高级检索

双积分政策下考虑技术不确定性的传统车企创新路径策略研究

周钟, 李思远

周钟,李思远. 双积分政策下考虑技术不确定性的传统车企创新路径策略研究[J]. 应用技术学报,2025,25(2):233-244.. DOI: 10.3969/j.issn.2096-3424.2024.085
引用本文: 周钟,李思远. 双积分政策下考虑技术不确定性的传统车企创新路径策略研究[J]. 应用技术学报,2025,25(2):233-244.. DOI: 10.3969/j.issn.2096-3424.2024.085
ZHOU Zhong, LI Siyuan. Research on innovation path strategies for traditional automakers considering technological uncertainty under the dual-credit policy[J]. Journal of Technology, 2025, 25(2): 233-244. DOI: 10.3969/j.issn.2096-3424.2024.085
Citation: ZHOU Zhong, LI Siyuan. Research on innovation path strategies for traditional automakers considering technological uncertainty under the dual-credit policy[J]. Journal of Technology, 2025, 25(2): 233-244. DOI: 10.3969/j.issn.2096-3424.2024.085

双积分政策下考虑技术不确定性的传统车企创新路径策略研究

基金项目: 

国家社科基金项目(19CGL056)资助

详细信息
    作者简介:

    周 钟(1986-),男,博士,教授,主要研究方向为技术创新管理与科技政策研究。E-mail:zhouzhong3275@163.com

    通讯作者:

    李思远(2000-),男,硕士研究生。E-mail:1697993808@qq.com

  • 中图分类号: F420

Research on innovation path strategies for traditional automakers considering technological uncertainty under the dual-credit policy

  • 摘要:

    传统汽车制造商在向新能源汽车转型过程中,技术不确定性成为企业在新旧技术迭代过程中优化研发投入与资源配置所面临的关键问题,其与双积分政策的约束性影响相叠加,显著提升了决策复杂性。基于模糊控制和系统动力学方法,构建双积分框架下面向技术不确定性的双车型联合生产研发模型。研究结果表明:①双积分政策下,新能源汽车技术的不确定性直接影响企业可交易的新能源汽车积分数量及利润回升速度,而燃油汽车技术的不确定性则影响企业需要购入的积分数量及潜在利润损失程度;②对于在传统燃油汽车市场不占优势的企业,应当集中现有资源自主研发新能源汽车技术,而对于长期主导燃油汽车市场的企业而言,需要视新旧技术的不确定性程度来选择合适的创新路径策略;③传统车企在研发过程中,应优先保障已成熟的燃油车技术的稳定性,并在此基础上降低新能源汽车技术研发的不确定性风险。

    Abstract:

    Conventional automakers face critical challenges in optimizing R&D investments and resource allocation between legacy and emerging technologies during their transition to new energy vehicles, where technological uncertainties interact with the binding constraints of China’s dual-credit policy, significantly complicating decision-making. Based on the fuzzy control and system dynamics methods, a dual-vehicle joint production and R&D model is constructed to take into account the technological uncertainty under the dual-credit policy. The results show that: ① Uncertainty in the technology of new energy vehicles under the dual-credit policy primarily affects the number of credits available for sale and the speed of profit recovery, while uncertainty in the technology of fuel vehicles affects the number of credits that enterprises need to buy and potential profit losses. ② For enterprises that do not dominate the traditional fuel vehicle market, it is advisable for them to concentrate their existing resources on independent research and development of new energy vehicle technology. In contrast, enterprises that have long dominated the fuel vehicle market should select appropriate innovation path strategies based on the degree of uncertainty in both old and new technologies. ③ Traditional automakers should prioritize ensuring the stability in mature fuel vehicle technology during R&D and, on this basis, reduce the uncertainty risks associated with new energy vehicles technology development.

  • 随着新旧技术更迭带来的经营环境变化,研发投入已成为传统企业参与市场竞争、获取竞争优势的重要策略[1]。然而,技术不确定性是研发过程中管理者需要面临的关键挑战[2]。这一现象在汽车产业尤为显著:自2018年《乘用车企业平均燃料消耗量与新能源汽车积分并行管理办法》(以下简称双积分政策)实施以来,政策压力加速推动了车企在燃油车节能减排与新能源汽车领域的绿色技术创新。数据显示,2022年汽车行业平均燃料消耗量为41.1 mL/km,新能源主流车型里程数已突破500~600 km区间。在此背景下,传统汽车厂商的绿色技术创新问题逐渐受到学者重视[3-4]。既有研究多聚焦研发决策对企业绩效的影响,却忽视了不同技术路径选择的内在差异。相较于造车新势力,传统车企在绿色转型中需同时应对双重决策:既要平衡新旧技术迭代节奏,又需在自主研发与技术引进之间作出战略选择[5]。例如比亚迪在2022年4月就宣布彻底停止生产燃油汽车,集中研发新能源汽车技术;而奥迪则在保持燃油汽车生产研发规模优势的基础上,2023年宣布引入中国新能源汽车技术。客观趋势叠加政策要求,更加凸显该研发决策问题的不确定性,是现阶段传统汽车企业亟待解决的关键问题。

    作为技术创新的主要来源,研发项目复杂多变,聚焦于双积分政策下车企的研发策略是当前研究的关键领域。相较于传统车企,国内外学者更多关注新能源车企的最优研发决策。例如,Meng等[6]构建了供应商资金约束下的研发决策函数模型;卢超等[7]分析了双寡头市场博弈下的研发合作与竞争。为了预测和规避研发过程中可能产生的风险损失,Ma等[8]基于信息不对称理论,建立了信息共享机制下的技术创新决策模型;Chen等[9]引入复杂网络演化博弈模型,研究技术溢出因素对制造车企研发扩散的影响。但现有围绕研发策略的研究,并未足够重视作为变革主体的传统汽车企业。因此,王阳[10]在假设双车型联合生产的前提下,探讨了双积分政策和传统车企研发投入策略的交互影响,并进一步构建了自产和外包研发生产的博弈模型[11],分析对比了不同新能源汽车市场进入模式对企业的整体最优决策的影响路径。

