2025年全球汽车产业数据分析.docx

2025 年 2 月 24 日 第 5 期 总第 680 期

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《产业政策与创新：全球汽车产业数据分析》。报告认为，全球汽车正经历从传统内燃机向电动汽车的深刻变革。报告发现，电动汽车产业政策与创新活动呈显著正相关，政策支持每增加一个标准差，电动汽车专利申请数量将增长 4%。报告通过分析上述研究结论，提出政府应持续加大对电动汽车产业政策支持，优化补贴机制，引导资源向电动汽车领域集聚，推动交通电气化进程。建议政府在制定产业政策时，应注重长期效应，推动电动汽车技术的持续创新。赛迪智库集成电路研究所对该报告进行了编译，期望对我国有关部门有所帮助。
【关键词】汽车 产业政策 创新 电气化

- 26 -

报告探讨了产业政策（IP）对全球汽车产业创新的影响。本报告编制了首个 2008 年至 2023 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 2022
年，近一半的产业政策瞄准电动汽车（EV）相关行业；而在 2008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，电动汽车专利申请数量将相应增加 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加 10%，电动汽车创新也会有 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、荷兰分别计划在 2025 年、2030 年实现电动汽车销量占比 100% ，

美国和中国则力争到 2030 年让电动汽车销量占比分别达 50%、 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，运用自然语言处理技术，在 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，将汽车专利分为内燃机汽车（GV）专利、电动汽车专利、通用专利，构建国家-IPC-年份和企业层级数据集。研究发现，2008 年后产业政策数量攀升，其中电动汽车相关政策占比从近乎零增 202 年 50%，2020 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产业政策。原始数据涵盖从 2008 年 11 月到 2023 年 10 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”（State Act ID）和“干预措施编号”（Intervention ID）来标识，其中“国家法案”代表政府机构发布的一项公告，而“干预措施”则是该公告中包含的一项具体政策。全球贸易预警数据库的关键词段包括政策标识符（“国家法案编号”和“干预措施编号”）、实施

国家和受影响国家、公告日期、按六位协调制度（HS）代码（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家层级实施的政策。全球贸易预警数据库涵盖 2008 年 11 月至
2023 年 10 月六万多份政府政策声明，每份含 “国家法案编号”和 “干预措施编号” 等信息。研究人员人工标记 1023 项政策训练数据集，训练监督式机器学习模型，带 L2 正则化的逻辑回归模型预测效果最佳，处理后得到 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、燃油车、通用型三类，用 HS 编码分类。汇总时，每项产业政策按燃料类型仅计一次，如一项影响多国多产品的政策，按此方法统计为多项（每种燃料类型一项）。本研究聚焦电动汽车产业政策，因其重要性高，同时评估燃油车政策，通用型政策因占比小（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，

这些国家销量占全球约 95%。数据依政策文件整理，涵盖多种财 政激励措施，仅采纳中央或联邦补贴，按车辆属性计算不同车型补贴及企业补贴总额，还估算电池供应商间接补贴（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
国家层级研究采用 “三方专利”数据，因其申请成本高且技术适用性广而质量较高。专利由文档数据库族编号、申请机构、发明人居住国和国际专利分类代码唯一确定。如一项发明向美、欧、日三大专利局申请且涵盖多个分类代码（其中电动汽车分类代码在三局均出现），会被视为多个独立条目记录。表 1 列出了按照国家-国际专利分类-年份统计的数据情况。最终的数据集涵盖 67 个国家，时间跨度从 2008 年至 2020 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）、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。经筛查，数据集有大量同族及细分专利，涵盖 67
个国家 2008-2020 年数据，按上述三类统计专利数量，电动汽车
专利平均新申请数为 7.24 项，燃油车为 2.2 项，通用专利为 6.78
项。
表 1：国家和企业层级的数据汇总情况1
统计指标 均值 标准差 最小值 最大值板块 A：国家-国际专利分类-年份

新申请的电动汽车专利数量
7.24
55.00
0.00
1399.00
授权的电动汽车专利累计数量
75.87
608.46
0.00
11280.00
新申请的燃油车专利数量
2.20
23.58
0.00
673.00
新申请的通用型专利数量
6.78
53.52
0.00
1426.00
新的电动汽车产业政策数量
1.39
6.70
0.00
119.00
电动汽车产业政策累计数量
8.80
47.85
0.00
513.00
电动汽车产业政策五年累计数量
4.23
26.88
0.00
412.00
环境政策严格性指数
1.42
1.54
0.00
4.89
板块 B：企业：汽车制造商
新申请的电动汽车专利数量
93.84
325.96
0.00
3437.00

