摘 要：盡管新能源汽車產(chǎn)業(yè)在全球市場迅速擴(kuò)張，但其市場滲透率仍低于內(nèi)燃機(jī)汽車，尤其在極端溫度環(huán)境下，新能源汽車面臨充電緩慢、續(xù)航里程降低和安全性差等挑戰(zhàn)，嚴(yán)重阻礙了其推廣與應(yīng)用。本文利用2010-2020 年城市層面的季度數(shù)據(jù)，首次考察了氣溫波動(dòng)對(duì)新能源汽車消費(fèi)的影響。研究發(fā)現(xiàn)，氣溫變化對(duì)新能源汽車消費(fèi)具有顯著影響，且呈現(xiàn)倒U 型趨勢。過高和過低的氣溫均降低了新能源汽車消費(fèi)，但低溫的負(fù)面影響更大。當(dāng)交易前氣溫偏離最佳氣溫（16.60°C）時(shí)，購買概率降低。在16.60°C 基礎(chǔ)上，每增加1°C 和降低1°C，新能源汽車銷量分別減少1881 臺(tái)和5302 臺(tái)，分別占企業(yè)收入的4.821 億元和1358.3 億元。氣溫在14°C—18°C 之間時(shí)，對(duì)消費(fèi)的積極影響最大，增幅為55.6%；而氣溫低于6°C 時(shí)，消極影響最大，降幅為136.6%。心理機(jī)制分析表明，投射偏差機(jī)制在非典型天氣條件下導(dǎo)致二手新能源汽車庫存增加，而注意力機(jī)制顯示，極端氣溫下消費(fèi)者更關(guān)注性能，適宜氣溫下則更關(guān)注低碳和外觀特征。兩種機(jī)制均表明氣溫偏離最佳范圍會(huì)減少消費(fèi)，但影響路徑不同：投射偏差在天氣良好時(shí)增加購買，注意力效應(yīng)在天氣惡劣時(shí)提高購買意愿。本文為新能源汽車產(chǎn)業(yè)的可持續(xù)發(fā)展提供了新的視角和微觀證據(jù)，并為企業(yè)將自然環(huán)境因素納入商業(yè)決策提供了參考。

關(guān)鍵詞：氣溫約束；新能源汽車；廣義雙重差分法；投射偏差；注意力

一、引 言

在去全球化和世界經(jīng)濟(jì)衰退的背景下，黨的十九屆五中全會(huì)通過《中共中央關(guān)于制定國民經(jīng)濟(jì)和社會(huì)發(fā)展第十四個(gè)五年規(guī)劃和二〇三五年遠(yuǎn)景目標(biāo)的建議》，并提出了“推動(dòng)形成以國內(nèi)大循環(huán)為主體、國內(nèi)國際雙循環(huán)相互促進(jìn)的新發(fā)展格局”，簡稱“雙循環(huán)”戰(zhàn)略。“雙循環(huán)”戰(zhàn)略強(qiáng)調(diào)內(nèi)外循環(huán)之間的協(xié)調(diào)發(fā)展，以平衡經(jīng)濟(jì)增長和環(huán)境可持續(xù)性，其本質(zhì)在于促進(jìn)中國經(jīng)濟(jì)的結(jié)構(gòu)性轉(zhuǎn)型，減少對(duì)外需求的依賴，提高內(nèi)需和消費(fèi)市場，推動(dòng)科技創(chuàng)新和資源利用效率的提升，從而增強(qiáng)經(jīng)濟(jì)的可持續(xù)性和抗風(fēng)險(xiǎn)能力。作為內(nèi)循環(huán)經(jīng)濟(jì)的推動(dòng)者，新能源汽車產(chǎn)業(yè)是“雙循環(huán)”戰(zhàn)略的關(guān)鍵一環(huán)，在提振經(jīng)濟(jì)、刺激科技創(chuàng)新和實(shí)現(xiàn)“碳達(dá)峰”與“碳中和”目標(biāo)的過程中發(fā)揮了關(guān)鍵作用。同時(shí)，全球正處于能源轉(zhuǎn)型的關(guān)鍵時(shí)期，各國紛紛加快新能源汽車技術(shù)創(chuàng)新步伐，以提升其在全球市場中的競爭力。隨著電池技術(shù)的進(jìn)步和充電基礎(chǔ)設(shè)施的不斷完善，新能源汽車的性能和可靠性得到了顯著提高。此外，各國政府對(duì)新能源汽車的政策支持和補(bǔ)貼也在不斷增加，進(jìn)一步促進(jìn)了其市場普及。中國不僅是全球最大的新能源汽車市場之一，也是技術(shù)創(chuàng)新的重要推動(dòng)者，通過積極參與國際競爭，不斷提升自身的技術(shù)水平和市場份額。

然而，與燃油汽車相比，中國新能源汽車市場滲透率仍然相對(duì)較低。例如，作為新能源汽車產(chǎn)業(yè)發(fā)展最快的國家之一，2023 年中國新能源汽車銷量達(dá)到了949.5 萬輛，市場份額為31.6%（中國汽車工業(yè)協(xié)會(huì)，2024）。盡管市場份額已顯著提升，但在全球范圍內(nèi)，中國的滲透率仍排在第三位，低于同期挪威的82%和瑞典的49.6%（Global EV outlook 2024）。雖然已經(jīng)完成了中國政府發(fā)布的《新能源汽車產(chǎn)業(yè)發(fā)展規(guī)劃（2021—2035）》中規(guī)定的市場份額達(dá)到25%的目標(biāo)，但與七部委發(fā)布的《減污降碳協(xié)同增效實(shí)施方案》中規(guī)定的大氣污染防治重點(diǎn)區(qū)域達(dá)到50%的目標(biāo)仍然存在較大差距。如何更有效地發(fā)掘中國新能源汽車市場的巨大潛力，將更廣大地區(qū)的潛在需求轉(zhuǎn)化為實(shí)際消費(fèi)是實(shí)現(xiàn)“雙循環(huán)”戰(zhàn)略的關(guān)鍵，并通過新能源汽車產(chǎn)業(yè)發(fā)揮消費(fèi)拉動(dòng)經(jīng)濟(jì)增長基礎(chǔ)性作用的關(guān)鍵。

以往學(xué)者從不同角度研究了影響新能源汽車消費(fèi)的因素，如新能源汽車價(jià)格、電力價(jià)格和汽油價(jià)格等成本因素（Chen et al.， 2019；Diamond， 2009）；貨幣補(bǔ)貼、稅收抵免等貨幣激勵(lì)政策因素（周燕等，2019；Qiu et al.， 2019）；道路優(yōu)先（李國棟等，2019）和政府采購等非貨幣激勵(lì)政策因素（Bakker 等，2013；Egnér 和Trosvik， 2018）；技術(shù)性能（Mahmouzadeh et al.， 2017；周亞虹等，2015）；充電基礎(chǔ)設(shè)施完善程度（趙小磊和李雪梅，2024）；以及消費(fèi)者個(gè)體因素，如年齡、性別、受教育程度、收入、職業(yè)、環(huán)境意識(shí)（Sierzchula et al.， 2014）、人口密度（Li et al.， 2017）、政策認(rèn)知（Xiong and Wang， 2020）。然而，鮮有研究聚焦氣候因素對(duì)新能源汽車消費(fèi)的影響。中國一些寒冷或炎熱的城市，如哈爾濱、沈陽、長春或海口、福州等，過高或過低的氣溫都會(huì)導(dǎo)致新能源汽車無法正常運(yùn)行或發(fā)揮最佳性能，嚴(yán)重阻礙了新能源汽車的應(yīng)用與普及，導(dǎo)致這些省份在推廣新能源汽車時(shí)面臨較大的挑戰(zhàn)。具體來看，2020 年，與在適宜氣溫地區(qū)的北京、廣州、上海相比（新能源汽車銷量分別為89378 輛、121350 輛和59240 輛），哈爾濱、沈陽、長春等寒冷城市的新能源汽車銷量僅有4569 輛、8697 輛和2244 輛。同樣，?？?、福州等炎熱城市的新能源汽車銷量也僅有8697 輛和9974 輛。這一現(xiàn)象暗示新能源汽車的推廣效果在處于不同氣候條件的地區(qū)存在巨大的差異。