    然而,上述研究在探讨汽车厂商推动技术绿色创新的过程中,默认采用自主研发,并忽略了技术不确定性对企业决策的影响。不同的创新路径策略对企业的最终效益有着显著的影响。例如,蒋开东等[12]对比了不同技术创新路径对创新绩效的影响,结果表明,自主研发对创新产出的促进作用远大于技术引进。刘冬冬等[13]以中国装备制造业为研究对象,发现技术引进仍是国外装备制造业的主要技术创新方式,但自主研发对该产业发展存在显著的负面影响。在后续有关创新路径选择策略的研究中,更多学者强调“因地制宜”的重要性。例如,文玉春[14]根据不同产业发展阶段,提出了自主研发、复合型发展和技术引进等多种创新路径,认为在市场导向阶段,产业创新应侧重于自主研发,新兴产业则应采取蛙跳式技术创新路径。

    除创新路径之外,技术不确定性也会对企业的技术创新策略产生重要影响。从技术创新的过程来看,技术不确定性可以分为2个方面:① 在进行技术研发前,企业需要面对技术研发成功或失败的不确定;② 在技术研发成功后,企业还要面对技术实施过程中的不确定性。本文主要探讨的技术不确定性,具体指技术投入的回报无法准确预测的现象。Zhou等[15]研究发现技术的高不确定性将会导致下游企业的利润较低,并对技术不确定下的供应链合作模式进行探讨。Ouyang等[16]探讨了实际节能效果确定和不确定2种情况的差异化影响。上述研究都假设研发投入和技术水平呈现固定的数学方程式,没有分析车企之间的异质性和新兴技术的不稳定性。针对这些问题,在以往的研究中,对于企业项目实施过程中,不确定性因素与关键资源变量之间未存在明确的数学关系,亦没有详细的历史数据用于参考推论的情况,引入模糊数学方法来确定变量之间的关系,并结合系统动力学模型,探究不确定性因素对于项目绩效的影响[17-18]

    本文不同于前述研究,置于双积分政策的大背景下,综合考虑了传统车企创新路径的差异性和技术不确定性对策略选择的影响,并探究以下问题:①技术创新过程中的不确定性如何影响传统车企的创新路径策略?②技术不确定性程度的变化又会对企业决策起到怎样的影响?③研究管理者应如何在动态复杂的环境中合理抉择创新路径,以尽可能降低风险损失,实现盈亏平衡?研究创新性地采用模糊控制系统构建研发投入和技术水平之间的关系,相比单纯地引入固定方程式,进一步加强了所构建系统动力学模型的适用性和合理性。研究既为车企管理者充分决策提供一定的思路,也是对现有双积分政策研究缺漏部分的补充和完善。

    模糊控制是以模糊集理论、模糊语言变量和模糊逻辑推理为基础的智能控制方法,从行为上模仿人类的模糊推理和决策过程[19]。在本研究中,考虑到研发投入与新能源汽车里程数、平均燃料消耗量之间的模糊关联性,采用Matlab软件构建了模糊控制系统,并将其与系统动力学模型相融合,具体流程如图1所示。

    图  1  模糊控制系统动力学流程图
    Figure  1.  Flowchart of fuzzy control system dynamics

    模糊化模块的作用是将精确的输入参数转换为模糊语言变量。例如,不确定性“研发投入”可以转化为通用语言表示的模糊向量(低、中、高、极高)。每个语言项代表论域内的一个模糊子集,其隶属度关系由特定的隶属度函数严格定义。各变量隶属度函数如图24所示。

    图  2  研发投入隶属度函数
    Figure  2.  R&D investment affiliation function
    图  3  新能源汽车里程数隶属度函数
    Figure  3.  New energy vehicle mileage affiliation function
    图  4  平均燃料消耗量隶属度函数
    Figure  4.  Average fuel consumption affiliation function

    模糊控制系统的输出量通过推理机制生成。表1列出了4条针对研发投入制定的模糊推理规则,其典型规则解析,如规则1:若研发投入水平较低,则新能源汽车里程数水平较低,且燃油车平均燃料消耗量较高。

    表  1  模糊控制规则
    Table  1.  Fuzzy control rules
    研发投入 里程数 平均燃料消耗量
    IF THEN AND
    极高
    下载: 导出CSV 
    | 显示表格

    在确定语言控制规则中包含的模糊关系后,即可根据模糊关系及输入状态推导出输出状态,这一过程称为“模糊推理”。模糊推理本质上是一种模糊变换,通过映射将输入论域的模糊集合转换为输出论域的模糊集合,进而实现逻辑推理。本研究采用著名的Mamdani推理方法建立变量间关联,其推理过程如下:

    $$ \mathrm{IF\; }u\; \mathrm{is}\; A,\mathrm{THEN}\; v\mathrm{\; is\; }B $$
    $$ R=A\times B $$
    $$ {B}^{*}={A}^{*}{\text{°}}R $$
    $$ A,A^*\in{{{{\boldsymbol{U}}}}};B,B^*\in {\boldsymbol{V}} $$

    式中:$ R $表示语言控制规则中包含的模糊关系,它是定义在论域$ \mathit{\boldsymbol{U}} $$ {\boldsymbol{V}} $上的语言值$ A $$ B $的笛卡尔乘积;$ {A}^{*} $$ {B}^{*} $为定义在论域$ {\boldsymbol{U}} $$ {\boldsymbol{V}} $上的模糊取值。

    从模糊集合到清晰输出的转换称为去模糊化。在相关文献中最常用的方法是区域中心法(center of areas,COA),也称为质心法或重心法。依据工信部、中国汽车工业协会以及部分上市车企如上汽集团统计公布的研发投入、平均燃料消耗量以及新能源汽车里程数统计指标,本研究构建了系统动力学模型,确保关键变量在仿真过程中的有效性和临界状态合理性。具体参数设置如下:研发投入的区间(即论域)为[0,2 000],平均燃料消耗量区间和新能源汽车里程数区间分别为[4,8.5]和[0,1 000]。通过模糊控制系统对输出变量进行重心法去模糊化处理,最终建立了研发投入与技术性能之间的量化关系,具体结果如图5图6所示。

