业绩，这表明气温对日常消费品销售有直接影响。Wietze 和Richard（2001）对经合组织成员国游客的目的地选择进行了分析，发现游客更倾向于在气温为21℃时外出旅行，这显示了气温在旅游消费决策中的关键作用，类似的机制可能也适用于新能源汽车的使用场景选择。Conlin（2007）基于服装行业的数据，研究发现消费者的退换货行为受到订单日期气温变化的影响，订单日期的气温每下降1℃，退货概率就会增加4.45%。这表明气温变化直接影响消费者的满意度和行为，类似地，气温变化可能会影响消费者对新能源汽车的满意度和使用频率。Bertrand（2015）发现，非季节性气温对春季和秋季的服装销售有显著影响，非季节性气温会提高春季服装消费、降低秋季服装消费，而夏季和冬季服装销售不受非季节性气温的影响。气温对特定季节的消费行为影响显著，类似地，新能源汽车的使用和消费也可能受气温季节性变化的影响。Stulec（2019）的研究表明，气温对饮料消费的正向影响在6 月和8 月最为显著，表明气温变化对特定消费品的需求具有直接影响。该结果表明气温变化可能对新能源汽车的使用需求产生类似的影响，特别是在极端温度月份。Busse（2015）基于超过4000 万辆汽车的交易数据进行实证研究，发现消费者在对敞篷车或四轮驱动汽车的购买决策很大程度上取决于购买时的天气。这说明气温在汽车购买决策中的重要性，同样也可能适用于新能源汽车的购买决策。Tian（2021）基于中国一家连锁便利店146 家分店的销售数据，量化研究天气阴晴、雨水、气温和空气质量指数对便利店销售业绩的影响，发现相比阴天，晴天和雨天对便利店业绩有显著的正向影响。这表明气温在日常消费中的重要角色，类似地，气温变化也可能对新能源汽车的消费决策产生重要影响。这些研究表明，气温变化通过影响消费者对未来效用的预期，显著影响他们的购买决策。

（二）气温与新能源汽车性能

由于电池驱动系统和气温控制技术的限制，新能源汽车的性能受外部气温的显著影响。研究表明，气温变化会直接影响新能源汽车的续航里程和能源利用效率。Yuksel（2016）发现，寒冷气候显著降低了新能源汽车的续航里程，寒冷的天气会导致Nissan Leaf 的平均续航里程从70 英里下降到不足45 英里，这显示了低温对电动车性能的负面影响。Fetene（2017）的研究指出，在气温过高或过低的情况下驾驶电池新能源汽车会对其能源利用效率产生不利影响，进一步说明了气温对新能源汽车性能的制约作用。Demircali（2018）发现，盐酸铁锂电池（新能源汽车使用的主要电池类型）在气温达到40℃和0℃时，平均能量损耗功率会显著提高到2.98 瓦与2.82 瓦（20 度时仅为1.98 瓦），这表明新能源汽车在极端温度下的能效问题。Suarez-Bertoa（2019）研究发现，在低温下使用的加热系统严重缩减了电池续航里程，这说明了低温对电池性能的双重负面影响。Hao（2020）的研究指出，在冬季，新能源汽车驾驶者实际可用的续航里程仅为新欧洲行驶周期（NEDC）预测的64%。当外部气温低于10℃时，气温每下降5℃会导致电消耗增加2.4 千瓦时（kw·h）。当气温超过28℃时，功耗和气温每上升5℃分别会增加2.3 千瓦时/100 公里，这进一步强调了高温对新能源汽车性能的不利影响。综上所述，低温和高温均会显著削弱新能源汽车的性能。基于上述分析，本文提出以下假设：

假设1a：气温过高将显著降低新能源汽车的续航里程和能源效率，从而抑制新能源汽车的消费。

假设1b：气温过低将显著降低新能源汽车的续航里程和能源效率，从而抑制新能源汽车的消费。

（三）影响机制

在前两节中，本文回顾了与消费者对天气的高度敏感性以及气温对新能源汽车性能的影响相关的研究。现在，本文将探讨气温变化如何影响消费者对新能源汽车的消费。为此，本节将参照Busse（2015）的思路，介绍有关消费者购买决策的心理理论，并引入投射偏差和注意力作为气温变化影响新能源汽车消费的潜在机制。

