EN中文

Economic geography >

2025 , Vol. 45 >Issue 11: 129 - 138

DOI: https://doi.org/10.15957/j.cnki.jjdl.2025.11.013

Evolution of Spatial Pattern and Influencing Factors of China's New Energy Vehicle Industry

  • CHEN Yilang , 1 ,
  • GUO Yuanyuan 1, 2 ,
  • QIN Wu , 1, ※ ,
  • WU Liang 3
Expand
  • 1. School of Management，Zhejiang University of Technology，Hangzhou 310023，Zhejiang，China
  • 2. China Institute for Small and Medium Enterprises，Zhejiang University of Technology，Hangzhou 310023，Zhejiang，China
  • 3. College of Finance and Information，Ningbo University of Finance and Economics，Ningbo 315175，Zhejiang，China

Received date: 2025-02-24

  Revised date: 2025-09-23

  Online published: 2025-12-23

Fold

Abstract

Drawing on data from new energy vehicle enterprises in 282 prefecture-level cities in China from 2009 to 2022, this study systematically depicts the spatial evolutionary characteristics of the new energy vehicle industry. It does so by integrating the heterogeneous roles played by different segments of the industrial value chain in shaping industrial development, and by employing a spatial autoregressive model to identify the core determinants of industrial location choices. The findings are as follows: 1) At the national level, China's new energy vehicle industry exhibits a spatial distribution characterized by high concentration in the southeast and low concentration in the northwest. Although the overall industrial scale has expanded significantly over time, development gaps among cities remain persistent. 2) From the perspective of different segments of the industrial chain, the spatial distribution of China's new energy vehicle industry demonstrates notable concentration and regional specificity. 3) During the study period, the agglomeration of China's new energy vehicle industry shows significant spatial dependence. Changes in spatial distribution result from the combined effects of multiple factors, including the locational environment, factor environment, market environment, institutional environment, and technological environment. By uncovering the evolutionary patterns of the new energy vehicle industry's spatial structure, this study provides a theoretical foundation and practical insights for consolidating and expanding China's competitive advantages in the new energy vehicle sector.

Key words： new energy vehicle industry; location selection; industrial chain; industrial agglomeration; spatial autoregressive model; China

Cite this article

CHEN Yilang , GUO Yuanyuan , QIN Wu , WU Liang . Evolution of Spatial Pattern and Influencing Factors of China's New Energy Vehicle Industry[J]. Economic geography, 2025 , 45(11) : 129 -138 . DOI: 10.15957/j.cnki.jjdl.2025.11.013

在环境污染问题日益突出，能源安全面临高度不确定性的全球背景下，发展新能源汽车成为我国应对气候变化、塑造国际竞争新优势的重要争夺点。2023年中央政治局经济形势和经济工作会议、2024年国务院政府工作报告等多个场合均指出要巩固和扩大新能源汽车发展优势。根据中国汽车工业协会公布的数据，2024年中国新能源汽车产销同比分别增长34.4%和35.5%，新车销量达到汽车新车总销量的40.9%，产销量连续10年位居世界前列①。由此表明，新能源汽车在助力我国向建设汽车强国目标迈进的同时，也正成为加速推动全球汽车产业转型的重要引擎。然而，在新能源汽车市场规模与发展质量实现双提升的同时，地域发展不均衡现象也日益凸显。相较于以深沪为核的东海岸不断通过超常规制度供给密集布局新能源产业节点，东北等地受限于电池耐低温性差、充电难、服务缺位等难点，市场潜力尚未得到充分挖掘，深陷产业规模化发展瓶颈。根据中国汽车战略与政策研究中心相关数据，2022年华东地区新能源汽车销量占全国销量的41%，而西北、东北地区不足5%②；同时，据工信部2023年统计，东北三省和西北五省新能源汽车保有量仍不到全国总量的5%③。面对全国双碳战略逐步走深走实的大趋势，后发地区实现绿色交通创新的空间正日益萎缩。因此，深入探究新能源汽车产业的空间分布特征并剖析其演化作用机理，进一步探讨产业发展的边界条件对帮助后发地区迎头追赶、推动中国汽车工业持续优化具有重要理论价值与实践意义。
现有研究在相关领域已做如下探讨：①基于合作视角辨析新能源汽车产业协同演进机制。一方面高校、企业、科研院所等创新主体通过产学研合作推动知识等异质性资源互补[1]，催化形成跨环节协作网络；另一方面企业间通过联合创新，显著提升产业外溢效应从而推动区域分工协作[2]。②基于产业链视角探讨新能源汽车产业集聚演化模式。一方面上游企业通过增加投入品多样性带动链上企业专业化，促使产业链整体向上游靠拢[3]；另一方面充电桩等下游配套设施因资本、交通等区位要素影响存在显著的空间分异特征[4-5]。③基于制度视角探讨新能源汽车产业发展路径。以示范试点为代表的新能源汽车推广政策通过提供财政补贴促进企业增加研发投入，吸引周边地区通过样板学习等路径提升区域整体产业规模[6]；而以地方保护为代表的产业政策则会阻碍要素资源自由流动并扭曲市场价格体系[7-8]，引发市场破碎化，对产业持续发展造成阻碍。
综上发现，当前研究在如下方面仍有待继续深入：①既有文献往往囿于均一化框架从省域尺度度量产业空间布局，基于中微观视角在市域层面对不同因素差异性作用的量化分析有待进一步拓展。②新能源汽车产业的整体分布特征相关探讨已相对充分，但区域间产业发展的互动机制有待进一步延伸。③创新活动、特定产业环节等单一动因对产业空间分布的驱动作用已较为明确，但采用综合性视角系统分析新能源汽车空间集聚的边界条件仍有待补充。
鉴于此，本文以中国新能源汽车企业数据与社会发展数据为研究素材，综合不同价值环节在产业集聚中的异质性作用，详细刻画中国新能源汽车产业时空格局及演化特征，并进一步探讨新能源汽车产业区位选择的影响因素，识别不同城市在新能源汽车领域的分工优势，以期为后续企业与政府部门制定战略规划，推动区域新能源汽车产业实现高质量发展提供有益参考。

