EN中文

Economic geography >

2021 , Vol. 41 >Issue 7: 109 - 118

DOI: https://doi.org/10.15957/j.cnki.jjdl.2021.07.012

Network Patterns and Influence Factors of New Energy Vehicle Trade Along the Countries of the Belt and Road

  • CONG Haibin , 1 ,
  • ZOU Deling , ※ ,
  • GAO Bo 1 ,
  • SHAO Jinling 1
Expand
  • 1. Business School，Ningbo University，Ningbo 315211，Zhejiang，China
  • 2. College of International Economics & Trade，Ningbo University of Finance & Economics，Ningbo 315175，Zhejiang，China

Received date: 2020-10-09

  Revised date: 2020-11-30

  Online published: 2025-03-31

Fold

Abstract

This article uses social network analysis to analyze the structural characteristics and influencing factors of the new energy vehicle trade network in the countries of "the Belt and Road". The research shows that: 1) The network density and relevance of new energy vehicle trade are relatively high in the countries of "the Belt and Road",with excellent connectivity and great trade potential; 2) In this network,China plays a central and "middleman" role in promoting the trade of new energy vehicles among countries. At the same time,some countries in Central and Eastern Europe,West Asia and Southeast Asia are the important network nodes,and some countries in Central Asia,South Asia and West Asia are at the edge of the trade network; 3) The entire trade network is divided into four sections,which are mainly inward trade,outward trade and two-way trade. There is no broker section,which reflects the excellent reciprocity of the trade network; 4) The difference of economic development level has a significant positive effect on the establishment of new energy vehicle trade relations,and the difference in lithium battery trade and whether it is a neighboring country have a significant positive effect on the relationship establishment of new energy vehicle trade and trade intensity,similar business convenience index, logistics performance index,tariff level,fuel trade level and geographic distance are conducive to establishing new energy vehicle trade links and increasing trade intensity among countries.

Key words： the Belt and Road Initiative; new energy vehicle trade; social network analysis; logistics performance index; lithium battery trade; trade network

Cite this article

CONG Haibin , ZOU Deling , GAO Bo , SHAO Jinling . Network Patterns and Influence Factors of New Energy Vehicle Trade Along the Countries of the Belt and Road[J]. Economic geography, 2021 , 41(7) : 109 -118 . DOI: 10.15957/j.cnki.jjdl.2021.07.012

