上半年新能源汽车出口同比增长1.2倍

基于Perez & Soete的技术范式转换理论，当新技术范式（电动化、智能化）替代旧范式（内燃机）时，后发国家可绕过先发国家在旧范式上的累积优势，实现"蛙跳"。H1：新能源汽车技术范式转换窗口越大，中国对该国市场的出口追赶速度越快。H2：国内市场规模通过"需求拉动效应"正向调节技术追赶与出口增长的关系。H3：目标国传统汽车产业集群密度越高，中国新能源汽车渗透阻力越大。

利用各国实施新能源汽车补贴政策的时点差异作为准自然实验，采用交错双重差分法（Staggered DID）。处理组为在2020—2025年间出台新能源汽车进口优惠或补贴政策的国家，对照组为同期未出台相关政策的国家。核心假定为政策实施时点与不可观测的贸易冲击不相关（平行趋势），通过事件研究法（event study）检验该假定的合理性。

基准模型：$\ln(Export_{it}) = \alpha + \beta_1 Policy_{it} + \beta_2 TechGap_{it} + \beta_3 Policy_{it} \times TechGap_{it} + \gamma X_{it} + \mu_i + \lambda_t + \varepsilon_{it}$。其中$Export_{it}$为中国对i国t期的新能源汽车出口额，$Policy_{it}$为目标国新能源政策虚拟变量，$TechGap_{it}$为技术距离指标（基于专利引用的知识空间距离），$X_{it}$为控制变量向量（GDP、关税税率、汇率），$\mu_i$和$\lambda_t$分别为国家和时间固定效应。

被解释变量为中国对各国新能源汽车月度出口额（UN Comtrade HS8703，按动力类型细分）。核心解释变量$Policy_{it}$基于IEA全球EV政策数据库手工编码。技术距离$TechGap_{it}$采用Jaffe（1986）方法，以中国与目标国在汽车电动化领域的专利申请向量计算余弦距离。控制变量包括：人均GDP（世界银行WDI）、加权关税税率（WTO Tariff Download）、实际有效汇率（IMF IFS）、FTA虚拟变量（WTO RTA数据库）。样本覆盖2018—2026年中国对60个主要贸易伙伴的月度面板数据。

第一，采用工具变量法，以目标国充电桩密度滞后项作为政策实施的工具变量，缓解内生性问题。第二，使用合成控制法（Synthetic Control Method）对重点市场（如欧盟、东南亚）进行个案分析，验证DID结论的一致性。第三，替换技术距离指标为研发投入差距（基于OECD ANBERD数据库），检验核心结论的稳健性。第四，剔除疫情冲击年份（2020—2021年）进行子样本回归。

---

基于North的制度变迁框架，产业政策作为一种强制性制度安排，通过改变企业的激励结构影响出口行为。适度补贴降低企业研发和出口的边际成本（激励效应），但过度补贴诱发寻租行为，企业将资源从生产创新转向政策套利（扭曲效应）。H1："两新"政策补贴强度与汽车企业出口质量之间呈倒U型关系。H2：企业寻租强度（以管理费用率代理）在补贴与出口质量之间发挥负向中介作用。H3：地区市场化程度越高，补贴的激励效应越强、扭曲效应越弱。

利用各省"两新"政策实施时点和补贴标准的差异构建多值处理变量。采用模糊断点回归（Fuzzy RDD），以各省政策文件中规定的企业准入规模门槛作为断点——刚好达到门槛的企业获得补贴资格，刚好未达到的企业不具有资格。核心假定为在门槛附近企业特征（规模、生产率等）连续分布，不可被精确操纵。使用McCrary密度检验验证该假定，并展示企业规模在断点处的密度分布无跳跃。

第一阶段：$Subsidy_{it} = \pi_0 + \pi_1 Eligible_{i} + f(Size_{it} - c) + \gamma X_{it} + \delta_t + u_{it}$，其中$Eligible_i$为企业是否达到补贴门槛的虚拟变量，$c$为断点值。第二阶段：$\ln(Quality_{it}) = \alpha + \beta \widehat{Subsidy}_{it} + \beta_2 \widehat{Subsidy}_{it}^2 + f(Size_{it} - c) + \gamma X_{it} + \delta_t + \varepsilon_{it}$。出口质量$Quality_{it}$采用Khandelwal et al.（2013）的需求残差法估计。控制变量$X_{it}$包括企业年龄、所有制类型、研发投入、行业集中度。

出口质量基于海关微观贸易数据（2018—2025年），按Khandelwal方法利用价格和数量信息反推质量。补贴强度变量来自各省"两新"政策文件手工编码，包括单车补贴金额、购置税减免额度、充电桩建设补贴等加总。寻租强度以企业管理费用占营业收入比衡量（CSMAR上市公司数据）。市场化程度采用王小鲁等《中国分省份市场化指数》。样本为2018—2025年汽车制造业上市公司及海关匹配的面板数据，约覆盖300家汽车相关企业。