1 新能源汽车产业发展历程

1.1 企业样本处理

首先，选择样本。2009年新能源汽车“十城千辆”示范工程的推行标志着新能源汽车从实验室走向市场，因此本文选取2009年1月1日至2022年12月31日注册成立的企业作为研究对象。其次，数据收集。企业数据来源于企查查网站（https://www.qcc.com/），以“新能源汽车”为关键词、注册资本为1000万元以上、登记状态为“存续/在业”作为筛选条件进行高级检索。所搜集内容主要包含企业名称、所在地区、营业范围等各类信息，总共梳理出119723家新能源汽车企业信息。最后，数据筛选。鉴于产品生产是新能源汽车产业实现价值创造和价值分配的重要载体，本文对搜集的企业数据按照是否直接参与新能源汽车产品生产环节（包括原材料加工、零部件生产以及整车制造）划分出产业核心企业与非核心企业，进行对比、去重后，最终留用25738家新能源汽车产业核心企业信息。

1.2 产业发展阶段与政策环境变化

依据所筛选信息，结合企业数量等指标和主要政策的动态变化，发现中国新能源汽车产业发展历程主要分为探索期、成长期和加速期3个阶段（图1）。在探索期（2009—2013年），政策注重发放财政补贴等鼓励各地积极开展探索试验，但因技术路线不明确等原因收效甚微，全国新能源汽车企业数量整体增长缓慢。在成长期（2014—2017年），政策聚焦推进市场主导与政府扶持相结合培育市场，促进企业数量稳定上升。在加速期（2018—2022年），政策通过进一步优化评价体系引导优势企业开展技术研发与市场竞争，产业持续健康发展，企业数量快速增加。
图1 2009—2022年中国新能源汽车企业数量变化与相关政策

Fig.1 Changes in the number of new energy vehicle companies and related policies in China from 2009 to 2022

1.3 新能源汽车产业时空分布特征

产业持续繁荣背后的空间格局也在迅速变化，本文借助ArcGIS等进一步识别新能源汽车产业空间集聚的分布态势与动态演化趋势。研究尺度为全国各设区市（含直辖市），受数据可获得性影响，剔除了三沙、日喀则、林芝等15个存在统计数据部分缺失的城市以及港澳台地区，最终样本范围为全国282个设区市（经纬度参考国家基础地理信息中心）。

1.3.1 产业集聚水平测度

所谓产业集聚水平，是指一定范围（市域、省域等）内新能源汽车核心企业的分布强度。不同价值环节的产业微观主体因其技术经济特性对产业的形塑作用也存在差异。上游供应商所产出的原料、基础材料等产品往往具有较为宽泛的应用范围，如锂电池电解液除应用于新能源汽车，还同时满足3C电子及储能设备的共性需求。中游的零配件制造商其产品用途虽相较于原材料进一步聚焦，但在机械、交通、电子等细分领域内仍有一定的通用性。而下游集成企业面对终端市场，其产品须凸显明确的新能源汽车特征才能满足消费者的直接需求，因而具备最为显著的行业特征。所以，不同价值环节的企业对产业集聚的体现依其产品通用性而递减，在此背景下，测度产业集聚水平主要步骤如下：
首先，样本类型划分。本文借鉴任亚文等的做法[9]对涉及原材料加工、零部件生产以及整车制造不同生产环节的企业进行分类标识，并由此构成子指标层。其次，确立指标权重。本文参考马芳芳等的处理方式[10]，分别采用层次分析法（AHP）与熵权法（EVM）计算各子指标权重。最后，评估产业集聚水平。根据所获得的AHP权重与EVM权重参照式（1）采用线性组合法得到产业不同环节的组合权重（表1），并对目标层的地区新能源汽车产业集聚水平进行综合评价。
ω i = β ω A + ( 1 - β ) ω E
表1 地区新能源汽车产业集聚水平测度指标及权重

Tab.1 Measurement indicators and weights for the level of regional new energy vehicle industry agglomeration

目标层 指标层 子指标层 权重
层次分析法 熵权法 组合法
新能源汽车产业集聚
指数		 产品
生产
环节		 原材料加工环节 0.122 0.365 0.244
零部件生产环节 0.279 0.274 0.277
整车制造环节 0.599 0.360 0.480
式中： ω i是第 i个因子的权重； ω A和 ω E分别是用AHP和EVM得到的权重； β是组合权重系数。本文中因AHP和EVM均对评估产生重要作用，故 β取值0.5。