随着“一带一路”合作倡议的不断深化推进，中国与“一带一路”沿线国家间的合作伙伴关系越来越紧密，各国充分发挥自身资源禀赋差异化优势，努力实现与其他国家间的经济互补性发展，拓展合作深度和广度。而在全世界可持续发展以及科学技术迅猛发展的新时代宏观背景下，如何实现环境保护与社会发展之间的和谐共进，已经成为全球治理的重要共同议题。其中，清洁能源的大力开发应用在实现节能减排、保护不可再生资源方面意义重大。由此，作为未来汽车工业发展的重要方向，加速传统汽车工业向新能源汽车转型升级，成为可持续发展的重要抓手。据统计，2015—2019年，全球新能源汽车总销量从54.9万辆增加至220万辆，年均增长率高达32%，为同时期全球汽车总销量年均增速（1.72%）的18.6倍。2019年全球新能源汽车占汽车销量比重达到2.5%，根据2019年摩根大通发布的《全球汽车行业研究报告》预测，2025年全球新能源汽车普及率将达到7.7%，销量达3 360万辆。作为战略性新兴产业，新能源汽车具备节能环保、低使用成本、智慧互联等特点，其市场保有量的提升对全球节能减排和各国能源安全均具战略意义。据测算，电动车对比常规汽油动力汽车每百公里减少硫排放5.2 kg，减少硝排放22.8 kg；每20万km节约4.2 t标准煤，减少10.3 t CO2气体排放[1]。我国汽车“国六”排放标准于2020年7月1日起正式执行，在《汽车产业中长期发展规划》中要求新乘用车的平均燃料消耗量在2020年降至5.0 L/100 km、节能型汽车4.5L//100 km以下。面对节能环保和能源安全等问题，提升新能源汽车保有量和市场占比是实现可持续发展的重要路径。
当前，世界新能源汽车产销格局表现为以中国、欧洲、美国、日本为首的“多极化”分布形势，在“‘一带一路’倡议”背景下，中国汽车产业在推进供给侧结构性改革中取得较大进展。其中，发展新能源汽车已经成为中国由汽车大国迈向汽车强国的重要标志之一。中国新能源汽车产销总量和保有量均占到全球50%以上。随着国内市场趋于饱和以及新能源补贴政策逐步退出，中国新能源车企亟需开拓和发展海外市场。美国、德国、日本等汽车强国凭借完善的充电配套设施和新能源购车补贴政策，成为中国新能源汽车的重要出口市场和中国车企走出去的第一站。但贸易制裁加剧，让原本低价薄利的中国新能源汽车在发达国家市场举步维艰。随着“‘一带一路’倡议”的持续推进，沿线国家间物流渠道和各国基础设施建设得到改善，“一带一路”沿线市场逐步成为中国新能源汽车出口的重要转移市场。根据联合国贸易数据库的数据统计，2018年中国与“一带一路”沿线国家新能源汽车进出口贸易总额达到1.8亿美元，同比增幅达52%，占中国新能源汽车总出口额的26.4%。深化“一带一路”沿线国家间新能源汽车贸易合作，有利于开拓和发展中国新能源汽车海外市场，加速中国新能源车企海外产业布局，构建中国新能源汽车海外贸易网络，形成中国新能源汽车国际贸易“新渠道”“新动能”和“新局面”。
关于新能源汽车生产技术方面，外国学者更多地将关注点放在技术方面。Anne Marit Hansen指出以德国为代表的欧洲制造业强国在混合动力汽车和纯电动汽车领域掌握核心技术，这些国家在已具备独特竞争优势的条件下应把新能源汽车产业作为战略发展基点[2]。国内谢志明等根据TRIZ技术进化理论，系统探究新能源汽车的技术进化路径，分析中国新能源汽车产业关键技术以及预期的实现时间[3]。许多学者将新能源汽车作为科技进步的产物，主要研究其未来发展及整体市场表现。孙华平等采用动态博弈方法，系统研究了新能源汽车产业中基于产业链的纵向一体化企业和纯上游研发企业专利池的形成机制[4]。王宏起等根据创新生态系统理论，采用案例研究方法，系统探究了新能源汽车创新生态系统演进机理[5]。
关于新能源汽车发展影响因素方面。Shahla Asadi等对影响消费者购买使用电动汽车等新能源汽车的因素进行了研究，认为消费者的价值感知、感知效力、选择新能源汽车的主观规范以及对新能源汽车重要性的认识均积极地影响了新能源汽车的消费市场[6]。Hugo Briseño等基于墨西哥32个州的可用数据，使用计量分析和线性回归模型来确定与混合动力汽车和电动汽车销售相关的重要因素。研究发现，这些车辆的销售与人均GDP、电力消耗成本、汽油价格以及为可持续性实践定义的指标变量成正相关关系[7]。此外，政府在促进新能源汽车普及发展方面作用显著。Hasishi Ishitani从“政企相结合”的模式切入，综合论述了日本可充电式混合动力汽车的整体发展[8]。Amble较全面地分析了近年来包括政府政策、立法保障等美国新能源汽车的发展过程，并建议在世界建立起统一的新能源汽车生产安全标准，以建立门槛过滤竞争力不足的企业，促进行业健康发展[9]。张海斌等通过研究政府激励对于新能源销售企业的绩效回馈，得出政府应采取适度原则，运用动态补贴模式在多周期过程中提升新能源汽车市场的整体需求规模[10]。李苏秀等从国家政策层面上分析得出，现有的政策体系对新能源汽车产业链的各个环节基本实现了全覆盖，而政策支持力度的增加与行业整体发展呈正相关关系[11]。Roshanak Azarafshar等对2012年9月至2016年12月，政府采取的激励措施对加拿大各省电池和插电式电动汽车销售的影响，结果显示，安大略、魁北克和不列颠哥伦比亚省对消费电动汽车奖励增加了1 000加元，导致新电动汽车的销售平均增加了5％~8％[12]。环境因素更是成为影响新能源汽车市场前景广阔的重要因素。Abbas Ghandi等评估了全球电动汽车部署方案及其对全球总CO2的排放影响，发现全球轻型汽车的存量将从2015年的11亿辆增加到2050年的16.5~17.5亿辆，而全球电动车的存量将从2015年的约100万辆增加到2050年的约5.85~8.25亿辆。在这种市场渗透水平下，到2050年，在不同情况下，电动汽车将占整个LDV规模的1/3至一半。在研究期间，中国、美国和欧洲仍是最大的市场，但预计电动汽车在所有地区的存量都会增加。到2050年，全球LDV汽车将增长约50％，而相应的CO2与2015年相比，LDV的排放量到2050年将减少约50％。2015—2050年，LDV的全球碳强度将减少约70％[13]。
关于贸易网络的研究方面，国内外学者从不同角度对贸易网络普遍规律进行了探索[14⇓⇓-17]，但是相关研究都不是针对新能源汽车进行的。魏素豪通过对中国与“一带一路”国家组成的农产品贸易网络的研究，得出其关联紧密、等级鲜明却又整体交叉复杂的特征。对于各国在贸易网络中所处的地位，可以归纳为内向型、外向型、双向型，而人们惯常认为的“资源禀赋差异”等因素并不会显著影响国家间农产品贸易网络关系，“相邻效应”等才是核心影响因素[18]。王璐等更深一步对“一带一路”沿线国家农产品贸易网络关系进行了量化分析，从凝聚子群的组团情况建立了区域“核心+半边缘+边缘”空间圈层结构特征[19]。Paolo Giudici等对33个亚洲经济体以及美国、欧盟和英国的月度商品进出口数据进行了动态贸易网络绘制。结果显示，中国和日本在这一网络结构中占据中心节点位置，且两国对亚洲不同发展时期的经济波动影响较大[20]。Nikolaos E. Petridis等利用网络分析方法对世界上175个国家/地区废弃电子电气设备贸易进行了研究，并得出，彼此之间的距离、物流的连续性、是否使用同种货币、殖民地关系、语言共通性以及CO2排放标准及水平的差异显著影响贸易网络国家的参与程度[21]。
综上，目前国际上针对新能源汽车的相关研究较为丰富，对贸易网络的研究也不少，但新能源汽车的研究主要侧重在对于其未来市场发展影响因素的分析上，而针对贸易网络的研究主要集中在大宗商品、服务贸易等领域，将新能源汽车贸易网络作为对象的研究鲜见。由此，为深化“一带一路”沿线国家新能源汽车贸易合作，加速中国新能源车企海外布局，形成中国新能源汽车国际贸易“新渠道”“新动能”和“新局面”，亟需深化“一带一路”沿线国家间新能源汽车的贸易关系、贸易网络格局及贸易影响因素研究。