    图  5  研发投入和里程数关系
    Figure  5.  Relationship between R&D investment and mileage
    图  6  研发投入和平均燃料消耗量关系
    Figure  6.  Relationship between R&D investment and average fuel consumption

    系统动力学(system dynamics,SD )是一种以目标为导向的仿真方法,能够对复杂系统进行建模,通过构建动态信息反馈机制,研究系统中各参数随时间变化的动态行为,进而评估策略效果并实现系统优化。

    在双积分政策框架下,车企生产决策受供给侧政策和需求侧市场的共同影响。因此,从政府监管、企业运营与市场需求的3个核心维度出发构建关键变量体系,构成了系统动力学建模的理论基础[20]。本研究在现有企业生产运营系统动力学模型[21]的基础上,针对政策与企业行为的交互机制,构建了包含研发投入与积分绩效的扩展模型,具体结构如图7所示。

    图  7  双积分政策下企业研发投入和绩效模型
    Figure  7.  R&D investment and performance model of enterprises under the dual-credit policy

    改进后的系统动力学模型包含58个变量,其中13个为存量变量,17个为速率变量,28个为辅助变量(含常量)。具体而言,双积分政策下,企业生产运营模型深度耦合了市场供需动态。程永伟等[22]研究表明,传统燃油汽车与新能源汽车的市场需求波动具有显著独立性。因此,在各自市场需求的驱动下,汽车厂商通过产能分配和产能利用率调节,分别控制2类车型的生产规模。

    双积分核算主要取决于2类车型的技术性能指标与其产量的乘积。具体而言,技术性能决定积分正负值:传统燃油车以平均燃料消耗量为指标,新能源汽车以续航里程为指标。产量作为积分放大器:生产规模直接影响积分总量。2类技术指标均受企业研发投入水平制约[23]

    在市场需求和积分政策的推动下,汽车企业主要通过产能和产能利用率调节2类汽车的产量,而对于产量的决策又会进一步影响双积分值的年度核算,形成“生产—积分”系统内部的反馈回路。类比碳排放交易制度,双积分政策同属约束性政策,拥有相似的内在政策逻辑,但作用路径存在差异:碳配额机制主要驱动企业减排决策,双积分政策则通过新能源积分交易机制,允许企业在新能源汽车正积分不足时,可通过交易实现抵偿归零。同时,Du等[24]研究发现,相比碳排放配额交易,消费者技术偏好对市场需求和企业响应具有更显著的影响。且通常情况下,这种偏好与研发投入水平相关[25],最终影响积分核算结果。

    基于上述模型构建与政策分析,本研究进一步作出以下假设:

    假设 1 企业在实际生产过程中,不同车型的积分计算系数以及衡量指标并不一致,考虑到分类计算不同车型积分的复杂性,参考Li等[26]的处理方式,本文假设企业只生产单一型号的燃油汽车和纯电动新能源汽车,且二者的售价和成本在本模型中保持恒定,不受研发和需求的影响。

    假设 2 根据双积分政策规定,负积分有3种抵偿方式:往年结转、关联企业和外部市场购买。在本模型中仅考虑通过外部市场购买新能源汽车正积分进行抵偿的情形。当企业年度积分结算为正,且剩余可出售新能源汽车正积分时,外部积分交易市场是出清的[27]

    假设 3 本文设定企业根据市场需求变化调整生产运营策略是基本逻辑。在不同市场情况下,企业通过调整产能利用率和产能的先后顺序,响应需求变化,具体如表2所示。

    表  2  乘用车生产企业响应市场需求决策机制分析
    Table  2.  Analysis of the decision-making mechanism of passenger car manufacturers in response to market demand
    市场情况 决策机制 市场因素调整值
    市场需求≥产量 市场需求<产量
    需求增幅<1-利用率 / 提高产能利用率 (需求-产量)/产能
    需求增幅≥1-利用率 / 提高产能利用率
    增加产能
    产能利用率提升至100%
    产能增幅:(需求-产能)/产能
    / 利用率<阈值 / 降低产能 产能-需求/利用率
    / 利用率>阈值 需求减幅<利用率-阈值 降低产能利用率 (产量-需求)/产能
    下载: 导出CSV 
    | 显示表格

    函数作为描述模型变量间数学关系的核心工具,在本文中着重解析研发投入与技术不确定性对汽车厂商决策行为的交互影响机制。这一研究是本文区别于既往研究的关键创新点。

    营业收入能显著提高企业研发投入,而研发投入的提高又会反馈于营业收入[28],本文假设二者的组成和关系公式如下:

    $$ \begin{split} 企业当年营业收入= & 燃油车收入+新能源汽车收入+外部市场积分收入= \\ &燃油车售价\times 燃油车产量+新能源汽车售价\times 新能源产量+积分价格\times 年度积分核算 \end{split} $$ (1)
    $$ \text{研}\text{发}\text{投}\text{入}\text=\text{研}\text{发}\text{系}\text{数}\text{×}\text{企}\text{业}\text{当}\text{年}\text{营}\text{业}\text{收}\text{入} $$ (2)

