标题:: Drive Down the Cost: Learning by Doing and Government Policies in the Global EV Battery Industry
Zotero Collection:: 有趣的文章
PDF Path:: /Users/double/Zotero/storage/2D6PP6VF/Barwick 等 - 2025 - Drive Down the Cost Learning by Doing and Government Policies in the Global EV Battery Industry.pdf
Zotero Item Key:: T9V46SIC
引言（背景和意义）
领域基础知识
“干中学”（Learning by Doing, LBD）是产业经济学和增长理论的经典概念：企业在生产过程中积累经验，进而降低单位生产成本。“Wright’s Law”（1936年由航空工程师Theodore Wright提出）将这一规律量化为"累计产量每翻倍，单位成本下降固定比例"。LBD在半导体、太阳能电池等绿色技术行业均有大量记录。在政策设计上，LBD带来正外部性——当前生产提高了整个行业未来的效率，因此存在补贴当前生产的理由（以纠正动态外部性）。
研究背景
电动汽车（EV）电池成本在2010-2020年间下降了近90%，是过去十年绿色能源技术中最引人注目的成本下降之一。这一变化对全球气候政策目标至关重要——电池成本是EV相对于内燃机车价格劣势的主要来源。全球各国政府为促进EV普及投入了大量补贴（2022年全球EV消费补贴达430亿美元），并通过产业政策（如中国白名单政策、美国IRA本地含量要求）扶持本土电池产业。然而，LBD在多大程度上驱动了成本下降？政府政策通过哪些渠道影响LBD进程？这些问题此前缺乏可信的量化研究。
作者的问题意识
（1）LBD在多大程度上解释了EV电池成本的下降（相对于技术进步、规模经济、原材料成本等其他因素）？（2）LBD如何改变消费者EV补贴的政策效果？（3）中国的"白名单"本地含量要求政策通过LBD对全球EV市场产生了怎样的影响？（4）LBD在全球供应链中产生怎样的跨国溢出效应？
研究意义
本文为绿色技术政策设计提供了直接量化依据：若忽视LBD，政策评估将大幅低估补贴的长期效益；同时揭示了消费端补贴与产业政策的相互作用，对评估美国IRA、中国产业政策的全球影响具有直接参考价值。
内容及结构（论文结构）
- 引言：提出问题，概述主要发现（LBD学习率7.5%，与补贴互补放大效果，跨国溢出效应）。
- 数据：全球13国EV销售数据（2013-2020），电池供应商信息，各国补贴政策。
- 需求模型：异质消费者离散选择模型（BLP类型），估计消费者对EV特性（价格、续航、充电速度等）的偏好。
- 供给模型与电池成本恢复：通过Nash议价模型（上游电池供应商与下游EV生产商之间）推断上下游加成，从而恢复电池成本。
- LBD估计：用工具变量方法识别LBD学习率，控制内生性（高效企业多生产更多、积累更多经验）。
- 反事实政策分析：（a）评估消费者EV补贴在有无LBD情况下的效果；（b）评估中国白名单政策及其时间安排的影响。
- 结论：总结核心发现及政策含义。
正文（逻辑梳理）
背景
EV电池成本是EV普及的关键障碍，而其90%的成本降幅是过去十年绿色技术领域最显著的成就之一。产业界将这一降幅归因于LBD，但缺乏可信的因果估计：LBD究竟贡献了多少？还是技术进步、规模经济、原材料价格下降等因素更重要？政府大规模补贴政策是否加速了这一进程？
挑战
挑战一：电池成本不可观测
电池供应协议是商业机密，无法直接观测到每款EV型号的电池成本。解决方法：通过构建EV生产商与电池供应商之间Nash议价模型，结合观测到的车辆价格和估计的需求弹性，反推上下游加成，进而推断电池成本。
挑战二：LBD识别的内生性