1 研究对象、研究方法与数据来源

1.1 新能源汽车研究范围界定

目前，新能源汽车泛指所有不单纯使用传统化石燃料作为动力来源的汽车。具体而言，采用太阳能、电能、氢能及生物燃料等作为部分或全部动力来源的汽车类型都可归类为新能源汽车。
目前国内主流定义判断标准主要参考中国工信部于2009年发布的《新能源汽车生产企业及产品准入管理规则》：新能源汽车是指采用非常规的车用燃料作为动力来源（或使用常规的车用燃料、采用新型车载动力装置），综合车辆的动力控制和驱动方面的先进技术，形成的技术原理先进、具有新技术、新结构的汽车。新能源汽车包括纯电动汽车（BEV，包括太阳能汽车）、混合动力汽车（HEV）、燃料电池电动汽车（FCEV）、氢发动机汽车（HICEV）、其他新能源（如高效储能器、二甲醚）汽车等各类别产品。
查阅海关HS编码后，本文将新能源汽车车型研究范围设定为海关HS第87章的870220~870240和870340~870380。具体汽车种类的定义及对应海关编码见表1。
表1 新能源汽车海关HS编码分类及定义表

Tab.1 Customs HS code classification and definition of new energy vehicle

海关编码 产品定义
870220 同时装有压燃式活塞内燃发动机（柴油或半柴油发动机）及驱动电动机的客车
870230 同时装有点燃往复式活塞内燃发动机及驱动电动机的客车
870240 仅装有驱动电动机的客车
870340 同时装有点燃往复式活塞内燃发动机及驱动电动机的其他车辆，可通过接插外部电源进行充电的除外
870350 同时装有压燃式活塞内燃发动机（柴油或半柴油发动机）及驱动电动机的其他车辆，可通过接插外部电源进行充电的除外
870360 同时装有点燃往复式活塞内燃发动机及驱动电动机、可通过接插外部电源进行充电的其他车辆
870370 同时装有压燃式活塞内燃发动机（柴油或半柴油发动机）及驱动电动机、可通过接插外部电源进行充电的其他车辆
870380 仅装有驱动电动机的其他车辆

注：数据整理自中国海关。

1.2 新能源汽车贸易网络构建

以新能源汽车贸易国家作为节点，各国跨国贸易关系作为边，构建“一带一路”沿线国家①新能源汽车贸易网络模型，记为G，并作如下定义：
G = N , E , A , W , T
式中：N表示所有贸易网络节点（国家）的集合；E表示贸易网络中所有边（国家间贸易联系）的集合；A表示贸易网络中所有节点的属性（贸易网络中任一国家的贸易联系数）的集合；W表示贸易网络所有边的属性（任意两个国家之间进出口贸易总额）的集合；T表示所有年份贸易网络的集合。

1.3 网络结构测度指标

1.3.1 网络密度和关联度

网络密度主要考察网络中不同节点之间所建立联系的多寡，能够客观真实地反映网络内实际发生联系的节点数量在所有网络成员所建立联系中的比例。如果该比例较高，说明该网络的密度较大，节点之间的联结越多；否则，网络密度较小，节点之间的联结也较少，网络密度取值范围为[0,1]。网络密度D的表达式为：
D = 2 m n ( n - 1 )
式中：m表示实际联系总量（个）；n为节点总数（个）。
关联度是指各网络节点相互联系的程度，主要测量网络本身的凝聚力与稳健性。关联度越高的网络结构，其行动者越平等、权力和信息越分散、个别节点的影响性越小，即形成了均匀结构[22]。关联度 C n的计算公式可以表示为：
C n = 1 - I i n × n - 1 / 2
式中： I i表示 n × n的网络中不可达的点对数目（对）；n为节点总数（个）。

1.3.2 中心性

通常网络分析对中心性的考察可分为“度数中心度”“中间中心度”和“接近中心度”3个指标，用以多角度分析贸易网络中各节点国家的作用和地位。

1.3.3 核心边缘结构

核心边缘结构分析主要通过对核心、半边缘与边缘区域的划分，整个网络结构呈现出核心紧密相连，边缘稀疏分散的结构。本文采用Ucinet中的Core & Periphery算法对新能源汽车贸易网络中的核心边缘结构进行划分，将核心度小于0.05的国家定为边缘国，核心度处于0.05~0.10之间的国家定为半边缘国，核心度大于0.1的国家归为核心国。

1.3.4 块模型

块模型研究网络板块分布情况及各板块的属性特征，具体测算可通过Ucinet6中的Concor项实现。借鉴种照辉等[23]的研究成果，综合板块内部贸易关系比例以及某板块对其他板块进出口贸易情况两方面，将贸易网络划分为4个板块（表2）。
表2 块模型的板块分类方法

Tab.2 Block classification method of block model

板块内部贸易关系比例 该板块对其他板块出、进口贸易量之比
I k , e / I k , i ≥ 1 I k , e / I k , i 1
I k / I k , t ≥ ( n k - 1 ) / ( n - 1 ) 双向贸易板块 内向贸易板块
I k / I k , t ( n k - 1 ) / ( n - 1 ) 外向贸易板块 经纪人板块
表2中：n为节点总数（个）； n k表示贸易板块k内的节点数； I k表示板块k内部节点间的贸易总量； I k , t表示板块k在整体贸易网络中的贸易总量； I k , g表示板块k对其他板块的出口贸易量； I k , i表示板块k对其他板块的进口贸易总量； n k - 1 / n - 1表示板块k内部贸易关系占整体比例的期望。

1.4 数据来源

本文所用新能源汽车进出口贸易数据的获取主要通过联合国商品贸易统计数据库（UN COMTRADE）实现。鉴于部分国家数据存在缺失，本文选择56个“一带一路”沿线国家构建2018年度新能源汽车加权无向贸易网络，如图1所示。图中，节点代表贸易参与国，连边表示两国之间新能源汽车进出口贸易总额（两国报告的数据相悖时取其均值），边的粗细代表贸易量的大小。由图1可见，中国、土耳其、匈牙利、斯洛伐克、立陶宛、阿联酋、泰国、新加坡等国对“一带一路”沿线国家的新能源汽车贸易流量较大，占据相对中心位置，属于贸易网络中影响力和控制力均较高的网络节点。
图1 2018年“一带一路”沿线国家新能源汽车贸易网络拓扑结构图