1. 投射偏差

投射偏差是指个体倾向于高估未来偏好与当前偏好的一致性，从而将当前偏好投射到未来。在购车决策中，投射偏差可能导致消费者错误地预测未来不同气候条件下新能源汽车的效用。投射偏差反映了人类认知中的一种常见偏误，即人们往往高估当前情境在未来的可持续性。心理学研究表明，人类的大脑倾向于依赖当前的情感和体验来预测未来，这种机制可以简化决策过程，但也容易导致错误的预期。在新能源汽车的消费情境中，这意味着消费者在当前气温适宜时，会认为未来的气温也会大致相同，从而高估新能源汽车的未来使用效用。在实际购车过程中，当消费者在一个气温适宜的环境下进行购车决策时，他们更可能考虑到新能源汽车在这种气温条件下的优势，如更好的电池性能和更长的续航里程。然而，当气温极端时，消费者可能会因担忧未来天气对新能源汽车性能的不利影响而犹豫或放弃购买。例如，当购车时气温适宜，消费者可能会高估未来也有类似气候条件，从而预期新能源汽车在未来的使用效用较高。反之，如果购车时气温极端，消费者可能会低估未来适宜气候条件的出现频率，从而预期新能源汽车在未来的使用效用较低。因此，新能源汽车销售人员可以利用这一心理机制，通过展示车辆在适宜气温条件下的优异表现来增加销售。

进一步，根据Michalek 等（2011）、Sierzchula 等（2014）、Zhao 等（2023）和Chen 等（2019）的研究，新能源汽车的性能与其消费显著正相关。这意味着，当消费者购车时的气温在适宜范围内，且新能源汽车可以在这一气温范围内正常运行和使用时，消费者将预期未来更多的适宜气候条件以供新能源汽车正常使用，从而增加购买意愿。相反，当购车时的气温条件恶劣时，消费者会预期未来更多的糟糕天气，从而降低购买意愿。因此，当购车时的气温条件适宜时，投射偏差将增加新能源汽车的消费；而当购车时的气温条件恶劣时，投射偏差将减少新能源汽车的消费。基于此，本文提出以下假设：

假设2a：在适宜气温条件下，投射偏差将导致消费者高估未来气温的持续性，从而增加新能源汽车的消费。

假设2b：在极端气温条件下，投射偏差将导致消费者低估未来适宜气温的频率，从而减少新能源汽车的消费。

2. 注意力

注意力是本文考虑的第二个心理因素。在消费情境下，注意力涉及消费者对特定产品特征的关注，并可能赋予这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，消费者在购车决策中可能会因为特定情境而对某些特征特别关注。注意力在心理学中是指人们选择性地关注某些信息并忽略其他信息的过程。该过程受到环境、情境和个人动机的影响。在消费决策中，注意力决定了消费者对产品特征的优先级排序。在气温适宜的情况下，新能源汽车的环保特性和经济性可能更容易引起消费者的注意，而在极端气温条件下，消费者的注意力可能更多地集中在车辆的性能和可靠性上。在实际购车过程中，消费者的注意力会受到当前气温条件的显著影响。当气温适宜时，消费者可能会更加关注新能源汽车的低碳和环保特性，因为在这种气温条件下，新能源汽车的性能优势更为明显。然而，当气温极端时，消费者的关注点可能会转向新能源汽车的续航里程和电池耐用性等性能指标。因此，汽车制造商和销售人员可以通过在适宜气温下突出展示新能源汽车的环保特性，在极端气温下强调其性能优势，以吸引消费者的注意力并促进销售。

在新能源汽车与传统燃油汽车的选择中，当气温条件适宜时，消费者的注意力可能会集中在新能源汽车的低碳环保特性上，因为适宜气温下新能源汽车的性能表现较好，这些特性更容易被消费者认可。因此，消费者更有可能选择新能源汽车，或至少不会对新能源汽车的消费造成负面影响。相反，当气温条件非常恶劣时，消费者的注意力将集中于新能源汽车的性能，因为在极端气温下，只有性能较好的新能源汽车才能正常运行。这种情境下，消费者可能会质疑新能源汽车在恶劣天气中的可靠性，从而降低购买意愿。基于此，本文提出以下假设：