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 涵盖 67 个国家，时间跨度为 2008 年至 2020 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）、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”代表由经合组织编制的环境政策严格性指数。对于非经合组织国家，研究人员将其值设为零。板块 B 和 C 分别包括 92 家汽车制造商和 45 家电池供应商，时间跨度为 2013 年至 2020 年。电动汽车知识储备依据同一个国家企业提交的电动汽车与燃油车专利累计数量计算，年折旧率为 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
75.58
229.47
0.00
2225.00
电动汽车知识储备
4633.48
7086.59
0.00
28139.75
燃油车知识储备
4757.99
7026.71
0.00
26035.73
单位激励金额（美元）
1595.98
2478.45
0.00
10265.60
工具变量下的单位激励金额（美元）
1241.98
2281.86
0.00
9385.74
激励总额（百万美元）
51.98
176.83
0.00
2076.36
工具变量下的激励总额（百万美元）
37.02
132.67
0.00
1453.39
板块 C：企业：电池供应商
新申请的电动汽车专利数量
40.34
116.95
0.00
954.00
新申请的燃油车专利数量
0.30
1.45
0.00
19.00
电动汽车知识储备
2168.31
1726.46
0.56
5791.71
燃油车知识储备
6.15
10.22
0.00
55.55
单位激励金额（美元）
2.65
2.85
0.00
13.78
工具变量下的单位激励金额（美元）
2.65
2.99
0.00
20.86
激励总额（百万美元）
0.12
0.35
0.00
2.77
工具变量下的激励总额（百万美元）
0.09
0.25
0.00
2.61
2、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），以 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
图 1 展现了从 2008 年至 2022 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车的产业政策所占比例。2008 年金融危机后，汽车产业政策数量呈上升态势。其中，电动汽车产业政策占比从近乎零大幅攀升至

2022 年的近 50%，这清晰地展现出全球交通领域向电气化发展的趋势以及对电动汽车支持力度的不断增强。
图 2 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）
排出的前 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，美国的政策数量在全球名列前茅。不过，在电动汽车产业政策占比上，欧洲国家超越美国。为便于比较，图 3 展示了在全球贸易预警数据库中，非产业政策的累计数量。在非产业政策数量方面，巴西、中国等国家位列前茅，美国则紧随其后。新兴经济体如俄罗斯、巴西、印度、中国等实施的汽车产业政策数量众多，但相对而言对电动汽车的关注较少，仍较为重视传统内燃机制造业的优势。

图 1：汽车行业新产业政策数量随时间变化的情况2

2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
希腊中国
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）
图 2：汽车相关产业政策累计数量排名前 20 位国家3

瑞典
芬兰 奥地利希腊捷克比利时匈牙利
荷兰 阿根廷葡萄牙波兰法国
英国 西班牙
意大利印度 德国美国中国巴西
图 3：在全球贸易预警数据库中，非产业政策数量位居前 20 位国家4

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，
另一类是 387 项与 2009 年美国《美国复苏与再投资税收法案》下新一轮电力项目相关的产业政策。值得注意的是，鉴于电动汽车属于新兴产业，相较于传统产业政策，针对电动汽车的产业政策所涉及的受影响国家及产品数量要少得多。
3注：正如图 4 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）。本图所呈现的是 2008 年 11 月至 2023 年 10 月期间，按照汽车相关产业政策累计数量进行排序的前 20 位国家的情况。其中，柱状图（以左侧坐标轴为参照）展示了各国产业政策的累计数量，黑色菱形点则用于展现电动汽车相关产业政策所占的份额。具体而言，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。
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）
在图 4 中，按所获补贴总额，图（a）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补贴额。这些企业均匀地分布在不同的主要国家。补贴高度集中，如前四位车企（特斯拉、雷诺-日产集团、比亚迪和大众集团）共获得补贴总额的 48.2%，而前三位电池企业（松下、LG 新能源和宁德时代）则获得补贴总额的 58.6%。