Fig.1 Topology map of new energy vehicle trade network along the countries of the Belt and Road in 2018

2 “一带一路”沿线国家新能源汽车贸易网络格局分析

2.1 网络密度与关联度测度

贸易邻接矩阵经由UCINET6软件的网络密度模块和可达性模块计算，得到2018年沿线国家新能源汽车贸易网络的节点数（56）、节点间连线数（273）、网络整体密度（0.18）和关联度（1）。2018年贸易网络总连线数达到273条，测算得到网络密度为0.18。其中，中国与50个沿线国家形成新能源汽车贸易连线，仅未与阿富汗、亚美尼亚、不丹、黑山和阿曼5个国家形成新能源汽车贸易联系。这说明目前在该网络56个节点可能组成的连线中，实际组成的273条连线占比为0.18。虽然理论上网络密度最大值为1，但实际中发现的最大网络密度在0.5左右，本文中0.18的密度相对还是处于偏弱的水平。但是网络节点之间的关联度达到1的水平，说明现有节点所建立起的网络虽然密度不高，但是彼此之间的联系程度是很强的，具有较高的稳定性。
整体来看，“一带一路”沿线国家新能源汽车贸易网络密度值仍处于低位，尚存较大拓展空间。一方面，由于目前全球新能源汽车产业专利和主要产销渠道仍聚集于传统汽车工业强国，如日本、美国、德国等发达国家，而“一带一路 ”沿线国家大多是发展中国家，产业结构相对落后，国际物流通道陈旧，新能源产业配套基础设施还非常不完善，限制了新能源汽车贸易有效开展。另一方面，“一带一路”沿线国家新能源汽车产业链和消费市场大多处于新兴发展阶段，尚不具备较高国际竞争力的产销能级，供给与消费两方面都限制了新能源汽车产业的蓬勃发展。不过随着近年来沿线各国对新能源汽车产业的政策倾斜，丝绸之路经济带基础设施建设的逐步完善和新能源汽车早年专利的逐步失效，沿线国家间新能源汽车贸易网络的加强具有极大提升空间。

2.2 中心性分析

通过对“一带一路”沿线国家新能源汽车贸易网络三项中心度的测算，得到2018年排名前十位的贸易网络中心性指标国家（表3）。
表3 2018年“一带一路”沿线国家新能源汽车贸易网络中心性指标排名前十的国家

Tab.3 Top 10 countries according to the central indicators of new energy vehicle trade network in the Belt and Road in 2018

度数中心度 接近中心度 中间中心度
国家 指标值 国家 指标值 国家 指标值
中国 0.91 中国 0.92 中国 0.52
土耳其 0.44 土耳其 0.64 阿联酋 0.15
阿联酋 0.43 阿联酋 0.64 土耳其 0.07
斯洛伐克 0.39 斯洛伐克 0.61 印度 0.05
捷克 0.31 新加坡 0.58 斯洛伐克 0.04
泰国 0.31 捷克 0.57 泰国 0.03
匈牙利 0.30 罗马尼亚 0.57 新加坡 0.03
新加坡 0.30 印度 0.57 立陶宛 0.02
立陶宛 0.28 泰国 0.56 捷克 0.01
罗马尼亚 0.26 匈牙利 0.56 斯洛文尼亚 0.01

注：经Ucinet6软件计算得到。表4、表6~表8同。

总体来看，中国、土耳其、立陶宛、匈牙利、斯洛伐克、泰国、伊朗均列席2018年的三项中心度统计表中前十位，充分说明这7个国家在“一带一路”沿线国家新能源汽车贸易网络中的重要节点位置，具有较高的通达度、连接度。具体而言：
①2018年，中国分别以0.91、0.92和0.52的绝对领先优势占据度数中心度、接近中心度和中间中心度的首位，表明中国在沿线国家新能源汽车贸易网络中处于绝对中心地位，不仅发挥着最重要的“中间人”和“桥梁”作用，同时也保持了最高的贸易渗透度和话语权，充分体现中国“一带一路”倡议对沿线国家新能源汽车贸易的推动作用。
②中东欧的汽车代工厂立陶宛、匈牙利、斯洛伐克等国，南亚的人口科技大国印度，西亚的资源强国土耳其、阿联酋等国均在贸易网络中表现出较高的中心度，反映出“一带一路”新能源汽车贸易发展强劲、高度融通，具有不同优势的国家有更多参与度和话语权。
③中亚的塔吉克斯坦、乌兹别克斯坦，西亚的卡塔尔、阿曼、亚美尼亚，以及南亚的不丹等国家，因为经济发展水平落后、物流基础设施薄弱、贸易通达度较低等，处于新能源汽车贸易网络中较为边缘的位置。

2.3 核心—边缘结构分析

运用 Ucinet6核心—边缘连续模型，测算得到2018年沿线国家新能源汽车贸易网络的核心度，排名前十位国家见表4。统计来看，核心国家有23个，占比为42%；边缘国家为10个，占比为18.2%，且其主要是位于中亚、南亚和西亚的部分国家，这些国家在新能源汽车贸易链和产业链中的参与度存在极大的提升空间。
表4 2018年“一带一路”沿线国家新能源汽车贸易核心度排名前十的国家

Tab.4 Top 10 countries according to the core degree of new energy vehicle trade along the Belt and Road in 2018

国家 核心度 国家 核心度
中国 0.470 阿联酋 0.205
土耳其 0.268 罗马尼亚 0.202
斯洛伐克 0.259 斯洛文尼亚 0.178
捷克 0.222 乌克兰 0.178
匈牙利 0.221 保加利亚 0.177
从核心度来看，处于核心层次的国家比较稳定，2018年的沿线新能源汽车贸易核心国家中，中国以0.47的核心度排名第一，证明中国在沿线贸易国家中的核心地位。其余列席核心国的22个国家分别为土耳其、匈牙利、斯洛伐克、以色列、立陶宛、捷克、罗马尼亚、斯洛文尼亚、保加利亚、乌克兰、俄罗斯、印度、泰国、希腊、爱沙尼亚、塞尔维亚、约旦、白俄罗斯、阿联酋、新加坡、缅甸和克罗地亚。其中，新加坡、缅甸和克罗地亚三国近年逐步在新能源汽车贸易领域发力，而伊朗受美国贸易制裁抑制，核心度低于合理预期。

