产业政策与创新：全球汽车产业数据分析

产业政策与创新：全球汽车产业数据分析【译者按】2024年11月，美国国家经济研究局首次发布《产业政策【关词】汽车 产业政策 创新 电气化报告探讨了产业政策（IP）对全球汽车产业创新的影响。本20082023年全球产业政策与汽车行业专利数据的综合数据集，并揭示了政策关注点的重大转变：到20222008年，几乎不存在与电动汽车相关的产业政策。与此同时，汽车行业已呈现从内燃机（GV）技术向电动汽车技术创新的转型趋势。本研究发现，政策支持与创新活动之间存在正相关关系。在国家层级研究中，电动汽车产业政策五年累计每增加一个标准差，电4%。在企业层级研究中，汽车制造商和电动汽车电池生产商所获得的电动汽车财政激励每增10%4%的增长。本报告发现，技术路线的依赖性对汽车行业技术的变革方向具有重要意义，但电动汽车产业政策并未对内燃机技术创新起到任何激励作用。一、引言过去十年，面对气候变化、供应链中断、地缘政治紧张等挑战，产业政策重获关注，汽车产业政策尤为关键。在全球应对气候变化的大背景下，汽车行业迎来关键变革，交通电气化与清洁电网成为减碳重要路径。多国制定电动汽车普及目标，像挪威、20252030100%，203050%、40%。为达成目标，各国政府出台购车补贴等产业政策，推动电动汽车及电池行业发展。尽管全球电动汽车行业扩张迅速、政策影响广泛，但人们对其政策如何影响汽车行业创新了解有限。主要挑战有二：一是产业政策复杂，构建可跨国定量对比的衡量指标难度大，不过尤哈斯（Juhász）等人开发的文本研究方法，应用于全球贸易预警数据库，为该领域研究开辟新途径；二是难以衡量企业受政策影响产生的创新，因为政府政策通常不会阐明对行业的不同影响。为填补相关研究空白，本报告研究人员编制了全球汽车产业政策和专利综合数据库，并采用两种方法以降低国家和行业层面研究产业政策的难度。一是参照尤哈斯等人的文本研究法，运用2008-2023年全球贸易分析数据库的六万多份政策文件中，对金融、非金融产业政策与非产业政策分开统计数量。二是聚焦汽车行业里的电动汽车购买激励政策，参照全球汽车行业建立产品国家补贴数据库。由于全球推进交通电气化，各国电动汽车激励措施差异显著，且这些措施与车辆属性相关，在不同车型、企业及时段间变化巨大，该方法对汽车行业尤为适用。本报告采用1980-2023年全球专利统计数据库（PATSTAT）的专利数据，依据国际专利分类（IPC）代码，将汽车专利分为-IPC-年后产业政策数量攀升，202年电动汽车专利数量达燃油车三倍，且集中于少数企业。通过实证，本报告评估产业政策对专利申请及授权的影响，能为四类文献提供参考：完善产业政策相关文献；充实政策驱动型清洁技术创新文献；丰富电动汽车市场经济学研究，尤其是政府政策对其普及的影响；助力考察少量但渐长的产业政策相关报告，解决产业政策不透明、难量化的研究难题。二、本研究数据（一）利用全球贸易预警数据库评估产业政策在国家层级研究中，本报告使用全球贸易预警数据库来评估200811202310月的六万多份政府政策声明。每份政策声明均由“国家法案编号”（StateAct（全球产品分类系统）分类的受影响产品，以及最重要的政策描述。1、确定和评估产业政策本报告将产业政策定义为以改变经济活动构成为目标且在国200811月至2023101023项政策L2正则化的逻辑回3385项汽车市场相关产业政策。2、政策分类和汇总根据受影响产品燃料类型，将产业政策分为电动汽车、燃油HS（19%）未纳入。（二）按车型分类的各国电动汽车补贴模式，评估其产业政策企业层级研究利用2013-2020年13国电动汽车补贴数据库，95%（考虑转嫁率，用对数统计确保模型稳健性。（三）专利数据：专利统计数据库本报告采用欧洲专利局（EPO）专利统计数据库评估汽车行业创新，该数据库记录了全球专利申请及授予情况，同一文档数据库（DOCDB）中的专利申请视为一项发明或技术，同族申请技术内容相同，一项发明常关联多个国际专利分类代码，分为电动汽车、燃油车、通用技术三类。1、按国家-国际专利分类-年份统计的专利数量1列出了按照国家-国际专利分类-年份统计的数据情况。