本研究旨在將觀察到的經(jīng)驗(yàn)現(xiàn)象與現(xiàn)有理論框架相結(jié)合，以探討氣溫對(duì)新能源汽車消費(fèi)的具體影響機(jī)制。汽車購買決策通常是一個(gè)家庭的重要決策，需要家庭成員考慮當(dāng)前的經(jīng)濟(jì)成本和未來效用。研究表明，外部物理環(huán)境的變化可以通過改變消費(fèi)者對(duì)未來效用的預(yù)期來影響他們的購買決策。例如，便利店的營業(yè)額（Tian et al.， 2020）、茶葉消費(fèi)（Murray et al.， 2010）、食品消費(fèi)（Agnewand Thornes， 1995）、服裝的銷售額（Conlin et al.， 2007）、旅游消費(fèi)（Belen， 2005）、汽車購買類型（Buss et al.，2014），甚至大學(xué)招生都受到外部物理環(huán)境變化的影響。此發(fā)現(xiàn)可類比于新能源汽車消費(fèi)，表明氣候因素可能同樣影響消費(fèi)者選擇。本文認(rèn)為氣溫與新能源汽車消費(fèi)之間存在因果關(guān)系，主要依賴以下兩個(gè)心理機(jī)制。首先，投射偏差是指消費(fèi)者預(yù)期未來效用與實(shí)際未來效用之間的差異（Loewenstein et al.， 2003）。具體來說，潛在的新能源汽車消費(fèi)者可能習(xí)慣性地預(yù)測未來的環(huán)境條件將與當(dāng)前的環(huán)境條件相似或基本一致。然而，這些消費(fèi)者所經(jīng)歷的環(huán)境條件可能只是短期波動(dòng)，而不是長期趨勢，這意味著未來消費(fèi)者將面臨的實(shí)際環(huán)境條件很可能與他們先前的預(yù)期不同。因此，當(dāng)前的外部環(huán)境條件可能導(dǎo)致消費(fèi)者錯(cuò)誤地估計(jì)未來的影響，從而做出非理性的購買決策。另一方面，消費(fèi)者注意力也是一個(gè)可能的心理機(jī)制（Buss et al.， 2014）。注意力是消費(fèi)者心理活動(dòng)對(duì)外界一定事物的指向與集中（Bordalo et al.， 2012）。在購買決策中，消費(fèi)者的注意力發(fā)揮著關(guān)鍵作用。在極端條件下，消費(fèi)者的注意力可能集中于特定商品反常的特征（Bordalo et al.， 2013），從而無法做出理性的購買決策。因此，本文可以提出一個(gè)合理的假設(shè)，即外部物理環(huán)境的短期波動(dòng)會(huì)通過改變消費(fèi)者對(duì)購買新能源汽車的投射偏差和注意力來影響消費(fèi)者的購買決策。然而，目前尚不清楚短期氣溫的變化，或者更具體地說，氣溫變化是否會(huì)影響新能源汽車的消費(fèi)，因此需要進(jìn)一步的經(jīng)驗(yàn)證據(jù)和實(shí)證檢驗(yàn)。

中國疆域面積遼闊，橫跨高原山地氣候、溫帶大陸性氣候、溫帶季風(fēng)氣候、亞熱帶季風(fēng)氣候和熱帶季風(fēng)氣候五個(gè)氣候帶，不同地區(qū)的氣溫差異巨大，與此同時(shí)各地區(qū)間新能源汽車銷量也差別巨大，這為研究氣溫對(duì)新能源汽車推廣的影響提供了天然的實(shí)驗(yàn)空間。鑒于此，本文利用城市層面的數(shù)據(jù)，研究了2010—2020 年中國氣溫波動(dòng)對(duì)新能源汽車消費(fèi)的影響。本文通過雙向固定效應(yīng)模型、邊際效應(yīng)分析和斷點(diǎn)回歸設(shè)計(jì)等一系列實(shí)證檢驗(yàn)，考察了氣溫對(duì)新能源汽車消費(fèi)的影響，以及偏離舒適水平的氣溫是否會(huì)降低購買新能源汽車的意愿。研究結(jié)果表明，氣溫變化對(duì)新能源汽車消費(fèi)具有顯著影響。隨著氣溫的變化，新能源汽車消費(fèi)呈倒U 型趨勢。低溫和高溫均阻礙了新能源汽車的市場擴(kuò)散，但前者的負(fù)面影響更大。本文的估計(jì)表明，當(dāng)氣溫從16.60℃每上升或下降1℃時(shí)，新能源汽車的銷量將分別減少1881 輛和5302 輛。本文通過引入投射偏差和消費(fèi)者注意力兩條心理效應(yīng)機(jī)制，豐富了外部物理環(huán)境對(duì)耐用品消費(fèi)影響的相關(guān)文獻(xiàn)。從微觀個(gè)體的角度來看，車輛在家庭消費(fèi)支出中所占比例最高。因此，識(shí)別和進(jìn)一步糾正汽車市場購買中的非理性行為可能對(duì)提升家庭福利具有重要意義。

本文的邊際貢獻(xiàn)主要包括以下四個(gè)方面：首先，本文首次從氣溫約束角度研究氣溫對(duì)新能源汽車消費(fèi)的影響，同時(shí)解釋了在不同地區(qū)新能源汽車推廣效果的異質(zhì)性。這為新能源汽車消費(fèi)的研究提供了新的視角和理論支持。其次，通過引入投射偏差和消費(fèi)者注意力這兩個(gè)心理效應(yīng)，本文深入分析氣溫對(duì)新能源汽車消費(fèi)的影響機(jī)制，探究消費(fèi)者在決策過程中的心理因素。這有助于理解消費(fèi)者在決策過程中的心理因素，從而更好地預(yù)測他們的購車行為。此外，本文進(jìn)行了廣泛的異質(zhì)性分析，以探討氣溫對(duì)新能源汽車消費(fèi)的影響在不同條件下的變化，以期更好地理解氣溫因素在不同情境下的影響程度，為未來的研究提供更多的參考依據(jù)。最后，基于全球氣候急劇變化現(xiàn)狀，明確發(fā)展中國家，尤其是新興經(jīng)濟(jì)體，以氣溫為環(huán)境資源稟賦，科學(xué)設(shè)定不同氣候帶城市或地區(qū)的新能源汽車推廣目標(biāo)提供重要參考。這可以幫助政府更好地配置政策資源，如補(bǔ)貼或稅收減免，以推動(dòng)新能源汽車的發(fā)展并減少溫室氣體排放。

二、文獻(xiàn)回顧與研究假設(shè)

在本部分，本文將對(duì)氣溫對(duì)消費(fèi)決策、新能源汽車性能以及消費(fèi)者心理效應(yīng)影響的相關(guān)文獻(xiàn)進(jìn)行分析，并在此基礎(chǔ)上提出研究假設(shè)。

（一）氣溫與消費(fèi)決策

文獻(xiàn)表明，氣溫對(duì)不同消費(fèi)領(lǐng)域的決策具有顯著影響。研究發(fā)現(xiàn)，氣溫變化可以通過改變消費(fèi)者對(duì)未來效用的預(yù)期來影響他們的購買決策。Agnew 和Thornes（1995）研究了零售分銷行業(yè)和食品飲料行業(yè)受氣溫的影響，發(fā)現(xiàn)利用天氣預(yù)報(bào)可以提高食品飲料行業(yè)的業(yè)績，這表明氣溫對(duì)日常消費(fèi)品銷售有直接影響。Wietze 和Richard（2001）對(duì)經(jīng)合組織成員國游客的目的地選擇進(jìn)行了分析，發(fā)現(xiàn)游客更傾向于在氣溫為21℃時(shí)外出旅行，這顯示了氣溫在旅游消費(fèi)決策中的關(guān)鍵作用，類似的機(jī)制可能也適用于新能源汽車的使用場景選擇。Conlin（2007）基于服裝行業(yè)的數(shù)據(jù)，研究發(fā)現(xiàn)消費(fèi)者的退換貨行為受到訂單日期氣溫變化的影響，訂單日期的氣溫每下降1℃，退貨概率就會(huì)增加4.45%。這表明氣溫變化直接影響消費(fèi)者的滿意度和行為，類似地，氣溫變化可能會(huì)影響消費(fèi)者對(duì)新能源汽車的滿意度和使用頻率。Bertrand（2015）發(fā)現(xiàn)，非季節(jié)性氣溫對(duì)春季和秋季的服裝銷售有顯著影響，非季節(jié)性氣溫會(huì)提高春季服裝消費(fèi)、降低秋季服裝消費(fèi)，而夏季和冬季服裝銷售不受非季節(jié)性氣溫的影響。氣溫對(duì)特定季節(jié)的消費(fèi)行為影響顯著，類似地，新能源汽車的使用和消費(fèi)也可能受氣溫季節(jié)性變化的影響。Stulec（2019）的研究表明，氣溫對(duì)飲料消費(fèi)的正向影響在6 月和8 月最為顯著，表明氣溫變化對(duì)特定消費(fèi)品的需求具有直接影響。該結(jié)果表明氣溫變化可能對(duì)新能源汽車的使用需求產(chǎn)生類似的影響，特別是在極端溫度月份。Busse（2015）基于超過4000 萬輛汽車的交易數(shù)據(jù)進(jìn)行實(shí)證研究，發(fā)現(xiàn)消費(fèi)者在對(duì)敞篷車或四輪驅(qū)動(dòng)汽車的購買決策很大程度上取決于購買時(shí)的天氣。這說明氣溫在汽車購買決策中的重要性，同樣也可能適用于新能源汽車的購買決策。Tian（2021）基于中國一家連鎖便利店146 家分店的銷售數(shù)據(jù)，量化研究天氣陰晴、雨水、氣溫和空氣質(zhì)量指數(shù)對(duì)便利店銷售業(yè)績的影響，發(fā)現(xiàn)相比陰天，晴天和雨天對(duì)便利店業(yè)績有顯著的正向影響。這表明氣溫在日常消費(fèi)中的重要角色，類似地，氣溫變化也可能對(duì)新能源汽車的消費(fèi)決策產(chǎn)生重要影響。這些研究表明，氣溫變化通過影響消費(fèi)者對(duì)未來效用的預(yù)期，顯著影響他們的購買決策。