2.4 块模型分析

选择2和0.2为最大分割深度和收敛标准，进行块模型分析（表5）。板块一的国家有6个，分别为立陶宛、斯洛伐克、捷克、土耳其、白俄罗斯、拉脱维亚。板块一国家对其它板块国家新能源汽车出口为46.076亿美元，从其它板块国家进口为4.784亿美元，对其它板块绝对出口与进口贸易总量之比为9.63，大于1，内部贸易量占内外总贸易量的比例为9.41%，期望比例为9.3%，实际比例大于期望比例，板块一表现为双向贸易板块，即在产业内贸易中，对板块内外的别国贸易均有溢出效应。板块二的国家有16个，包括约旦、克罗地亚、黑山、爱沙尼亚、希腊、塞尔维亚、匈牙利、波黑、斯洛文尼亚、伊朗、保加利亚、以色列、乌克兰、阿联酋、塞浦路斯、罗马尼亚。板块二国家对其它板块国家新能源汽车出口为7.217亿美元，从其它板块国家进口为4.022亿美元，对其它板块国家绝对出口与进口贸易总量之比为1.8，比值大于1，内部贸易量占内外总贸易量的比例为35.78%，期望比例为27.8%，实际比例大于期望比例，板块二国家也表现为双向贸易板块。板块三的国家有22个，包括文莱、马尔代夫、不丹、阿尔巴尼亚、菲律宾、印度尼西亚、格鲁吉亚、新加坡、印度、蒙古、斯里兰卡、尼泊尔、泰国、柬埔寨、哈萨克斯坦、卡塔尔、乌兹别克斯坦、越南、阿塞拜疆、孟加拉国、巴基斯坦、缅甸。板块三国家对其它板块国家新能源汽车出口为1.403亿美元，从其它板块国家进口为9.158亿美元，对其它板块国家绝对出口与进口贸易总量之比为0.2，比值小于1，内部贸易量占内外总贸易量的比例为86.72%，期望比例为38.9%，实际比例大于期望比例，板块三表现为内向贸易板块，即板块内部贸易联系紧密，外部贸易联系较弱。板块四的国家有11个，包括中国、阿富汗、吉尔吉斯斯坦、亚美尼亚、沙特阿拉伯、马来西亚、伊拉克、科威特、俄罗斯、阿曼、黎巴嫩。板块四国家对其它板块国家新能源汽车出口为13.89亿美元，从其它板块国家进口为0.356亿美元，对其它板块国家出口与进口贸易量比值为39，比值大于1，内部贸易量占内外总贸易量的比例仅为2.5%，期望比例为18.5%，实际比例远小于期望比例，板块四表现为外向贸易板块，即板块外部贸易联系紧密，内部贸易联系较弱。另外，并无国家处于经纪人板块内。
表5 贸易网络各板块贸易关系特征

Tab.5 Characteristics of trade relations in each section of the trade network

板块 期望的内部
关系比例（%）		 实际内部关
系比例（%）		 对其他板块出口
与进口贸易量比		 板块类型
板块一 9.30 9.41 9.63 双向贸易板块
板块二 27.80 35.78 1.80 双向贸易板块
板块三 38.90 86.72 0.20 内向贸易板块
板块四 18.50 2.50 39.00 外向贸易板块

注：根据联合国贸易数据库数据整理计算得到。

3 “一带一路”沿线国家新能源汽车贸易网络影响因素分析

3.1 QAP 回归分析法

QAP回归分析法可以有效比较任何两个变量之间的相关性系数，通过对数据进行多次置换并回归，得到相关系数的取值范围，从而对显著性进行判断。

3.2 变量选取

3.2.1 有偏变量

采用“一带一路”沿线56个国家之间新能源汽车进出口贸易总额的差值矩阵作为加权回归的有偏变量，即加权无向贸易网络；经由对分处理后得到贸易关系邻接矩阵作为无权回归的有偏变量，即无权无向贸易网络。

3.2.2 无偏变量

从经济发展水平、制度因素、相关支持产业、交通物流因素四个维度综合分析沿线国家新能源汽车贸易网络的影响因素。
①经济发展水平。鉴于经济发展水平会对国际贸易的发生和贸易额产生一定影响，选取国内生产总值差值矩阵（GDP）作为无偏变量。各国GDP数据获取自世界银行数据库。
②制度因素。国家法律、制度和营商环境直接影响国家间贸易开展，因此选取关税水平差值矩阵（Duty）和营商便利指数差值矩阵（Busi.I）作为无偏变量，营商便利指数反映政策环境对于企业经营与贸易的便利程度。两项数据均获取自世界银行数据库。
③相关支持产业。鉴于相关支持产业发展水平和贸易开展会影响新能源汽车进出口贸易，选取沿线国家间燃料出口贸易差值矩阵（Fuel.T）和车用锂电池贸易差值矩阵（Lith.T）作为考察相关产业影响的无偏变量。两项数据均获取自联合国贸易数据库。
④交通物流因素。物流水平、地理距离、边界接壤可能是影响国际贸易发生与否和贸易强度的重要因素，选取物流绩效指数差值矩阵（Log.I），各国首都之间的球面地理距离差值矩阵（Dist），国家是否接壤0-1邻接矩阵（Contig）作为无偏变量，两国接壤则设变量为1，反之则设为0。物流绩效指数由世界银行等机构联合研究测算得到，反映一国在清关、运输、基础设施等方面的物流综合水平。物流绩效指数数据获取自世界银行数据库，国家间地理距离和是否接壤数据获取自CEPII数据库。