假设3a：在适宜气温条件下，消费者的注意力将集中在新能源汽车的环保和经济性特征上，从而增加新能源汽车的消费。

假设3b：在极端气温条件下，消费者的注意力将集中在新能源汽车的性能和可靠性特征上，从而减少新能源汽车的消费。

三、数据、变量与实证策略

（一）数据

本文使用的城市层面季度面板数据包括三个部分：来自中国50 个城市的2010—2020 年的新能源汽车的销售数据，来自美国国家数据中心（NCDC）的气候信息以及控制变量数据集。这50 个城市包括：北京、天津、上海、重庆、沈阳、南京、杭州、合肥、郑州、武汉、广州、长沙、海口、成都、西安、石家庄、济南、南昌、昆明、西宁、呼和浩特、乌鲁木齐、长春、兰州、银川、南宁、福州、太原、哈尔滨、贵阳、深圳、苏州、南通、大连、襄阳、厦门、唐山、扬州、盐城、宁波、金华、新乡、佛山、青岛、绍兴、湖州、芜湖、东莞、绵阳、德阳。之所以选择以上城市，是因为所选的50 个城市覆盖了中国的主要经济区域和不同的气候带，确保数据具有广泛的代表性；这些城市大多是中国的主要经济中心或省会城市，经济发展水平较高，新能源汽车市场相对成熟。尽管这些城市样本具有广泛的代表性，但也可能存在样本自选择偏误。一方面，所选城市大多是经济发达地区，可能无法完全代表经济欠发达地区的新能源汽车消费情况。另一方面，由于数据的可得性，部分经济欠发达地区或小城市未能纳入样本，可能降低结果对这些地区的适用性。

本文主要关注城市维度的新能源汽车季度销量，数据来源于《节能与新能源汽车年鉴2011—2021》与中国汽车工业协会。另外，NCDC 提供的数据集包括平均气温、露点气温、最高气温、最低气温、气压、风向、风速、云量和六小时降雨量。本文使用以下方法来解析和处理气象数据。首先，由于NCDC 气象站的数据是以CSV 格式的小时级数据，本文使用Python 来解析NCDC 的原始数据。其次，在处理数据后，最重要的工作之一是将气象站与本文选择的城市匹配。本文匹配的依据是NCDC 提供的中国地面气象站基本气象要素观测表。如果研究中的城市没有相应的气象站，则选择该城市的县级气象站或最近邻城市的气象站。最后，本文利用STATA 计算所有经过处理的数据，以获得本文所需的季度平均值。控制变量集包括城市常住人口，数据来源于《中国城市统计年鉴2011—2021》；居民可支配收入，数据来源于国家统计局、《中国城市统计年鉴2011—2021》与《中国统计年鉴2011—2021》；公共充电桩保有量，数据来源于《节能与新能源汽车年鉴2011—2021》与中国充电联盟。

（二）变量

本文使用的被核心解释变量是新能源汽车销量（EV），它代表了某个城市在一个季度内的新能源汽车消费。平均气温是本文的核心解释变量（T），反映了城市气温的变化。气压（Pressure）、风向（Direction）、风速（Speed）、云量（Cloud）、六小时降雨（Rain）、城市人口（Population）、可支配收入（Income）以及充电桩数量（Charge）是本研究的控制变量。此外，本文还收集了季节性气温和新能源汽车性能的季度城市浏览搜索指数（Performance）以进行机制检验。除了气象变量，本文对所有变量进行了对数处理。各变量描述性统计见表1。

（三）实证策略

1. 基准回归

在进行回归分析之前，本文需要进行一系列的检验来确定回归模型的合理性。本文通过STATA 16刻画了新能源汽车消费的自然对数lnEV 随平均气温变化的散点图以及拟合趋势（见图1）。

根据图1，本文发现随着平均气温的提升，lnEV 呈现倒U 型趋势，且低温对新能源汽车消费的负面影响大于高温。因此，为了测试倒U 型关系的存在，本引入自变量的二次项，并控制城市固定效应和时间固定效应。相比于随机效应模型，双向固定效应模型被更多学者用于实证研究，其通过在模型中引入省份的固定效应和时间固定效应，并通过去均值处理把不可观测因素差分掉，如各地区文化与风俗、性别、种族、宗教等，可以在一定程度上缓解由于不随时间或个体变化的遗漏变量与解释变量相关导致的内生性问题。计量模型被设定如下：

2. 广义双重差分法

在本研究中，本文采用广义双重差分（DID）方法，基于平均季度气温与新能源汽车最佳消费气温之间的差异构建温度箱，间隔为4 度，以识别不同气温区间对新能源汽车消费的影响。理论上，气温通过影响新能源汽车性能及消费者心理偏差（如投射偏差和注意力）进而影响消费决策。广义DID方法能够识别不同气温条件下处理组与控制组的平均处理效应，从而验证气温对新能源汽车消费的非线性影响，并捕捉地域或气温差异所引发的异质性效应1。广义DID 模型被设定如下：

3. 事前趋势检验与倾向得分匹配

为了验证处理组和控制组之间的平行趋势，本文采用事件研究法，并将估计的显著负面影响归因于处理的影响。理论上，气温对新能源汽车消费的影响可能存在时间滞后效应，因此需要确保在处理前两组的趋势相似。通过事件研究法，本文能够动态观察处理前后的变化，并将估计的显著负面影响归因于气温变化的处理效应。这一方法有助于增强结果的稳健性，确保所观测到的影响确实是由气温变化引起的，而非其他因素。在分析过程中，本文估计了处理组和对照组的回归系数。接下来，本文将这些系数与0 进行比较，以验证处理组和控制组是否表现出平行趋势。如果两组有平行的趋势或者两组之间的任何差异随着时间的推移保持不变，那么认为满足平行趋势假设。事件研究模型计量模型设定如下：

