Tuesday, 29 October 2019

用“费曼学习法”理解区块链

“以教代学”的“费曼学习法”

很多人都听说过“费曼学习法”。
以前有一句话:“如果你不能简单地解释一件事,那你就还没有弄懂它”,物理学家费曼将这个道理变成一套方法,核心是学习的过程中,假想你面前有一个和你一样的外行人,你得现学现卖,而且只能用他能懂的语言去解释。
传统的新知识学习,往往要用一些术语去表达概念,但我们对这个术语的本身,包括术语与其他知识的关系,理解是含糊。
比如“区块链”,你如果仅仅用“分布式数据存储、点对点传输、共识机制、加密算法”这些术语去理解“区块链”,显然是自己糊弄自己。
为了让外行理解,你要放弃术语,而一旦放弃了术语,你会立刻发现,你对一件事的理解并没有你想像的那么透彻,那么,你再回头研究其中的问题在哪儿,这个学习的过程,被称为“费曼学习法”。
“费曼学习法”核心就是“以教代学”,因为以“听、看、阅读”为主的被动学习,以学习效率远远低于以“讲述、讨论”为主的主动学习。
用“费曼学习法”理解区块链,你也可以做到
“费曼学习法”是我最常用的学习方法。
我过去写文章解释新概念时,大量使用类比的方法,很多人觉得这种方法需要深度理解之后,其实不然,很多类比,都是在我学习的过程产生帮助自己理解的。
下面的例子,是我前年学习“区块链”技术时的理解。因为我不是理科出身,所以理解难免有偏差,仅仅是帮助大家理解“费曼学习法”,而非“区块链”科普文。

去中心化的火车站

小镇上有一家火车站,火车站自己有一个售票系统,卖一张票就勾掉相应的班次位置,这个方法就是“中心式记账”,好处是有专门的人去管理,乘客不需要接触整个售票系统,只要凭票在规定时间上车,对号入座即可。
可过了一段时间,乘客们经常发现两张票对应同一个座位,这没道理啊?于是大家找站长算账。
站长冷笑一声把售票系统打开,说:“每一张票的出售记录都清清楚楚地写在上面,你们不相信,就自己来查……,如果没有问题,我就要问问你们,票是从哪儿买的?”
大家一时语塞,因为火车票很紧张,所以相当一部分乘客都从黄牛手上买票,难免有些黄牛乘机伪造火车票。乘客只好自认倒霉。
可时间一长,超载的现象越来越严重,简直把火车变成了公交车,而且,大家并不没有觉得黄牛变多啊。
越来越多的人开始怀疑火车站故意超售,否则,受黄牛影响最大的是他们,他们为什么不管呢?
愤怒的小镇人民一起跑到火车站,一把火把站给烧了,把站长和贪污的售票员痛打一顿,赶出了小镇。
痛快是痛快,可还得有人卖票啊?只要是“中心式记账”,谁敢保证下一个站长不贪污呢?就算站长不贪污,黄牛的问题也是要解决的。
这时,小镇的居民中有一个叫“中本聪”的人站出来说,我有一个好办法,不需要火车站,也能人人买到票。
“中本聪”将火车票按发车时间顺序自动分批提前做出来,以ITO(首次火车票发售)的方式先出售给每一个市民指定的代理人。如果市民A要坐某一趟火车,他就需要向持有该票的市民B买——都是点对点的交易,自然就不需要火车站了。
用“费曼学习法”理解区块链,你也可以做到
这就是一个“去中心的分布式数据存储系统”,可是,如果不是在火车站买的,市民A怎么能保持市民B卖给他的票是真的呢?
“中本聪”的办法是给每一个小镇居民发一个自动记账的账本,只要有一个人得到了一张票,他身份信息、购买时间、座位号都会自动记载到每一个人的账本上。实际上没有火车票了,而是一条信息:“张三得到一张火车票,座位是XXX,区块123”——这就是“区块链”的“区块”。
请注意,这个编号123的区块,记载在小镇每一个人的账本上,自然任何一个人都无法再伪造这张票,每一个人的票都是真的。
然后,当市民A从市民B手上买到火车票,他得到的不是也不是火车票,而是一条转让记录:“张三得到一张火车票,座位是XXX,区块124,上一条123”——同样向全体居民的账本上发送。
每一条信息都对应着“上一条”的信息,证明这张票的来源是可靠的——这就是“区块链”的“链”,也是它最大的优势:不可删除性,可追溯性。
用“费曼学习法”理解区块链,你也可以做到
这么一来,整个小镇居民不需要火车站售票系统,就可以自发的完成买票、换票等一系列工作。
……
上面就是我当初用“费曼学习法”理解“区块链”的一部分,这种方法很慢,但一些很复杂的知识,如果要自学,往往需要这个方法才能真正掌握。
“费曼学习法”最经常遇到的问题,是编了一半实在编不下去,这恰恰在提醒你,有一个知识点的逻辑关系你没有掌握,必须重新理解,再回头修改。
上面的内容大家读得很顺,那是因为我在理解过程中,不断修改这个例子:我一开始是用“挖矿”来类比,后来意识到,“挖矿”不好理解“链”的概念,后来换成了“电影票”,又意识到转让“电影票”挺奇怪,最后才改成了“火车票”。
一开始,我用火车票的座位号去理解“链”,但后来发现理解的不对,座位号是火车的“链”,火车票才是交易区块的“链”。
在不断修正这个例子的过程中,我对“区块链”的理解也越来越深,忽然在某一个时刻,打通了逻辑。
“火车票”的例子之所以合适,因为区块链解决的信任问题刚好也是火车票在现实中的问题,大家比较好理解。后来,我竟然发现真的有人探讨用区块链技术解决火车票的问题。这就更说明“费曼学习法”的价值了——你不但学习了知识,还掌握了知识的应用。
不过,每一个比方在帮助你理解了一个属性后,也可能让你忽视和误解另一个属性。
比如这个火车票的例子,比较容易去解释“区块链”的“分布式存储”,但却忽略了另一个重要的特征“共识机制”。
当然,一般人对区块链的认识到“分布式存储”就可以结束了,但如果你是对此特别感兴趣,或者是创业者,或者相关行业的非技术从业人员,或者像我这样的职业投资者,一定会考虑一个问题:
区块链跟我有什么关系?
而这才是“费曼学习法”的深度应用。