3.3 模型构建

基于前文理论分析，构建本文新能源汽车贸易网络的实证模型如下：
G = f G D P , D u t y , D i s t , C o n t i g , F u e l . T ,   L i t h . T ,   B u s i . I ,   L o g . I
式中：G表示沿线国家新能源汽车贸易网络无向矩阵；GDP表示沿线各国之间的GDP差值矩阵；Duty表示沿线各国之间的关税水平差值矩阵；Dist表示各沿线国家首都之间的球面地理距离矩阵；Contig是用于体现沿线国家间是否边界接壤的0-1邻接矩阵；Fuel.T表示各国燃料出口总额的差值矩阵；Lith.T表示各国车用锂电池贸易总额的差值矩阵；Busi.I表示营商便利指数差值矩阵；Log.I表示物流绩效指数差值矩阵。

3.4 数据来源与说明

选取2018年“一带一路”沿线56个国家相关数据进行加权无向、无权无向QAP分析。各无偏变量的原始数据获取自联合国贸易数据库、CEPII数据库、世界银行数据库。为消除数据量纲的影响，本文在进行QAP分析前使用Ucinet软件的数据标准化功能对所有无偏变量矩阵进行了标准化处理。

3.5 实证结果分析

3.5.1 QAP相关分析与检验

由Ucient6软件对相关数据进行5 000次随机置换，经由贸易网络关系矩阵与各单一无偏变量矩阵QAP相关分析，得到各无偏变量矩阵与无权贸易网络的相关分析结果，其中相关系数均为标准化后得到的数值，显著性水平通过显著性检验（表6）。观察分析发现，贸易网络关联关系矩阵与GDP差值矩阵、关税水平差值矩阵、国家首都地理距离差值矩阵、是否为接壤国0-1邻接矩阵、燃料出口额差值矩阵、锂电池贸易额差值矩阵、物流绩效指数差值矩阵及营商便利指数差值矩阵间均存在显著关联关系。为消除无偏变量间多重共线性问题，运用QAP回归分析研究各无偏变量对贸易网络关联强度的影响。
表6 无权无向贸易网络QAP相关分析结果

Tab.6 QAP related analysis results of unauthorized and undirected trade network

变量名称 标准化相关系数 显著性水平 相关系数均值 标准差 最小值 最大值 P≥0 P≤0
GDP 0.451 0.001 -0.000 0.079 -0.088 0.464 0.001 0.999
Duty -0.131 0.003 0.000 0.070 -0.147 0.333 0.997 0.003
Dist -0.153 0.008 0.002 0.054 -0.205 0.182 0.992 0.008
Contig 0.271 0.000 0.000 0.029 -0.085 0.126 0.000 1.000
Fuel.T -0.119 0.008 -0.001 0.065 -0.160 0.281 0.993 0.008
Lith.T 0.391 0.000 -0.000 0.059 -0.199 0.197 0.000 1.000
Log.I -0.037 0.036 0.000 0.056 -0.146 0.205 0.964 0.036
Busi.I -0.075 0.073 0.000 0.058 -0.149 0.211 0.927 0.073

3.5.2 QAP回归分析

运用Ucinet6软件对“假设检验”项下“MRQAP”回归项进行5 000次随机置换，得到“一带一路”沿线国家新能源汽车贸易网络影响因素无权无向和加权无向QAP回归分析结果（表7、表8）。
表7 无权网络QAP回归结果

Tab.7 QAP regression results of unauthorized network

变量名称 模型1 模型2 模型3 模型4 模型5 模型6 模型7
GDP 0.373***（0.001） 0.353***（0.001） 0.354***（0.000） 0.352***（0.000） 0.354***（0.000） 0.354***（0.000） 0.352***（0.000）
Lith.T 0.291***（0.000） 0.269***（0.000） 0.253***（0.000） 0.242***（0.000） 0.239***（0.000） 0.237***（0.000） 0.238***（0.000）
Contig 0.172***（0.000） 0.176***（0.000） 0.178***（0.000） 0.178***（0.000） 0.178***（0.000） 0.178***（0.000）
Duty -0.080***（0.010） -0.088***（0.008） -0.088***（0.006） -0.084***（0.004） -0.088***（0.004）
Fuel.T -0.077**（0.021） -0.078***（0.007） -0.079***（0.005） -0.079***（0.007）
Log.I -0.026***（0.000） -0.026***（0.000） -0.028***（0.000）
Busi.I -0.020***（0.000） -0.021***（0.000）
Dist -0.004***（0.000）
R2 0.282 0.310 0.317 0.322 0.323 0.323 0.325
调整后R2 0.282 0.310 0.316 0.320 0.322 0.322 0.323
样本容量 3 080 3 080 3 080 3 080 3 080 3 080 3 080

注：*、**、***分别代表在0.1、0.05和0.01的统计水平上显著；系数为标准化后的系数，括号内的数据为显著性水平；常数项（Intercept）均为0。表8同。