（二）氣溫與新能源汽車性能

由于電池驅(qū)動(dòng)系統(tǒng)和氣溫控制技術(shù)的限制，新能源汽車的性能受外部氣溫的顯著影響。研究表明，氣溫變化會(huì)直接影響新能源汽車的續(xù)航里程和能源利用效率。Yuksel（2016）發(fā)現(xiàn)，寒冷氣候顯著降低了新能源汽車的續(xù)航里程，寒冷的天氣會(huì)導(dǎo)致Nissan Leaf 的平均續(xù)航里程從70 英里下降到不足45 英里，這顯示了低溫對(duì)電動(dòng)車性能的負(fù)面影響。Fetene（2017）的研究指出，在氣溫過高或過低的情況下駕駛電池新能源汽車會(huì)對(duì)其能源利用效率產(chǎn)生不利影響，進(jìn)一步說明了氣溫對(duì)新能源汽車性能的制約作用。Demircali（2018）發(fā)現(xiàn)，鹽酸鐵鋰電池（新能源汽車使用的主要電池類型）在氣溫達(dá)到40℃和0℃時(shí)，平均能量損耗功率會(huì)顯著提高到2.98 瓦與2.82 瓦（20 度時(shí)僅為1.98 瓦），這表明新能源汽車在極端溫度下的能效問題。Suarez-Bertoa（2019）研究發(fā)現(xiàn)，在低溫下使用的加熱系統(tǒng)嚴(yán)重縮減了電池續(xù)航里程，這說明了低溫對(duì)電池性能的雙重負(fù)面影響。Hao（2020）的研究指出，在冬季，新能源汽車駕駛者實(shí)際可用的續(xù)航里程僅為新歐洲行駛周期（NEDC）預(yù)測的64%。當(dāng)外部氣溫低于10℃時(shí)，氣溫每下降5℃會(huì)導(dǎo)致電消耗增加2.4 千瓦時(shí)（kw·h）。當(dāng)氣溫超過28℃時(shí)，功耗和氣溫每上升5℃分別會(huì)增加2.3 千瓦時(shí)/100 公里，這進(jìn)一步強(qiáng)調(diào)了高溫對(duì)新能源汽車性能的不利影響。綜上所述，低溫和高溫均會(huì)顯著削弱新能源汽車的性能?；谏鲜龇治?，本文提出以下假設(shè)：

假設(shè)1a：氣溫過高將顯著降低新能源汽車的續(xù)航里程和能源效率，從而抑制新能源汽車的消費(fèi)。

假設(shè)1b：氣溫過低將顯著降低新能源汽車的續(xù)航里程和能源效率，從而抑制新能源汽車的消費(fèi)。

（三）影響機(jī)制

在前兩節(jié)中，本文回顧了與消費(fèi)者對(duì)天氣的高度敏感性以及氣溫對(duì)新能源汽車性能的影響相關(guān)的研究。現(xiàn)在，本文將探討氣溫變化如何影響消費(fèi)者對(duì)新能源汽車的消費(fèi)。為此，本節(jié)將參照Busse（2015）的思路，介紹有關(guān)消費(fèi)者購買決策的心理理論，并引入投射偏差和注意力作為氣溫變化影響新能源汽車消費(fèi)的潛在機(jī)制。

1. 投射偏差

投射偏差是指個(gè)體傾向于高估未來偏好與當(dāng)前偏好的一致性，從而將當(dāng)前偏好投射到未來。在購車決策中，投射偏差可能導(dǎo)致消費(fèi)者錯(cuò)誤地預(yù)測未來不同氣候條件下新能源汽車的效用。投射偏差反映了人類認(rèn)知中的一種常見偏誤，即人們往往高估當(dāng)前情境在未來的可持續(xù)性。心理學(xué)研究表明，人類的大腦傾向于依賴當(dāng)前的情感和體驗(yàn)來預(yù)測未來，這種機(jī)制可以簡化決策過程，但也容易導(dǎo)致錯(cuò)誤的預(yù)期。在新能源汽車的消費(fèi)情境中，這意味著消費(fèi)者在當(dāng)前氣溫適宜時(shí)，會(huì)認(rèn)為未來的氣溫也會(huì)大致相同，從而高估新能源汽車的未來使用效用。在實(shí)際購車過程中，當(dāng)消費(fèi)者在一個(gè)氣溫適宜的環(huán)境下進(jìn)行購車決策時(shí)，他們更可能考慮到新能源汽車在這種氣溫條件下的優(yōu)勢，如更好的電池性能和更長的續(xù)航里程。然而，當(dāng)氣溫極端時(shí)，消費(fèi)者可能會(huì)因擔(dān)憂未來天氣對(duì)新能源汽車性能的不利影響而猶豫或放棄購買。例如，當(dāng)購車時(shí)氣溫適宜，消費(fèi)者可能會(huì)高估未來也有類似氣候條件，從而預(yù)期新能源汽車在未來的使用效用較高。反之，如果購車時(shí)氣溫極端，消費(fèi)者可能會(huì)低估未來適宜氣候條件的出現(xiàn)頻率，從而預(yù)期新能源汽車在未來的使用效用較低。因此，新能源汽車銷售人員可以利用這一心理機(jī)制，通過展示車輛在適宜氣溫條件下的優(yōu)異表現(xiàn)來增加銷售。

進(jìn)一步，根據(jù)Michalek 等（2011）、Sierzchula 等（2014）、Zhao 等（2023）和Chen 等（2019）的研究，新能源汽車的性能與其消費(fèi)顯著正相關(guān)。這意味著，當(dāng)消費(fèi)者購車時(shí)的氣溫在適宜范圍內(nèi)，且新能源汽車可以在這一氣溫范圍內(nèi)正常運(yùn)行和使用時(shí)，消費(fèi)者將預(yù)期未來更多的適宜氣候條件以供新能源汽車正常使用，從而增加購買意愿。相反，當(dāng)購車時(shí)的氣溫條件惡劣時(shí)，消費(fèi)者會(huì)預(yù)期未來更多的糟糕天氣，從而降低購買意愿。因此，當(dāng)購車時(shí)的氣溫條件適宜時(shí)，投射偏差將增加新能源汽車的消費(fèi)；而當(dāng)購車時(shí)的氣溫條件惡劣時(shí)，投射偏差將減少新能源汽車的消費(fèi)。基于此，本文提出以下假設(shè)：

假設(shè)2a：在適宜氣溫條件下，投射偏差將導(dǎo)致消費(fèi)者高估未來氣溫的持續(xù)性，從而增加新能源汽車的消費(fèi)。

假設(shè)2b：在極端氣溫條件下，投射偏差將導(dǎo)致消費(fèi)者低估未來適宜氣溫的頻率，從而減少新能源汽車的消費(fèi)。

2. 注意力

注意力是本文考慮的第二個(gè)心理因素。在消費(fèi)情境下，注意力涉及消費(fèi)者對(duì)特定產(chǎn)品特征的關(guān)注，并可能賦予這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，消費(fèi)者在購車決策中可能會(huì)因?yàn)樘囟ㄇ榫扯鴮?duì)某些特征特別關(guān)注。注意力在心理學(xué)中是指人們選擇性地關(guān)注某些信息并忽略其他信息的過程。該過程受到環(huán)境、情境和個(gè)人動(dòng)機(jī)的影響。在消費(fèi)決策中，注意力決定了消費(fèi)者對(duì)產(chǎn)品特征的優(yōu)先級(jí)排序。在氣溫適宜的情況下，新能源汽車的環(huán)保特性和經(jīng)濟(jì)性可能更容易引起消費(fèi)者的注意，而在極端氣溫條件下，消費(fèi)者的注意力可能更多地集中在車輛的性能和可靠性上。在實(shí)際購車過程中，消費(fèi)者的注意力會(huì)受到當(dāng)前氣溫條件的顯著影響。當(dāng)氣溫適宜時(shí)，消費(fèi)者可能會(huì)更加關(guān)注新能源汽車的低碳和環(huán)保特性，因?yàn)樵谶@種氣溫條件下，新能源汽車的性能優(yōu)勢更為明顯。然而，當(dāng)氣溫極端時(shí)，消費(fèi)者的關(guān)注點(diǎn)可能會(huì)轉(zhuǎn)向新能源汽車的續(xù)航里程和電池耐用性等性能指標(biāo)。因此，汽車制造商和銷售人員可以通過在適宜氣溫下突出展示新能源汽車的環(huán)保特性，在極端氣溫下強(qiáng)調(diào)其性能優(yōu)勢，以吸引消費(fèi)者的注意力并促進(jìn)銷售。