4. 作用机制

为了探讨气温是否影响新能源汽车消费，本文基于心理效应进行机制检验，包括投射偏差和注意力。首先，Conlin（2007）提出可以通过找到消费者事后认为决策是错误的证据来直接测试投射偏差。Busse（2014）提出在汽车市场中，可以通过观察在非典型天气购买的车辆是否比在季节性天气购买的车辆更快地重新出现在市场上（置换或二手车）来识别投射偏差。本文通过检验新能源汽车的转售、交易或退货来量化投射偏差。由于数据的可用性，本文只考虑新能源汽车的二手交易。例如，如果一辆新能源汽车在特定气温下更有可能被转售或交易，这可能表明购车者认为他们在该气温下的决定是错误的。具体来说，通过检验非典型天气条件下市场上的二手新能源汽车库存是否显著增加可以识别投射偏差是否存在。在这里，本文为非典型天气引入了一个虚拟变量，如果当期气温与季节性气温（1990—2020 年各城市相应季节的平均温度，数据来源于NCDC）之差gt; 5℃，即为1，否则为0。本文使用的新能源汽车二手交易信息来自58 同城二手车平台。另一方面，为了识别消费者注意力，本文引入了新能源汽车性能的两个百度搜索指数和低碳或外观属性与气温条件虚拟变量来检验注意力的存在。基于以上分析，本文采用双向固定效应模型进行机理检验。对于投射偏差，本文的目标是测试在非典型天气条件下二手车库存是否会增加。本文使用四个回归来检验两个搜索索引是否依赖于不适当的气温或适当的气温。计量模型被设定如下：

5. 基于半参数方法的异质性分析

先前的研究发现，不同类型的新能源汽车（如纯电动汽车BEV 和插电式混合动力汽车PHEV）由于其技术特性和性能的差异，在面对气温变化时表现出不同的适应性和效率，因此消费者的购买意愿也可能因气温的变化而有所不同。为了捕捉这些差异性，本文采用了灵活的半参数方法。这种方法的优点在于能够在不强加特定函数形式的情况下，灵活地处理不同城市的收入和人口差异，从而检验这些社会经济因素如何影响气温对新能源汽车消费的异质性效应。通过该模型，本文可以更准确地识别气温变化在不同城市环境中对新能源汽车消费产生的非线性影响，以及这种影响如何因城市的经济和人口特征而有所不同。这种设置使得模型具有更高的适用性和解释力度。半参数模型被设定如下：

四、实证结果与分析

（一）基准回归结果

1. 断点回归设计与倒U 型趋势

在进行基准回归分析之前，本文使用方差膨胀因子方法检验了变量间的多重共线性。结果显示，VIF 的最大值仅为3.09，平均VIF 为1.61，表明变量之间没有严重的多重共线性问题。此外，Hausman检验的结果表明使用固定效应模型是合理性。随后，本文使用STATA 16 进行了基于模型（1-2）基准回归分析，基于双向固定效应模型。本文执行了四次回归，分别是未纳入二次项和控制变量的回归、未纳入二次项的回归、未纳入控制变量的回归以及包括二次项和控制变量的回归。首先，表2列（1）～（2）的结果显示在控制了季度固定效应和城市固定效应的情况下，气温对新能源汽车消费的影响是显著的。其次，列（3）～（4）的结果显示，当本文在回归模型中包括气温的二次项时，T 的系数为正，T2 的系数为负，两者在1%的水平上均显著。因此，随着气温的变化，新能源汽车的消费存在显著的倒U 型趋势。然而，上述结果仍然存在一定的缺陷，为了确定二次项是否是一个干扰项，本文参照以往文献的做法（Simonsohn et al.， 2014）进行RDD 回归。

具体而言，根据方程（3），本文进行了RDD 回归。表3 中的回归结果显示，T 和T2 的系数具有相反的符号并且显著，这初步验证了倒U 型趋势的存在，也加强了基准回归结果的稳健性。列（2）的结果显示Tlow 和Thigh 的系数也具有相反的符号并且显著，这表明新能源汽车消费和平均气温T 之间存在倒U 型趋势，即气温过高或过低均显著抑制新能源汽车的消费，假设1a 与假设1b得证。此外，TMAX 的估值为16.5971，代表新能源汽车推广的最优气温，同时也是倒U 型趋势的拐点。从16.60℃每增加1℃和减少1℃，作为当前交易的替代，将导致新能源汽车消费分别减少3.1%和1.1%。与目前的新能源汽车推广情况相比，从16.60℃增加1℃和减少1℃，将导致新能源汽车销量减少1881 辆和5302 辆（2010—2020 年中国新能源汽车的平均季度销量为1710，计算公式为