表8 加权网络QAP回归结果

Tab.8 Weighted QAP regression results

变量名称 模型1 模型2 模型3 模型4 模型5 模型6 模型7
Lith.T 0.110***（0.000） 0.103***（0.000） 0.094***（0.000） 0.094***（0.000） 0.091***（0.001） 0.090***（0.000） 0.091***（0.000）
Fuel.T -0.045**（0.022） -0.046**（0.017） -0.051**（0.012） -0.050***（0.005） -0.050***（0.005） -0.049***（0.005） -0.049***（0.003）
Contig 0.043*（0.094） 0.046*（0.095） 0.045*（0.088） 0.044*（0.100） 0.044*（0.095） 0.044*（0.098）
Duty -0.043**（0.033） -0.040**（0.015） -0.041**（0.023） -0.040**（0.019） -0.041**（0.017）
Log.I -0.023***（0.000） -0.023***（0.000） -0.023***（0.000） -0.024**（0.011）
GDP -0.013（0.189） -0.012（0.194） -0.012（0.190）
Busi.I -0.008***（0.000） -0.008***（0.000）
Dist -0.003***（0.000）
R2 0.015 0.017 0.019 0.020 0.020 0.020 0.020
调整后R2 0.015 0.017 0.018 0.018 0.018 0.018 0.018
样本容量 3 080 3 080 3 080 3 080 3 080 3 080 3 080
对比表7、表8，各无偏变量在无权无向贸易网络中的相关系数值及其显著性水平均优于在加权无向网络中的数值，即各无偏变量对贸易网络关联关系形成的影响程度要高于对贸易网络关联强度的影响，主要原因是贸易关系的形成先于贸易关联强度的变化，即贸易关系的建立是贸易量波动的前置必要条件。接下来对四类变量进行逐一分析。
①经济发展水平。GDP差值矩阵对无权网络有显著正向影响，影响效应达0.373，但未通过加权网络10%的显著性检验，说明经济发展水平差距较大的国家间易于产生新能源汽车贸易联系，符合“产业间贸易”理论的基本思想。新能源汽车作为技术和资本密集型新兴工业，经由规模经济和低边际成本带来的价格绝对优势是其国际贸易发生的重要原因。在本文贸易网络中，与“一带一路”沿线发展中、落后国家有较多新能源汽车贸易联系的节点正是中国、印度、土耳其、立陶宛、匈牙利、斯洛伐克等经济发展水平相对较高的国家。
②制度因素。关税水平差值矩阵和营商便利指数差值矩阵均对贸易联系的形成和贸易强度存在显著负向影响，即国家间贸易互惠程度和营商便利水平越低，越不利于产生新能源汽车贸易关系和提高新能源汽车贸易强度。贸易互惠和制度便利能有效降低贸易门槛、减少交易成本、促进供需对接，形成“双赢”局面。作为战略性可持续发展新兴产业，需要各国深化制度互惠以推进互利共赢的新能源汽车贸易合作关系。
③相关支持产业。车用锂电池贸易差值矩阵对贸易联系和贸易强度的影响效应均超过0.1，正向影响显著。燃料出口差值矩阵对贸易联系形成和贸易强度负向影响效应显著。即锂电池贸易水平越高、燃料贸易水平越低的国家，更倾向于产生新能源汽车贸易关系和提高新能源汽车贸易强度。车用锂电池是新能源汽车核心零部件电动马达的主要原材料，属于新能源汽车产业链中的重要一环，国家之间较高水平的锂电池贸易，表明彼此已形成新能源汽车产业链有效对接；燃料贸易水平体现两国间能源结构的互补关系，能源结构相似的国家往往具有类似的工业发展水平。国家间相关支持产业的贸易水平表现为“趋同相吸”效应，符合“产业间贸易”理论，即新能源汽车产业结构和发展水平相似的国家间更有利于形成新能源汽车贸易关系，提高贸易强度。
④交通物流因素。物流绩效指数差值矩阵和地理距离差值矩阵与贸易联系的形成、贸易强度成负相关关系，国家边界接壤0-1邻接矩阵与其呈正相关关系。也就是说，国家间物流发展水平差异越小、地理距离越近，越容易产生新能源汽车贸易关系，并且新能源汽车的贸易强度会逐渐增强。新能源汽车商品大多以整合或零部件运输的方式进行贸易，邻近的地理距离和高水平的贸易通达程度能有效降低运输成本，边界接壤的国家间文化、宗教等人文因素的相互接受度也更高，更易实现高水平的贸易合作和互联互通。这也是国际贸易“边界地理效应”中正效应的具体体现。

4 研究结论与建议

本文使用社会网络分析方法对“一带一路”沿线国家新能源汽车贸易的空间网络格局变化与结构特征以及影响因素进行了全新解构，并得到如下结论：第一，“一带一路”沿线国家间新能源汽车贸易网络的关联程度较高，具有极佳的连通性，贸易潜力巨大。第二，中国在“一带一路”沿线国家新能源汽车的贸易网络中处于绝对中心地位，同时扮演着“中间人”角色，将各国紧密联系在一起；中东欧、西亚和东南亚部分国家处于重要节点位置，具有较高的通达度、连接度。第三，“一带一路”沿线国家新能源汽车贸易网络整体核心边缘结构比较稳定，核心国家呈小幅增长趋势，且该贸易网络分为四个板块，各板块主要表现为内向贸易、外向贸易和双向贸易，不存在经纪人板块，体现出贸易网络极佳的互惠性。第四，影响因素方面，“一带一路”沿线国家间的经济发展水平差异对新能源汽车贸易关系的建立具有正向促进作用；锂电池贸易差异、是否为接壤国对国家间贸易关系建立以及贸易强度正向影响显著；相近的营商便利水平、关税水平、燃料出口水平、物流绩效水平以及国家首都间较近的地理距离都有利于国家间建立紧密的贸易联系，提高贸易强度。
基于上述整体研究和“一带一路”倡议，本文针对性地提出如下建议：
①把握“一带一路”发展机遇，积极商议促建 “一带一路”沿线国家新能源汽车战略合作机制，加快贸易便利化进程，减少交易成本，推进新能源汽车市场多元化发展，实现沿线国家贸易畅通、互利共赢。充分发挥中国在“一带一路”新能源汽车贸易中的核心作用和“桥梁”角色，提升与邻近国家新能源汽车贸易合作水平。中国应巩固并深化与立陶宛、斯洛文尼亚等中东欧国家新能源汽车贸易合作，重点把握孟加拉、印度、新加坡、泰国等纯电动汽车主力市场，深化东南亚、中蒙俄等区域新能源汽车贸易合作机制以加速贸易便利化进程，并基于全域视角对接扶持中亚五国、南亚和西亚部分落后国家，形成“一带一路”新能源汽车全域发展“新局面”。
②匹配沿线国家差别需求，提升品牌效应，向高端制造升级。中国车企向沿线国家输出新能源汽车产品的同时，应注意匹配沿线国家差别需求，如重点把握以色列纯电动客车和插电混动汽车市场；品牌效应有助于减少企业营销成本、提升产品国际竞争力、开拓长尾市场，中国车企应着力提升孟加拉、印度和东南亚国家等主力纯电车汽车市场的品牌效应与售后服务，做好充电桩设施建设、维护等配套工作，并以点带面，对沿线周边国家形成品牌辐射；车企向“一带一路”沿线国家转移低端产能的同时，应落实《中国制造2025》战略，提升研发投入，推动供应链、产业链向高端制造升级，助力形成中国新能源汽车高端发展“新动能”。
③物流通达度是开展贸易的先决条件，各国应共同致力推进区域新能源汽车贸易通道建设，努力实现沿线国家铁路、公路物流网络有效衔接，并加强电力基础设施互联互通合作，大力推进跨境电力与输电通道建设，完善新能源汽车电力能源供应通道，积极构建沿线国家全方位、复合型、多层次的物流网络。中国应持续推进“中蒙俄经济走廊”建设，加强扶持中亚五国基建，并作为核心“枢纽”对接东南亚、南亚、西亚和中东欧市场，为新能源汽车在“一带一路”沿线国家顺畅流通提供“新通道”。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
尤佳轩. 我国新能源汽车产业环保现状分析——基于实地调研及定量计算方法[J]. 经济研究参考, 2015(37):82-89.