在新能源汽車與傳統(tǒng)燃油汽車的選擇中，當(dāng)氣溫條件適宜時(shí)，消費(fèi)者的注意力可能會(huì)集中在新能源汽車的低碳環(huán)保特性上，因?yàn)檫m宜氣溫下新能源汽車的性能表現(xiàn)較好，這些特性更容易被消費(fèi)者認(rèn)可。因此，消費(fèi)者更有可能選擇新能源汽車，或至少不會(huì)對(duì)新能源汽車的消費(fèi)造成負(fù)面影響。相反，當(dāng)氣溫條件非常惡劣時(shí)，消費(fèi)者的注意力將集中于新能源汽車的性能，因?yàn)樵跇O端氣溫下，只有性能較好的新能源汽車才能正常運(yùn)行。這種情境下，消費(fèi)者可能會(huì)質(zhì)疑新能源汽車在惡劣天氣中的可靠性，從而降低購買意愿?；诖?，本文提出以下假設(shè)：

假設(shè)3a：在適宜氣溫條件下，消費(fèi)者的注意力將集中在新能源汽車的環(huán)保和經(jīng)濟(jì)性特征上，從而增加新能源汽車的消費(fèi)。

假設(shè)3b：在極端氣溫條件下，消費(fèi)者的注意力將集中在新能源汽車的性能和可靠性特征上，從而減少新能源汽車的消費(fèi)。

三、數(shù)據(jù)、變量與實(shí)證策略

（一）數(shù)據(jù)

本文使用的城市層面季度面板數(shù)據(jù)包括三個(gè)部分：來自中國50 個(gè)城市的2010—2020 年的新能源汽車的銷售數(shù)據(jù)，來自美國國家數(shù)據(jù)中心（NCDC）的氣候信息以及控制變量數(shù)據(jù)集。這50 個(gè)城市包括：北京、天津、上海、重慶、沈陽、南京、杭州、合肥、鄭州、武漢、廣州、長沙、海口、成都、西安、石家莊、濟(jì)南、南昌、昆明、西寧、呼和浩特、烏魯木齊、長春、蘭州、銀川、南寧、福州、太原、哈爾濱、貴陽、深圳、蘇州、南通、大連、襄陽、廈門、唐山、揚(yáng)州、鹽城、寧波、金華、新鄉(xiāng)、佛山、青島、紹興、湖州、蕪湖、東莞、綿陽、德陽。之所以選擇以上城市，是因?yàn)樗x的50 個(gè)城市覆蓋了中國的主要經(jīng)濟(jì)區(qū)域和不同的氣候帶，確保數(shù)據(jù)具有廣泛的代表性；這些城市大多是中國的主要經(jīng)濟(jì)中心或省會(huì)城市，經(jīng)濟(jì)發(fā)展水平較高，新能源汽車市場相對(duì)成熟。盡管這些城市樣本具有廣泛的代表性，但也可能存在樣本自選擇偏誤。一方面，所選城市大多是經(jīng)濟(jì)發(fā)達(dá)地區(qū)，可能無法完全代表經(jīng)濟(jì)欠發(fā)達(dá)地區(qū)的新能源汽車消費(fèi)情況。另一方面，由于數(shù)據(jù)的可得性，部分經(jīng)濟(jì)欠發(fā)達(dá)地區(qū)或小城市未能納入樣本，可能降低結(jié)果對(duì)這些地區(qū)的適用性。

本文主要關(guān)注城市維度的新能源汽車季度銷量，數(shù)據(jù)來源于《節(jié)能與新能源汽車年鑒2011—2021》與中國汽車工業(yè)協(xié)會(huì)。另外，NCDC 提供的數(shù)據(jù)集包括平均氣溫、露點(diǎn)氣溫、最高氣溫、最低氣溫、氣壓、風(fēng)向、風(fēng)速、云量和六小時(shí)降雨量。本文使用以下方法來解析和處理氣象數(shù)據(jù)。首先，由于NCDC 氣象站的數(shù)據(jù)是以CSV 格式的小時(shí)級(jí)數(shù)據(jù)，本文使用Python 來解析NCDC 的原始數(shù)據(jù)。其次，在處理數(shù)據(jù)后，最重要的工作之一是將氣象站與本文選擇的城市匹配。本文匹配的依據(jù)是NCDC 提供的中國地面氣象站基本氣象要素觀測表。如果研究中的城市沒有相應(yīng)的氣象站，則選擇該城市的縣級(jí)氣象站或最近鄰城市的氣象站。最后，本文利用STATA 計(jì)算所有經(jīng)過處理的數(shù)據(jù)，以獲得本文所需的季度平均值?？刂谱兞考ǔ鞘谐Ｗ∪丝?，數(shù)據(jù)來源于《中國城市統(tǒng)計(jì)年鑒2011—2021》；居民可支配收入，數(shù)據(jù)來源于國家統(tǒng)計(jì)局、《中國城市統(tǒng)計(jì)年鑒2011—2021》與《中國統(tǒng)計(jì)年鑒2011—2021》；公共充電樁保有量，數(shù)據(jù)來源于《節(jié)能與新能源汽車年鑒2011—2021》與中國充電聯(lián)盟。

（二）變量

本文使用的被核心解釋變量是新能源汽車銷量（EV），它代表了某個(gè)城市在一個(gè)季度內(nèi)的新能源汽車消費(fèi)。平均氣溫是本文的核心解釋變量（T），反映了城市氣溫的變化。氣壓（Pressure）、風(fēng)向（Direction）、風(fēng)速（Speed）、云量（Cloud）、六小時(shí)降雨（Rain）、城市人口（Population）、可支配收入（Income）以及充電樁數(shù)量（Charge）是本研究的控制變量。此外，本文還收集了季節(jié)性氣溫和新能源汽車性能的季度城市瀏覽搜索指數(shù)（Performance）以進(jìn)行機(jī)制檢驗(yàn)。除了氣象變量，本文對(duì)所有變量進(jìn)行了對(duì)數(shù)處理。各變量描述性統(tǒng)計(jì)見表1。

（三）實(shí)證策略

1. 基準(zhǔn)回歸

在進(jìn)行回歸分析之前，本文需要進(jìn)行一系列的檢驗(yàn)來確定回歸模型的合理性。本文通過STATA 16刻畫了新能源汽車消費(fèi)的自然對(duì)數(shù)lnEV 隨平均氣溫變化的散點(diǎn)圖以及擬合趨勢（見圖1）。

根據(jù)圖1，本文發(fā)現(xiàn)隨著平均氣溫的提升，lnEV 呈現(xiàn)倒U 型趨勢，且低溫對(duì)新能源汽車消費(fèi)的負(fù)面影響大于高溫。因此，為了測試倒U 型關(guān)系的存在，本引入自變量的二次項(xiàng)，并控制城市固定效應(yīng)和時(shí)間固定效應(yīng)。相比于隨機(jī)效應(yīng)模型，雙向固定效應(yīng)模型被更多學(xué)者用于實(shí)證研究，其通過在模型中引入省份的固定效應(yīng)和時(shí)間固定效應(yīng)，并通過去均值處理把不可觀測因素差分掉，如各地區(qū)文化與風(fēng)俗、性別、種族、宗教等，可以在一定程度上緩解由于不隨時(shí)間或個(gè)體變化的遺漏變量與解釋變量相關(guān)導(dǎo)致的內(nèi)生性問題。計(jì)量模型被設(shè)定如下：

2. 廣義雙重差分法

在本研究中，本文采用廣義雙重差分（DID）方法，基于平均季度氣溫與新能源汽車最佳消費(fèi)氣溫之間的差異構(gòu)建溫度箱，間隔為4 度，以識(shí)別不同氣溫區(qū)間對(duì)新能源汽車消費(fèi)的影響。理論上，氣溫通過影響新能源汽車性能及消費(fèi)者心理偏差（如投射偏差和注意力）進(jìn)而影響消費(fèi)決策。廣義DID方法能夠識(shí)別不同氣溫條件下處理組與控制組的平均處理效應(yīng)，從而驗(yàn)證氣溫對(duì)新能源汽車消費(fèi)的非線性影響，并捕捉地域或氣溫差異所引發(fā)的異質(zhì)性效應(yīng)1。廣義DID 模型被設(shè)定如下：

