劉相鋒，吳穎婕

(1.浙江財經(jīng)大學(xué)中國政府管制研究院，浙江 杭州 310018；2.浙江省新型重點專業(yè)智庫“政府監(jiān)管與公共政策研究院”，浙江 杭州 310018)

一、引 言

自2009年新能源汽車城市試點活動的通知發(fā)布以來(1)《關(guān)于開展節(jié)能與新能源汽車示范推廣試點工作的通知》(財建〔2009〕6號)。，新能源汽車補(bǔ)貼政策在過去十年中一直處于不斷完善和調(diào)整中，其演變過程顯著表現(xiàn)在三個階段政策目標(biāo)的變化，分別是2009—2012年“推進(jìn)節(jié)能減排，推動新能源汽車產(chǎn)業(yè)化”的第一階段、2013—2015年“加快新能源汽車產(chǎn)業(yè)發(fā)展”的第二階段和2016年至今“促進(jìn)新能源汽車產(chǎn)業(yè)健康、高質(zhì)量發(fā)展”的第三階段。尤其是2019年財政部等四部委聯(lián)合發(fā)布的最新補(bǔ)貼政策明確提出了“優(yōu)化技術(shù)指標(biāo)，堅持‘扶優(yōu)扶強(qiáng)’”的要求(2)《關(guān)于進(jìn)一步完善新能源汽車推廣應(yīng)用財政補(bǔ)貼政策的通知》(財建〔2019〕138號)。。因此，中國新能源補(bǔ)貼政策目標(biāo)整體上呈現(xiàn)兩個趨勢：對新能源汽車行業(yè)的發(fā)展要求已從最初的“加快總量擴(kuò)大”轉(zhuǎn)變?yōu)椤按龠M(jìn)質(zhì)量提升”；對行業(yè)的發(fā)展規(guī)劃也從初期的“鼓勵推廣應(yīng)用”轉(zhuǎn)變?yōu)椤巴七M(jìn)技術(shù)升級”。與之相對應(yīng)，新能源補(bǔ)貼政策整體呈現(xiàn)退坡趨勢，逐漸由政府主導(dǎo)讓位于市場主導(dǎo)。那么，實施的補(bǔ)貼退坡政策是否有效提高了新能源汽車產(chǎn)業(yè)的技術(shù)效率？補(bǔ)貼政策調(diào)整能否有效實現(xiàn)新能源汽車產(chǎn)業(yè)技術(shù)升級、高質(zhì)量發(fā)展的目標(biāo)？這些問題還沒有得到有效的回答和印證。

基于此，本文使用2018年1月以來的國產(chǎn)純電動乘用車制造企業(yè)月度微觀數(shù)據(jù)(包括電池搭載量、電機(jī)采購量和純電動乘用車產(chǎn)量等)，嘗試引入技術(shù)效率波動性異質(zhì)性隨機(jī)前沿分析方法來測算企業(yè)的技術(shù)效率。在測算新能源汽車廠商技術(shù)效率的基礎(chǔ)上，進(jìn)一步采用斷點回歸方法分析補(bǔ)貼退坡機(jī)制對新能源汽車廠商技術(shù)效率的影響。本文的邊際貢獻(xiàn)在于：著重于補(bǔ)貼政策退出對新能源汽車廠商技術(shù)效率的影響，為補(bǔ)貼政策績效評價及政策制定方向提供一定的實證依據(jù)；采用的異質(zhì)性隨機(jī)前沿模型考慮了技術(shù)效率波動性因素，克服以往忽視技術(shù)效率波動性的測算方法導(dǎo)致的偏誤缺陷；在數(shù)據(jù)采集上，使用2018年1月以來的廠商采購和生產(chǎn)月度微觀數(shù)據(jù)，以新能源汽車制造企業(yè)為測算對象并放松同質(zhì)化的前提假設(shè)，使研究結(jié)論更加具有科學(xué)性和針對性。