最终的数据集涵6720082020年，并且包含了五个电动汽车相关专利的国际专利分类代码（科-类-子类）燃油汽车相关的国际专利分类代码，以及十五个通用专利的国际672008-2020年数据，按上述三类统计专利数量，电动汽车7.242.26.78项。新申请的电动汽车专利数量7.2455.000.001399.00新申请的电动汽车专利数量7.2455.000.001399.00授权的电动汽车专利累计数量75.87608.460.0011280.00新申请的燃油车专利数量2.2023.580.00673.00新申请的通用型专利数量6.7853.520.001426.00新的电动汽车产业政策数量1.396.700.00119.00电动汽车产业政策累计数量8.8047.850.00513.00电动汽车产业政策五年累计数量4.2326.880.00412.00环境政策严格性指数1.421.540.004.89板块B：企业：汽车制造商新申请的电动汽车专利数量93.84325.960.003437.00统计指标 均值 标准差 最小值 最大板块A：国家-国际专利分类-年份1注：本汇总统计表基于按照国家-国际专利分类-年份统计的数据以及按企业-年份统计的数据构建而成。板块A涵6720082020科-类-类）、九个与燃油汽车相关的国际专利分类代码，以及十五个通用专利的国际专利分类代码。“EPS×OECD”代BC分别包括924520132020年。电动汽车知识储备依据同一个国家企业提0.2。平均激励和总激励的工具变量则根据结构性需求模型的模拟销售额计算得出。新申请的燃油车专利数量75.58229.470.002225.00电动汽车知识储备4633.487086.590.0028139.75燃油车知识储备4757.997026.710.0026035.73单位激励金额（美元）1595.982478.450.0010265.60工具变量下的单位激励金额（美元）1241.982281.860.009385.74激励总额（百万美元）51.98176.830.002076.36工具变量下的激励总额（百万美元）37.02132.670.001453.39板块C：企业：电池供应商新申请的电动汽车专利数量40.34116.950.00954.00新申请的燃油车专利数量0.301.450.0019.00电动汽车知识储备2168.311726.460.565791.71燃油车知识储备6.1510.220.0055.55单位激励金额（美元）2.652.850.0013.78工具变量下的单位激励金额（美元）2.652.990.0020.86激励总额（百万美元）0.120.350.002.77工具变量下的激励总额（百万美元）0.090.250.002.612、微观数据：企业层级板块数据企业层级统计92家汽车制造商和45家电池供应商2013-2020年专利。因每个国际专利分类代码下企业专利数量有限，统计时未细分，一项专利由文档数据库族编号、申请机构和燃料类型确定。例如，会合并同一申请机构下相同燃料类型的申请记录。统计企业名单参考巴威克等人研究，汽车制造商集团数据涵盖母公司及子公司品牌专利。研究未局限于“三方专利”，一是为保留有申请记录的企业样本，二是避免排除部分中国企业致数据失准，且用“三方专利”验证结论仍成立。（四）经合组织环境政策严格性指数数据库考虑到环境政策法规可能影响电动汽车创新，本报告将其设为控制变量。为衡量环境法规的范围与力度，采用经合组织“环境政策严格性指数”。原始数据含总体指数及特定次级类别分数（如基于市场的工具、技术支持政策等）0-5分衡量，5分代表最严格，总体指数由所有次级类别加权平均得出。本研究采用总体环境政策严格性指数，针对非经合组织国家，将该数据设为零，并与非经合组织国家虚拟变量关联。三、产业政策与专利（一）汽车产业政策120082022年，新的汽车产业政策的发展趋势。其中，柱状图以左侧坐标轴为参照，以展示每年新政策的数量情况；而曲线图则参照右侧坐标轴，描绘了专门针对电动汽200820222呈现了同一时期内，依据汽车相关产业政策累计数量所 年份 新出台的汽车产业政策数量（柱状图）电动汽车产业政策所占份额（曲线图）20位国家的情况。