3. 事前趨勢檢驗(yàn)與傾向得分匹配

為了驗(yàn)證處理組和控制組之間的平行趨勢，本文采用事件研究法，并將估計(jì)的顯著負(fù)面影響歸因于處理的影響。理論上，氣溫對(duì)新能源汽車消費(fèi)的影響可能存在時(shí)間滯后效應(yīng)，因此需要確保在處理前兩組的趨勢相似。通過事件研究法，本文能夠動(dòng)態(tài)觀察處理前后的變化，并將估計(jì)的顯著負(fù)面影響歸因于氣溫變化的處理效應(yīng)。這一方法有助于增強(qiáng)結(jié)果的穩(wěn)健性，確保所觀測到的影響確實(shí)是由氣溫變化引起的，而非其他因素。在分析過程中，本文估計(jì)了處理組和對(duì)照組的回歸系數(shù)。接下來，本文將這些系數(shù)與0 進(jìn)行比較，以驗(yàn)證處理組和控制組是否表現(xiàn)出平行趨勢。如果兩組有平行的趨勢或者兩組之間的任何差異隨著時(shí)間的推移保持不變，那么認(rèn)為滿足平行趨勢假設(shè)。事件研究模型計(jì)量模型設(shè)定如下：

4. 作用機(jī)制

為了探討氣溫是否影響新能源汽車消費(fèi)，本文基于心理效應(yīng)進(jìn)行機(jī)制檢驗(yàn)，包括投射偏差和注意力。首先，Conlin（2007）提出可以通過找到消費(fèi)者事后認(rèn)為決策是錯(cuò)誤的證據(jù)來直接測試投射偏差。Busse（2014）提出在汽車市場中，可以通過觀察在非典型天氣購買的車輛是否比在季節(jié)性天氣購買的車輛更快地重新出現(xiàn)在市場上（置換或二手車）來識(shí)別投射偏差。本文通過檢驗(yàn)新能源汽車的轉(zhuǎn)售、交易或退貨來量化投射偏差。由于數(shù)據(jù)的可用性，本文只考慮新能源汽車的二手交易。例如，如果一輛新能源汽車在特定氣溫下更有可能被轉(zhuǎn)售或交易，這可能表明購車者認(rèn)為他們在該氣溫下的決定是錯(cuò)誤的。具體來說，通過檢驗(yàn)非典型天氣條件下市場上的二手新能源汽車庫存是否顯著增加可以識(shí)別投射偏差是否存在。在這里，本文為非典型天氣引入了一個(gè)虛擬變量，如果當(dāng)期氣溫與季節(jié)性氣溫（1990—2020 年各城市相應(yīng)季節(jié)的平均溫度，數(shù)據(jù)來源于NCDC）之差gt; 5℃，即為1，否則為0。本文使用的新能源汽車二手交易信息來自58 同城二手車平臺(tái)。另一方面，為了識(shí)別消費(fèi)者注意力，本文引入了新能源汽車性能的兩個(gè)百度搜索指數(shù)和低碳或外觀屬性與氣溫條件虛擬變量來檢驗(yàn)注意力的存在?；谝陨戏治?，本文采用雙向固定效應(yīng)模型進(jìn)行機(jī)理檢驗(yàn)。對(duì)于投射偏差，本文的目標(biāo)是測試在非典型天氣條件下二手車庫存是否會(huì)增加。本文使用四個(gè)回歸來檢驗(yàn)兩個(gè)搜索索引是否依賴于不適當(dāng)?shù)臍鉁鼗蜻m當(dāng)?shù)臍鉁?。?jì)量模型被設(shè)定如下：

5. 基于半?yún)?shù)方法的異質(zhì)性分析

先前的研究發(fā)現(xiàn)，不同類型的新能源汽車（如純電動(dòng)汽車BEV 和插電式混合動(dòng)力汽車PHEV）由于其技術(shù)特性和性能的差異，在面對(duì)氣溫變化時(shí)表現(xiàn)出不同的適應(yīng)性和效率，因此消費(fèi)者的購買意愿也可能因氣溫的變化而有所不同。為了捕捉這些差異性，本文采用了靈活的半?yún)?shù)方法。這種方法的優(yōu)點(diǎn)在于能夠在不強(qiáng)加特定函數(shù)形式的情況下，靈活地處理不同城市的收入和人口差異，從而檢驗(yàn)這些社會(huì)經(jīng)濟(jì)因素如何影響氣溫對(duì)新能源汽車消費(fèi)的異質(zhì)性效應(yīng)。通過該模型，本文可以更準(zhǔn)確地識(shí)別氣溫變化在不同城市環(huán)境中對(duì)新能源汽車消費(fèi)產(chǎn)生的非線性影響，以及這種影響如何因城市的經(jīng)濟(jì)和人口特征而有所不同。這種設(shè)置使得模型具有更高的適用性和解釋力度。半?yún)?shù)模型被設(shè)定如下：

四、實(shí)證結(jié)果與分析

（一）基準(zhǔn)回歸結(jié)果

1. 斷點(diǎn)回歸設(shè)計(jì)與倒U 型趨勢

在進(jìn)行基準(zhǔn)回歸分析之前，本文使用方差膨脹因子方法檢驗(yàn)了變量間的多重共線性。結(jié)果顯示，VIF 的最大值僅為3.09，平均VIF 為1.61，表明變量之間沒有嚴(yán)重的多重共線性問題。此外，Hausman檢驗(yàn)的結(jié)果表明使用固定效應(yīng)模型是合理性。隨后，本文使用STATA 16 進(jìn)行了基于模型（1-2）基準(zhǔn)回歸分析，基于雙向固定效應(yīng)模型。本文執(zhí)行了四次回歸，分別是未納入二次項(xiàng)和控制變量的回歸、未納入二次項(xiàng)的回歸、未納入控制變量的回歸以及包括二次項(xiàng)和控制變量的回歸。首先，表2列（1）～（2）的結(jié)果顯示在控制了季度固定效應(yīng)和城市固定效應(yīng)的情況下，氣溫對(duì)新能源汽車消費(fèi)的影響是顯著的。其次，列（3）～（4）的結(jié)果顯示，當(dāng)本文在回歸模型中包括氣溫的二次項(xiàng)時(shí)，T 的系數(shù)為正，T2 的系數(shù)為負(fù)，兩者在1%的水平上均顯著。因此，隨著氣溫的變化，新能源汽車的消費(fèi)存在顯著的倒U 型趨勢。然而，上述結(jié)果仍然存在一定的缺陷，為了確定二次項(xiàng)是否是一個(gè)干擾項(xiàng)，本文參照以往文獻(xiàn)的做法（Simonsohn et al.， 2014）進(jìn)行RDD 回歸。

具體而言，根據(jù)方程（3），本文進(jìn)行了RDD 回歸。表3 中的回歸結(jié)果顯示，T 和T2 的系數(shù)具有相反的符號(hào)并且顯著，這初步驗(yàn)證了倒U 型趨勢的存在，也加強(qiáng)了基準(zhǔn)回歸結(jié)果的穩(wěn)健性。列（2）的結(jié)果顯示Tlow 和Thigh 的系數(shù)也具有相反的符號(hào)并且顯著，這表明新能源汽車消費(fèi)和平均氣溫T 之間存在倒U 型趨勢，即氣溫過高或過低均顯著抑制新能源汽車的消費(fèi)，假設(shè)1a 與假設(shè)1b得證。此外，TMAX 的估值為16.5971，代表新能源汽車推廣的最優(yōu)氣溫，同時(shí)也是倒U 型趨勢的拐點(diǎn)。從16.60℃每增加1℃和減少1℃，作為當(dāng)前交易的替代，將導(dǎo)致新能源汽車消費(fèi)分別減少3.1%和1.1%。與目前的新能源汽車推廣情況相比，從16.60℃增加1℃和減少1℃，將導(dǎo)致新能源汽車銷量減少1881 輛和5302 輛（2010—2020 年中國新能源汽車的平均季度銷量為1710，計(jì)算公式為

雖然這種影響不如通過技術(shù)創(chuàng)新對(duì)生產(chǎn)端的影響大，但這種影響擴(kuò)大了對(duì)氣溫的感知和敏感性，從而影響消費(fèi)者的購買決策。這些發(fā)現(xiàn)也為制定短期新能源汽車推廣策略和合理配置政策資源提供了潛在可能。與氣溫不影響新能源汽車購買的情景相比，這也將導(dǎo)致新能源汽車企業(yè)的收入分別減少482.1 萬元和1358.3 萬元（分別為中央政府對(duì)新能源汽車購買補(bǔ)貼的年均5.4%和15.4%。假設(shè)最暢銷的新能源汽車榮威E550，在考慮中國政府的購置稅減免后，在樣本期間設(shè)定為25.63 萬元）。