现代起亚
集团
上汽集团
通用汽车
公司
吉利控股
集团
宝马集团
北汽集团
大众集团
比亚迪
雷诺
日产集团
特斯拉
（a） 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）
（b） 电池供应商
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
SK
SDI
LG
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。
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。自 2000 年起，汽车技术开启从燃油向电动的转型进程。电动汽
车发明数量增长迅猛，在 2013 年超过燃油车发明数量，并于 2020 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，在 2016 年达到峰值后逐渐下滑。在本报告的回归分析中，以专
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
利数量评估创新时，如图 6 也呈现类似的趋势。

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）
图 5：1980-2018 年间全球新授权发明的趋势5

5注：本图显示了在 1980 年至 2018 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）授予的汽车相关“三方”发明的数量情况。每一项发明都有一个唯一的文档数据库族编号，代表一项独特的技术创新。不同于回归分析中的计数方式（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），本图统计采用的方法能够更准确地反映独特技术进步数量。黑色实线（左轴）代表电动汽车相关发明。深灰色虚线（左轴）是指燃油汽车相关发明。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
新授权发明数量：通用技术发明
图 6：全球新授权专利趋势图（专利定义与回归分析采用的定义一致）6
图 7（a）展示了电动汽车发明累计数量最多的前十位国家，其中日本占据了全球 36%的专利。美国和德国紧随其后，分别位列第二和第三。图 7（b）则展示了 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，丰田、本田以及雷诺-日产持有大部分电动汽车相关专利。在电动汽车电池供应商方面，韩国三星、新能源公司及中国宁德时代在专利持有量上领先。具体而言，前三大汽车制造商占车企电动汽

6注：本图展示 1980-2020 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申请不同专利。每一项专利都有唯一文档数据库族编号、申请机构及国际专利分类代码。统计时，本图采用的专利定义与国家级回归分析所用定义一致。图中，黑色实线（左轴）代表燃油汽车相关专利。深灰色虚线（左轴）是指电动汽车相关专利。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%。

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

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
图 7：电动汽车相关已授权发明持有量前十位国家7

7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
图 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。图中显示两个关键特征：一是原点附近数据点聚集，意味着样本（按国家-国际专利分类-年份统计）有大量无新专利申请记录，需用能处理零值的方法；二是电动汽车专利与电动汽车产业政策累计量正相关，燃油车专利与之无关，说明电动汽车产业政策激励清洁汽车技术创新且针对性强，未对燃油车技术产生溢出。图 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
t年新申请的专利
图 8：在国家层级，电动汽车产业政策累计数量与已申请专利数量之间的残差图8

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）9

8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）提出的“协变量调整残差化”方法，显示了电动汽车产业政策对专利申请数量的影响。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代表燃油车专利数量。一组数据为 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

表 2 展示了国家层级研究的基线结果，其中全面考虑了国家、国际专利分类和年份的固定效应。指标系数分析揭示，电动汽车产业政策五年累计每增加一个标准差，电动汽车专利总数将增加 4.5%，集约边际上将增加 3.2%。
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）

情况。图中未包含任何控制变量和固定效应。一组数据为 48 个，这是通过数据驱动的最优选择程序确定的。图中统计的数据来源于国家和国际专利分类层级的数据。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 影响的观测值。在估算方法上，第（1）和（2）列使用普通最小二乘法；第（3）至（6）列使用泊松伪最大似然估计法。第（1）列的因变量为陈和罗斯提出的修正对数。第（2）列中的因变量是电动汽车专利申请量的对数。第（3）至（5）列中的因变量为在年份 t 申请的电动汽车专利，第（6）列中的因变量是在年份 t 授权的电动汽车专利。由于在泊松伪最大似然估计法下，数据只包含至少拥有某一年专利数量为积极影响的国家和国际专利分类对，因此其观测值数量较少。“电动汽车产业政策五年累计数量”（燃油车产业政策五年累计数量）是指 t-5 至 t-1 内电动汽车（燃油车）产业政策的累计数量。“累计授权专利数量的对数”是 t-1 内授权专利累计数量的对数。“环境政策严格指数”是经合组织环境政策严格指数。所有回归变量均经过标准化处理，并除以其标准差。括号中的标准误差在国家层级研究中进行了统计。显著性水平：* p < 0.1、** 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