区块链不可能三角形

费曼学习法的第一步是“明白学习目标”,看上去简单,不就是弄明白什么是“区块链”吗?
但当你解决了这个目标后,你自然会产生一个新的目标——“区块链”对我而言的意义是什么。
新知识就像一个孤岛,刚才通过“费曼学习法”的过程,好像一次新大陆的航行,确定了“新大陆”的位置,但接下来呢?如果你觉得这里有可能有资源,你就需要进行勘探发掘。
“费曼学习法”的方法仍然是把新知识与旧知识联系,只不过,这一次,我们的目的不是理解,而是比较。
仍然以“区块链”为例,上面的类比留给我一个疑问——转让一张火车票,要在所有人的账本上都记上一笔?那怎么保证一条信息过来,大家都正确地记账?要是不在线怎么办?要是有人故意乱记怎么识别?……
事实上,因为不可能每个人同时一起记账,所以每一个新区块只能由一个人负责记,然后大家“抄作业”,但现在是“去中心”了,“老师”已经没有了,那么如何挑出一个可信任的“记账人”,这就需要一个“共识机制”。
最早的共识机制叫“工作量证明”,就是比特币中的“挖矿”,用比拼算力暴力破解密码的方式来竞争记账权,获胜者的回报就是“奖励币”和转账手续费。
为什么算力可证明一个人的可信呢?“工作量证明”就像科举中的“八股文”,挖矿就像中举,奖励币就像当官。做官本身并不需要“八股文”,但因为难度大,而且需要你投入大量精力,所以可以证明一个人的智商和意志力,这同样是当官所必须的。
这种算法绝对无法造假,又绝对是“去中心化”,但它毫无意义地消耗了大量计算与电力资源,这种低下的效率,除了造币还真没什么别的用处。
针对“工作量证明”的缺点,有人设计了的2.0版、3.0版的算法共识,或者根据持币时间长短和数量取得记账权,或者民主投票产生记账权的代理人,这就不需要“挖矿”,交易效率高了,但缺点是不那么“去中心化”,而且“安全性”也没有那么强。
所以就有人提出了一个“区块链不可能三角形”——不可能同时兼顾效率、去中心化程度、安全。
用“费曼学习法”理解区块链,你也可以做到
可以说,在我学习“共识机制”的过程中,正是这个熟悉的词——不可能三角形,一下子打通了我的“奇经八脉”,所有关于“区块链”的逻辑一下子被这个“不可能三角形”贯穿了。
“去中心化”不是绝对的,区块链应用实际上是在这三者之间进行平衡:版权保护要的是的版权确认与分销的“效率”;区块链游戏要的是玩家物品的“安全性”;资源共享类应用要“去中心化”……,为产品开发更合理的共识算法,正是区块链工程师最核心的工作之一。
这也就解决了此前我最大的疑惑:为什么“区块链”一下子上升到国家意志层面?
分析一下这个“不可能三角形”,“安全”不是指网络安全,而是系统可用性,是区块链最核心的价值,不能没有;“效率”是商业化应用的前提,也要有;那唯一可牺牲的就是“去中心化”的程度了。
政府肯定是不喜欢“去中心化”的,每一个“中心”都代表一项权力,就像前面的“去中心化火车票”让站长失业一样,这也是之前有关部门一直视比特币为洪水猛兽的原因。
但“去中心化”确实又有好处,可以降低行政成本,提高办事效率。
更重要的是,虽然区块链技术的应用方向很多,但唯一能够影响国家决策层意志的还是金融,从国际竞争的角度看,“去中心化”就是“去美元霸权”,对政府就是有战略意义的技术。
这就解释了,为什么央行早在2014年就一直在研究的数字化货币DCEP,在脸书推出天秤币后,忽然加速。
天秤币以美元作为记账单位,代表了“美元霸权”在数字货币领域内的延伸,美联储已经基本同意,只在国会有压力,所以小扎在美国国会高调作证,办法就是用“中国人已经大幅领先”制造悲情效应。
不管你愿不愿意,“区块链”已经上升到国家竞争的层面。
事实上,区块链未来第一个杀手级应用已经很明显,即跨境支付,美国主导的SWIFT协议结算周期平均需要3-5天,其中交易确认就需要1-2天,理论上用区块链技术可以让跨境变成T+0结算,毫无疑问可以在这个基础上诞生很多新的商业模式。
所以天秤币的初始成员中就有Visa、Mastercard、PayPal等金融支付机构。
如果能把“去中心化”的影响控制在一定的层面,又能争取“安全”“效率”,区块链很可能是下一场“货币战争”的核武器。