1.3.2 总体集聚分布特征

图2展示了中国新能源汽车产业集聚水平的空间分布。整体上看，新能源汽车产业集聚水平呈自东南向西北阶梯式递减，在京津冀、长三角等东部沿海地区形成高度集聚，在成都、重庆、西安等区域性中心城市与周边地区形成次级集聚，在海口、长沙等地呈现出明显的地方性集聚。新能源汽车产业集聚水平排名前10的城市依次为广州（0.804）、海口（0.617）、深圳（0.505）、北京（0.393）、徐州（0.381）、重庆（0.344）、长沙（0.322）、上海（0.295）、福州（0.293）、西安（0.273），其平均集聚水平为0.423，是全国平均水平的8.46倍，总量占据全国产业的30.22%，突显出新能源汽车产业的分布集中性。从各市产业集聚成因看，作为汽车大市的广州和深圳凭借优越营商环境和高水平创新能力，吸引链上企业开展生产研发等活动，为多链条集聚发展创造良好条件；海口依托地理距离优势便于运输澳大利亚、刚果（金）等地的锂、钴等矿产资源以及自贸港的高水平开放制度优势，驱动原材料企业入驻；北京高素质人才集聚，拥有强技术研发能力和雄厚工业基础，有利于零部件企业开展核心技术突破和整车生产制造；徐州借助工程机械优势和政策支持联合多家整车企业抢先布局新能源商用车领域，助力产业集聚发展；重庆借助雄厚的传统汽车产业基础，形成以长安系为龙头、10余家整车企业为骨干，上千家配套企业为支撑的产业集群；长沙通过引进比亚迪等重点整车企业以及发展绿色交通等政策先行吸引链上企业布局生产，已形成成熟产业体系；上海借助雄厚的经济基础和引进特斯拉等头部整车企业的政策支持，为链上企业入驻提供优惠条件带动产业聚链成群；福州借助周边零部件龙头企业的高生产需求吸引原材料企业入驻，实现产业区域协同发展；西安发挥人才集聚优势和政策支持吸引链上企业加快形成产业配套，重点打造新能源乘用车产业链，助推产业高地形成。
图2 2022年中国新能源汽车产业总体分布

注：基于自然资源部标准地图服务网站下载的审图号为GS（2023）2763号的标准地图制作，底图边界无修改。图3、图5同。

Fig.2 Overall distribution of China's new energy vehicle industry in 2022

为进一步探究全国设区市层面新能源汽车产业的集聚演化趋势，本文选取国务院发布《汽车产业调整与振兴规划》（2009年）、“双积分”政策实施（2018年）与近前（2022年）3个时间节点进行刻画（图3）。
图3 中国新能源汽车产业集聚水平空间分布演变

Fig.3 Spatial distribution and evolution of industrial agglomeration levels in China’s new energy vehicle industry

从时空地理分布格局看，新能源汽车产业在市域尺度上呈现“少量集聚，大量分散”的格局，具有显著的空间非均衡性。2009年，新能源汽车企业主要分布于北京、上海、深圳等少量东部沿海地区，以及西安、长沙等部分中西部内陆地区。其他大多数设区市的新能源汽车产业发展相对落后，对此尚未涉足。2018年，全国新能源汽车集聚水平整体实现向上跃迁。其中，广州、深圳、长沙、重庆和北京等地逐渐成为集聚核心，而没有新能源汽车生产环节企业分布的地方仅剩鹤岗、中卫等8个城市。2022年，各地新能源汽车产业集聚水平均有所上升，没有产业核心环节分布的城市只剩鹤岗，但区域间发展鸿沟逐渐显现。如北方新能源汽车产业主要集聚于北京、西安等地，南方则分布在长三角地区的上海、徐州等城市以及珠三角地区的深圳、广州等城市，西部集聚中心主要为成都、重庆等地，其余地区持续处于低位状态。

1.3.3 区域分布格局演化

经计算，新能源汽车产业在设区市层面的整体不均衡指数为0.682，结合泰尔指数（图4），表明新能源汽车产业存在明显的空间分布差异。从各城市新能源汽车产业分布全国占比看（表2），广州占比最高，高达5.746%，鹤岗占比最低。从集聚水平排名看，排名位居前10的城市中，属于东部地区的城市数量达到7个，产业分布占全国的23.510%，占东部地区总量的37.372%，中部地区与西部地区分别只有长沙与重庆、西安进入前10，分布占全国比重均在2%左右。相较于东部地区“多点集聚，少数分散”的分布特征，中西部地区呈现出“单核集聚、多点分散”态势，如长沙、重庆和西安的新能源汽车产业分布占中部地区和西部地区的比重均超过11%。排名位列最后10位的城市均集中在北方地区（宁夏、吉林以及黑龙江），共只占全国总数的0.029%。
图4 中国新能源汽车产业集聚水平的泰尔指数

Fig.4 Theil index of industrial agglomeration levels in China's new energy vehicle industry

表2 2022年中国新能源汽车产业集聚水平排名前10位与后10位的城市及占比

Tab.2 Top 10 and bottom 10 cities in China's new energy vehicle industry agglomeration levels in 2022 and their respective proportions

城市 前10位 城市 后10位
集聚
水平		 占比（%） 累计占比（%） 集聚
水平		 占比
（%）		 累计占比
（%）
广州 0.804 5.746 5.746 中卫 0.001 0.005 99.975
海口 0.617 4.410 10.156 四平 0.001 0.004 99.979
深圳 0.505 3.610 13.766 辽源 0.001 0.004 99.984
北京 0.393 2.812 16.578 七台河 0.001 0.004 99.988
徐州 0.381 2.723 19.302 石嘴山 0.001 0.004 99.992
重庆 0.344 2.458 21.760 白山 0.0004 0.003 99.995
长沙 0.322 2.299 24.059 固原 0.0004 0.003 99.997
上海 0.295 2.112 26.170 双鸭山 0.0002 0.001 99.999
福州 0.293 2.097 28.268 伊春 0.0002 0.001 100.000
西安 0.273 1.951 30.219 鹤岗 0.0000 0.000 100.000