图中，这些国家按照其产业政策的总数进行排序。图中的黑色菱形点表示有关电动汽车行业的政策所占份额。在产业政策实施方面，发达国家占据主导地位，美国3 年份 新出台的汽车产业政策数量（柱状图）电动汽车产业政策所占份额（曲线图）图1：汽车行业新产业政策数量随时间变化的情况22注：在本图中，每个国家法案编号与干预措施编号被视作一项产业政策（这与回归分析中按燃料类型统计产业政策数量的情况存在差异。在回归分析里，依据政策范围，一项产业政策最多可被统计三次）。其中，柱状图（以左韩国奥地利瑞典丹麦芬兰南非波兰英国日本西班牙印度意大利德国法国俄罗斯巴西加拿大美国全球贸易预警数据库中的非产业政策累计数量汽车产业政策累计数量（柱状图）韩国奥地利瑞典丹麦芬兰南非波兰英国日本西班牙印度意大利德国法国俄罗斯巴西加拿大美国全球贸易预警数据库中的非产业政策累计数量汽车产业政策累计数量（柱状图）电动汽车产业政策所占份额（黑色菱形点）侧坐标轴为参照）展示了汽车行业新产业政策数量随时间变化的具体情形，而虚线（对应右侧坐标轴）则用于描绘电动汽车产业政策所占的份额。若在一项产业政策涉及的受影响国家和产品中，有50%与电动汽车相关，那么该产业政策则是“电动汽车”产业政策。本图不包含两类产业政策：一类是839项未明确指出受影响国家的产业政策，387200934所示，每个国家法案编号与干预措施编号被视作一项产业政策（这与回归分析中按燃料类型统计产20081120231020以左侧坐标轴为参照50%与电动汽车相关，那么该产业政策则是“电动汽车”产业政策。4注：本图呈现的是截至2023年10月，非产业政策累计数量位居前20位国家情况。基于整个全球贸易预警数据库，本报告研究人员采用经过训练的机器学习模型，对产业政策进行预测。且针对涵盖各个行业的350395项产业--（二）企业补贴补贴总额（百万美元）平均补贴（美元）4展示了排名前十位汽车企业，图（b）展示了排名前十位电池企业。在图中，灰色条柱代表每家企业获得的补贴总额，带有数字的黑色菱形点表示平均（-共（LG新能源和宁德时代）58.6%。补贴总额（百万美元）平均补贴（美元）汽车制造商政策以及840228项非产业政策进行了相关分类工作。万向一二三合肥国轩杰士汤浅集团远景动力三星比亚迪宁德时代新能源公司松下集团补贴总额（百万美元）平均补贴（美元）电池供应商万向一二三合肥国轩杰士汤浅集团远景动力三星比亚迪宁德时代新能源公司松下集团补贴总额（百万美元）平均补贴（美元）图4：十大企业的补贴总额和平均补贴额（三）创新：向绿色技术转型SKSDILG本报告重点研究了过去四十年间全球绿色技术的发展情况。因为相较于依赖国际专利分类代码和申请国家的专利，文档数据库族编号能更精准勾勒技术创新全貌，本报告重点统计由文档数据库族编号确定的发明。为突出电动汽车专用绿色技术（与双重用途技术相对）的发展，此处将电动汽车发明界定为：其国际专利分类代码完全归属于电动汽车类别；同样，燃油汽车发明的国际专利分类代码完全归属于燃油汽车类别。如果一项发明的国际专利分类代码同时具备电动汽车和燃油汽车特性，则将其归类为通用技术发明。SKSDILG图5展示了1980年至2018年期间新授予的发明数量，其中电动汽车发明以黑色实线（左轴）表示，燃油汽车发明以深灰色虚线（左轴）表示，通用技术发明以浅灰色虚线（右轴）表示。2000年起，汽车技术开启从燃油向电动的转型进程。电动汽20132020年达到燃油车发明数量的三倍之多。而通用发明数量则是先上升，2016年达到峰值后逐渐下滑。在本报告的回归分析中，以专 年份 通用技术发明（右轴）电动汽车发明（左轴）燃油汽车发明（左轴） 年份 通用技术发明（右轴）电动汽车发明（左轴）燃油汽车发明（左轴）新授权发明数量：电动汽车或燃油汽车新授权发明数量：通用技术发明图5：1980-2018年间全球新授权发明的趋势5519802018年期间，三大专利局（美国专利商标局、欧洲专利局和日本专利局）根据国际专利分类代码或燃料类型将一项发明视为多项专利左轴（左轴相关发明。