截至6月底全国机动车保有量达4.76亿辆

基于 Lancaster 消费者理论，消费者效用来源于车型的连续特征向量（续航、价格、品牌、使用成本等），而非车型本身。构建包含新能源与燃油车两类产品的离散选择模型。提出三个假说：H1——NEV 对燃油车的替代弹性随渗透率上升而增大，即两类产品的差异化程度在缩小；H2——补贴退坡后，价格弹性对 NEV 需求的解释力显著强于政策变量；H3——充电基础设施密度通过降低"使用成本"这一特征价格，间接提高 NEV 市场份额。理论预期市场正经历从政策均衡向价格均衡的过渡。

BLP 模型的核心识别挑战在于价格内生性——车型价格与未观测到的车型质量相关。采用 BLP（1995）的经典策略：使用同一企业其他车型的特征作为当期价格的工具变量，利用寡头竞争下企业内产品线间的定价关联性构造外生变异。同时引入主要竞争对手车型特征作为补充工具变量。假定消费者对车型特征的偏好参数在年度内稳定，通过年度分样本回归捕捉替代弹性的时变特征。排除限购城市样本作为稳健性检验，以消除牌照政策对识别的影响。

消费者 i 选择车型 j 的间接效用函数设定为：u_ijt = α_i·ln(p_jt) + X_jt·β_i + ξ_jt + ε_ijt。其中 p_jt 为车型价格，X_jt 为可观测特征向量（续航里程、轴距、品牌虚拟变量、NEV 虚拟变量），ξ_jt 为不可观测质量，ε_ijt 为 I 型极值分布误差项。个体异质性参数 (α_i, β_i) 服从多元正态分布，其均值与方差通过 GMM 与 contraction mapping 联合估计。市场份额方程为 s_jt(δ,θ) = ∫[exp(δ_jt+μ_ijt) / (1+Σ_k exp(δ_kt+μ_ikt))] dF(μ|θ)。

核心被解释变量为车型-月度市场份额（该车型月度销量除以乘用车市场总销量）。核心解释变量包括：车型实际成交价（MSRP 减去经销商折扣，来自 CPCA）、续航里程、百公里电耗/油耗折算的年均使用成本、车型所属细分市场（A00-B/C 级五分类）。工具变量集包含：同一品牌其他车型的特征均值、竞争对手同期推出的同级别车型特征计数。政策变量为中央和地方两级补贴金额合计。样本覆盖 2015 年 1 月至 2026 年 6 月的月度面板。

第一，替换需求模型设定——使用嵌套 Logit 模型（先选动力类型再选具体车型）检验替代弹性的估计是否对分布假设敏感。第二，改变工具变量构造方法——使用 Hausman 型工具变量（其他城市同车型平均价格）替代 BLP 型工具变量，检验价格内生性处理的有效性。第三，子样本分析——分别对限购城市与非限购城市、一线与非一线城市估计，检验市场均衡转换机制是否在不同政策环境与消费水平下稳健。第四，安慰剂检验——将 NEV 渗透率突破 50% 的时间点前后平移 12 个月，检验时变替代弹性的断点是否仅在当期出现。

---

将充电行为视为一种涉及多方产权的交易：车主需要获得在特定时段、特定地点使用充电设施的权利。不同产权安排下，界定、转让和维护这一权利的交易成本不同。公共充电桩（运营商私有产权、按次收费）的交易成本包括搜寻成本、排队等待成本和计价不确定性；物业共享充电桩（集体产权）涉及业主间协商成本；私人充电桩（自有产权）交易成本最低但面临安装的行政壁垒。提出三个假说：H1——充电桩产权明晰度越高（私人桩 > 共享桩 > 公共桩），所在区域的 NEV 采纳率越高；H2——地方政府简化私人充电桩安装审批（降低产权确立成本）显著促进 NEV 销售；H3——牌照管控通过制造"牌照产权"的稀缺性，扭曲了消费者对车辆产权的预期，在限购城市产生额外制度成本。

利用各城市在不同时点出台充电设施管理办法的政策实验——包括明确私人充电桩安装权、规范物业配建义务、推行充电桩共享平台等——作为外生冲击。采用交错 DID 设计，处理组为政策出台城市，对照组为同省份未出台城市。核心识别假定：在控制城市固定效应和时间固定效应后，政策出台时点与不可观测的城市特征无关。通过事件研究法检验处理前平行趋势，绘制政策实施前后各期的动态处理效应。使用 Goodman-Bacon 分解诊断交错处理下 TWFE 估计量的偏误。