為了進(jìn)一步提高RDD 的可信度，本文還繪制了散點(diǎn)圖。從圖2（a）中可以看出，RDD 的回歸結(jié)果再次驗(yàn)證了表3 的結(jié)果。結(jié)合RDD 結(jié)果和圖2（a），此外，RDD 結(jié)果還提供了額外的信息，即低溫對(duì)消費(fèi)的負(fù)面影響大于高溫。

2. 邊際效應(yīng)分析

以往的文獻(xiàn)往往通過引入二次項(xiàng)判斷解釋變量和被解釋變量之間是否存在倒U 型關(guān)系。然而，更科學(xué)的做法必須考慮變量的經(jīng)濟(jì)含義和數(shù)值范圍（Wooldridge， 2016）。因此，本文通過邊際效應(yīng)分析方法提供了更深入的解釋。具體來看，基于樣本數(shù)據(jù)，本文繪制了平均氣溫與新能源汽車消費(fèi)的二次擬合趨勢圖（見圖2（b）），同時(shí)用虛線標(biāo)出了解釋變量的最值。顯然，本研究計(jì)算得出的拐點(diǎn)位于平均氣溫最大值的左側(cè)，即本研究的樣本區(qū)間涵蓋了拐點(diǎn)以及其右側(cè)的觀察值。圖2（b）中的結(jié)果暗示平均氣溫與新能源汽車消費(fèi)之間存在非線性關(guān)系，且平均氣溫對(duì)新能源汽車消費(fèi)的邊際效應(yīng)先降低后增加。此外，圖2（c）以不同的方式展示了氣溫對(duì)新能源汽車消費(fèi)的邊際效應(yīng)變化結(jié)果。圖2（c）顯示小于拐點(diǎn)的氣溫比大于拐點(diǎn)的氣溫對(duì)新能源汽車消費(fèi)產(chǎn)生更高的負(fù)面影響，再次驗(yàn)證隨平均氣溫變化，新能源汽車消費(fèi)呈現(xiàn)倒U 型趨勢。

3. 廣義線性模型

本文基于廣義線性回歸模型來估計(jì)不同氣溫對(duì)新能源汽車消費(fèi)的影響。表4 列（1）～（2）結(jié)果顯示不同氣溫區(qū)間對(duì)新能源汽車消費(fèi)的影響不同，這也與先前學(xué)術(shù)研究關(guān)于氣溫對(duì)耐用品消費(fèi)的影響一致（He et al.， 2023）。具體來看，當(dāng)氣溫低于8℃時(shí)，新能源汽車消費(fèi)縮減。隨著氣溫的升高，特別是在8℃～22℃之間，新能源汽車消費(fèi)提高。然而，當(dāng)氣溫升高至26 ℃時(shí)，新能源汽車消費(fèi)再次縮減。該結(jié)果與以往的研究一致（Parsons， 2001；Zahabi et al.， 2014），同時(shí)也再次證明倒U 型關(guān)系的存在，低溫的負(fù)面影響更大。圖2（d）是表4 中列（1）～（2）的結(jié)果的可視化，表明平均氣溫和新能源汽車消費(fèi)之間存在倒U 型關(guān)系，且低溫的影響大于高溫。

（二）廣義雙重差分法

1. 廣義雙重差分法

本文使用廣義DID 來估計(jì)氣溫對(duì)新能源汽車推廣的平均處理效應(yīng)。以4℃的增量為基礎(chǔ)構(gòu)建溫度箱。設(shè)置氣溫箱的理由如下：首先，樣本城市的氣溫在10℃到30℃之間波動(dòng)，這與中國的氣候變化基本趨勢一致。第二，如果季度間溫差太小，處理效應(yīng)很難被捕捉。最后，以往的研究發(fā)現(xiàn)，居民可以明顯感知到gt;4℃的變化（Smith et al.， 2016）。另外，本文控制了季度固定效應(yīng)和城市固定效應(yīng)。廣義DID 的結(jié)果見表4 列（3）～（4）。結(jié)果和廣義線性回歸的結(jié)果相似，增加了結(jié)果的穩(wěn)健性。此外，本文還在圖3（a）中可視化了效果的差異。圖3（a）為溫度偏離最適溫度（14℃～18℃）時(shí)新能源汽車銷量的變化趨勢。與對(duì)照組（14℃～18℃）相比，新能源汽車銷量的最大正、負(fù)影響分別為38.9%（10℃～14℃）和84.0%（26℃～30℃）。結(jié)果表明，低溫和高溫都阻礙了新能源汽車消費(fèi)，再次驗(yàn)證了溫度與新能源汽車銷量之間的倒U 型關(guān)系。圖3（a）中的差異表明，最適合新能源汽車推廣的溫度可能略低于16.6℃。然而，從更廣泛的意義上說，廣義DID 的結(jié)果是可以接受的，即當(dāng)溫度在不合適的范圍內(nèi)（lt;10℃和lt; 18℃）時(shí)，新能源汽車消費(fèi)將受到阻礙。

2. 平行趨勢檢驗(yàn)與PSM

滿足平行趨勢條件是使用雙重差分模型的前提條件（Bertrand et al.， 2004）。為了驗(yàn)證平行趨勢條件，本文使用了事件研究法。在分析過程中，本文獲得了處理組和控制組在氣溫與去年同期的差異gt;1 和lt;1 的條件下的系數(shù)。從圖3（b）中可以看出，控制組在統(tǒng)計(jì)上與0 不存在差異，這證實(shí)了控制組與處理組之間的平行趨勢。同一時(shí)期處理組開始顯示出顯著的負(fù)影響，盡管幅度有所波動(dòng)。這種波動(dòng)可能與不受控制的交易季節(jié)性有關(guān)。對(duì)于其余額外的測試，首先，本文獲取了當(dāng)期與去年同期相比，城市平均氣溫差值小于0.1 和大于0.1 的情況下平均氣溫的系數(shù)。其次，基于聯(lián)合顯著性檢驗(yàn)，本文檢驗(yàn)了在當(dāng)前期與去年同期城市平均氣溫差值小于0.1 和大于0.1 的情況下系數(shù)與零之間的差異。所有的檢驗(yàn)結(jié)果均在表5 中呈現(xiàn)。根據(jù)表5 列（1）～（2）的結(jié)果，本文發(fā)現(xiàn)處理組的系數(shù)與零之間存在統(tǒng)計(jì)學(xué)顯著差異，而控制組不存在。此外，本文通過SUR 測試了城市當(dāng)前期平均氣溫與去年同期平均氣溫之間差值小于0.1 和大于0.1 情況下的系數(shù)之間的差異。表5 列（3）結(jié)果顯示，處理組的系數(shù)與控制組的系數(shù)存在顯著差異。綜上所述，處理組和控制組具有滿足平行趨勢條件。

在驗(yàn)證了平行趨勢條件后，本文識(shí)別策略的另一個(gè)挑戰(zhàn)是樣本自選擇問題（Shen et al.， 2021），即新能源汽車消費(fèi)不滿足隨機(jī)分配條件。為了應(yīng)對(duì)這一問題，本文使用傾向得分匹配方法。表6 中的匹配結(jié)果顯示，匹配前的平均處理效應(yīng)為4.38，在1%的水平上顯著，匹配后的平均處理效應(yīng)為4.37，在1%的水平上顯著。平行趨勢檢驗(yàn)的結(jié)果顯示，處理組和控制組的絕大多數(shù)樣本（尤其是控制組樣本）均符合匹配的條件，只有0 和13 個(gè)樣本分別位于處理組和控制組的共同值范圍之外，這表明絕大多數(shù)樣本（尤其是控制組樣本）均適合匹配。另外，為了檢驗(yàn)匹配的有效性和可信度，本文進(jìn)行了平衡性檢驗(yàn)，即測試匹配后的協(xié)變量標(biāo)準(zhǔn)化均值差異是否顯著不同。

圖3（c）中的平衡性檢驗(yàn)結(jié)果顯示，所有協(xié)變量的%偏差均小于10%，并且均顯著小于匹配前的%偏差，與匹配前相比，%偏差的絕對(duì)值顯著減少了19%～96%。圖3（d）中的PSM 平行趨勢假設(shè)檢驗(yàn)結(jié)果與表6 的結(jié)果一致，即處理組和控制組的絕大多數(shù)樣本均在共同值范圍內(nèi)，而不在共同值范圍內(nèi)的樣本的傾向得分值更極端。