    考虑到技术不确定性,模型基于研发投入和新旧技术性能的关联关系,增设“不确定性程度”变量以量化技术迭代风险。在车企实际研发过程中,当技术不确定性导致后续研发阶段的新技术性能指标未能超越当前技术基准时,那么当前年度的研发就属于失败研发,并非技术性能因研发投入反而倒退。为了描述这种不确定性,模型函数规范如下:

    $$ {\mathrm{{I}{F}}}\;{\mathrm{{T}{H}{E}{N}}}{ }\;{\mathrm{{E}{L}{S}{E}}}\left[ \begin{array}{c}{燃}{油}{车}{燃}{油}{消}{耗}{量}{确}{定}{值}\le {燃}{油}{车}{平}{均}{燃}{料}{消}{耗}{量}{最}{小}{值}{,}\\ {燃}{油}{车}{燃}{油}{消}{耗}{量}{确}{定}{值}- {燃}{油}{车}{平}{均}{燃}{料}{消}{耗}{量}{最}{小}{值}{,}{ }{0}\end{array} \right] $$ (3)
    $$ {\mathrm{{I}{F}}}\;{\mathrm{{T}{H}{E}{N}}}\;{\mathrm{{E}{L}{S}{E}}}\left[ \begin{array}{c}{新}{能}{源}{里}{程}{数}{确}{定}{值}\ge {新}{能}{源}{汽}{车}{里}{程}{数}{最}{大}{值}{,}\\ {新}{能}{源}{里}{程}{数}{确}{定}{值}-{新}{能}{源}{汽}{车}{里}{程}{数}{最}{大}{值}{,}{ }{0}\end{array} \right] $$ (4)

    市场需求作为模型中的关键外部参数,不仅决定企业的生产运营策略,也直接影响双积分政策的实施效果。参考Meng等[6]、李芳等[29]的研究,市场中消费者的需求与市场规模、技术水平、消费者技术偏好等因素相关。根据2018—2023年国内燃油车和新能源汽车销量变化数据,模型假定传统汽车厂商在燃油车市场的规模从100万辆开始逐年下降,下降率从10%逐渐缩减至6%,在模型后期又回升至9%;新能源汽车市场规模设定初期呈现缓慢增长趋势,当模型运行到第21年开始快速增长。市场需求函数如式(5)、(6)所示。

    $$ 燃油车市场需求函数=市场规模+\left(8.5-\mathrm{平}\mathrm{均}\mathrm{燃}\mathrm{料}\mathrm{消}\mathrm{耗}\mathrm{量}\mathrm{历}\mathrm{史}\mathrm{最}\mathrm{小}\mathrm{值}\right)\times\left(1-\mathrm{消}\mathrm{费}\mathrm{者}\mathrm{技}\mathrm{术}\mathrm{偏}\mathrm{好}\right) $$ (5)
    $$ 新能源汽车市场需求函数 = 市场规模+\left[{({里}{程}{数}{历}{史}{最}{大}{值}-130)}/{100}\right]\times 消费者技术偏好 $$ (6)

    根据2020年新修订的双积分政策条例,参考上汽、丰田、比亚迪等多家上市车企年度财务报表发布的统计数据,结合以往部分学者的相关研究,本文对关键参数的初始值和函数关系设置如表3所示。

    表  3  关键变量数值
    Table  3.  Values of key variables
    变量 数值/公式
    燃油车售价/万元 12
    新能源汽车售价/万元 20
    燃油车制造成本/万元 11
    新能源汽车制造成本/万元 17
    平均燃料消耗量达标值 5
    新能源汽车比例要求/% 18
    新能源汽车倍数 1.6
    研发系数 0.025
    积分市场价格/(万元·分–1 2
    新能源汽车单位车型积分 0.0056×新能源汽车里程数+0.4
    平均燃料消耗量实际值 平均燃料消耗量
    新能源汽车里程数/km 根据图5,设定初始值为130,采用表函数Vlookup以50单位为研发投入区间间隔,
    在系统动力学模型中构建研发投入和新能源汽车里程数二者变量之间的联系。
    平均燃料消耗量/(10–2 L·km–1) 根据图6,设定初始值为8.5,同理,采用表函数Vlookup以50单位为研发投入区间间隔,
    在系统动力学模型中构建研发投入和燃油汽车平均燃料消耗量二者变量之间的联系。
    注:表中涉及的政策规定参数,其数值按照2020年新修订双积分政策对2023年的要求设置。
    下载: 导出CSV 
    | 显示表格

    随着燃油汽车市场的萎缩以及新能源汽车市场的快速发展,国内外汽车厂商在技术变革中选择了不同的应对策略。根据2024年乘联会发布的汽车市场销量排行名单,归纳整理了3种具有代表性的技术创新路径策略以及相关传统汽车企业[30-32]

    燃油车自主研发兼顾新能源汽车技术引进,策略1 以奥迪为代表的传统汽车企业,作为昔日燃油汽车市场的领导者,在传统燃油车上拥有较大的规模优势;由于在新能源汽车市场起步较晚,因此考虑从拥有先进新能源汽车技术的企业引进新技术。

    新能源汽车自主研发兼顾燃油汽车技术引进,策略2 以吉利、奇瑞等为代表的企业专注在新能源汽车领域的生产研发,实现了市场销量的弯道超车。考虑到该类企业对于燃油汽车业务的逐渐远离,基于双车型联合生产的前提假设,本文通过“技术引进”行为来模拟该类企业在燃油汽车上的技术创新策略,以确保其在双积分政策下的合规性。

    全面自主研发燃油和新能源汽车,策略3 自主研发燃油和新能源汽车:上汽、丰田等企业一方面保持对燃油汽车技术的自主研发,另一方面在新能源汽车市场建立自主品牌,逐步推进新能源汽车技术的研发,以实现其在燃油汽车和新能源汽车领域的全面发展。

    从研发风险和企业利润角度考虑,技术引进能够帮助企业降低研发风险,但是由于消费者对其产品的技术偏好低于其他企业,市场份额将因此受损;同理,自主研发虽然能够帮助企业快速建立市场优势,但是研发实际效果有可能会低于预期,技术的提升往往需要较长的周期[33]

    综上所述,本文通过改变“燃油汽车市场需求”“新能源汽车市场需求”“燃油汽车技术”“新能源汽车技术”4个关键变量来描述车企技术创新策略的差异化。例如,在策略1下,车企以燃油车自主研发为主,对新能源汽车采取技术引进,因此在燃油汽车市场需求中,其消费者技术偏好较高,数值设定为0.8,而新能源汽车市场的技术偏好仅为0.2。策略2恰好与策略1相反,而策略3在新旧技术都为自主研发的情况下,考虑到企业资源的有限性,本文设定其在市场的消费者技术偏好处于中间水平,皆为0.5。