“费曼学习法”的五个要点

上面就是我用“费曼学习法”学习区块链的成果,前一部分是几年前认识“分布式数据存储”,后一部分是这次学习“共识机制”。
最后还是要回到文章的主题,总结一下“费曼学习法”的几个要点:
第一、遇到新知识,不要问别人,不要问别人,不要问别人。
怎么办呢?自己找资料,找出其中“关键的术语和规则”,用类比的方法,让自己讲明白其中的逻辑。
第二、如果特别复杂的定义,可以分成几部分,分别用不同的类比去解释。
第三、用已经学过的知识体系去“框”住新知识,就像“不可能三角形”让我忽然对“共识机制”的理解上了一个层次一样。
第四、根据知识的重要性,设置不同的目标,从“它是什么”到“它能干什么”,再到“它跟我有什么关系”,等等,从而提高你的理解层次;
第五、尝试用你理解的新知识,去解决实际问题,解释现实现象,你有可能发现新问题,或者让自己的理解更深刻。比如理解了“共识算法”后,就能意识到国家层面竞争的意义。
我发现,自从成为职业投资者之后,忽然一下子要面对大量的新知识,前年是云计算、区块链,锂电池,去年是人工智能、5G、网络安全,上半年是国产芯片、边缘计算、泛在物联网、燃料电池、自主可控,下半年又要重新学习区块链,费曼学习法的使用频率一下子高了很多倍。
虽然这些知识离自己的能力圈可谓十万八千里,但正因为如此,当你忽然明白了其中的核心逻辑,并与自己以往的知识产生关联之后,一下产生了“我靠,居然有这种神操作”,会体验到那种久违的愉悦感。
学习一时爽,用费曼学习法,天天学习天天爽。