虽然这种影响不如通过技术创新对生产端的影响大，但这种影响扩大了对气温的感知和敏感性，从而影响消费者的购买决策。这些发现也为制定短期新能源汽车推广策略和合理配置政策资源提供了潜在可能。与气温不影响新能源汽车购买的情景相比，这也将导致新能源汽车企业的收入分别减少482.1 万元和1358.3 万元（分别为中央政府对新能源汽车购买补贴的年均5.4%和15.4%。假设最畅销的新能源汽车荣威E550，在考虑中国政府的购置税减免后，在样本期间设定为25.63 万元）。

为了进一步提高RDD 的可信度，本文还绘制了散点图。从图2（a）中可以看出，RDD 的回归结果再次验证了表3 的结果。结合RDD 结果和图2（a），此外，RDD 结果还提供了额外的信息，即低温对消费的负面影响大于高温。

2. 边际效应分析

以往的文献往往通过引入二次项判断解释变量和被解释变量之间是否存在倒U 型关系。然而，更科学的做法必须考虑变量的经济含义和数值范围（Wooldridge， 2016）。因此，本文通过边际效应分析方法提供了更深入的解释。具体来看，基于样本数据，本文绘制了平均气温与新能源汽车消费的二次拟合趋势图（见图2（b）），同时用虚线标出了解释变量的最值。显然，本研究计算得出的拐点位于平均气温最大值的左侧，即本研究的样本区间涵盖了拐点以及其右侧的观察值。图2（b）中的结果暗示平均气温与新能源汽车消费之间存在非线性关系，且平均气温对新能源汽车消费的边际效应先降低后增加。此外，图2（c）以不同的方式展示了气温对新能源汽车消费的边际效应变化结果。图2（c）显示小于拐点的气温比大于拐点的气温对新能源汽车消费产生更高的负面影响，再次验证随平均气温变化，新能源汽车消费呈现倒U 型趋势。

3. 广义线性模型

本文基于广义线性回归模型来估计不同气温对新能源汽车消费的影响。表4 列（1）～（2）结果显示不同气温区间对新能源汽车消费的影响不同，这也与先前学术研究关于气温对耐用品消费的影响一致（He et al.， 2023）。具体来看，当气温低于8℃时，新能源汽车消费缩减。随着气温的升高，特别是在8℃～22℃之间，新能源汽车消费提高。然而，当气温升高至26 ℃时，新能源汽车消费再次缩减。该结果与以往的研究一致（Parsons， 2001；Zahabi et al.， 2014），同时也再次证明倒U 型关系的存在，低温的负面影响更大。图2（d）是表4 中列（1）～（2）的结果的可视化，表明平均气温和新能源汽车消费之间存在倒U 型关系，且低温的影响大于高温。

（二）广义双重差分法

1. 广义双重差分法

本文使用广义DID 来估计气温对新能源汽车推广的平均处理效应。以4℃的增量为基础构建温度箱。设置气温箱的理由如下：首先，样本城市的气温在10℃到30℃之间波动，这与中国的气候变化基本趋势一致。第二，如果季度间温差太小，处理效应很难被捕捉。最后，以往的研究发现，居民可以明显感知到gt;4℃的变化（Smith et al.， 2016）。另外，本文控制了季度固定效应和城市固定效应。广义DID 的结果见表4 列（3）～（4）。结果和广义线性回归的结果相似，增加了结果的稳健性。此外，本文还在图3（a）中可视化了效果的差异。图3（a）为温度偏离最适温度（14℃～18℃）时新能源汽车销量的变化趋势。与对照组（14℃～18℃）相比，新能源汽车销量的最大正、负影响分别为38.9%（10℃～14℃）和84.0%（26℃～30℃）。结果表明，低温和高温都阻碍了新能源汽车消费，再次验证了温度与新能源汽车销量之间的倒U 型关系。图3（a）中的差异表明，最适合新能源汽车推广的温度可能略低于16.6℃。然而，从更广泛的意义上说，广义DID 的结果是可以接受的，即当温度在不合适的范围内（lt;10℃和lt; 18℃）时，新能源汽车消费将受到阻碍。