企业的累计产量（生产经验，experience）与不可观测的成本冲击相关——成本优势大的企业往往产量更大、经验积累更快。若直接用经验变量回归成本，估计结果会有偏差。
工具变量策略：利用各电池供应商对下游不同国家EV补贴的差异暴露（variation）来构造工具变量。若甲国对某款车型提供慷慨补贴，供应该车型电池的供应商将更快积累经验。这一"补贴暴露"外生地推动了部分供应商的经验积累，从而识别LBD的因果效应。此外，还利用了中国白名单政策（2016-2019年）对电池供应商经验的外生冲击。
方法
需求端：BLP类型的随机系数离散选择模型，用于估计异质消费者对EV特性（价格、续航、充电功率、品牌等）的偏好，从而估计需求弹性。
供给端：Nash议价框架（EV生产商与电池供应商之间的纳什讨价还价），考察同步定价（Simultaneous）、顺序定价（Sequential）和线性定价（Linear Pricing）多种供给侧模型，并比较其对成本恢复的稳健性。
LBD估计方程（核心）：
- 以电池成本（对数）对累计生产经验（对数）做回归，控制行业整体技术进步、EV整车装配经验、原材料投入成本、规模经济等，并用工具变量处理经验的内生性。
- 学习率（learning rate）定义为经验每翻倍时成本下降的百分比。
数据：
- 全球13国（覆盖>95%全球EV销售）2013-2020年逐车型逐年销量数据（含BEV和PHEV）
- 电池供应商数据库（植物地点、供应的EV车型列表）
- 各国EV购置补贴数据（金额、起止时间）
- 社会经济变量（收入分布等，用于校准消费者异质性）
结果
核心结果一：LBD学习率为7.5%
控制行业技术进步、整车装配经验、原材料成本和规模经济后，LBD学习率估计为7.5%——即电池生产经验每翻倍，单位成本下降7.5%。该学习率处于文献估计的较低端，但仍具有重要经济意义。在2013-2020年电池总成本降幅中，LBD贡献了35.5%，行业技术进步贡献了39.9%，其余由整车装配经验、电池化学材料变化、原材料价格和规模经济共同解释。
核心结果二：LBD大幅放大EV补贴效果
- 无LBD时，各国补贴估计使2013-2020年全球累计EV销量增加29.9%。
- 同时考虑补贴和LBD时，全球EV销量相比无补贴无LBD基准增加170%。
- 二者的联合效果比各自独立效果之和高出60%——说明补贴与LBD具有强互补性。
核心结果三：消费端补贴产生跨国溢出效应
EV电池供应链是全球化的（主要集中在中、日、韩三国），一国补贴可通过LBD降低全球电池成本，产生跨国外溢：
- 美国约131亿美元EV补贴产生了约165亿美元全球福利净增益；美国和加拿大获得其中49%，日韩电池供应商获得28%，中国仅获得3%（因为样本期内中国EV和电池与国际市场贸易有限）。
- 欧盟约164亿美元补贴产生约116亿美元全球福利增益，欧盟仅获得其中26%（因为欧洲大量进口EV，且采用统一补贴而非有针对性补贴）。
核心结果四：上游电池供应商仅获得LBD收益的一小部分
LBD产生的成本降低主要通过价格竞争传递给了EV生产商和最终消费者，而非被电池供应商内部保留——与完全竞争的产业组织逻辑一致。
政策结果五：中国白名单政策的影响
中国白名单政策（2016-2019年）将EV补贴限于使用"白名单"国内电池供应商的车辆，为CATL等中国电池企业提供了保护性市场，帮助其积累经验、形成竞争优势。但这一政策具有两面性：
- 实际实施时间（2016-2019年）对中国电池产业有正面效果（通过加速中国供应商的LBD积累）。
- 若将该政策延迟5年实施（2021-2024年），由于中国电池企业已通过出口积累足够经验，白名单的保护效果将大幅减弱，且因阻碍全球供应链效率，中国国内福利净效果将转为负值。
结论（Conclusion）