1.3.4 不同生产环节的空间分布特征

考虑到不同生产环节的差异性影响及核心城市对促进城市间协调发展、实现价值链攀升的重要作用，本文进一步刻画了产业链不同环节的产业集聚状况（图5）。
图5 中国新能源汽车不同生产环节集聚水平空间分布

Fig.5 Spatial distribution of agglomeration levels across different production segments of China's new energy vehicle industry

总体来看，新能源汽车各生产环节的分布均呈现南高北低态势，这进一步印证了新能源汽车产业存在明显的空间集聚特征。具体来看，在原材料加工生产环节，以海口、深圳、福州为代表的部分沿海城市以及重庆等少量内陆地区处于高密度值区域，其余大部分城市发展缓慢，形成零散分布。主要原因在于该环节受锂、钴、镍等原材料获取便利性影响大，更易形成地方性集聚。在零部件生产环节，产业整体水平较高并在各区域形成多点集聚，以北京为代表的少量北方城市以及上海、广州等部分南方城市占据发展高位，仅鹤岗呈现空白。在整车制造环节，新能源汽车产业形成鲜明的点状分布，深圳、长沙、徐州、重庆等地成为高密度核心区，同时在东北、西北、华南等区域仍有部分城市发展相对滞后。主要原因在于该环节对产业链协同配套、技术人才支持及产业基础等具有较高要求，更易催生区域性集聚。

2 新能源汽车产业空间集聚演化的影响因素分析

2.1 影响因素选取

相较于以往聚焦交通可达性等传统区位要素或制度推广等新区位要素的单一视角研究，本文认为新能源汽车产业集聚实际受以下多重因素影响：①需要所处地区气温条件、产业基础、交通可达性等传统区位要素环境的支撑；②依托于发挥资源配置导向作用的产业政策环境以填补要素缺口应对市场失灵等问题；③根植于市场、技术等环境以充分发挥技术人才、知识供给等新型生产要素应用价值进而保持创新能力。基于此，本文在结合张丽、陈前虎等[11-12]关于探索企业分布边界条件等现有文献的基础上，选择区位环境、要素环境、市场环境、制度环境与技术环境5个维度形成研究框架，深入辨析影响新能源汽车产业空间集聚的核心因素。
在区位环境方面，气温和交通基础设施是新能源汽车产业布局的重要约束条件。低温环境会降低动力电池等关键部件工作效率并增加充电基础设施的建设维护成本，影响企业选址策略；便捷的交通网络（如公路、港口等）在降低要素流动门槛提高运输顺畅度的同时，加强区域间的交流联系便于产业集聚[13]。在测度指标上，本文采用地区年度平均气温表征城市气温，同时参考生延超等的研究[14]，以公路、铁路、水运相关交通设施的客运与货运总量为基础数据并用熵值法合成指数进而衡量地区交通基础设施。
在要素环境方面，地区产业发展根植于当地的资源禀赋基础与要素投入条件[15]。当城市的资源拥有量与多样性较高时，充分且多元化的要素供给可以降低企业资源获取和投入成本，强化异质性资源互补以推动产业集聚。在测度指标上，考虑到资本存量和人力资源能较好地反映出城市要素禀赋的富集程度，本文参考许钊、周启清等的测量方式[16-17]，分别采用城市固定资本存量、高等学校学生在校人数占比来度量城市资源水平。
在市场环境方面，新能源汽车产业的多重属性对地区市场化水平提出更高的要求。高水平的市场化程度意味着城市拥有相对公平、高效的营商环境，可以缓解企业间信息不对称、降低交易成本并加快社会资本积累以推动产业集聚形态生成。在测度指标上，考虑到企业数量是一个地区市场化水平的直观表现，能够生动体现城市内部要素与产品市场的发展程度，本文借鉴冉宇豪等关于市场化水平的测度方式[18]，选择规上企业数量与行政区划面积之比指代市场化水平。
在制度环境方面，新能源汽车的发展离不开政府政策支持[19]。政府通过税收减免、补助、平台搭建等制度型优惠可以改善企业财务状况并缓解创新资源压力，产业扶持的积极信号亦可增强企业的社会资源获取和市场信任积累，强化产业规模效应。从衡量指标看，鉴于地方政府工作报告作为政府施政理念的系统性阐述，体现出政府建设与治理产业制度环境良性发展的重视程度，本文参考胡楠等[20]的测度方法，选择用政府工作报告中的新能源汽车相关词汇的词频占比并乘以1000以表征政府关注度。
在技术环境方面，配件高度集成化的新能源汽车产业实现价值创造依托核心零部件技术突破。从实现路径看，专注于研发三电技术的城市通过抢占产业价值链高端环节，与邻近城市形成技术环境势差，吸引链上企业形成地理集聚。而燃油车领域技术基础雄厚的城市可借助相对完备的产业基础和管理研发体系[21]降低创新不确定性，加快产业集聚进程。在测度指标上，分别选用三电系统和燃油车核心部件的专利拥有量表征电动化技术和燃油车技术。
综上所述，本文将平均气温、交通基础设施、城市资本存量、人力资源水平、市场化水平、政府关注度、电动化技术与燃油车技术作为影响新能源汽车产业集聚演化的主要因素。在控制变量选择方面，本文将城市占地面积、人均可支配收入作为控制变量。城市层面相关数据来源于中国城市统计年鉴、政府工作报告等；相关专利数据来源于incoPat数据库；时间跨度为2009—2022年；个别缺失数据采用线性插值法进行补齐。