3. PSM-DID

為了進(jìn)一步檢驗(yàn)匹配的效果以及廣義DID 結(jié)果的穩(wěn)健性，本文還測試了匹配前后控制組與對(duì)照組的傾向得分值是否存在差異。核密度結(jié)果（附錄圖1）顯示，無論匹配前還是匹配后，兩組核密度曲線均有所偏離，但匹配后兩組之間的曲線更接近，可以從平均距離的降低中看出。最后，本文再次使用匹配的樣本進(jìn)行廣義DID 分析，并將回歸結(jié)果與基線回歸結(jié)果進(jìn)行比較?；貧w結(jié)果（附錄表1）顯示，使用匹配樣本進(jìn)行的回歸結(jié)果與基準(zhǔn)DID 模型的結(jié)果差異較小，增強(qiáng)了結(jié)論的穩(wěn)健性。

（三）穩(wěn)健性檢驗(yàn)

1. 分組分位數(shù)回歸

為了提高本文結(jié)論的穩(wěn)健性，本文采用以下方法進(jìn)行了穩(wěn)健性檢驗(yàn)。首先，本文通過分組分位數(shù)回歸來測試倒U 型關(guān)系的存在。出于穩(wěn)健性的考慮，本文將樣本分為兩組，分別使用樣本均值（第一組）和75 分位數(shù)（第二組）作為分組標(biāo)準(zhǔn)。結(jié)果顯示（見附錄表2）分組標(biāo)準(zhǔn)兩側(cè)的氣溫系數(shù)支持倒U 型關(guān)系的有效性（左側(cè)系數(shù)gt;0；右側(cè)系數(shù)lt;0）。

2. 基于Utest 的精確檢驗(yàn)

其次，在實(shí)證分析中，解釋變量和被解釋變量之間往往存在非線性關(guān)系。在這里，基于Lind 和Mehlum（2010）的做法，本文使用了一個(gè)通用框架Utest 來檢驗(yàn)氣溫與新能源汽車消費(fèi)之間是否存在倒U 型關(guān)系。附錄表3 中Utest 的結(jié)果顯示氣溫的“極值點(diǎn)”為21.67。氣溫的范圍為14.7℃～29.7℃。可以看出，“極值點(diǎn)”位于氣溫范圍內(nèi)，在1%的顯著性水平上拒絕了原假設(shè)。與此同時(shí)，結(jié)果中的斜率在這個(gè)區(qū)間內(nèi)是負(fù)數(shù)，可以認(rèn)為氣溫與新能源汽車消費(fèi)存在倒U 型關(guān)系。

3. 廣義矩估計(jì)

此外，考慮到過去的新能源汽車消費(fèi)可能對(duì)當(dāng)期的消費(fèi)產(chǎn)生影響，本文在模型中引入了因變量的滯后一期，并通過系統(tǒng)廣義矩估計(jì)（GMM）方法進(jìn)行估計(jì)。附錄表4 中的GMM 結(jié)果顯示，過去的新能源汽車消費(fèi)對(duì)當(dāng)期的消費(fèi)具有顯著的影響，且該影響為正。當(dāng)本文將滯后1 的因變量添加到模型中時(shí)，SARGAN 和自回歸測試AR（1）均通過了測試，而自回歸測試AR（2）gt; 0.1，表明因變量滯后1 期是合理的。此時(shí)，新能源汽車消費(fèi)與氣溫之間的倒U 型關(guān)系仍然存在，證明了上文結(jié)果的穩(wěn)健性。

4. 基于汽車類型的安慰劑檢驗(yàn)

此外，本文基于傳統(tǒng)燃油車（ICEV）銷量數(shù)據(jù)進(jìn)行安慰劑測試。該測試方法與基準(zhǔn)回歸相同。氣溫與傳統(tǒng)燃油車消費(fèi)之間不存在倒U 型關(guān)系，這從側(cè)面證明了氣溫與新能源汽車消費(fèi)之間的倒U 型關(guān)系是相對(duì)合理的。

5. 隨機(jī)抽樣安慰劑檢驗(yàn)

本節(jié)基于隨機(jī)抽樣方法進(jìn)行安慰劑檢驗(yàn)。通常情況下，本文無法觀察到廣義 DID 模型是否遺漏了重要的變量，從而導(dǎo)致估計(jì)結(jié)果可能存在偏差。為了解決這個(gè)問題，本文采用1000 次隨機(jī)抽樣進(jìn)行間接的驗(yàn)證。附錄圖2 顯示1000 次隨機(jī)抽樣的 值呈現(xiàn)以零為中心的正態(tài)分布，且與基線回歸結(jié)果（虛線）存在顯著差異。這一結(jié)果間接驗(yàn)證了 = 0。因此，可以得出結(jié)論，本文的廣義DID 模型沒有明顯的遺漏變量問題，從而提升了本文結(jié)論的穩(wěn)健性。

6. 排除相關(guān)政策

為了排除其他影響新能源汽車銷量的政策干擾，本文在基準(zhǔn)模型中引入了一個(gè)新的虛擬變量，作為控制變量。如果樣本城市地方政府當(dāng)年出臺(tái)或已經(jīng)出臺(tái)了《新能源汽車產(chǎn)業(yè)發(fā)展規(guī)劃》，則該虛擬變量為1，否則為0。數(shù)據(jù)來源于《節(jié)能與新能源汽車年鑒2011-2021》與各市政府、發(fā)改委官網(wǎng)。回歸結(jié)果見附錄表5 列（5）。結(jié)果依然支持假設(shè)1a～1b。

五、進(jìn)一步分析

（一）基于心理效應(yīng)的機(jī)制分析

本文已經(jīng)驗(yàn)證了氣溫對(duì)新能源汽車消費(fèi)的影響，然而，這些影響如何發(fā)揮作用仍需要進(jìn)一步的機(jī)制檢驗(yàn)。因此，本文基于兩個(gè)心理效應(yīng)機(jī)制，即投射偏差和注意力檢驗(yàn)氣溫影響新能源汽車消費(fèi)的機(jī)制。一方面，根據(jù)式（7）檢驗(yàn)了投射偏差的存在性。表7 中列（1）的回歸結(jié)果表明，非典型天氣條件增加了二手新能源汽車的庫存。這一結(jié)果證實(shí)了投射偏差的存在，假設(shè)2b 得證（典型天氣條件的結(jié)果不顯著，驗(yàn)證了假設(shè)2a1）。此外，基于2.3 的分析，本文認(rèn)為新能源汽車市場中消費(fèi)者的投射偏差與新能源汽車消費(fèi)之間存在因果關(guān)系。

另一方面，本文根據(jù)式（8）～（11）檢驗(yàn)消費(fèi)者注意力的存在。表7 列（2）、（4）的回歸結(jié)果表明，新能源汽車性能搜索指數(shù)隨氣溫呈U 型趨勢，而低碳或外觀搜索指數(shù)隨氣溫呈倒U 型趨勢。這一結(jié)果意味著，當(dāng)氣溫過低或過高時(shí)，新能源汽車的性能是最受關(guān)注的特征。相比之下，當(dāng)氣溫在適當(dāng)?shù)姆秶鷥?nèi)時(shí)，低碳或外觀是最受關(guān)注的特征，假設(shè)3a～3b 得證。此外，基于2.3 的分析，本文認(rèn)為在新能源汽車市場中，消費(fèi)者的注意力與新能源汽車推廣之間存在著密切的聯(lián)系。因此，氣溫通過注意力影響新能源汽車消費(fèi)的機(jī)制得到了驗(yàn)證。盡管這兩種機(jī)制都意味著新能源汽車消費(fèi)會(huì)隨著氣溫的偏離而下降，但兩種機(jī)制的影響是不同的。一個(gè)非常重要的區(qū)別是，前者的效果是“水平的”，而后者是“垂直的”。投射偏差表明，當(dāng)絕對(duì)天氣好的時(shí)候，人們會(huì)購買更多的新能源汽車。與基準(zhǔn)相比，當(dāng)天氣異常惡劣時(shí)，注意力會(huì)提高新能源汽車的購買意愿。

（二）異質(zhì)性分析

1. 新能源汽車vs 插電式混合動(dòng)力汽車

先前的研究發(fā)現(xiàn)，不同類型的新能源汽車對(duì)環(huán)境的響應(yīng)和敏感度不同（Parsons， 2001），因此，本文通過分組回歸來考察氣溫對(duì)不同類型新能源汽車消費(fèi)的影響。根據(jù)附錄表6 中的結(jié)果，本文發(fā)現(xiàn)氣溫與新能源汽車消費(fèi)之間的倒U 型關(guān)系對(duì)于純新能源汽車仍然成立，但對(duì)于插電式混合動(dòng)力汽車不成立，這與先前研究的結(jié)構(gòu)一致（Li et al.，2023）。