二、文獻(xiàn)綜述與假設(shè)提出

關(guān)于補(bǔ)貼政策對行業(yè)或企業(yè)技術(shù)效率影響的研究，一些學(xué)者認(rèn)為政府補(bǔ)貼政策能有效刺激短期技術(shù)效率提升[1][2][3]，但長期來看效果并不顯著[4][5][6]。其原因在于：雖然政府在補(bǔ)貼過程中傳遞的利好信號促使企業(yè)在短期獲得更多資本[4][5]，但從長期來看，由于企業(yè)核心技術(shù)研發(fā)存在成本高、風(fēng)險大、周期長的缺點，大量政府補(bǔ)貼觸發(fā)了企業(yè)“尋補(bǔ)貼”的投資動機(jī)，導(dǎo)致其將企業(yè)資源從提高技術(shù)效率轉(zhuǎn)移到尋求補(bǔ)貼成本上，反而“擠出”企業(yè)的自主研發(fā)支出[6]。也有部分學(xué)者持完全否定的態(tài)度，認(rèn)為補(bǔ)貼政策不僅對技術(shù)效率沒有提升作用，甚至還存在阻礙技術(shù)進(jìn)步的反作用，尤其在高端產(chǎn)品和技術(shù)方面的研發(fā)活動方面更為突出[7][8]。這可能是政府補(bǔ)貼促使企業(yè)只注重規(guī)模擴(kuò)張，而忽視產(chǎn)品質(zhì)量提升和結(jié)構(gòu)優(yōu)化，抑制了技術(shù)效率提高[9]。

關(guān)于補(bǔ)貼政策在新能源行業(yè)技術(shù)作用效果的研究，大多數(shù)文獻(xiàn)認(rèn)為補(bǔ)貼政策僅促進(jìn)了新興市場的形成，但普遍存在補(bǔ)貼強(qiáng)度過高、政策效果不理想、補(bǔ)貼激勵效應(yīng)時效性短等問題[10][11][12]。據(jù)此，學(xué)者們展開對新能源補(bǔ)貼政策退坡機(jī)制的研究。從行業(yè)的需求端出發(fā)，諸多學(xué)者認(rèn)為補(bǔ)貼的退出可促使汽車企業(yè)提升技術(shù)效率并引導(dǎo)消費者的購買行為。其原因在于：補(bǔ)貼政策的退出不僅能有效激活汽車企業(yè)發(fā)展的自主性[10]，而且使消費者減少對低端技術(shù)的新能源汽車的購買[13]，更加關(guān)注車輛的行駛里程、安全和充電時間等技術(shù)方面的問題[14]，從而給企業(yè)提供了更多的技術(shù)研發(fā)動力，迫使企業(yè)提高技術(shù)水平并逐漸淘汰低技術(shù)產(chǎn)品。

綜上所述，本文認(rèn)為雖然補(bǔ)貼政策與企業(yè)技術(shù)效率的關(guān)系形成了一定的研究基礎(chǔ)，但實施補(bǔ)貼退坡能否真正實現(xiàn)讓位于市場、提升技術(shù)效率，目前尚沒有充分論證?，F(xiàn)有研究主要基于國外消費者問卷或宏觀數(shù)據(jù)，并以需求端的情況推斷廠商的技術(shù)效率是否提升難免有所偏差。因此，本文以微觀企業(yè)為研究對象并測度其技術(shù)效率，既彌補(bǔ)了國內(nèi)研究的空白，也有助于政府理解和使用補(bǔ)貼退坡機(jī)制。

三、模型構(gòu)建與數(shù)據(jù)處理

本文在測算企業(yè)各期實際效率方面采用異質(zhì)性隨機(jī)前沿模型，這不僅能有效估算效率和不確定性的影響，而且能突破以往固定前沿的局限。在分析新能源補(bǔ)貼退坡政策效果時，我們采用斷點回歸(RD)模型和估計方法，以準(zhǔn)確判斷政策實施效果的有效性。

(一)模型構(gòu)建與估計策略

1.異質(zhì)性隨機(jī)前沿模型的構(gòu)建及估計策略

(1)隨機(jī)前沿生產(chǎn)函數(shù)模型的構(gòu)建。本文借鑒蘇治和連玉君(2011)的思路，設(shè)定如下的異質(zhì)性隨機(jī)前沿模型[15]：

(1)

(2)技術(shù)效率損失模型的設(shè)定。為衡量企業(yè)的技術(shù)無效率水平，我們設(shè)定如下的技術(shù)效率損失模型：

Inθit=β0+β1RDRit+β2ALRit+β3Collegeit

(2)

其中，RDR、ALR和College分別表示研發(fā)投入比、資產(chǎn)負(fù)債率和高級人才占比。

(3)

(4)

(5)