浅灰色虚线（右轴）为两者通用发明。年份通用技术发明（右轴）电动汽车发明（左轴）燃油汽车发明（左轴）新授权发明数量：电动汽车或燃油汽车年份通用技术发明（右轴）电动汽车发明（左轴）燃油汽车发明（左轴）新授权发明数量：电动汽车或燃油汽车新授权发明数量：通用技术发明7（a）展示了电动汽车发明累计数量最多的前十位国家，36%7（b）2019年电动汽车发明授权量最多的前十位国家，日本和美国依然处于领先地位，中国位列第三。电动汽车专利持有量高度集中在部分企业中。汽车行业中，-61980-2020年授权汽车专利数量趋势。但是，本图为专利数据，非发明数据，因同一发明可在多国（左轴左轴电动汽车相关专利。浅灰色虚线（右轴）为两者通用专利。累计已授权的电动汽车发明量车发明的74%，前三大电池供应商占电池供应商发明的77%。累计已授权的电动汽车发明量新西兰奥地利英国瑞士中国法国韩国德国美国日本已授权的电动汽车发明量（a）累计已授权的电动汽车发明数量新西兰奥地利英国瑞士中国法国韩国德国美国日本已授权的电动汽车发明量加拿大瑞士意大利法国中国台湾德国韩国中国美国日本（b）2019年电动汽车发明数量加拿大瑞士意大利法国中国台湾德国韩国中国美国日本图7：电动汽车相关已授权发明持有量前十位国家77注：本图展示了电动汽车适用发明数量最多的前十位国家排名。电动汽车适用发明包括仅适用及可应用于电动汽车的发明。图（a）是截至2019年累计已授权的发明数量，图（b）是2019年新授权的发明数量。四、国家层级的产业政策研究（一）实证研究策略本报告采用新申请及已授权的电动汽车专利数量来衡量汽车行业绿色创新。实证研究策略包括固定效应线性回归模型和泊松伪最大似然法（该方法常用于处理离散型结果）。针对大量零专利计数情况（基于国家-国际专利分类-年份的统计），第二种策略泊松伪最大似然法更适用。（二）基线估算结果8展示了电动汽车产业政策作用于专利申请数量的残差散点图。图中，黑色圆圈和实线拟合线代表电动汽车专利数量，灰色菱形点和虚线拟合线则代表燃油车专利数量。图中显示两个关按国家-国际专利分类-年份统计9展示了在不包含任何影响因素的情况下，原始数据也呈现出类似的特征。电动汽车专利量 燃油车专利量 电动汽车专利量 燃油车专利量 t年新申请的专利电动汽车专利量 燃油车专利量 电动汽车专利量 燃油车专利量 t年新申请的专利t年新申请的专利图9：专利申请数量与电动汽车产业政策累积数量之间的分仓散点图（无协变量）98注：本图展示了滞后的累积电动汽车产业政策（横轴）与新申请的电动汽车/燃油车专利数量（纵轴）（基于国家-国际专利分类-年份的统计）之间关系的残差图。图中的国家是指发明人的居住国。本图采用卡塔内奥等人（2024年48个，这是通过数据驱动的最优选择程序确定的。9注：本图采用卡塔内奥等人（2024年）提出的分仓散点图方法，展示了电动汽车产业政策对专利申请数量的影响23.2%。表2：产业政策对创新的影响：国家层级研究10（1）已申请（2）已申请（3）已申请（4）已申请（5）已申请（6）已授予电动汽车产业政策 0.045∗∗0.032∗∗∗0.039∗∗∗0.040∗∗∗0.123∗∗∗0.040∗∗∗五年累计数量 （0.022）（0.007）（0.003）（0.002）（0.024）（0.004）累计授权专利数量的 0.436∗∗∗0.198∗∗∗0.371∗∗∗0.290∗∗∗0.367∗∗∗0.355∗∗∗对数 （0.037）（0.032）（0.043）（0.041）（0.041）（0.038）0.063∗-0.059-0.047-0.043-0.100-0.033环境政策严格性指数（0.033）（0.156）（0.211）（0.200）（0.191）（0.271）燃油车产业政策-0.178∗∗∗五年累计数量（0.053）48个，这是通过数据驱动的最优选择程序确定的。图中形点和虚线拟合线代表燃油车专利数量。。10注：通过使用基于国家-国际专利分类-年度统计的数据，本表显示了电动汽车相关产业政策对电动汽车创新的影响。