2. 平行趋势检验与PSM

满足平行趋势条件是使用双重差分模型的前提条件（Bertrand et al.， 2004）。为了验证平行趋势条件，本文使用了事件研究法。在分析过程中，本文获得了处理组和控制组在气温与去年同期的差异gt;1 和lt;1 的条件下的系数。从图3（b）中可以看出，控制组在统计上与0 不存在差异，这证实了控制组与处理组之间的平行趋势。同一时期处理组开始显示出显著的负影响，尽管幅度有所波动。这种波动可能与不受控制的交易季节性有关。对于其余额外的测试，首先，本文获取了当期与去年同期相比，城市平均气温差值小于0.1 和大于0.1 的情况下平均气温的系数。其次，基于联合显著性检验，本文检验了在当前期与去年同期城市平均气温差值小于0.1 和大于0.1 的情况下系数与零之间的差异。所有的检验结果均在表5 中呈现。根据表5 列（1）～（2）的结果，本文发现处理组的系数与零之间存在统计学显著差异，而控制组不存在。此外，本文通过SUR 测试了城市当前期平均气温与去年同期平均气温之间差值小于0.1 和大于0.1 情况下的系数之间的差异。表5 列（3）结果显示，处理组的系数与控制组的系数存在显著差异。综上所述，处理组和控制组具有满足平行趋势条件。

在验证了平行趋势条件后，本文识别策略的另一个挑战是样本自选择问题（Shen et al.， 2021），即新能源汽车消费不满足随机分配条件。为了应对这一问题，本文使用倾向得分匹配方法。表6 中的匹配结果显示，匹配前的平均处理效应为4.38，在1%的水平上显著，匹配后的平均处理效应为4.37，在1%的水平上显著。平行趋势检验的结果显示，处理组和控制组的绝大多数样本（尤其是控制组样本）均符合匹配的条件，只有0 和13 个样本分别位于处理组和控制组的共同值范围之外，这表明绝大多数样本（尤其是控制组样本）均适合匹配。另外，为了检验匹配的有效性和可信度，本文进行了平衡性检验，即测试匹配后的协变量标准化均值差异是否显著不同。

图3（c）中的平衡性检验结果显示，所有协变量的%偏差均小于10%，并且均显著小于匹配前的%偏差，与匹配前相比，%偏差的绝对值显著减少了19%～96%。图3（d）中的PSM 平行趋势假设检验结果与表6 的结果一致，即处理组和控制组的绝大多数样本均在共同值范围内，而不在共同值范围内的样本的倾向得分值更极端。

3. PSM-DID

为了进一步检验匹配的效果以及广义DID 结果的稳健性，本文还测试了匹配前后控制组与对照组的倾向得分值是否存在差异。核密度结果（附录图1）显示，无论匹配前还是匹配后，两组核密度曲线均有所偏离，但匹配后两组之间的曲线更接近，可以从平均距离的降低中看出。最后，本文再次使用匹配的样本进行广义DID 分析，并将回归结果与基线回归结果进行比较。回归结果（附录表1）显示，使用匹配样本进行的回归结果与基准DID 模型的结果差异较小，增强了结论的稳健性。

（三）稳健性检验

1. 分组分位数回归

为了提高本文结论的稳健性，本文采用以下方法进行了稳健性检验。首先，本文通过分组分位数回归来测试倒U 型关系的存在。出于稳健性的考虑，本文将样本分为两组，分别使用样本均值（第一组）和75 分位数（第二组）作为分组标准。结果显示（见附录表2）分组标准两侧的气温系数支持倒U 型关系的有效性（左侧系数gt;0；右侧系数lt;0）。

2. 基于Utest 的精确检验

其次，在实证分析中，解释变量和被解释变量之间往往存在非线性关系。在这里，基于Lind 和Mehlum（2010）的做法，本文使用了一个通用框架Utest 来检验气温与新能源汽车消费之间是否存在倒U 型关系。附录表3 中Utest 的结果显示气温的“极值点”为21.67。气温的范围为14.7℃～29.7℃。可以看出，“极值点”位于气温范围内，在1%的显著性水平上拒绝了原假设。与此同时，结果中的斜率在这个区间内是负数，可以认为气温与新能源汽车消费存在倒U 型关系。

3. 广义矩估计

此外，考虑到过去的新能源汽车消费可能对当期的消费产生影响，本文在模型中引入了因变量的滞后一期，并通过系统广义矩估计（GMM）方法进行估计。附录表4 中的GMM 结果显示，过去的新能源汽车消费对当期的消费具有显著的影响，且该影响为正。当本文将滞后1 的因变量添加到模型中时，SARGAN 和自回归测试AR（1）均通过了测试，而自回归测试AR（2）gt; 0.1，表明因变量滞后1 期是合理的。此时，新能源汽车消费与气温之间的倒U 型关系仍然存在，证明了上文结果的稳健性。

4. 基于汽车类型的安慰剂检验

此外，本文基于传统燃油车（ICEV）销量数据进行安慰剂测试。该测试方法与基准回归相同。气温与传统燃油车消费之间不存在倒U 型关系，这从侧面证明了气温与新能源汽车消费之间的倒U 型关系是相对合理的。