同時，對式(4)兩邊取自然對數(shù)和方差處理，發(fā)現(xiàn)技術(shù)效率損失的波動與技術(shù)效率的不確定性呈正比例關(guān)系，可得：

(6)

對式(6)兩邊進(jìn)行方差處理，可得：

(7)

因此，隨機(jī)前沿模型中的技術(shù)效率不確定性可通過估計技術(shù)效率損失的波動方差加以識別。

2.斷點回歸模型的構(gòu)建及估計策略

(1)斷點回歸模型的構(gòu)建。2018年6月恰好是2018年補(bǔ)貼過渡期結(jié)束、新一期補(bǔ)貼政策開展的交替點。2018年補(bǔ)貼過渡期(2018年2月11日—6月11日)的政策與補(bǔ)貼過渡期之后(2018年6月12日)的政策在純電動續(xù)航里程和補(bǔ)貼金額兩方面均存在較大變化，整體上呈現(xiàn)補(bǔ)貼退坡趨勢，分別為對技術(shù)質(zhì)量要求的提高和補(bǔ)貼金額的減少，因而行業(yè)內(nèi)稱此階段的補(bǔ)貼政策逐步退出為新能源補(bǔ)貼退坡政策。

表1 2018年過渡期前后的補(bǔ)貼政策

由于補(bǔ)貼過渡期與補(bǔ)貼過渡期之后實行的補(bǔ)貼政策不同，在過渡期結(jié)束前后(即2018年6月)，企業(yè)的技術(shù)效率呈現(xiàn)不連續(xù)性，故本文采用斷點回歸(RD)的方法進(jìn)行探討。由于使用的數(shù)據(jù)時間跨度為2018年1月至2019年4月，故本文僅研究2018年補(bǔ)貼過渡期，即2018年6月前后是否存在斷點。鑒于補(bǔ)貼過渡期是否使技術(shù)效率發(fā)生變化，我們采用精確斷點回歸(SRD)的估計方法，并假設(shè)技術(shù)效率是否發(fā)生變化完全取決于補(bǔ)貼政策是否發(fā)生改變。據(jù)此，設(shè)定虛擬變量Di為：

(8)

其中，i代表廠商；timei代表時間，是斷點回歸中的分組變量；Di代表技術(shù)效率是否發(fā)生變化，發(fā)生變化時取值為1，未發(fā)生變化時取值為0。企業(yè)的技術(shù)效率發(fā)生變化的概率在斷點處從0變成1，即：

limtimei→6+E(Di|timei)-limtimei→6-E(Di|timei)=1

(9)

由于在斷點兩側(cè)較小領(lǐng)域的樣本可認(rèn)為是隨機(jī)分組的，因而補(bǔ)貼過渡期對企業(yè)技術(shù)效率的局部平均處理效應(yīng)(LATE)的估計量為：

E[(y1i-y0i)|timei=6]=limtimei→6+E(y1i|timei=6)-limtimei→6-E(y0i|timei=6)=1

(10)

本文采用參數(shù)方法估計精確斷點回歸，故技術(shù)效率的回歸函數(shù)設(shè)定為：

TEi=δ0+δ1(timei-6)+δ2Di+δ3(timei-6)Di+εi(6-h

(11)

(2)估計策略及連續(xù)性檢驗。對處理效應(yīng)的估計方法，本文借鑒張慧玲和盛丹(2019)的做法[19]，采用局部線性回歸方法來減少估計偏誤，并設(shè)定如下的函數(shù)：

(12)

其中，K(·)為內(nèi)核函數(shù)，h為帶寬，c為斷點(即6)，Di為處理變量。內(nèi)核函數(shù)包括三角內(nèi)核(Triangular Kernel)、Epanechnikov內(nèi)核及均勻內(nèi)核(Uniform Kernel)，本文采用三角內(nèi)核進(jìn)行最小化。

對最優(yōu)帶寬h的選擇，本文采用Imbens和Kalyanaraman(2012)的方法[20]，以最小化均方誤差(MSE)為指標(biāo)選擇最優(yōu)帶寬，即：

(13)

對分組變量timei密度函數(shù)的連續(xù)性檢驗，本文采用MCcrary(2008)的方法[21]，原假設(shè)為：

H0∶θ=Inlimx↓cf(x)-Inlimx↑cf(x)=Inf+-Inf+=0

(14)