核心发现：LBD在EV电池成本下降中发挥了实质性作用（贡献35.5%），但并非唯一因素，行业技术进步同样重要。LBD与消费者补贴之间的强互补性意味着：忽视LBD将大幅低估补贴的长期效益。消费端补贴产生显著的跨国溢出效应，其全球效益往往远超国内效益，这对单国政策评估具有重要启示。中国的产业政策（白名单）在特定历史时机下对国内产业发展有正效果，但若时机不当则可能适得其反。
对领域的贡献：
- 提出了在无法直接观测上游成本时通过结构性供给模型恢复电池成本的方法论框架；
- 构建了全球EV行业的结构性模型，联合识别LBD、需求偏好和政策互动效应；
- 量化了EV补贴的动态长期效益，纠正了现有静态评估文献的系统性低估；
- 揭示了全球化供应链下单国产业政策的跨境外溢机制。
政策含义：
- EV补贴的动态效益远大于静态效益，政策评估应纳入LBD渠道；
- 美国IRA的本地含量要求在短期内可能阻碍全球LBD进程，长期效果取决于本土供应链的学习速度；
- 政策时机（timing）至关重要：早期的保护性产业政策（如中国白名单）可能在企业尚未具备竞争力时发挥关键作用，但过晚则适得其反。
未来研究方向（Future work）
论文中明确提及的方向：
- 评估美国IRA本地含量要求对全球LBD和EV普及的长期影响；
- 研究上游供应商如何将LBD收益分配给劳动者和股东（分配效应）；
- 将分析拓展到EV以外的绿色技术（如太阳能、储能电池等）。
从论文引申的研究方向：
- 内外部LBD的分解：企业内部的知识积累vs.跨企业的知识溢出各贡献多少？这对政策选择（补贴全行业 vs. 扶持龙头企业）有重大影响；
- 动态寡头垄断框架下的战略性LBD——企业是否会为了积累经验而战略性定低价（forward-looking pricing）；
- 将模型扩展至2020年后：IRA颁布后（2022年），本地含量要求如何重塑全球电池供应链的LBD路径；
- LBD与研发投入的互动：研发投入（技术进步）与生产经验（LBD）是否互补，影响政策组合的最优设计。
学术思考
电池成本恢复的模型依赖性：电池成本无法直接观测，需通过结构模型推断。不同供给侧假设（同步 vs. 顺序议价）是否会产生实质性不同的学习率估计？作者如何验证这些替代模型的可信度？
工具变量的有效性：利用"供应商对下游不同国家补贴的差异暴露"构造IV，这一策略要求EV补贴变动对电池成本没有直接效应（排他性限制）。若补贴政策同时改变了原材料需求（如锂、镍），可能违反这一假设——如何检验？
LBD的溢出结构：论文将LBD建模为企业层面的内部学习。但实际上，工程师流动、专利公开等机制可能使LBD在企业间溢出。内外部LBD的混淆对学习率估计和政策评估会产生怎样的影响？
本地含量要求的动态合理性：中国白名单实际上是保护主义政策，但本文发现在特定时机下它对国内产业有正面作用。这是否意味着"战略性贸易政策"在绿色技术的早期发展阶段具有动态合理性？如何区分"促进LBD积累"的合理保护与一般意义上的低效保护主义？
样本期外推的风险：研究覆盖2013-2020年，但EV市场在2020年后经历了爆炸式增长（中国BEV渗透率超过30%）。LBD在高渗透率阶段是否会放缓？本文的政策结论对IRA（2022年后）是否仍然适用？
下一步用户可能提的问题
- "学习率7.5%"是怎么估计出来的？工具变量策略的具体构造方法是什么？
- 为什么上游电池供应商只获得了LBD收益的"一小部分"？这是市场结构（竞争激烈）的结果，还是谈判权力（bargaining power）不对等的结果？
- 美国IRA的本地含量要求是否会减慢全球LBD进程、推高全球EV价格？本文的框架如何用于评估IRA？
- 中国白名单政策在实际实施时间下对全球（非中国）消费者的福利影响是正面还是负面？
- 如果未来电池技术路线（如固态电池）发生重大转变，现有的LBD积累是否会"归零"？政策设计如何应对这种技术不确定性？
- 论文的供给侧模型（Nash议价）对最终结论的敏感性如何？若改用更简单的加成定价模型，学习率估计会有多大变化？
- 为什么中国在美国补贴的全球福利中只获得3%？这是否意味着美国的补贴实际上是在补贴日韩企业而非中国竞争对手？