2.2 计量模型选择

2.2.1 空间自回归模型

鉴于传统面板模型在空间层面的估计不足导致结果存在偏差，本文采用空间计量模型探讨新能源汽车产业地理集聚的互动关系及其影响因素（表3）。相关模型选择过程如下：首先，本文通过LM检验发现地区新能源汽车产业集聚水平存在显著空间相关性，表明采用空间计量分析方法是合理的。其次，为确保空间计量模型选取的科学性，本文采用LR检验探讨空间杜宾模型能否简化为空间自回归模型和空间误差模型，结果表明应接受退化为空间自回归模型的原假设。同时，考虑到空间杜宾模型的设定存在多重共线性问题[22]，即当地新能源汽车产业集聚水平的提升很可能会受到周边城市除产业集聚溢出外的知识溢出、经济溢出等效应影响，造成回归结果存在过度识别，而空间自回归模型可以较好地分析城市间产业发展的联动效应与空间依赖关系[23]并具有更好的拟合优度，本文选择空间自回归模型用于探讨地区新能源汽车产业集聚的空间关系。最后，通过Hausman检验验证面板数据拒绝随机效应，并根据固定效应类型检验对城市和年份进行双重固定。
表3 空间模型形式及适用性检验结果

Tab.3 Spatial model form and applicability test results

检验类别 检验方法 统计量
空间模型适用性检验 LM-Lag 154.107***
LM-Error 259.559***
Robust LM-Lag 23.278***
Robust LM-Error 128.730***
空间模型形式检验 LR test（SAR） 15.90
LR test（SEM） 16.65*
固定效应与随机效应检验 Hausman test 55.52***
固定效应类型检验 LR test（城市固定效应） 54.19***
LR test（年份固定效应） 2986.45***

注：***、**和*分别表示1%、5%和10%的显著性水平，表5、表6同。

结合上述内容，具体模型如下：
Y i t = ρ W Y i t + β 1 X i t + β 2 C i t + μ i + φ t + ε i t
式中： Y i t为城市 i新能源汽车产业集聚水平； ρ为空间滞后项系数； W为空间权重矩阵； X i t为新能源汽车产业集聚水平的各类影响因素； C i t为影响新能源汽车产业集聚的一系列控制变量。相关变量描述性统计见表4。
表4 变量描述性统计

Tab.4 Descriptive statistics of variables

变量名称 符号 样本量 平均值 方差 最小值 最大值
新能源汽车
产业集聚水平		 Nev 3948 0.014 0.042 0.000 0.804
城市资本存量 lnK 3948 17.563 0.997 14.690 20.684
人力资源水平 Hum 3948 0.020 0.025 0.000 0.164
交通基础设施 Den 3948 0.029 0.035 0.005 0.843
市场化水平 Mar 3948 0.186 0.426 0.001 6.905
政府关注度 Gov 3948 0.398 0.486 0.000 5.447
电动化技术 lnTec1 3948 2.631 2.275 0.000 9.561
燃油车技术 lnTec2 3948 1.930 1.954 0.000 8.386
平均气温 Tem 3948 14.267 5.399 -2.219 25.858
人均可支配收入 lnPgdp 3948 9.883 0.419 8.258 11.033
城市占地面积 lnArea 3948 9.357 0.809 7.015 12.474

2.2.2 回归结果分析

首先，本文通过地理邻接、地理距离、地理距离平方三类空间权重矩阵测度全局莫兰指数，发现在地理距离空间权重矩阵下，全局莫兰数值除2011和2012年外均大于0且通过10%的显著性检验，表明新能源汽车产业存在显著空间相关性且数值呈波动发展态势。其次，方差膨胀系数计算显示变量的VIF值均小于10，平均VIF值为3.08，表明变量间不存在多重共线性。再次，平均气温等变量均在1%的显著性水平上通过IPS检验，而一阶差分的新能源汽车产业集聚水平、资本存量与人力资源水平在10%的显著性水平上通过IPS检验，表明数据存在明显的平稳性。最后，进行空间回归。
从表5可知，平均气温、交通基础设施、资本存量、人力资源水平、市场化水平、政府关注度、电动化技术与燃油车技术的估计系数均大于0，并且在1%的水平上通过显著性检验，表明上述变量对新能源汽车产业集聚产生显著正向影响。同时，被解释变量的空间滞后项系数大于0且在1%的水平上通过显著性检验，表明当地新能源汽车产业集聚水平的提升会对周边城市的新能源汽车产业发展产生显著促进作用。为深入探究回归系数的影响，本文基于Lesage等[24]“空间反馈效应等因素会导致估计系数无法准确阐述变量影响”的观点，选择进行效应分解，发现上述变量的直接效应、间接效应均大于0且在10%的水平上通过显著性检验，这意味着上述变量在推进当地新能源汽车产业集聚的同时，也会对邻近城市新能源汽车产业集聚产生正向空间溢出效应。
表5 基础回归结果