    技术不确定性对企业的绿色技术创新决策产生着重要的影响。为了进一步探究双积分政策下新旧技术不确定性程度对传统汽车厂商决策的作用,本文设定了新能源汽车技术不确定性(uncertainty of new energy vehicles,UNEV)、燃油汽车技术不确定性(uncertainty corporate average fuel consumption, UCAFE),下标$ {{\mathrm{L}}} $$ \rm{S} $分别表示不确定性程度的大和小,并设计了4种情景。例如,将新能源汽车技术不确定性程度波动范围设置为区间(0.6, 1.0),燃油汽车技术不确定性程度设置为区间(1.0, 1.2),此为情景1,也是表4中3种策略的初始场景。进一步,若扩大燃油汽车技术不确定性,将区间波动范围扩大为(1.0, 1.5),此时新能源汽车技术不确定性区间则扩大为(0, 0.5)。需要特别说明的是,考虑到新旧技术的发展成熟度不同,本文分别对新旧技术不确定性程度波动范围作了区分。具体方案如表5所示。

    表  4  差异化技术创新路径策略
    Table  4.  Differentiated technology innovation path strategies
    变量 策略1 策略2 策略3
    燃油汽车市场需求 需求情况+(1–消费者技术偏好)×
    (8.5–平均燃料消耗量历史最大值))
    需求情况+(1–消费者技术偏好)×
    (8.5–平均燃料消耗量历史最大值)
    需求情况+(1–消费者技术偏好)×
    (8.5–平均燃料消耗量历史最大值)
    新能源汽车市场需求 需求情况+[(里程数历史最大值–
    130)/100]×消费者技术偏好(0.2)
    需求情况+[(里程数历史最大值–130)/100]×
    消费者技术偏好(0.8)
    需求情况+[(里程数历史最大值–130)/100]×
    消费者技术偏好(0.5)
    燃油汽车技术 自主研发 技术引进 自主研发
    新能源汽车技术 技术引进 自主研发 自主研发
    下载: 导出CSV 
    | 显示表格
    表  5  技术不确定性情景设计
    变量 情景1(初始场景) 情景2 情景3 情景4
    $ {\boldsymbol{U}}\mathrm{_{NEV}} $ $ {\boldsymbol{U}}_{\mathrm{NEVS\mathrm{ }}} $(0.6,1) $ {\boldsymbol{U}}\mathrm{_{NEVS}} $(0.6,1) $ {\boldsymbol{U}}\mathrm{_{NEVL}} $(0,0.5) $ {\boldsymbol{U}}\mathrm{_{NEVL}} $(0,0.5)
    $ {\boldsymbol{U}}\mathrm{_{CAFC}} $ $ {\boldsymbol{U}}_{\mathrm{CAFCS}} $(1,1.2) ${\boldsymbol{ U}}\mathrm{_{CAFCL}} $(1.5,2) ${\boldsymbol{ U}}\mathrm{_{CAFCS}} $(1,1.2) $ {\boldsymbol{U}}\mathrm{_{CAFCL}} $(1.5,2)
    下载: 导出CSV 
    | 显示表格

    本研究采用Vensim PLE软件对所构建的系统动力学模型进行仿真,以年为步长,60年为仿真周期,模拟上述情景,并拆分技术创新路径策略进行结果分析。

    为了尽可能保证模型结构和行为的有效性和真实性,需要对所建SD模型进行检验。根据以往系统动力学文献检验模型有效性的方法,量纲一致性和行为重现是主要检验的2个方面。针对量纲一致性,人工逐个检查方程和参数,重点检测了反馈回路中汽车产量、双积分和技术性能之间的量纲一致性。在这过程中发现部分参数单位缺失、模型中存量与速率变量左右单位不一致的情况,修改后再度检测,量纲实现一致。

    在运用部分传统上市车企例如长城汽车研发投入真实数据的基础上,通过在合理范围内改变研发投入基础系数等常量取值,以及技术水平与研发投入等函数关系的灵敏度测试,结果显示在双积分政策的影响下,企业的市场需求、研发投入、积分值等关键变量的行为趋势较一致,表明模型具有较高的真实性,仿真结果具有意义。

    在初始场景下,燃油汽车和新能源汽车技术不确定性程度分别被控制在(1, 1.2)和(0, 0.6)区间内,此时传统汽车企业3种创新路径策略下的企业利润和积分达标情况如图8所示。

    图  8  企业利润和积分达标情况(情景1)
    Figure  8.  Corporate profit and Achievement of credits (scenario 1)

    在政策初期,由于企业的产量依然集中在燃油汽车业务,加之技术性能不高,所以累积了200万的负积分,其中平均燃料消耗量负积分占比95%,此时企业需要从外部市场去购买积分用以抵偿,这给企业带来了巨大的利润亏损。策略2通过对燃油汽车实行技术引进,避免了技术不确定性的风险,同时对新能源汽车技术的自主研发扩大了在新市场中的需求优势,利润损失程度将会小于策略1和策略3;当模型运行到第26年时,策略2率先实现积分达标,并且将剩余新能源汽车正积分用于出售,利润开始回升。

    在第20~27年,与策略1积分相比,新旧技术同时研发带来的不确定性导致策略3需要从外部市场额外购入156.1万积分抵偿,进而加大了策略3在模型前期的利润损失,延长了利润回升时间;但是从图8展示的长期利润和积分来看,策略3自主研发形成的市场需求优势逐渐弥补了技术不确定性带来的高风险,与策略1之间的利润差距从245.9万分缩小到112万分,可售出积分甚至高于策略145.8万分。