(二)變量選擇及說明

1.被解釋變量。在構(gòu)建企業(yè)生產(chǎn)隨機(jī)前沿模型時，主要采用各汽車制造廠商的實際產(chǎn)量為被解釋變量。但需要說明的是，首先，每個汽車制造廠商都擁有多個類型和系列的車型，本文盡可能將不同類型的純電動汽車產(chǎn)品予以分類整理，難以細(xì)分的車型則采取合并處理；其次，相同品牌的汽車可能由總、分公司分別生產(chǎn)，我們按照兩類企業(yè)加以處理，分類統(tǒng)計相應(yīng)的產(chǎn)量。

2.解釋變量。異質(zhì)性隨機(jī)前沿模型生產(chǎn)函數(shù)使用的解釋變量包括電池搭載量、電機(jī)采購量、資本投入和勞動投入四個，技術(shù)效率損失模型和技術(shù)效率波動性模型使用的解釋變量包括資產(chǎn)負(fù)債率、高級人才占比和研發(fā)投入比三個。其中，電池的搭載和電機(jī)的采購是新能源汽車生產(chǎn)的前提條件，對其產(chǎn)量具有直接影響。資本投入以廠商的固定資產(chǎn)季度數(shù)據(jù)替代，勞動投入選取廠商的職工總?cè)藬?shù)[22]。資產(chǎn)負(fù)債率衡量企業(yè)的融資能力，對企業(yè)的技術(shù)進(jìn)步產(chǎn)生顯著的影響[23]。此外，一個企業(yè)高級人才的數(shù)量會影響企業(yè)的創(chuàng)新績效，故以高級人才占比表征企業(yè)的技術(shù)水平提升能力。高級人才占比采用本科及以上學(xué)歷職工人數(shù)與職工總?cè)藬?shù)的比例[24]。研發(fā)投入比以研發(fā)支出與銷售收入的比值來衡量[25][26][27]。本文按照月度對時間因素進(jìn)行控制，并設(shè)置相應(yīng)的虛擬變量。

表2 相關(guān)變量的描述性統(tǒng)計

(三)數(shù)據(jù)篩選及處理

1.數(shù)據(jù)的篩選過程。本文從中國汽車協(xié)會和中國乘用車聯(lián)合會獲取純電動乘用車生產(chǎn)廠商2018年到2019年4月的純電動乘用車產(chǎn)量，共計63家企業(yè)。以企業(yè)名稱為匹配對象，匹配收集63家純電動乘用車生產(chǎn)廠商的電池和電機(jī)的月度采購數(shù)據(jù)，時間跨度為16個月，共1008個觀測值?？紤]到數(shù)據(jù)的可獲得性，剔除未上市公司及僅由外資控股的公司后，剩下的上市公司(包括中外合資)41家，共656個觀測值。通過同花順軟件獲取上市公司2018—2019年的季度報表，以其股票代碼作為配對變量，分別與電池、電機(jī)進(jìn)行匹配，得到面板數(shù)據(jù)共656條。

由表3可知，41家上市企業(yè)的純電動乘用車產(chǎn)量占整個純電動乘用車行業(yè)的86.35%，樣本的統(tǒng)計結(jié)果具有統(tǒng)計意義和代表性，能真實反映整個新能源汽車行業(yè)的情況。

表3 2018—2019年上市企業(yè)電池、電機(jī)和乘用車的占比情況

2.數(shù)據(jù)的處理過程。在實際數(shù)據(jù)整理過程中，存在部分企業(yè)當(dāng)期無采購記錄但有產(chǎn)出的情況，這符合生產(chǎn)預(yù)先購置行為或提前備貨行為，故采取整合處理。對于部分汽車制造企業(yè)在某月沒有產(chǎn)量，這屬于正常的市場行為而非數(shù)據(jù)輸入或其他原因?qū)е?，因而剔除該月純電動乘用車產(chǎn)量為0的觀測值。針對企業(yè)在觀測期內(nèi)由于停牌、合并等原因出現(xiàn)數(shù)據(jù)異常的現(xiàn)象，我們也剔除此類異常數(shù)據(jù)。最終，本文共采集320個月度企業(yè)觀察值作為研究對象。