基准模型：Y_ct = α + β·D_ct + γ·X_ct + μ_c + λ_t + ε_ct。其中 Y_ct 为城市 c 在 t 年的 NEV 新增注册量（对数），D_ct 为产权改革政策的二元处理变量，X_ct 为时变控制变量集（人均 GDP、人口密度、公共交通供给）。中介效应模型分两步：第一步估计 D_ct 对中介变量 M_ct（私人充电桩密度、公共桩利用率）的影响；第二步将 M_ct 纳入基准方程，检验直接效应 β 的变化及中介效应的 Sobel 统计量。标准误在城市层面聚类。

被解释变量为城市-年度 NEV 新车注册量（公安部登记数据）。核心解释变量 D_ct 通过人工编码各城市充电设施管理办法文本构造：若管理办法明确规定了私人车位充电桩安装权且简化了审批流程，取值为 1，否则为 0。中介变量包括：私人充电桩配建率（私人桩数 / NEV 保有量）、公共充电桩平均利用率（EVCIPA 月度充电量数据汇总）。控制变量来自城市统计年鉴。样本为全国 200 个地级以上城市 2018-2026 年的年度面板数据。

第一，替换因变量为 NEV 保有量占比（存量角度），检验结果是否对流量/存量度量敏感。第二，使用 Sun & Abraham（2021）的交错 DID 估计量替代 TWFE，纠正处理效应异质性下的偏误。第三，安慰剂检验——随机抽取城市分配虚构的政策出台年份，重复 500 次，检验真实处理效应是否落在安慰剂分布的外侧尾部。第四，PSM-DID——使用倾向得分匹配（logit 模型估计城市出台政策的概率）为每个处理城市匹配最相似的控制城市，在匹配样本上重新估计。

---

前景理论指出，消费者对损失的敏感度是对等量收益的约 2.25 倍。在购车场景中，燃油车用户将"随时加油的便利性"作为参照点，将 NEV 的充电等待视为一种损失，即使客观上每日续航需求远低于车辆续航里程（日常通勤中位里程不足 50 公里）。可得性启发则使消费者高估续航耗尽的风险——媒体报道的节假日充电排队画面更容易被回忆，从而高估此类事件的发生概率。提出三个假说：H1——消费者对 NEV 续航里程的最低可接受值（锚点）系统性地高于其实际日均行驶里程；H2——提供"日常续航充分性"的个性化信息（信息干预）显著降低续航焦虑并提高 NEV 购买意愿；H3——框架效应——将充电时间表述为"每年节省的加油时间"而非"每次充电的等待时间"显著提高支付意愿。

随机对照实验设计：被试随机分配到控制组和两个处理组。所有被试完成联合分析任务，在燃油车和 NEV 的多属性配置（价格、续航、充电时间、品牌）间做选择。控制组仅获得基础信息。处理组 1 获得个性化的"日常续航充分性"反馈——根据其报告的日均行驶里程计算所选 NEV 续航的覆盖倍数。处理组 2 获得框架重构信息——将充电成本与时间重新表述为节省的加油时间。通过组间对比识别信息干预的因果效应。联合分析中随机化各属性的呈现顺序，消除排序效应。利用被试间设计避免学习效应。

联合分析部分采用混合 Logit 模型（Mixed Logit）估计各属性的 part-worth 效用和支付意愿：U_ij = β_0 + β_1·Range_j + β_2·Price_j + β_3·ChargeTime_j + β_4·Brand_j + β_5·(Range_j × Anxiety_i) + ε_ij。其中 Anxiety_i 为事先测度的续航焦虑量表得分，交互项捕捉焦虑对续航偏好的调节效应。干预效应分析：Y_i = α + τ_1·T1_i + τ_2·T2_i + δ·X_i + ε_i，其中 Y_i 为 NEV 选择概率和支付意愿增量，T1_i、T2_i 为处理组虚拟变量。对量表数据的结构方程模型设定潜变量"续航焦虑"和"可得性偏差"，检验其对购买意愿的直接与间接效应。