5. 随机抽样安慰剂检验

本节基于随机抽样方法进行安慰剂检验。通常情况下，本文无法观察到广义 DID 模型是否遗漏了重要的变量，从而导致估计结果可能存在偏差。为了解决这个问题，本文采用1000 次随机抽样进行间接的验证。附录图2 显示1000 次随机抽样的 值呈现以零为中心的正态分布，且与基线回归结果（虚线）存在显著差异。这一结果间接验证了 = 0。因此，可以得出结论，本文的广义DID 模型没有明显的遗漏变量问题，从而提升了本文结论的稳健性。

6. 排除相关政策

为了排除其他影响新能源汽车销量的政策干扰，本文在基准模型中引入了一个新的虚拟变量，作为控制变量。如果样本城市地方政府当年出台或已经出台了《新能源汽车产业发展规划》，则该虚拟变量为1，否则为0。数据来源于《节能与新能源汽车年鉴2011-2021》与各市政府、发改委官网。回归结果见附录表5 列（5）。结果依然支持假设1a～1b。

五、进一步分析

（一）基于心理效应的机制分析

本文已经验证了气温对新能源汽车消费的影响，然而，这些影响如何发挥作用仍需要进一步的机制检验。因此，本文基于两个心理效应机制，即投射偏差和注意力检验气温影响新能源汽车消费的机制。一方面，根据式（7）检验了投射偏差的存在性。表7 中列（1）的回归结果表明，非典型天气条件增加了二手新能源汽车的库存。这一结果证实了投射偏差的存在，假设2b 得证（典型天气条件的结果不显著，验证了假设2a1）。此外，基于2.3 的分析，本文认为新能源汽车市场中消费者的投射偏差与新能源汽车消费之间存在因果关系。

另一方面，本文根据式（8）～（11）检验消费者注意力的存在。表7 列（2）、（4）的回归结果表明，新能源汽车性能搜索指数随气温呈U 型趋势，而低碳或外观搜索指数随气温呈倒U 型趋势。这一结果意味着，当气温过低或过高时，新能源汽车的性能是最受关注的特征。相比之下，当气温在适当的范围内时，低碳或外观是最受关注的特征，假设3a～3b 得证。此外，基于2.3 的分析，本文认为在新能源汽车市场中，消费者的注意力与新能源汽车推广之间存在着密切的联系。因此，气温通过注意力影响新能源汽车消费的机制得到了验证。尽管这两种机制都意味着新能源汽车消费会随着气温的偏离而下降，但两种机制的影响是不同的。一个非常重要的区别是，前者的效果是“水平的”，而后者是“垂直的”。投射偏差表明，当绝对天气好的时候，人们会购买更多的新能源汽车。与基准相比，当天气异常恶劣时，注意力会提高新能源汽车的购买意愿。

（二）异质性分析

1. 新能源汽车vs 插电式混合动力汽车

先前的研究发现，不同类型的新能源汽车对环境的响应和敏感度不同（Parsons， 2001），因此，本文通过分组回归来考察气温对不同类型新能源汽车消费的影响。根据附录表6 中的结果，本文发现气温与新能源汽车消费之间的倒U 型关系对于纯新能源汽车仍然成立，但对于插电式混合动力汽车不成立，这与先前研究的结构一致（Li et al.，2023）。

2. 经济社会特征

先前的研究表明，气温对新能源汽车消费的影响通常受到不同的经济和社会特征的影响，从而导致了异质性（Zahabi et al.， 2014）。因此，本节关注了几个最有可能产生影响的变量，包括新能源汽车类型、收入水平、人口规模和充电设施完善程度。本文共进行了四次灵活的半参数检验，结果见图4。首先，本文将气温设置为异质性变量，再次考察气温对新能源汽车消费的影响。图4（a）显示气温对新能源汽车消费的影响随着气温的变化先增加后降低，呈现倒U 型趋势。这一发现再次提高了本文结论的可信性与稳健性。第二，图4（b）显示人口规模增加时，气温对新能源汽车消费的影响先降低后增加。在中国，低人口往往意味着山区或高原地区，这些地区通常没有足够的充电设施（Xiong and Wang， 2020）。类似地，当人口过高时，通常意味着充电设施不足或交通拥堵（Langbroek et al.， 2016）。此外，图4（c）显示随着收入水平的增加，气温对新能源汽车消费的影响降低，这与先前的研究一致。这是因为更高收入群体可以负担得起建立私人充电设施（Sierzchulaet al.， 2014）。最后，图4（d）显示随着城市充电设施的改善和充电站数量的增加，气温对新能源汽车消费的影响减弱。更多的充电设施可以有效地弥补由于极端气温造成的新能源汽车续航里程下降和充电焦虑（Ma et al.， 2019）。