表4 調(diào)查數(shù)據(jù)采樣、數(shù)據(jù)匹配及其處理情況

四、實證分析結(jié)果及說明

本文重點關(guān)注補(bǔ)貼政策的變化對國產(chǎn)純電動汽車廠商技術(shù)效率的影響，實證分析主要為兩部分：考慮到技術(shù)效率的波動性，構(gòu)建四種異質(zhì)性隨機(jī)前沿模型，選擇最優(yōu)模型來測算上市的國產(chǎn)純電動汽車廠商的技術(shù)效率；利用斷點回歸方法，測算設(shè)置2018年過渡期前后的補(bǔ)貼退坡政策對國產(chǎn)純電動汽車廠商技術(shù)效率的影響作用及程度。

(一)基于異質(zhì)性隨機(jī)前沿模型的技術(shù)效率分析

已有研究并未考慮異質(zhì)性隨機(jī)前沿模型中的技術(shù)效率波動性問題，一般的做法是假設(shè)企業(yè)技術(shù)效率波動性為常數(shù)，但系統(tǒng)性影響往往帶來技術(shù)效率波動性問題。因此，本文構(gòu)建四種模型進(jìn)行比較分析，選擇最優(yōu)模型來測算技術(shù)效率。其中，模型(1)為異質(zhì)性隨機(jī)前沿模型，模型(2)假設(shè)企業(yè)技術(shù)效率波動性為常數(shù)，模型(3)假設(shè)企業(yè)技術(shù)效率損失為常數(shù)，模型(4)假設(shè)不存在企業(yè)技術(shù)效率損失。

從表5可見，LR(1)和LR(2)的似然比卡方值均呈顯著性，表明模型(1)更適合研究的需求。從隨機(jī)前沿產(chǎn)量模型來看，廠商汽車產(chǎn)量前沿中的電機(jī)采購量、電池搭載量、資本投入和勞動投入均為1%的顯著水平，說明模型假設(shè)是穩(wěn)定且合理的。電池搭載量和資本投入與廠商純電動乘用車產(chǎn)量呈正相關(guān)關(guān)系，電機(jī)采購量和勞動投入與純電動乘用車產(chǎn)量呈負(fù)相關(guān)關(guān)系，說明增加電池采購和固定資產(chǎn)投入顯著提升了廠商產(chǎn)量。

表5 異質(zhì)性隨機(jī)模型的估計結(jié)果

從技術(shù)效率損失模型來看，研發(fā)投入比、資產(chǎn)負(fù)債率和高級人才占比三個變量均不顯著，說明企業(yè)在補(bǔ)貼政策的刺激下引發(fā)了追求更多補(bǔ)貼的動機(jī)，通過增加自身投入的方式向政府釋放“技術(shù)進(jìn)步”的虛假信號，從而獲得更多的地方政府補(bǔ)貼和政策支持，印證了任優(yōu)生等(2017)和章元等(2018)的研究結(jié)論[10][7]，即企業(yè)通過擴(kuò)大規(guī)模的形式增加產(chǎn)能，迎合新能源汽車補(bǔ)貼政策，追求更高的補(bǔ)貼利潤，導(dǎo)致低水平的新能源汽車大量出現(xiàn)。

從技術(shù)效率波動模型來看，資產(chǎn)負(fù)債率對技術(shù)效率的提升不存在顯著作用，而且明顯增加了技術(shù)效率的不穩(wěn)定性。具體而言，資產(chǎn)負(fù)債率每增加1個百分點，技術(shù)效率變化的不穩(wěn)定性在99%的置信水平上顯著上升2.139個百分點，即穩(wěn)定性下降2.139%，說明過高的資產(chǎn)負(fù)債率增加了企業(yè)融資風(fēng)險，給企業(yè)的技術(shù)研發(fā)活動帶來不穩(wěn)定性因素，使其做出相對謹(jǐn)慎的創(chuàng)新投資決策[28]。同時，資產(chǎn)負(fù)債率的不斷攀升影響債權(quán)人決策，使其更傾向于實物資產(chǎn)(即能帶來可見收入的日常生產(chǎn)經(jīng)營活動)[29]，忽視技術(shù)研發(fā)活動的投入。

結(jié)合上文的計量模型分析和測算，本文計算2018年1月至2019年4月上市國產(chǎn)純電動汽車廠商的技術(shù)效率。限于篇幅，表6僅展示前四名廠商在2018年4—8月的技術(shù)效率。可見，2018年6—7月車企的技術(shù)效率均呈現(xiàn)一定幅度的上升，7月份之后仍呈增長態(tài)勢。以吉利汽車為例，其技術(shù)效率從2018年6月的0.628升至2018年7月的0.774，上升幅度達(dá)到23.348%。