第一，使用带宽敏感性分析，分别在最优带宽的0.5倍、1倍、2倍下估计RDD，检验核心结论的稳健性。第二，采用安慰剂检验，将断点随机偏移±20%后重复回归，预期不显著。第三，用企业TFP（OP法或LP法估计）替代出口质量作为被解释变量，检验政策对生产效率的影响。第四，利用2023年"两新"政策扩围作为外生冲击，构建DID进行交叉验证。

---

基于Melitz（2003）模型，贸易开放后高生产率企业进入出口市场，资源从低生产率企业向高生产率企业再配置。新能源汽车部门的技术进步使其生产率分布右移，推动更多企业跨越出口门槛。H1：新能源汽车企业的生产率均值高于仅服务国内市场的传统燃油车企业。H2：出口扩张导致国内汽车供给收缩，推高国内汽车价格指数。H3：资源再配置带来的总体生产率提升足以补偿国内消费者因价格上涨损失的福利（净福利为正）。

采用结构化估计策略而非简约式回归。首先利用企业层面数据估计各部门（传统燃油车、新能源乘用车、新能源商用车）的生产率分布参数。然后利用各国关税差异和汇率变动作为出口利润移动子（export profit shifter），识别出口固定成本和贸易弹性。核心假定为企业生产率分布服从对数正态分布，且出口市场的进入决策遵循Melitz式截断规则。通过模拟反事实情景（如无出口市场、无关税变动）与基准情景对比来量化福利效应。

构建包含两个部门（传统燃油车d和新能源汽车e）、N个国家的量化贸易模型。企业生产率$\varphi$服从Frechet分布$F(\varphi) = \exp(-T_i \varphi^{-\theta})$。贸易份额方程：$\lambda_{ni} = \frac{T_i(w_i d_{ni})^{-\theta}}{\sum_k T_k(w_k d_{nk})^{-\theta}}$，其中$d_{ni}$为冰山贸易成本。利用矩条件估计结构参数$(T_i, \theta)$，匹配各国汽车产量、出口量和价格矩。反事实分析设定$\hat{T}_{China,e}$变化（技术进步）或$\hat{d}_{ni}$变化（关税变动），计算均衡价格、产量和福利变动。

生产率估计使用中国工业企业数据库（2018—2023年）中汽车制造业企业数据，以OP法估计企业TFP。贸易数据来自海关总署HS编码8703细分（按排量、动力类型）。冰山贸易成本$d_{ni}$分解为关税（WTO I-TIP）、运输成本（CEPII Gravity数据库距离指标）和非关税壁垒（NTM覆盖率，UNCTAD TRAINS）。国内汽车价格指数基于乘联会公布的各车型加权平均售价构建。新能源与燃油车部门划分依据工信部产品公告目录。

第一，改变生产率分布假定（从Frechet改为对数正态分布），检验参数估计和反事实结果的敏感性。第二，引入Armington替代弹性参数的不同校准值（$\sigma$在3—8之间变动），观察福利结论的稳健性。第三，利用2024年欧盟对中国电动汽车加征关税作为外生冲击，对比模型预测与实际贸易流量变化的吻合程度。第四，放松两国对称假定，允许各国需求偏好异质性。

---

基于Grossman & Helpman的"保护待售"模型，进口国政府在社会福利与政治捐款之间权衡。中国新能源汽车出口激增降低了进口国同类企业的利润，增强了其游说激励。H1：中国对某国新能源汽车出口份额每增加1个百分点，该国对中国汽车发起贸易救济调查的概率显著上升。H2：进口国汽车制造业就业占比越高（选票敏感度越高），贸易壁垒强度越大。H3：贸易壁垒的形式选择（关税vs.非关税壁垒）取决于该国制度质量——制度质量高的国家倾向于使用合规性壁垒（如碳足迹标准），制度质量低的国家倾向于使用直接关税。

利用中国新能源汽车出口在不同国家市场份额的外生变异（由运输距离和历史贸易关系驱动的份额差异）作为工具变量。具体而言，以中国到各国海运距离与2015年前传统燃油车贸易强度的交互项作为新能源汽车出口份额的工具变量。核心假定为海运距离不直接影响进口国的贸易政策选择（排他性约束），仅通过影响出口竞争力间接发挥作用。同时，利用各国大选周期作为政治压力的外生时间变异来源。