核心被解释变量：被试在联合分析任务中的 NEV 选择概率和相对于燃油车的支付意愿溢价。关键解释变量：续航焦虑量表（5 个 Likert 7 点题项，Cronbach's α > 0.8）、锚定偏差（被试报告的"最低可接受续航"与其实际日均行驶里程的比值）、可得性偏差（被试估计的"长途出行中找不到充电桩概率"与客观概率之差）。处理变量为信息干预的随机分配。样本通过 Credamo 平台招募，设定配额抽样确保性别、年龄、城市等级、现有车辆类型的代表性，目标有效样本量 N = 2000。

第一，替换偏好测量方式——使用 Best-Worst Scaling（BWS）替代传统评分量表，检验偏好估计对测量方法是否稳健。第二，控制社会期望偏误——使用 Marlowe-Crowne 社会期望量表筛选被试，剔除高分者后重估。第三，注意力检验——在问卷中嵌入注意力检测题项，仅保留通过检测的样本重新估计，确保结果不受不认真作答的污染。第四，异质性分析——按被试是否有过 NEV 试驾经历分组，检验"实际体验"是否削弱认知偏差效应，验证偏差的"信息缺乏"根源而非纯粹心理因素。

---

中央政府的 NEV 政策目标具有双重性：推进绿色转型（社会产出最大化）与培育战略性产业竞争优势（国家租金）。地方政府面临同样的双重激励但权重不同：汽车工业强市倾向保护本地传统车企的转型节奏，避免过快冲击就业和税收；非汽车工业城市则更有激励通过 NEV 基础设施投资争取中央转移支付和政绩信号。提出三个假说：H1——地方汽车工业产值占比越高，NEV 推广政策的执行力度越弱（产业利益锁定效应）；H2——地方财政自主度越低（对中央转移支付依赖越高），NEV 政策执行越积极（纵向财政激励效应）；H3——"双积分"政策允许跨区域积分交易后，汽车工业薄弱地区通过积分出售与汽车工业重镇形成隐性利益交换，部分缓解了执行偏差。

核心解释变量（产业结构、财政依赖度）在地市级层面具有显著的截面变异和缓慢的时序变化。采用面板双向固定效应模型控制城市不可观测异质性和共同时间趋势。对于财政依赖度与政策执行间可能的反向因果（NEV 推广力度强的城市获取更多中央专项转移支付），使用"分税制改革前的历史财政上解比例"作为地方财政自主度的工具变量——该历史变量与当前财政结构相关，但与当期 NEV 政策的不可观测冲击无关。对于产业结构变量，使用 2010 年（NEV 产业起步前）的汽车工业布局作为当前产业结构的工具变量。

基准模型：PolicyGap_ct = α + β_1·AutoShare_ct + β_2·FiscalDep_ct + β_3·(AutoShare_ct × DZJF_ct) + γ·X_ct + μ_c + λ_t + ε_ct。被解释变量 PolicyGap_ct 为政策执行偏差指数——定义为中央政策目标要求的 NEV 推广数量与地方实际完成数之差（经标准化）。AutoShare_ct 为汽车工业产值占 GDP 比重，FiscalDep_ct 为地方财政自主度（地方本级收入 / 地方总支出）的倒数。DZJF_ct 为"双积分"政策虚拟变量（2018 年后为 1）。交互项检验"双积分"是否缓解产业结构带来的执行偏差。标准误在城市和省份-年度层面双重聚类。

被解释变量 PolicyGap 的构造：收集历年国务院《新能源汽车产业发展规划》及各部委配套文件中设定的分区域推广目标，减去各城市实际 NEV 新增注册量，除以目标值得到完成率偏差（负值表示未达标）。解释变量 AutoShare 来自各城市统计年鉴的第二产业分行业产值数据。FiscalDep 来自《中国城市统计年鉴》的财政收支表。文本分析：对各城市 NEV 推广政策文件进行人工编码，按政策工具类型（购置补贴、使用便利、基础设施、产业扶持）和力度（补贴金额占地方财政收入比）构造政策强度指数。工具变量来自历年《中国财政年鉴》和历史行政区划数据。

第一，替换被解释变量——使用充电桩配建完成率（实际配建数 / 规划目标数）作为政策执行的替代度量，检验结论是否对推广维度的选择敏感。第二，改变样本范围——分别剔除直辖市、省会城市、计划单列市，仅使用普通地级市样本，排除行政级别对政策执行力的干扰。第三，空间计量——使用空间杜宾模型（SDM）纳入邻近城市的政策执行空间溢出效应，检验地方政府间是否存在 NEV 政策的策略性模仿或竞争。第四，分位数回归——检验产业结构与财政依赖度的效应在不同政策执行水平（高分位与低分位城市）上是否一致，揭示异质性的分布特征。