    在初始情景的基础上,扩大燃油汽车技术不确定性程度至(1.5,2),由图9可见,策略2对于燃油汽车技术的引进策略使其没有受到影响,在利润和积分方面依然遥遥领先。反观策略1、策略3的自主研发行为加剧了积分和利润的劣势,策略1需要从外部市场购买的积分变多,至第48年才稳定达标;累计企业利润损失从情景1下的5 232亿元 扩大到7 849亿元,利润回升时间也延长至第36年。策略3情况相似,但不同于情景1下对比策略1的先劣后优,此时策略3在利润和积分上长期优于策略1,且这一优势随着时间不断扩大。

    图  9  企业利润和积分达标情况(情景2)
    Figure  9.  Corporate profit and Achievement of credits (scenario 2)

    扩大新能源汽车技术不确定性程度至(0,0.5),图10展示了情景3下的企业利润和积分情况。由于策略2和策略3选择对新能源汽车技术进行自主研发,因此受到不确定性影响较大,尤其是在积分达标后技术性能的劣势导致2种策略能够出售的新能源汽车正积分明显减少,利润损失程度加深且回升速度缓慢。而策略1依赖技术引进策略避免了新能源汽车研发风险,虽然因为新能源汽车市场需求的劣势前期在利润上低于策略2,但是稳定的积分情况使其在模型后期利润快速回升,在第45年利润就反超了策略2,优势还随着时间不断扩大。

    图  10  企业利润和积分达标情况(情景3)
    Figure  10.  Corporate profit and achievement of credits (scenario 3)

    在情景4中,同时扩大新旧技术的技术不确定性程度,企业利润和积分情况如图11所示。显然,燃油汽车和新能源汽车研发风险的扩大对3种策略的积分和利润情况产生了较大的负面影响,尤其是策略3,需要长期从外部市场购买大量积分用以积分达标,企业利润亏损不仅高达8,798亿元,其利润回升时间节点也滞后到了第42年。策略2依然保持着较高的利润和积分领先,但是从第30年开始,策略2能够用于出售的正积分趋于平缓,甚至到模型后期逐渐低于策略1,这是因为策略2在平均燃料消耗量积分上的优势并不能转变为经济优势,但由于其在新能源汽车积分上的技术不确定性远低于策略1,体现在利润上模型后期策略1的回升幅度是三者中最大。

    图  11  企业利润和积分达标情况(情景4)
    Figure  11.  Corporate profit and Achievement of credits (scenario 4)

    双积分政策是我国激励汽车厂商技术创新,促进汽车行业从传统能源依赖型向新能源利用型转变的关键措施。传统汽车制造企业作为汽车行业的主要力量,亦是受政策影响最大的变革主体,在当前环境下进行技术创新是大势所趋。本文以2020年新修订的双积分政策为主要背景,以传统汽车企业为研究对象,模拟了3种具有代表性的技术创新路径策略。在此基础上考虑技术不确定性及其程度变化,深入分析燃油汽车和新能源汽车的研发风险对车企利润和积分的影响,为传统汽车制造企业决策提供理论支持,具体结论如下;

    新能源汽车技术不确定性主要影响企业能够用于出售的积分数量以及利润回升速度。因此,① 当燃油汽车技术不确定性程度较小,新能源汽车技术不确定性程度也较小时,对于在燃油车市场不占优势的传统车企而言,选择策略2集中现有资源转向新能源汽车自主研发能够在利润和积分上实现反超;对于长期主导燃油车市场的传统车企而言,前期选择策略1从外部引进新能源汽车技术能够有效降低企业利润损失,但是从长期来看策略3自主研发形成的市场需求优势可以弥补技术不确定性带来的高风险问题。② 当燃油汽车技术不确定性程度较小,新能源汽车技术不确定性程度较大时,如果企业前期能够承受一定的利润损失,那么策略1引进新能源汽车技术可以在后续帮助企业更快地实现盈利;反之选择策略2,利润损失可以控制在较小的范围内。③ 当新能源汽车技术不确定性程度较小,燃油汽车技术不确定性程度较大时。对于在传统燃油汽车市场不占优势的企业而言,策略2可以进一步拉开与其他企业在利润和积分上的差距;但不同的是对于主导传统燃油汽车市场的车企而言,此时选择策略3全面自主研发燃油车和新能源汽车技术,将在各个时期都更具备优势。④ 当新能源汽车技术不确定性程度较大,燃油汽车技术不确定性程度亦较大时。由于策略1和策略3下的积分难以达标,企业利润将长期处于巨额亏损的状态。此时无论车企情况如何,都建议以新能源汽车研发生产为主,燃油汽车业务跟随市场发展即可。

    本文重点探讨了双积分政策下传统汽车制造商的技术创新路径策略,并深入分析了燃油和新能源汽车的技术不确定性对企业决策的影响。但是在实际研究过程中,由于双积分政策机制复杂且存在诸多干扰因素,无论是模型还是参数设置,都依然存在着许多局限。比如,在本模型中只考虑了一类纯电动车以及燃油车车型,在市场需求的设置上排除了其他企业可能产生的竞争者,也未考虑积分和产品价格对企业生产研发策略的影响。在未来的研究中,可将这些内容作为双积分政策下的不确定性因素加以考虑。

  • 图  1   模糊控制系统动力学流程图

    Figure  1.   Flowchart of fuzzy control system dynamics

    图  2   研发投入隶属度函数

    Figure  2.   R&D investment affiliation function

    图  3   新能源汽车里程数隶属度函数

    Figure  3.   New energy vehicle mileage affiliation function

    图  4   平均燃料消耗量隶属度函数

    Figure  4.   Average fuel consumption affiliation function

    图  5   研发投入和里程数关系

    Figure  5.   Relationship between R&D investment and mileage

    图  6   研发投入和平均燃料消耗量关系

    Figure  6.   Relationship between R&D investment and average fuel consumption

    图  7   双积分政策下企业研发投入和绩效模型

    Figure  7.   R&D investment and performance model of enterprises under the dual-credit policy

    图  8   企业利润和积分达标情况(情景1)

    Figure  8.   Corporate profit and Achievement of credits (scenario 1)

    图  9   企业利润和积分达标情况(情景2)

    Figure  9.   Corporate profit and Achievement of credits (scenario 2)