六、结论与政策建议

本文的研究结果显示，气温变化对新能源汽车消费产生了显著影响。随着气温的升降，新能源汽车消费呈现出倒U 型的变化趋势。无论是过高还是过低的气温都会导致新能源汽车消费减少，但低温的负面影响更为显著。本文揭示了消费者在气温波动下对新能源汽车的心理预期的变化，从而改变其购买决策。这种影响可能会妨碍新能源汽车的推广和应用，从而对实现“碳达峰”和“碳中和”的目标构成挑战。本文的研究表明，当交易前的气温偏离新能源汽车的最佳气温（16.60℃）时，购买新能源汽车的概率会降低。在16.60℃的基础上，每增加1℃和降低1℃，新能源汽车的将分别减少1881 辆和5302 辆（分别占新能源汽车企业收入的4.821 亿元和1358.3 亿元）。与低温和高温相比，最大的积极影响出现在14℃～18℃，新能源汽车消费增加了24.9%。与14℃～18℃的气温相比，最大的负面影响出现在气温lt;6℃，新能源汽车消费下降了132.7%。尽管气温因素可能相对于技术和补贴等其他因素而言受到较少关注，但它为新能源汽车产业的可持续发展提供了机会，有助于消费者更好地理解气温对其购买决策的风险和敏感性。本文的研究结果为政策制定者和新能源汽车企业提供了新的视角。一方面，新能源汽车企业可以根据气温变化制定更有效的市场营销策略。更重要的是，新能源汽车企业和政府部门应加快开发与全天候新能源汽车和电池热管理相关的技术，以逐渐减少新能源汽车对气温变化的敏感性。另一方面，政策制定者不仅应向制造商和驾驶员提供更详细和专业的新能源汽车技术性能和气温信息，还应不断改善城市充电设施，以满足不断增长的充电需求，特别是在气温敏感度较高的城市。此外，政策制定者还应向制造商提供财政支持和合理的专利豁免，以减轻新能源汽车对气温变化的脆弱性。

影响机制的研究结果表明，投射偏差和注意力是影响新能源汽车消费的有效心理机制。除了增加对全气候新能源汽车研发的投资外，政策制定者还应该建立新能源汽车与天气信息之间的传递和反馈机制，以便及时向驾驶员提供有关气温变化的信息，使他们能够选择适当的交通工具或旅行目的地，从而减少由于气温变化而导致的交通事故或出行不便。

随着燃料成本的不断上升，能源贫困和能源利用效率进一步下降的问题日益严重。本文的异质性效应测试表明，当消费者生活在人口相对较少或较多、收入较高以及拥有更多充电设施的社区时，极端气温对新能源汽车消费的负面影响较小。因此，需要着重考虑如何进一步激励经济社会地位较低的群体使用新能源汽车，以解决能源贫困问题。为此，政策制定者应该考虑包括天气影响因素在内的经济政策，这一关系值得学术研究人员和政策制定者的密切关注。以往关于能源型耐用品的研究主要集中在如何利用政策激励和其他类型的经济激励措施来增加能效产品的消费（Newell andSiikamäki， 2013）。然而，由于在某些情况下，消费者更有可能关注新能源汽车，这可能会显著提升政策或激励措施的效果。因此，本文的研究结果可以为将气温波动纳入产业政策或其他激励计划的政策组合方案提供更多的理论依据。同时，对于在本文的异质性分析中可能更加敏感的城市和社区，新能源汽车企业可以将气温波动纳入以天气为基础的营销策略中（Gillingham and Palmer， 2014）。此外，政策制定者在评估气候变化损失时应考虑消费者行为，并探索将购买行为变化作为减少温室气体排放的潜在途径。鉴于气温变化不仅在中国而且在全球范围内将变得更加频繁和剧烈（Biardeau et al.， 2019），这种需求端策略可能在提高能源利用效率和增加新能源汽车消费方面发挥关键作用。

参考文献

[1] 李国栋，罗瑞琦，谷永芬. 政府推广政策与新能源汽车需求：来自上海的证据[J]. 中国工业经济，2019 年第4 期，第42-61 页。

[2] 赵小磊，李雪梅. 产业政策对充电基础设施产业的影响机制与经验证据[J]. 中国人口·资源与环境，2024 年第07 期，第47-57 页。

[3] 周亚虹，蒲余路，陈诗一，等. 政府扶持与新型产业发展——以新能源为例[J]. 经济研究，2015 年第6 期，第147-161 页。

[4] 周燕，潘遥. 财政补贴与税收减免——交易费用视角下的新能源汽车产业政策分析[J]. 管理世界，2019 年第10 期，第133-149 页。

[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.， Siikamäki， 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.