Tab.5 Base regression results

变量 Nev 直接效应 间接效应 总效应
lnK 0.002*** 0.002*** 0.003** 0.005***
Hum 0.112*** 0.110*** 0.142* 0.252***
Den 0.089*** 0.092*** 0.117* 0.209**
Mar 0.091*** 0.093*** 0.120* 0.214***
Gov 0.001*** 0.001** 0.001* 0.002**
lnTec1 0.001*** 0.001*** 0.002** 0.003***
lnTec2 0.001*** 0.001*** 0.001** 0.002***
Tem 0.002*** 0.002*** 0.002* 0.003***
lnPgdp -0.005*** -0.005*** -0.006** -0.011***
lnArea 0.013*** 0.013*** 0.017* 0.030**
Rho 0.532***

注：为节省版面，Z统计量不显示。表6同。

上述结果产生的主要原因是：一方面，气温作为区域性的气象规律，其变化影响对当地城市与周边城市具有明显相似性[25]。适宜的气温条件可以缓解企业因低温环境面临零部件保养和充电基础设施建设方面的高投入压力[26]，释放冗余资源活力，推动当地和周边地区新能源汽车产业的集聚发展。另一方面，在市场条件下，要素在竞争过程中往往因竞争优势、体量规模、资源禀赋等原因向某些极点集聚[27]。健全的交通基础设施、充足的资本存量、高素养的科技人才、活跃的市场环境、有力的政府扶持与强产业技术水平可以加快促进周边要素资源在“用脚投票”机制[28-29]下向当地流动，并在规模收益递增和路径依赖影响下持续增强，产生极化效应提高当地的产业集聚水平。与此同时，短期内周边城市因要素流失导致产业发展可用资源减少，甚至在某些必要环节出现资源缺口，产业集聚受到抑制。但长期来看，随着要素资源在中心城市的不断集中，受边际效益递减规律影响，配置效率下降，会造成要素资源在逐利性驱动下回流周边城市进而形成涓滴效应，辐射带动周边城市的产业集聚进程。

2.3 稳健性分析

为进一步验证回归结果的可靠性，本文通过以下方式进行稳健性分析：①剔除北京、天津、上海、重庆4个直辖市后进行检验。②更换空间权重矩阵，采用地理距离平方矩阵进行检验。③缩小样本区间，选择剔除2020年新冠疫情爆发及以后的数据。④增加控制变量对外开放程度（ O p e n）和产业基础结构（ I n d u），其中对外开放程度用进出口总额占GDP的比重衡量，产业基础水平用第二、三产业产值之和占GDP的比重衡量。结果显示，各类计算结果均与模型估计结果保持较高的一致性，表明基准回归结果稳健。

2.4 进一步分析

鉴于新能源汽车产业在不同生产环节的价值创造逻辑和实现路径上存在明显不同，本文围绕不同生产环节展开实证分析以厘清各类影响因素的作用差异。
由表6可知，在原材料加工环节，除平均气温、电动化技术和燃油车技术外的变量均显著促进新能源汽车产业集聚。而相关变量影响不显著的主要原因是锂、钴等矿产资源的加工过程依赖高温密闭的专业化生产设备，运行环境受到自然气温波动的干扰较小；且相关工艺聚焦矿产资源提纯与基础材料制备，注重零部件制造的电动化技术和燃油车技术因无法提供直接技术支撑而影响有限。在零部件生产和整车制造环节，除平均气温外的变量均显著推动地区产业集聚，而平均气温的估计系数在零部件生产环节不显著，在整车制造环节通过5%的显著性检验。主要原因为零部件生产过程中企业可借助温控系统、环境调节等标准化人工干预手段规避极端气温对设备运行精度、工艺参数稳定性的影响；而整车制造过程更加接近终端消费市场，区别于低温环境通过影响电车续航里程抑制市场需求，适宜温度环境下整车制造过程可以有效缩短产成品运输距离，降低库存与物流成本，因此整车厂商倾向于在气温适宜地区形成集聚。
表6 不同生产环节回归结果(因变量为Nev)

Tab.6 Regression results for different production stages (dependent variable is Nev)

变量 原材料加工 零部件生产 整车制造
lnK 0.0010** 0.0010*** 0.0010***
Hum 0.0970*** 0.0310*** 0.0400***
Den 0.0720*** 0.0300*** 0.0090***
Mar 0.0090*** 0.0370*** 0.0230*
Gov 0.0020*** 0.0003*** 0.0002*
lnTec1 0.0003 0.0010*** 0.0003***
lnTec2 -0.0003 0.0005*** 0.0002**
Tem -0.00020 -0.00005 0.00050**
lnPgdp -0.0050*** -0.0020*** -0.0020***
lnArea 0.0100* 0.0030*** 0.0020
Rho 0.4240*** 0.8300*** 0.3080**