    图  10   企业利润和积分达标情况(情景3)

    Figure  10.   Corporate profit and achievement of credits (scenario 3)

    图  11   企业利润和积分达标情况(情景4)

    Figure  11.   Corporate profit and Achievement of credits (scenario 4)

    表  1   模糊控制规则

    Table  1   Fuzzy control rules

    研发投入 里程数 平均燃料消耗量
    IF THEN AND
    极高
    下载: 导出CSV

    表  2   乘用车生产企业响应市场需求决策机制分析

    Table  2   Analysis of the decision-making mechanism of passenger car manufacturers in response to market demand

    市场情况 决策机制 市场因素调整值
    市场需求≥产量 市场需求<产量
    需求增幅<1-利用率 / 提高产能利用率 (需求-产量)/产能
    需求增幅≥1-利用率 / 提高产能利用率
    增加产能
    产能利用率提升至100%
    产能增幅:(需求-产能)/产能
    / 利用率<阈值 / 降低产能 产能-需求/利用率
    / 利用率>阈值 需求减幅<利用率-阈值 降低产能利用率 (产量-需求)/产能
    下载: 导出CSV

    表  3   关键变量数值

    Table  3   Values of key variables

    变量 数值/公式
    燃油车售价/万元 12
    新能源汽车售价/万元 20
    燃油车制造成本/万元 11
    新能源汽车制造成本/万元 17
    平均燃料消耗量达标值 5
    新能源汽车比例要求/% 18
    新能源汽车倍数 1.6
    研发系数 0.025
    积分市场价格/(万元·分–1 2
    新能源汽车单位车型积分 0.0056×新能源汽车里程数+0.4
    平均燃料消耗量实际值 平均燃料消耗量
    新能源汽车里程数/km 根据图5,设定初始值为130,采用表函数Vlookup以50单位为研发投入区间间隔,
    在系统动力学模型中构建研发投入和新能源汽车里程数二者变量之间的联系。
    平均燃料消耗量/(10–2 L·km–1) 根据图6,设定初始值为8.5,同理,采用表函数Vlookup以50单位为研发投入区间间隔,
    在系统动力学模型中构建研发投入和燃油汽车平均燃料消耗量二者变量之间的联系。
    注:表中涉及的政策规定参数,其数值按照2020年新修订双积分政策对2023年的要求设置。
    下载: 导出CSV

    表  4   差异化技术创新路径策略

    Table  4   Differentiated technology innovation path strategies

    变量 策略1 策略2 策略3
    燃油汽车市场需求 需求情况+(1–消费者技术偏好)×
    (8.5–平均燃料消耗量历史最大值))
    需求情况+(1–消费者技术偏好)×
    (8.5–平均燃料消耗量历史最大值)
    需求情况+(1–消费者技术偏好)×
    (8.5–平均燃料消耗量历史最大值)
    新能源汽车市场需求 需求情况+[(里程数历史最大值–
    130)/100]×消费者技术偏好(0.2)
    需求情况+[(里程数历史最大值–130)/100]×
    消费者技术偏好(0.8)
    需求情况+[(里程数历史最大值–130)/100]×
    消费者技术偏好(0.5)
    燃油汽车技术 自主研发 技术引进 自主研发
    新能源汽车技术 技术引进 自主研发 自主研发
    下载: 导出CSV

    表  5   技术不确定性情景设计

    变量 情景1(初始场景) 情景2 情景3 情景4
    $ {\boldsymbol{U}}\mathrm{_{NEV}} $ $ {\boldsymbol{U}}_{\mathrm{NEVS\mathrm{ }}} $(0.6,1) $ {\boldsymbol{U}}\mathrm{_{NEVS}} $(0.6,1) $ {\boldsymbol{U}}\mathrm{_{NEVL}} $(0,0.5) $ {\boldsymbol{U}}\mathrm{_{NEVL}} $(0,0.5)
    $ {\boldsymbol{U}}\mathrm{_{CAFC}} $ $ {\boldsymbol{U}}_{\mathrm{CAFCS}} $(1,1.2) ${\boldsymbol{ U}}\mathrm{_{CAFCL}} $(1.5,2) ${\boldsymbol{ U}}\mathrm{_{CAFCS}} $(1,1.2) $ {\boldsymbol{U}}\mathrm{_{CAFCL}} $(1.5,2)
    下载: 导出CSV
  • [1] 马国勇,石春生. 基于博弈矩阵模型的企业研发策略[J]. 统计与决策,2012,28(1):54-55.
    [2] 周圣强. 企业创新策略选择自主研发和技术引进[J]. 技术经济与管理研究,2017(3):18-23. DOI: 10.3969/j.issn.1004-292X.2017.03.004
    [3] 柴强飞,肖忠东,周光辉. 双积分政策下传统能源车企的策略选择研究[J]. 管理工程学报,2022,36(1):124-133.
    [4] 张悦,王晨阳,蔡立新. “能耗双控”目标下高耗能企业创新策略选择:自主研发抑或技术引进[J]. 经济与管理研究,2023,44(8): 89-108.
    [5]

    LI B,CHEN Y R,CAO S P. Carrot and stick:does dual-credit policy promote green innovation in auto firms?[J]. Journal of Cleaner Production,2023,403:136863. DOI: 10.1016/j.jclepro.2023.136863

    [6]

    MENG W D,MA M M,LI Y Y,et al. New energy vehicle R&D strategy with supplier capital constraints under China's dual credit policy[J]. Energy Policy,2022,168:113099. DOI: 10.1016/j.enpol.2022.113099

    [7] 卢超,闫俊琳. 考虑“双积分”交易的双寡头新能源车企研发博弈[J]. 工业技术经济,2019,38(1):67-73. DOI: 10.3969/j.issn.1004-910X.2019.01.009
    [8]

    MA M M,MENG W D,HUANG B,et al. The influence of dual credit policy on new energy vehicle technology innovation under demand forecast information asymmetry[J]. Energy,2023,271:127106. DOI: 10.1016/j.energy.2023.127106