基准模型采用Tobit回归（因贸易壁垒强度存在大量零值）：$Barrier_{it}^* = \alpha + \beta_1 Share_{it} + \beta_2 AutoEmp_{it} + \beta_3 Share_{it} \times AutoEmp_{it} + \gamma Z_{it} + \mu_i + \lambda_t + \varepsilon_{it}$，$Barrier_{it} = \max(0, Barrier_{it}^*)$。其中$Barrier_{it}$为综合贸易摩擦指数，$Share_{it}$为中国新能源汽车在i国的市场份额，$AutoEmp_{it}$为i国汽车制造业就业占总制造业就业比，$Z_{it}$为控制变量（GDP增长率、失业率、WTO成员资格、FTA虚拟变量）。工具变量第二阶段采用IV-Tobit估计。

贸易摩擦指数$Barrier_{it}$通过主成分分析法综合三类指标：（1）关税水平（WTO I-TIP的约束税率与实际税率之差）；（2）贸易救济调查次数（反倾销、反补贴、保障措施，来源WTO I-TIP）；（3）非关税措施覆盖率（UNCTAD TRAINS数据库中针对HS8703的NTM数量）。市场份额$Share_{it}$以中国对i国新能源汽车出口额占i国新能源汽车总进口额比计算。汽车就业占比来自各国统计局或ILO Laborstat数据库。样本覆盖2019—2026年中国前40大汽车出口目的国的年度面板数据。

第一，使用定性比较分析（QCA）方法，以集合论视角识别导致高强度贸易壁垒的充分条件组合，验证计量模型发现的因果关系。第二，利用2024年欧盟反补贴调查作为案例，构建事件窗口（前后24个月），分析中国对欧出口量和价格的动态响应。第三，将贸易摩擦指数替换为二元变量（是否发起贸易救济调查），采用Probit模型重新估计。第四，加入地缘政治变量（如联合国投票一致性指标），控制政治关系对贸易政策的混淆影响。

---

基于Autor et al.的任务模型，新能源汽车将生产任务从"常规型"（内燃机组装、变速箱制造）转向"非常规认知型"（电池管理系统、智能驾驶算法），改变了对不同技能劳动力的需求。H1：新能源汽车出口扩张显著提高了高技能劳动力（研发、软件）的就业占比，降低了中低技能劳动力的就业占比。H2：在传统燃油车产业集群地区，新能源汽车出口扩张导致的结构性失业更为显著。H3：出口企业的技能培训投入可以缓解就业极化效应，但效果取决于培训内容与岗位需求的匹配度。

采用Bartik（shift-share）工具变量法。工具变量构造为：$Z_{rt} = \sum_k \frac{L_{rk,t_0}}{L_{r,t_0}} \times \Delta Export_{k,t}^{national}$，即利用地区r在基期$t_0$的汽车子行业就业结构（份额）与全国层面各子行业出口增长率（移动量）的加权组合，预测地区层面的出口冲击。核心假定为基期就业结构是历史遗留的，与当期不可观测的地区劳动力市场冲击不相关（Goldsmith-Pinkham et al., 2020的份额外生性）。

第一阶段：$\Delta Export_{rt} = \pi_0 + \pi_1 Z_{rt} + \gamma X_{rt} + \delta_t + u_{rt}$。第二阶段：$\Delta EmpShare_{srt} = \alpha + \beta_s \widehat{\Delta Export}_{rt} + \gamma X_{rt} + \delta_t + \varepsilon_{srt}$。其中$\Delta EmpShare_{srt}$为地区r在t期技能等级s的就业占比变化（s分为高、中、低三档），$X_{rt}$为地区控制变量（人均GDP、城镇化率、高校数量、最低工资标准）。模型在地区-年份层面估计，标准误聚类到省级。

就业结构变量基于中国工业企业数据库（2018—2023年）中汽车制造业企业员工学历构成数据，以及各地社保参保的企业员工人数统计。技能等级按学历划分：高技能（本科及以上）、中技能（大专/高职）、低技能（高中及以下）。出口冲击变量由海关微观数据按企业所在城市和行业汇总。补充数据包括：智联招聘汽车岗位的技能要求文本分析（NLP提取关键词分类为研发/制造/服务），以及教育部汽车相关专业招生人数变化。

第一，使用Adão et al.（2019）提出的修正标准误方法，纠正Bartik工具变量中因share数量较少导致的过度拒绝问题。第二，以企业层面的员工人数和工资数据（上市公司年报披露）替代地区层面数据，在微观层面验证就业极化效应。第三，利用2022年新能源汽车购置税减免政策扩围作为替代性外生冲击，构建DID进行交叉验证。第四，使用Blinder-Oaxaca分解方法，将就业结构变化分解为"组间效应"（部门间劳动力再配置）和"组内效应"（部门内技能升级），验证核心机制。

---