第（1）、（3）、（5）和（6）列使用全部样本数据，第（2）和（4）列的样本仅限于对专利数量具有积极列使用泊松伪最大似然估至（5）t申请的电动汽车专利，第（6）t授权的电动汽车专利。由t-5t-1内电动汽车（燃油车）t-1内授权专利累计数量的对数。“环境政策p0.1、**p<0.05、***p<0.01表示。（1）已申请（2）已申请（3）已申请（4）已申请（5）已申请（6）已授予样本数据全部密集的全部密集的全部全部估计方法普通最小二乘法普通最小二乘法泊松伪极大似然法泊松伪极大似然法泊松伪极大似然法泊松伪极大似然法国家固定效应是是是是是是国际专利分类固定效应是是是是是是年份固定效应是是是是是是伪决定系数0.9290.8990.9290.927调整后的可决系数0.7510.710观测值4355738299073829902600本表数据显示，产业政策对全球电动汽车行业创新有积极统计学影响。在全样本（3列）中，电动汽车产业政策五年累计项专利的子样本（4列）4.0%，两种效应在1%电动汽车创新对技术路线依赖度高，这种依赖及各国固有差异（由国家固定效应体现），能很好解释各国电动汽车技术创新的差异。考虑控制变量和固定效应后，燃油车与电动汽车产业政策呈负相关，致使本报告首选的泊松伪最大似然模型可能给出下限估值。第（6）列以已授权电动汽车专利数为因变量，其系数估值与基线相近，表明电动汽车产业政策对专利申请和授权影响类似。五、电动汽车补贴对企业层级的影响（一）实证研究策略依据全球电动汽车销量与各国车型激励措施确定补贴对企业的激励效果。鉴于各国依自身绿色汽车过渡计划及汽车参数（价格、续航里程、碳减排预期等）制定不同购买激励措施，若汽车制造商在补贴高的市场销售更多电动汽车，则其与电池供应商更易受产业政策影响。本研究采用线性回归法（普通最小二乘法和工具变量法）与泊松伪极大似然法进行分析。（二）基线回归结果图10展示了某公司电动汽车专利数与总补贴的关系曲线，汽车制造商（黑色圆圈和实线拟合线）及电池供应商（灰色菱形点和虚线拟合线）情况各异。结果显示激励政策与新电动汽车专利申请量呈正相关，此规律在两者中均适用，但因高补贴企业影来源：汽车制造商来源：电池制造商 t-1年补贴总额对数#来源：汽车制造商来源：电池制造商 t-1年补贴总额对数#电动汽车新专利申请数量#电动汽车新专利申请数量图0#电动汽车新专利申请数量来源：汽车制造商来源：电池制造商 来源：汽车制造商来源：电池制造商 t-1年补贴总额对数11t-1年（x轴）收到的电动汽车补贴总额与其在t年（y轴）线代表电池供应商。3呈现了普通最小二乘法和泊松伪极大似然法的估计值。本研究与国家层级分析一致，以普通最小二乘法修正对数、申请电动汽车专利数量作为泊松伪极大似然法的因变量，关键解释变量为前一年收到的电动汽车激励措施总数的对数，估计系数即电动汽车专利申请相对于总补贴的弹性。不同规格下对弹性的估计10%，电动汽车专利申请数量0.4%1%的水平上具有统计学意义。表3：补贴对创新的影响：企业层级分析12（1）（2）（3）（4）0.025∗0.041∗∗∗0.040∗∗∗0.038∗∗∗滞后贷款（1+补贴总额）（0.014）（0.011）（0.011）（0.009）0.199∗∗∗0.215∗∗∗0.541∗∗∗0.541∗∗∗滞后知识储备，电动汽车（0.040）（0.074）（0.084）（0.077）-0.028-0.064-0.335∗∗∗-0.377∗∗∗滞后知识储备，燃油车（0.044）（0.086）（0.084）（0.081）样本数据 全部密集的全部密集的普通最小估计方法二乘法普通最小二乘法泊松伪极大似然法泊松伪极大似然法12注：本表使用企业年度数据显示了电动汽车补贴激励对电动汽车创新的影响结果。本样本包括2013年至2020年137（9245家电池供应商（1）和（3）列使用全部样本，而第（2）和（4）列使用对电动汽车专利数量具有积极影响的企业年份。企业级标准误差计算显著性水平：*p<0.1、**p<0.05、**p<0.01。企业固定效应年份固定效应是是是是是是是是调整后的可决系数伪决定系数0.8940.8520.9480.944观察值83846961