2. 經(jīng)濟(jì)社會(huì)特征

先前的研究表明，氣溫對(duì)新能源汽車消費(fèi)的影響通常受到不同的經(jīng)濟(jì)和社會(huì)特征的影響，從而導(dǎo)致了異質(zhì)性（Zahabi et al.， 2014）。因此，本節(jié)關(guān)注了幾個(gè)最有可能產(chǎn)生影響的變量，包括新能源汽車類型、收入水平、人口規(guī)模和充電設(shè)施完善程度。本文共進(jìn)行了四次靈活的半?yún)?shù)檢驗(yàn)，結(jié)果見圖4。首先，本文將氣溫設(shè)置為異質(zhì)性變量，再次考察氣溫對(duì)新能源汽車消費(fèi)的影響。圖4（a）顯示氣溫對(duì)新能源汽車消費(fèi)的影響隨著氣溫的變化先增加后降低，呈現(xiàn)倒U 型趨勢。這一發(fā)現(xiàn)再次提高了本文結(jié)論的可信性與穩(wěn)健性。第二，圖4（b）顯示人口規(guī)模增加時(shí)，氣溫對(duì)新能源汽車消費(fèi)的影響先降低后增加。在中國，低人口往往意味著山區(qū)或高原地區(qū)，這些地區(qū)通常沒有足夠的充電設(shè)施（Xiong and Wang， 2020）。類似地，當(dāng)人口過高時(shí)，通常意味著充電設(shè)施不足或交通擁堵（Langbroek et al.， 2016）。此外，圖4（c）顯示隨著收入水平的增加，氣溫對(duì)新能源汽車消費(fèi)的影響降低，這與先前的研究一致。這是因?yàn)楦呤杖肴后w可以負(fù)擔(dān)得起建立私人充電設(shè)施（Sierzchulaet al.， 2014）。最后，圖4（d）顯示隨著城市充電設(shè)施的改善和充電站數(shù)量的增加，氣溫對(duì)新能源汽車消費(fèi)的影響減弱。更多的充電設(shè)施可以有效地彌補(bǔ)由于極端氣溫造成的新能源汽車?yán)m(xù)航里程下降和充電焦慮（Ma et al.， 2019）。

六、結(jié)論與政策建議

本文的研究結(jié)果顯示，氣溫變化對(duì)新能源汽車消費(fèi)產(chǎn)生了顯著影響。隨著氣溫的升降，新能源汽車消費(fèi)呈現(xiàn)出倒U 型的變化趨勢。無論是過高還是過低的氣溫都會(huì)導(dǎo)致新能源汽車消費(fèi)減少，但低溫的負(fù)面影響更為顯著。本文揭示了消費(fèi)者在氣溫波動(dòng)下對(duì)新能源汽車的心理預(yù)期的變化，從而改變其購買決策。這種影響可能會(huì)妨礙新能源汽車的推廣和應(yīng)用，從而對(duì)實(shí)現(xiàn)“碳達(dá)峰”和“碳中和”的目標(biāo)構(gòu)成挑戰(zhàn)。本文的研究表明，當(dāng)交易前的氣溫偏離新能源汽車的最佳氣溫（16.60℃）時(shí)，購買新能源汽車的概率會(huì)降低。在16.60℃的基礎(chǔ)上，每增加1℃和降低1℃，新能源汽車的將分別減少1881 輛和5302 輛（分別占新能源汽車企業(yè)收入的4.821 億元和1358.3 億元）。與低溫和高溫相比，最大的積極影響出現(xiàn)在14℃～18℃，新能源汽車消費(fèi)增加了24.9%。與14℃～18℃的氣溫相比，最大的負(fù)面影響出現(xiàn)在氣溫lt;6℃，新能源汽車消費(fèi)下降了132.7%。盡管氣溫因素可能相對(duì)于技術(shù)和補(bǔ)貼等其他因素而言受到較少關(guān)注，但它為新能源汽車產(chǎn)業(yè)的可持續(xù)發(fā)展提供了機(jī)會(huì)，有助于消費(fèi)者更好地理解氣溫對(duì)其購買決策的風(fēng)險(xiǎn)和敏感性。本文的研究結(jié)果為政策制定者和新能源汽車企業(yè)提供了新的視角。一方面，新能源汽車企業(yè)可以根據(jù)氣溫變化制定更有效的市場營銷策略。更重要的是，新能源汽車企業(yè)和政府部門應(yīng)加快開發(fā)與全天候新能源汽車和電池?zé)峁芾硐嚓P(guān)的技術(shù)，以逐漸減少新能源汽車對(duì)氣溫變化的敏感性。另一方面，政策制定者不僅應(yīng)向制造商和駕駛員提供更詳細(xì)和專業(yè)的新能源汽車技術(shù)性能和氣溫信息，還應(yīng)不斷改善城市充電設(shè)施，以滿足不斷增長的充電需求，特別是在氣溫敏感度較高的城市。此外，政策制定者還應(yīng)向制造商提供財(cái)政支持和合理的專利豁免，以減輕新能源汽車對(duì)氣溫變化的脆弱性。

影響機(jī)制的研究結(jié)果表明，投射偏差和注意力是影響新能源汽車消費(fèi)的有效心理機(jī)制。除了增加對(duì)全氣候新能源汽車研發(fā)的投資外，政策制定者還應(yīng)該建立新能源汽車與天氣信息之間的傳遞和反饋機(jī)制，以便及時(shí)向駕駛員提供有關(guān)氣溫變化的信息，使他們能夠選擇適當(dāng)?shù)慕煌üぞ呋蚵眯心康牡兀瑥亩鴾p少由于氣溫變化而導(dǎo)致的交通事故或出行不便。

隨著燃料成本的不斷上升，能源貧困和能源利用效率進(jìn)一步下降的問題日益嚴(yán)重。本文的異質(zhì)性效應(yīng)測試表明，當(dāng)消費(fèi)者生活在人口相對(duì)較少或較多、收入較高以及擁有更多充電設(shè)施的社區(qū)時(shí)，極端氣溫對(duì)新能源汽車消費(fèi)的負(fù)面影響較小。因此，需要著重考慮如何進(jìn)一步激勵(lì)經(jīng)濟(jì)社會(huì)地位較低的群體使用新能源汽車，以解決能源貧困問題。為此，政策制定者應(yīng)該考慮包括天氣影響因素在內(nèi)的經(jīng)濟(jì)政策，這一關(guān)系值得學(xué)術(shù)研究人員和政策制定者的密切關(guān)注。以往關(guān)于能源型耐用品的研究主要集中在如何利用政策激勵(lì)和其他類型的經(jīng)濟(jì)激勵(lì)措施來增加能效產(chǎn)品的消費(fèi)（Newell andSiikam?ki， 2013）。然而，由于在某些情況下，消費(fèi)者更有可能關(guān)注新能源汽車，這可能會(huì)顯著提升政策或激勵(lì)措施的效果。因此，本文的研究結(jié)果可以為將氣溫波動(dòng)納入產(chǎn)業(yè)政策或其他激勵(lì)計(jì)劃的政策組合方案提供更多的理論依據(jù)。同時(shí)，對(duì)于在本文的異質(zhì)性分析中可能更加敏感的城市和社區(qū)，新能源汽車企業(yè)可以將氣溫波動(dòng)納入以天氣為基礎(chǔ)的營銷策略中（Gillingham and Palmer， 2014）。此外，政策制定者在評(píng)估氣候變化損失時(shí)應(yīng)考慮消費(fèi)者行為，并探索將購買行為變化作為減少溫室氣體排放的潛在途徑。鑒于氣溫變化不僅在中國而且在全球范圍內(nèi)將變得更加頻繁和劇烈（Biardeau et al.， 2019），這種需求端策略可能在提高能源利用效率和增加新能源汽車消費(fèi)方面發(fā)揮關(guān)鍵作用。

參考文獻(xiàn)

[1] 李國棟，羅瑞琦，谷永芬. 政府推廣政策與新能源汽車需求：來自上海的證據(jù)[J]. 中國工業(yè)經(jīng)濟(jì)，2019 年第4 期，第42-61 頁。

[2] 趙小磊，李雪梅. 產(chǎn)業(yè)政策對(duì)充電基礎(chǔ)設(shè)施產(chǎn)業(yè)的影響機(jī)制與經(jīng)驗(yàn)證據(jù)[J]. 中國人口·資源與環(huán)境，2024 年第07 期，第47-57 頁。

[3] 周亞虹，蒲余路，陳詩一，等. 政府扶持與新型產(chǎn)業(yè)發(fā)展——以新能源為例[J]. 經(jīng)濟(jì)研究，2015 年第6 期，第147-161 頁。

[4] 周燕，潘遙. 財(cái)政補(bǔ)貼與稅收減免——交易費(fèi)用視角下的新能源汽車產(chǎn)業(yè)政策分析[J]. 管理世界，2019 年第10 期，第133-149 頁。

[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.， Siikam?ki， 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.