---

Hirschman 的不平衡增长理论认为，主导产业通过前向关联（为下游提供更高质量的中间品）和后向关联（对上游产生引致需求）带动整体经济发展。新能源汽车产业具有产业链长、技术密集度高、跨行业融合（电力电子、材料科学、人工智能）的特征，其前后向关联效应理论上远超传统燃油车。Hausmann-Hidalgo 的产品空间理论指出，一国在某一复杂产品的生产能力可降低其生产邻近产品所需的能力积累成本。提出三个假说：H1——NEV 产业链前向关联（向出行服务、智能交通系统延伸）和后向关联（对动力电池材料、芯片、电机）均产生显著的技术溢出，且溢出强度大于传统汽车产业链；H2——地区在 NEV 相关产品上的显性比较优势（RCA）越高，其在产品空间中向邻近复杂产品转型的概率越大；H3——地方 NEV 产业集聚通过劳动力池和技术扩散渠道提升本地区非汽车制造业的全要素生产率。

核心识别挑战在于 NEV 产业集聚与地区制造业升级之间可能存在反向因果——制造业基础好的地区本身更可能发展 NEV 产业。采用两阶段策略：第一阶段，使用投入产出表计算各制造业部门与 NEV 产业链的技术距离（通过专利引用网络和中间品投入结构），将地区历史上的相关产业基础转化为 NEV 产业发展的"准自然"潜力。第二阶段，使用这一历史产业结构决定的 NEV 发展潜力作为工具变量，估计 NEV 产业扩张对本地制造业 TFP 的因果效应。此外，利用省级 NEV 产业规划的外生区域分工（如某些省份被明确指定为动力电池基地）构造政策冲击变量。

基准溢出效应方程：ΔTFP_i,r,t = α + β·NEV_Linkage_r,t-1 + γ·(NEV_Linkage_r,t-1 × TechProx_i) + δ·X_i,r,t + μ_i + λ_r,t + ε_i,r,t。其中 ΔTFP_i,r,t 为行业 i 在地区 r 的 TFP 增长率，NEV_Linkage_r,t-1 为地区 r 滞后一期的 NEV 产业规模（产值或就业份额），TechProx_i 为行业 i 与 NEV 产业链的技术邻近度（通过共引专利或共同中间品投入度量）。关键系数 γ 捕捉技术邻近行业的差异化溢出效应。行业固定效应 μ_i 吸收行业特定的技术趋势，地区-年份固定效应 λ_r,t 吸收所有地区层面的时变冲击。标准误在行业和地区层面双重聚类。

被解释变量：行业-地区层面的 TFP，使用 LP 法（Levinsohn-Petrin, 2003）估计生产函数，以中间品投入作为不可观测生产率冲击的代理变量，基础数据来自中国工业企业数据库。核心解释变量 NEV_Linkage 通过投入产出表计算：各地区 NEV 产业的前向关联指数（NEV 产出中被下游行业用作中间投入的比重）和后向关联指数（NEV 生产中来自上游行业的中间投入比重）。技术邻近度 TechProx 通过专利共类网络计算——若行业 i 的专利与 NEV 相关专利共享相同的 IPC 分类号且共引相同的先验专利，则邻近度较高。样本为 2010-2022 年 2 位码制造业行业-省份面板。

第一，替换 TFP 估计方法——使用 OP 法（Olley-Pakes, 1996，以投资作为代理变量）和 ACF 法（Ackerberg-Caves-Frazer, 2015，修正劳动投入的共线性问题）重新估计 TFP，检验溢出效应估计对生产函数设定的敏感性。第二，替换技术邻近度度量——使用投入产出表中的完全消耗系数替代专利共类指标，检验技术距离的不同度量是否给出一致结论。第三，排除替代解释——控制同期其他产业政策（如"中国制造 2025"、半导体大基金等对特定行业的扶持），将这些政策的行业覆盖情况设为虚拟变量纳入方程，确保估计的 NEV 溢出效应不是其他政策效果的混杂。第四，工具变量回归——使用各地区 2005 年汽车零部件产业的就业份额与全国 NEV 产业增长率的交互项作为 NEV_Linkage 的工具变量（历史汽车产业基础决定 NEV 发展潜力但不直接影响当前其他行业的 TFP 变化）。

---