[2]
Anne Marit Hansen. Hydrogen Safety and Hydrogen Highway Technology[R]. InnovationForum on Clean Vehilce Technology IFCVT, 2007.

[3]
谢志明, 张媛, 贺正楚, 等. 新能源汽车产业专利趋势分析[J]. 中国软科学, 2015(9):127-141.

[4]
孙华平, 胡凌翔, 葛慧敏, 等. 新能源汽车产业专利池的形成机制[J]. 北京理工大学学报:社会科学版, 2017(6):1-8.

[5]
王宏起, 汪英华, 武建龙, 等. 新能源汽车创新生态系统演进机理——基于比亚迪新能源汽车的案例研究[J]. 中国软科学, 2016(4): 81-94.

[6]
Shahla Asadi, Mehrbakhsh Nilashi, Sarminah Samad, et al. Factors impacting consumers’intention toward adoption of electric vehicles in Malaysia[J]. Journal of Cleaner Production, 2020(10):124474.

[7]
Hugo Briseño, Adrian Ramirez-Nafarrate, Ozgur M, et al. A multivariate analysis of hybrid and electric vehicles sales in Mexico[J]. Socio-Economic Planning Sciences, 2020(10):100957.

[8]
Hasishi Ishitani. Overview of Japan's efforts on plug-in hybrid vehicles[R]. Plug-in Hybrid Electric Vehicle Workshop, 2007.

[9]
Amble M. et al. Content-aware caching and traffic management in content distribution networks[R]. International Conference on Computer Communications, 2011.

[10]
张海斌, 盛昭瀚, 孟庆峰. 新能源汽车市场开拓的政府补贴机制研究[J]. 管理科学, 2015, 28(6):122-132.

[11]
李苏秀, 刘颖琦, 王静宇, 等. 基于市场表现的中国新能源汽车产业发展政策剖析[J]. 中国人口·资源与环境, 2016, 26(9):158-166.

[12]
Roshanak Azarafshar, Wessel N. Vermeulen. Electric vehicle incentive policies in Canadian provinces[J]. Energy Economics, 2020, 91(9):104902.

[13]
Abbas Ghandi, Sergey Paltsev. Global CO2 impacts of light-duty electric vehicles[J]. Transportation Research Part D:Transport and Environment, 2020, 87(10):102524.

[14]
杨建梅. 复杂网络与社会网络研究范式的比较[J]. 系统工程理论与实践, 2010, 30(11):2046-2055.

DOI

[15]
Serrano M A, Boguñá M. Topology of the world trade web[J]. Physical Review E, 2003, 68(2):15101.

[16]
Garlaschelli D, Loffredo M I. Patterns of link reciprocity in directed networks[J]. Physical Review Letters, 2004, 93(26 Pt 1): 268701.

[17]
陈银飞. 2000——2009年世界贸易格局的社会网络分析[J]. 国际贸易问题, 2011(11):31-42.

[18]
魏素豪. 中国与“一带一路”国家农产品贸易:网络结构、关联特征与策略选择[J]. 农业经济问题, 2018(11):101-113.

[19]
王璐, 刘曙光, 段佩利, 等. 丝绸之路经济带沿线国家农产品贸易网络结构特征[J]. 经济地理, 2019, 39(9):198-206.

[20]
Paolo Giudici, Bihong Huang, Alessandro Spelta. Trade networks and economic fluctuations in Asian countries[J]. Economic Systems, 2019, 43(2):100695

[21]
Nikolaos E. Petridis,Konstantinos Petridis,Emmanouil Stiakakis. Global e-waste trade network analysis[J]. Resources,Conservation and Recycling, 2020, 158(7):104742.

[22]
刘军. 社会网络模型研究论析[J]. 社会学研究, 2004(1):1-12.

[23]
种照辉, 覃成林. “一带一路”贸易网络结构及其影响因素——基于网络分析方法的研究[J]. 国际经贸探索, 2017, 33(5):16-28.

Options
Outlines

/

〈 〉