3 结论与讨论

3.1 结论

本文基于2009—2022年市域尺度下的中国新能源汽车企业数据，采用ArcGIS软件系统性刻画了新能源汽车产业集聚的时空演化特征，并深入探究其主要影响因素。主要结论如下：
①研究期内中国新能源汽车产业的发展进程经历了探索期、成长期、加速期3个阶段，与其紧密相连的产业政策通过持续动态调整以适应不同产业发展能级。从整体分布看，中国新能源汽车产业集聚呈自东南向西北阶梯式递减的地理分布特征，并且随时间推进不断向西扩张，保持加速增长态势，但不同地区间差距持续存在。
②从空间集聚看，中国新能源汽车产业的空间非均衡性分布明显，尤其是东北地区的新能源汽车产业集聚水平偏低，发展相对缓慢。从不同生产环节看，在原材料加工环节，以海口、深圳等为代表的部分城市处于高密度值区域，形成零散分布；在零部件生产环节，新能源汽车产业整体发展水平较高并在各地形成多点集聚；在整车制造环节，新能源汽车产业形成鲜明的点状分布，长沙、徐州等地成为高密度核心区，同时仍有一部分城市发展相对滞后。
③从空间效应看，城市间的新能源汽车产业集聚过程存在明显的空间互动联系，当地城市通过引导要素跨域流动产生极化效应与涓滴效应，对邻近城市的新能源汽车产业集聚产生显著影响。从产业发展的边界条件看，新能源汽车产业集聚的演化过程是区位环境、要素环境、市场环境、制度环境与技术环境综合作用的结果。具体而言，平均气温、交通基础设施、资本存量、人力资源水平、市场化水平、政府关注度、电动化技术与燃油车技术在促进当地城市新能源汽车产业集聚发展的同时，也会对邻近城市的新能源汽车产业集聚水平产生正向空间溢出效应。从不同生产环节的变量影响程度看，平均气温在原材料加工和零部件生产环节对产业集聚的作用不显著、电动化技术和燃油车技术在原材料加工环节对产业集聚的促进作用不显著，其余变量在各环节对电车产业集聚均具有显著推动作用。

3.2 建议

结合上述内容，本文提出以下政策建议：
①因地制宜，优化产业空间布局。尽管西北、东北等地受冬季低温环境等不利因素影响，但随着绿色发展理念的持续深入，部分地区新能源汽车产业发展意愿依然强烈。此类地区一方面应借鉴海口等地的成功经验充分利用自身优势聚焦受气候条件影响较少的特定生产环节打造生产基地以形成新增长极；另一方面针对因低温引发的市场消费不足，可以在居民区、高速公路、城乡公共领域等积极推动以充换电体系为代表的充电基础设施建设以提升终端客户的用车便利性，释放极寒“禁区”的市场消费体量，推动地区新能源汽车产业发展驶向快车道。
②全链协同，打造产业高质量发展驱动力。根据市域尺度下新能源汽车产业集中分布且空间互动效应明显的结论，尚未融入新能源汽车核心产业环节的城市应注重发挥地理邻近优势，不仅可以借助政策学习模仿，吸引技术、人才等要素回流以化解资源竞争劣势，还可以梯度承接核心城市的产业转移，逐步带动当地产业价值升级。仅在单一环节占据市场优势的城市可以在差异化竞争策略的指导下，积极打造主导产业示范基地对标先进，引导培育具有区域特色的细分产业集群以增强自身吸引力和辐射力，同时学习福州等地产业发展路径，基于产业分工规划布局区域间产业链协同配套关系，完善部门常态化会商机制深入推动产业供需对接交流，避免地区间非理性博弈。
③后发追赶，发挥产业比较优势。在新能源汽车持续快速发展，燃油车产能过剩问题愈发突出的背景下，传统汽车工业基础雄厚地区加快产业转型的需求日益强烈，建议充分发挥此类地区在传统燃油车领域的技术优势推动新旧产能转换。一方面，通过完善的研发、质量管理体系吸引动力系统、汽车电子等各类零部件配套企业加快入局步伐，带动本地传统零部件企业设备更新和技术改造，实现供应链在新能源汽车领域的重塑；另一方面，针对燃油车产能大量闲置问题，既可以通过插混车与燃油车共线生产等方式实现内部产能转换，也可以参照江淮—蔚来、力帆—理想等产能合作新“代工”模式，通过服务部分有扩产需求但自身产能有限的新能源车企逐步实现产业转型。

3.3 贡献与不足

本文的主要贡献在于：①基于市域尺度根据产业链不同环节的产业关联性评估新能源汽车产业集聚情况并刻画分布形态与演化趋势，不仅弥补了现有研究单纯基于企业数量均一化体现产业布局的不足，也为地区识别并巩固新能源汽车产业分工优势提供了经验证据。②借助空间自回归模型剖析城市新能源汽车产业集聚演化的空间互动作用机理，不仅从要素资源跨域流动视角回应了赵天一等[30]关于推动新能源汽车产业构建国际竞争优势的议题，而且为进一步强化城市间的产业协作联动以实现区域协调发展提供了理论指引。③基于综合性视角辨析新能源汽车产业空间集聚的边界条件，验证了区位环境、要素环境、市场环境、制度环境与技术环境等因素对新能源汽车产业地理分布的影响，不仅拓宽了过往研究的单一区位要素视角，而且为规模相对滞后地区实现产业转型升级、缩小发展差距提供了新思路与依据。
本文仍存在以下不足之处：①从研究对象看，本文主要聚焦于新能源汽车产业的空间联系与演化趋向，但关于光伏、风能等其他关联性产业对新能源汽车地理分布影响以及不同产业之间耦合互动过程的理论探讨有待深入拓展。②从发展趋势看，新能源汽车产业的高质量发展逐渐从以实现电动化为目标的上半场竞赛迈入以实现智能化为目标的下半场竞赛，未来以算力芯片为代表的技术扩散对新能源汽车空间分布影响的相关研究值得进一步探讨。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
曹霞, 张鑫. 新能源汽车产学研创新网络演化及邻近性机理[J]. 科学学研究, 2023, 41(9):1678-1689.