0.929
0.899
0.929
0.927
调整后的可决系数
0.751
0.710

观测值
4355
738
2990
738
2990
2600
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（第 3 列）中，电动汽车产业政策五年累计每增一个标准差，电动汽车相关专利数量增加 3.9%；在至少有一项专利的子样本（第 4 列）中，该数量增加 4.0%，两种效应在 1%水平上均显著。相比之下，环境政策严格指数变量在各列大多不显著。这表明，电动汽车专利新申请量增长，或更多受汽车行业专项产业政策驱动，而非宽泛的环境法规严格程度。
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

t-1年补贴总额对数
来源：电池制造商
来源：汽车制造商
#电动汽车新专利申请数量
响，关系非线性。补贴少的企业未呈现积极影响。图 11 显示，对电池企业来说，上述规律更为明显。

#电动汽车新专利申请数量
图 10：某企业获得的电动汽车补贴与该企业电动汽车专利申请数量关系图11

t-1年补贴总额对数
来源：电池制造商
来源：汽车制造商
图 11：申请电动汽车专利数量与获得的电动汽车补贴总额之间关系曲线

11注：该图是某公司在 t-1 年（x 轴）收到的电动汽车补贴总额与其在t 年（y 轴）申请的新电动汽车专利数量之间的关系，显示了电动汽车补贴对电动汽车专利申请数量的影响。黑色圆圈和实线代表汽车制造商；灰色菱形点和虚线代表电池供应商。

表 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相近，平均来说，补贴总额每增加 10%，电动汽车专利申请数量会增加 0.4%，且这些系数在 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
的 137 家企业（92 家汽车制造商和 45 家电池供应商）。由于条目固定，样本不均衡。由于补贴滞后，本研究舍去了企业第一年数据。第（1）和（2）列使用普通最小二乘法，而第（3）和（4）列使用泊松伪极大似然法。第（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
0.894
0.852

0.948

0.944
观察值
838
469
616
469
清洁和非清洁技术知识储备均有作用。在各模型中，电动汽车知识储备呈显著正向影响，燃油车知识储备为负向（泊松伪极大似然法中显著）。据泊松伪极大似然法估计，电动汽车知识储备每增加 10%，次年新的电动汽车专利申请量增 5.4%；燃油车知识储备每增 10%，专利申请量减少 3.4-3.8%。这证实汽车技术对技术路线依赖性强，与阿吉翁等人研究结果相符，也表明产业政策长远影响或比短期更强。
表 4 报告了工具变量法（第（1）、（2）列）和带控制函数的泊松伪极大似然法（第（3）、（4）列）的估计值。第（1）、
（3）列用全样本，另两列侧重对专利数量有积极影响的样本。各方法下，电动汽车专利在补贴风险方面的估计弹性均约 0.04，与表 3 弹性大小相近，表明补贴风险若存在内生性，也不太可能左右本研究结果。

表 4：补贴对创新的影响：企业层级分析，工具变量法13

（1）
（2）
（3）
（4）
0.039∗∗
0.040∗∗∗
0.040∗∗∗
0.040∗∗∗
滞后贷款（1+补贴总额）
（0.018）
（0.012）
（0.008）
（0.008）

[0.014]
[0.011]
�

0.026∗
0.034∗∗

（0.015）
（0.017）
0.192∗∗∗
0.216∗∗∗
0.525∗∗∗
0.540∗∗∗
滞后知识储备，电动汽车
（0.042）
（0.074）
（0.100）
（0.099）
-0.022
-0.065
-0.322∗∗∗
-0.413∗∗∗
滞后知识储备，燃油车
（0.044）
（0.086）
（0.101）
（0.109）
样本数据 全部
密集的
全部
密集的

两阶段最
估计方法
小二乘法

两阶段最小二乘法
泊松伪极大
似然法，确定性系数法
泊松伪极大
似然法，确定性系数法
企业固定效应 是
是
是
是
年份固定效应 是
是
是
是
调整后的可决系数 0.119
0.137

伪决定系数

0.948
0.945
观察值 838
469
616
423

13注：标准误差计算显著性水平：* p <0.1、** p <0.05、** p <0.01。。

六、结论
近年来，全球各国频出产业政策。本研究聚焦产业政策在创新及加速交通电气化方面的作用。研究人员先编制了全球汽车行业产业政策与专利综合数据库。目前，产业政策在发达国家应用广泛，全球正步入清洁技术创新时代。研究显示，电动汽车产业政策及购车补贴，有效提升了电动汽车的专利申请量与授权量。由于汽车行业对技术路线依赖度高，产业政策的积极影响将随时间日益凸显并强化。此外，并无证据表明电动汽车相关产业政策促进