表6 2018年4—8月前四位廠商的技術(shù)效率

本文計算的國產(chǎn)純電動汽車行業(yè)各月份的平均技術(shù)效率為0.66。從圖1可看出，對整個行業(yè)而言，除2018年5月前后技術(shù)效率出現(xiàn)大幅度的下降和上升外，其余月份的行業(yè)技術(shù)效率大多穩(wěn)定在均值附近，整體上呈現(xiàn)平穩(wěn)趨勢。技術(shù)效率的最低值在5月份、最高值在7月份，5—7月行業(yè)技術(shù)效率發(fā)生較大程度的變化。各月份的每個企業(yè)技術(shù)效率大多處于[0.625,0.675]，個別企業(yè)的技術(shù)效率最高達(dá)到0.782、最低達(dá)到0.430。

圖1 行業(yè)技術(shù)效率

從隨機(jī)前沿模型的分析中得到我國新能源車企的技術(shù)效率約為66%。從各月份的技術(shù)效率均值變化來看，補(bǔ)貼退坡機(jī)制實施的6月份形成顯著的差異性。由此可見，企業(yè)自身投入的增加對其技術(shù)效率提升沒有顯著作用。企業(yè)加大研發(fā)投入、引進(jìn)人才等一系列舉措的最終目的并不是提高新能源汽車的研發(fā)水平，而是在補(bǔ)貼政策的刺激下產(chǎn)生的一系列的策略性“迎合”行為。同時，過高的資產(chǎn)負(fù)債率增加企業(yè)資金約束，促使債權(quán)人做出忽視技術(shù)研發(fā)活動的決策，降低技術(shù)效率提升的穩(wěn)定性。

(二)基于斷點回歸模型的技術(shù)效率分析

從表7可看出，遵循最小化均方誤差(MSE)的選擇原則，帶寬h=4.152時均方誤差達(dá)到最小(僅為0.011)。從圖2來看，選擇帶寬h=4.152時，技術(shù)效率的跳躍現(xiàn)象更加明顯和清晰。在最優(yōu)帶寬下，局部沃爾德(Local-Wald-Estimate)的估計值為0.020且在99%的置信區(qū)間上顯著，說明實行補(bǔ)貼政策后的技術(shù)效率有所提升。技術(shù)效率在6月份存在跳躍，在該斷點處，補(bǔ)貼政策變化后的技術(shù)效率比變化前高出0.020(即補(bǔ)貼政策的變化使技術(shù)效率提升2個百分點)，說明此次補(bǔ)貼政策的變化顯著促進(jìn)了技術(shù)效率的提升。

表7 局部沃爾德檢驗結(jié)果

圖2 補(bǔ)貼政策-行業(yè)技術(shù)效率

接下來，本文檢驗消費者年底搶購行為對企業(yè)技術(shù)效率產(chǎn)生的間接影響。結(jié)合現(xiàn)實情況來看，由于消費者認(rèn)為下一年度補(bǔ)貼政策存在減少補(bǔ)貼甚至直接退出的可能性，故在年末搶購新能源汽車而導(dǎo)致市場上的“搶購潮”現(xiàn)象，促使汽車銷量快速上升。因此，本文將“搶購潮”出現(xiàn)的時間(即12月份)設(shè)定為斷點并進(jìn)行斷點回歸分析(結(jié)果如圖3所示)。

圖3 消費者行為-行業(yè)技術(shù)效率

由圖3可看出，年底的技術(shù)效率不存在顯著斷點，說明消費者搶購行為對廠商的技術(shù)效率沒有促進(jìn)作用。其原因在于：消費者年末的大量搶購擴(kuò)大了廠商的實際產(chǎn)出量，但廠商大多是出售價格低廉的存貨而非當(dāng)年前沿產(chǎn)品，沒有形成廠商對產(chǎn)品的激勵。綜上所述，通過斷點檢驗的實證結(jié)果看，2018年補(bǔ)貼退坡政策的實行對行業(yè)技術(shù)效率具有顯著影響(提高2個百分點)，促進(jìn)了企業(yè)技術(shù)進(jìn)步，而由消費者對政策預(yù)期產(chǎn)生的年底搶購沒有顯著提升廠商的技術(shù)效率水平。