[2]
Song Y H, Kim J W. The spatial spillover effect of technological innovation network in cities:A case of the high-tech industry of Yangtze River Delta[J]. International Journal of Urban Sciences, 2023, 27(3):414-441.

DOI

[3]
陈爱贞, 沙子璇, 温世杰. 产业链支撑与中国新能源汽车行业发展[J]. 福建论坛(人文社会科学版), 2023(12):54-72.

[4]
徐维祥, 陈展驰, 周建平, 等. 中国新型基础设施的格局及影响因素分析——以新能源汽车充电桩为例[J]. 经济问题探索, 2023(7):43-53.

[5]
Cao L, Deng F, Zhuo C, et al. Spatial distribution patterns and influencing factors of China's new energy vehicle industry[J]. Journal of Cleaner Production, 2022, 379(12):134641.

DOI

[6]
刘颖琦, 宋泽源, 高宏伟, 等. 中国新能源汽车10年推广效果研究:空间效应视角[J]. 管理评论, 2023, 35(3):3-16.

[7]
Lai A, Yang Z, Cui L. Market segmentation impact on industrial transformation:Evidence for environmental protection in China[J]. Journal of Cleaner Production, 2021, 297(5):126607.

DOI

[8]
陈俊廷, 邢剑炜, 肖俊极. 新能源汽车市场的本地偏好与地方保护[J]. 数量经济技术经济研究, 2023, 40(11):117-136.

[9]
任亚文, 杨宇. 珠三角地区半导体产业布局特征及其区位关联模式[J]. 地理科学进展, 2022, 41(9):1622-1634.

DOI

[10]
马芳芳, 王世鹏, 王芳, 等. 黄河流域城市旅游虚实耦合协调水平的空间差异[J]. 经济地理, 2024, 44(5):222-229.

DOI

[11]
张丽, 韩增林. 大连市文化企业的空间分布变化与区位影响因素[J]. 地理科学, 2020, 40(4):665-673.

DOI

[12]
陈前虎, 叶雨繁, 陈静. 杭州主城区直播电商企业区位特征及影响机制[J]. 经济地理, 2023, 43(5):97-107,179.

DOI

[13]
丁华, 丁宁. 交通基础设施对商贸流通效率的影响研究[J]. 商业经济与管理, 2023(7):28-39.

[14]
生延超, 李倩, 许玲玲. 《旅游法》出台、供给水平与旅游经济发展[J]. 旅游科学, 2023, 37(1):133-155.

[15]
张一帆, 朱晟君, 贺灿飞. 全球化下战略耦合模式对区域产业进入的影响——以珠三角为例[J]. 地理科学进展, 2024, 43(8):1471-1480.

DOI

[16]
许钊, 张营营, 高煜. 空间效应视角下经济集聚与制造业升级——基于283个城市面板数据的实证研究[J]. 经济问题探索, 2021(12):104-117.

[17]
周启清, 杨建飞. 高铁网络对中国城市群经济协同性的影响分析[J]. 宏观经济研究, 2022(5):144-158.

[18]
冉宇豪, 刘卫星, 王巧. 公共资源交易改革政策何以扩散?——基于中国地级市数据的事件史分析[J]. 经济社会体制比较, 2024(3):130-141.

[19]
张明志, 王新培, 余东华. 政府补助对新能源汽车产业创新结构的影响[J]. 中国人口·资源与环境, 2024, 34(7):35-46.

[20]
胡楠, 薛付婧, 王昊楠. 管理者短视主义影响企业长期投资吗?——基于文本分析和机器学习[J]. 管理世界, 2021, 37(5):139-156.

[21]
谭雅妃, 朱朝晖, 李敏鑫. 数字化转型赋能制造业企业高质量发展——基于经济绩效与ESG绩效复合视角[J]. 江西财经大学学报, 2024(4):45-58.

[22]
陈强. 高级计量经济学及Stata应用(第二版)[M]. 北京: 高等教育出版社, 2014.

[23]
季凯文, 罗璐薏, 齐江波. 新基建赋能高新技术产业的异质性影响研究——基于空间面板计量模型的实证检验[J]. 管理评论, 2023, 35(2):28-37.

[24]
Lesage J, Pace R K. Introduction to Spatial Econometrics[M]. Florida: CRC Press, 2009.

[25]
张大永, 陈映彤, 姬强. 气候风险与外商直接投资:基于城市层面的实证研究[J]. 财贸研究, 2023, 34(12):1-13.

[26]
张俊美, 佟家栋, 李建桐. 极端高温如何影响多产品企业的出口表现——来自中国的证据[J]. 国际贸易问题, 2024(9):159-174.

[27]
Nguyen H, Rezaei S, Agarwal D. The great recession and job loss spillovers:Impact of tradable employment shocks on supporting services[J]. Annals of Regional Science, 2022, 68(3):789-815.

DOI

[28]
Ketterer T D, Rodríguez-Pose A. Local quality of government and voting with one's feet[J]. Annals of Regional Science, 2015, 55(2-3):501-532.

DOI

[29]
汤长安, 邱佳炜, 张丽家, 等. 要素流动、产业协同集聚对区域经济增长影响的空间计量分析——以制造业与生产性服务业为例[J]. 经济地理, 2021, 41(7):146-154.

DOI

[30]
赵天一, 王宏起, 李玥, 等. 新兴产业创新生态系统综合优势形成机理——以新能源汽车产业为例[J]. 科学学研究, 2023, 41(12):2267-2278.

Options
Outlines

/

〈 〉