    [9]

    CHEN F,WU B,LOU W Q,et al. Impact of dual-credit policy on diffusion of technology R & D among automakers:based on an evolutionary game model with technology-spillover in complex network[J]. Energy,2024,303:132019. DOI: 10.1016/j.energy.2024.132019

    [10] 王阳. 双积分政策下考虑双车型联合生产的研发投资策略[J]. 工业技术经济,2022,41(7):76-87. DOI: 10.3969/j.issn.1004-910X.2022.07.010
    [11] 王阳. 双积分政策下考虑市场进入方式的汽车供应链生产研发策略研究[J]. 软科学,2021,35(9):28-36.
    [12] 蒋开东,俞立平,霍妍. 企业自主研发与协同创新绩效比较研究:基于面板数据与非期望产出效率的分析[J]. 软科学,2015,29(2): :68-71, DOI: 10.13956/j.ss.1001-8409.2015.02.15.
    [13] 刘冬冬,董景荣,王亚飞. 行业特征、要素禀赋结构与技术进步路径选择:基于中国装备制造业的实证检验[J]. 科研管理,2017,38(9) :132-141.
    [14] 文玉春. 产业创新的路径选择:自主研发、协同创新或技术引进[J]. 山西财经大学学报,2017,39(2):47-57.
    [15]

    ZHOU X J,YANG S X,WANG G L. Impacts of knowledge spillovers and cartelization on cooperative innovation decisions with uncertain technology efficiency[J]. Computers & Industrial Engineering,2020,143:106395.

    [16]

    OUYANG J J,FU J. Optimal strategies of improving energy efficiency for an energy-intensive manufacturer considering consumer environmental awareness[J]. International Journal of Production Research,2020,58(4):1017-1033. DOI: 10.1080/00207543.2019.1607977

    [17]

    NG S T,XIE J Z,SKITMORE M,et al. A fuzzy simulation model for evaluating the concession items of public–private partnership schemes[J]. Automation in Construction,2007,17(1):22-29. DOI: 10.1016/j.autcon.2007.02.010

    [18]

    ZHONG Y,CHEN Z G,ZHOU Z,et al. Uncertainty analysis and resource allocation in construction project management[J]. Engineering Management Journal,2018,30(4):293-305. DOI: 10.1080/10429247.2018.1492269

    [19]

    KHANZADI M,NASIRZADEH F,ALIPOUR M. Integrating system dynamics and fuzzy logic modeling to determine concession period in BOT projects[J]. Automation in Construction,2012,22:368-376. DOI: 10.1016/j.autcon.2011.09.015

    [20] 唐金环,杨芳,徐家旺,等. 双积分制下考虑消费者偏好的二级汽车供应链生产与定价问题研究[J]. 工业工程与管理,2021,26(1):121-129.
    [21] 周钟,陈嘉辉,陈智高. 考虑需求刺激的双积分政策效果研究:基于SD建模的多情景分析[J]. 系统工程,2022,40(2):60-69.
    [22] 程永伟,穆东. 双积分制下汽车生产商生产决策优化[J]. 系统工程理论与实践,2018,38(11):2817-2830. DOI: 10.12011/1000-6788(2018)11-2817-14
    [23]

    ZHANG B,XU L. Multi-item production planning with carbon cap and trade mechanism[J]. International Journal of Production Economics,2013,144(1):118-127. DOI: 10.1016/j.ijpe.2013.01.024

    [24]

    DU S F,HU L,SONG M L. Production optimization considering environmental performance and preference in the cap-and-trade system[J]. Journal of Cleaner Production,2016,112:1600-1607. DOI: 10.1016/j.jclepro.2014.08.086

    [25]

    PENG L G,LI Y,YU H. Effects of dual credit policy and consumer preferences on production decisions in automobile supply chain[J]. Sustainability,2021,13(11):5821. DOI: 10.3390/su13115821

    [26]

    LI Y M,ZHANG Q,LIU B Y,et al. Substitution effect of new-energy vehicle credit program and corporate average fuel consumption regulation for green-car subsidy[J]. Energy,2018,152:223-236. DOI: 10.1016/j.energy.2018.03.134

    [27]

    MA M M,MENG W D,LI Y Y,et al. Impact of dual credit policy on new energy vehicles technology innovation with information asymmetry[J]. Applied Energy,2023,332:120524. DOI: 10.1016/j.apenergy.2022.120524

    [28] 黎珊. 营业收入与研发投入相互依赖关系研究:基于科创板上市公司的实证分析[J]. 经济研究导刊,2020(36): 47-51.
    [29] 李芳,董天浩. 双积分政策下考虑电耗、新能源偏好的决策研究[J]. 系统仿真学报,2024,36(7):1596-1608.
    [30] 中国汽车流通协会乘用车市场信息联席分会. 奥迪与上汽集团联合开发新平台启动[EB/OL]. (2024-05-21)[2025-04-25]. http://cpcaauto.com/newslist.php?types=news&;id=12314.
    [31] 中国汽车流通协会乘用车市场信息联席分会. 简析比亚迪停产燃油车[EB/OL]. (2022-05-10)[2025-04-25]. http://cpcaauto.com/newslist.php?types=bgzl&;id=1086.
    [32] 中国汽车流通协会乘用车市场信息联席分会. 2024年9月份全国乘用车市场分析[EB/OL]. (2024-10-12)[2025-04-25]. http://cpcaauto.com/newslist.php?types=csjd&;id=3619.
    [33] 林志炳,蔡伟军. 考虑技术效率不确定的风险规避制造商的绿色技术创新策略[J]. 计算机集成制造系统,2025,31(1):316-329.
图(11)  /  表(5)
计量
  • 文章访问数:  56
  • HTML全文浏览量:  27
  • PDF下载量:  79
  • 被引次数: 0
出版历程
  • 收稿日期:  2024-10-14
  • 网络出版日期:  2025-05-07
  • 刊出日期:  2025-06-29

目录

/

返回文章
返回