(三)穩(wěn)健性檢驗

為防止“偽”回歸的問題，本文對估計結(jié)果進(jìn)行穩(wěn)健性檢驗。模型(5)是用于對比參照結(jié)果的原模型，模型(6)剔除技術(shù)效率波動模型中的研發(fā)投入比變量，模型(7)將技術(shù)效率損失模型和波動模型中的解釋變量進(jìn)行交換。從穩(wěn)健性的估計結(jié)果來看，廠商生產(chǎn)前沿模型得到的結(jié)論非常穩(wěn)健，模型(6)、(7)與原模型(5)的生產(chǎn)變量呈現(xiàn)顯著的一致性關(guān)系。在技術(shù)效率損失模型中，模型(6)和原模型(5)也相當(dāng)一致。在技術(shù)效率波動模型中，資產(chǎn)負(fù)債率顯現(xiàn)一致的顯著性和影響方向。在對變量進(jìn)行剔除和交換后，模型的統(tǒng)計分析結(jié)論也無任何變化，說明模型在變量估計和設(shè)計方面都具有較強(qiáng)的穩(wěn)健性。

表8 穩(wěn)健性檢驗結(jié)果

五、結(jié) 語

經(jīng)過十年的完善和調(diào)整，新能源汽車補(bǔ)貼政策已進(jìn)入退坡階段的后期。在此背景下，如何評價新能源補(bǔ)貼退坡政策的技術(shù)創(chuàng)新效果顯得尤為重要。本文構(gòu)建異質(zhì)性隨機(jī)前沿模型，采用新能源車企采購和生產(chǎn)的微觀數(shù)據(jù)，分析補(bǔ)貼退坡政策對車企技術(shù)水平的影響，得到以下結(jié)論：新能源車企的技術(shù)效率均值約為66%；補(bǔ)貼逐步退出顯著性提升行業(yè)技術(shù)效率2個百分點，非理性搶購難以有效促進(jìn)車企提高技術(shù)效率；補(bǔ)貼政策造成車企做出策略性的“迎合”行為。此外，過高的資產(chǎn)負(fù)債率增加了企業(yè)的融資約束，使企業(yè)忽視技術(shù)研發(fā)活動，影響技術(shù)創(chuàng)新的穩(wěn)定性。

據(jù)此，本文提出以下幾點針對性的建議和意見，希望對新能源汽車補(bǔ)貼政策的優(yōu)化提供有益的啟示。(1)重新認(rèn)識補(bǔ)貼退坡政策實施的必要性。補(bǔ)貼政策在行業(yè)發(fā)展的不同階段應(yīng)具有不同的訴求。新能源汽車行業(yè)“總量發(fā)展”日益健全，應(yīng)采取合理的補(bǔ)貼退坡手段幫助新能源汽車行業(yè)在“質(zhì)量發(fā)展”上更進(jìn)一步。充分認(rèn)識到補(bǔ)貼退坡是大勢所趨，也是補(bǔ)貼政策的最終歸宿。建立科學(xué)的補(bǔ)貼退坡機(jī)制，合理規(guī)劃新能源汽車行業(yè)的補(bǔ)貼退坡進(jìn)程，發(fā)揮補(bǔ)貼退坡產(chǎn)生的積極作用。(2)優(yōu)化引導(dǎo)消費者行為的實施手段。消費者對汽車性能和質(zhì)量等方面的重視迫使企業(yè)提高技術(shù)研發(fā)水平、提供更高質(zhì)量的產(chǎn)品，從而淘汰落后低級的產(chǎn)品。引導(dǎo)消費者購買技術(shù)含量更高的產(chǎn)品，加大對新能源汽車在續(xù)航和安全等方面的信息宣傳，培養(yǎng)消費者拒絕低價低質(zhì)、注重汽車性價比的消費意識。(3)健全新能源車企的融資機(jī)制。研究表明，企業(yè)的資產(chǎn)負(fù)債率過高會影響企業(yè)研發(fā)活動的穩(wěn)定性。積極建設(shè)科學(xué)、合理的融資機(jī)制，以拓展融資渠道、充分利用各種融資形式、給予融資優(yōu)惠的方式緩解企業(yè)在研發(fā)過程中的資金壓力。消除企業(yè)對政府補(bǔ)貼的外部依賴，充分發(fā)揮企業(yè)的自主性，將主動權(quán)逐漸交回到市場手中，促進(jìn)企業(yè)通過市場的方式實現(xiàn)健康成長。