AI并不像你想象的那么先进

梅勒妮·米切尔(Melanie Mitchell)写了她的新书《人工智能:思考人类的指南》(Artificial Intelligence: A Guide for Thinking Humans),因为她对人工智能究竟取得了多大进步感到困惑。她写道,她想“了解事情的真实状态”。
得知她的矛盾心理是一种安慰,因为她自己就是一名人工智能研究员。她是波特兰州立大学的计算机科学教授,也是著名的多学科研究中心圣达菲研究所(Santa Fe Institute)科学委员会的联合主席。如果米切尔对人工智能的立场都感到困惑,请原谅我们其他人的困惑,或者是谬误百出的见解。
正如米切尔所指出的那样,许多有关人工智能胜利的故事正在流传。这些报告中,最近在计算机视觉、语音识别、游戏和机器学习的其他方面的突破表明,人工智能可能会在未来几十年很大范围的任务中超越人类的能力。有些人觉得前景不可思议;另一些人担心“超人类”计算机可能会判定不需要我们人类在身边,并有能力做些与此有关的事。
我们要么离‘真正的’人工智能只有咫尺之遥,要么离了数百年。”
但也如米切尔另外证明的那样,即使是当今最强大的人工智能系统也有关键性的局限。它们只擅长于狭隘定义的任务,对外面的世界一无所知;它们在数据中发现相关性,而不考虑数据的含义,因此他们的预测可能是非常不可靠的;它们没有常识。
“要么取得了巨大的进展,要么几乎没有进展,”米切尔写道。“我们要么离‘真正的’人工智能只有咫尺之遥,要么离了数百年。”
米切尔解决问题的方法使这本书具有纪念意义和启发性。她对当今人工智能技术的耐心解释给人的印象是,真正的机器智能还很遥远。她表示,电脑不仅需要更好的大脑,还可能需要更好的身体。
米切尔提供了非常清晰易读的人工神经网络入门知识,该技术是图像识别,语言翻译和自动驾驶方面最新进展的核心。20世纪50年代和60年代,在最初的一些建立人工智能的尝试中使用了神经网络,但它们失宠了,因为看起来像一条死胡同,价值有限。但大约10年前有所改变,计算能力的进步使一种称为深度学习的数据密集型方法来训练神经网络成为可能。
跟随米切尔对神经网络的描述,你不需要了解繁杂的的数学。她展示了数学主要是什么,这就同时解释了它们的威力和缺陷。一种对识别图像内容特别有用的神经网络依赖于一种叫做“卷积”(convolution)的数学计算。处理文本的版本依赖于计算机表示语言统计方面的能力,即在穿过数百个维度的复杂“向量”里,单词在句子中出现的频率有多高。
令人印象深刻的是,人们已经将世界上如此多的方面进行了量化,以供计算机继续工作。同样值得注意的是,这些方法有如此多样的应用,比如检测肿瘤、自动驾驶和过滤垃圾邮件。但是这种伟大计算器的巧妙新用途并不一定赋予它们与我们的智力相当的能力。正如米切尔所指出的,让卷积神经网络(Convolutional Neural Networks, CNN)正常工作“需要大量的人类智慧”。
机器学习系统本质上是统计工作,所以很清楚,为什么它们很容易受到所馈送数据中的不准确、漏洞和其他缺点的影响。难怪如果神经网络在主要显示白人的图像上经过训练,它就不能识别黑人的脸。当一辆自动驾驶汽车无法识别一个有贴纸的停车标志,但(对人类来说)它仍然是一个明显的停车标志时,就并不奇怪。
幸运的是,这类问题已经引发了许多富有成果的讨论,这些讨论关于面部识别技术和自动决策的社会影响。纽约大学数据新闻学副教授梅雷迪思·布鲁萨德(Meredith Broussard)在2018年出版的《人工智能:计算机如何误解世界》(Artificial Unintelligence: How Computers The World)一书中有说服力地提出,无论你是否称它为“人工智能”,计算机仍然应该被当作是被我们这些好奇的人类使用的工具,人类应该始终处于这个范围内。
不过,尽管米歇尔并不是第一个指出机器学习系统弱点的人,她还是在评论中加了一层解释说,即使在它们处于最佳状态的时候,计算机可能也没有你想的那么好。在过去几年里,研究人员开发出了神经网络,他们声称,在识别照片或视频中的物体时,神经网络的表现达到甚至超过了人类的表现。这在新闻中被作为另一个必然对机器优势“抵抗无果”的例子。
米切尔指出,讨论的基准是一个基于名为ImageNet的大型图片数据库的测试。2017年,最优秀的计算机系统对来自ImageNet的图片进行了分类,正确率达98%的top-5正确率,据称超过了95%的人类正确率。(注:top-5准确率指排名前五的类别包含实际结果的准确率,即对一个图片,如果概率前五中包含正确答案,即认为正确。)
“top-5”的障碍是什么?这意味着正确的物体分类是机器作出的前五种猜测之一。米切尔写道:“如果给定一个篮球的图像,机器按这个顺序输出‘槌球’、‘比基尼’、‘疣猪’、‘篮球’和‘搬运车’,就被认为是正确的。top-5指标存在的原因可以理解:如果一张图片显示了不止一个物体,那么了解机器是否能检测出这些物体是很有用的。但它削弱了对极端技能的要求。米切尔表示,2017年,当该机器将正确的类别归置在其列表首位时,top-1的最高准确率仅为82%。(注:top-1准确率是指排名第一的类别与实际结果相符的准确率,即对一个图片,如果概率最大的是正确答案,才认为正确。)
至于说人类有95%的准确率,米切尔认为支持这一说法的数据站不住脚。在2015年发表的一个研究项目中,两个人尝试了ImageNet挑战的一部分。投入更多时间的人是安德烈·卡帕西(Andrej Karpathy),他现在是特斯拉的人工智能主管。以top-5准确率作为衡量标准,他错了5%。而现在,这个数字被用作人类表现的标准。
如果不是因为这个特殊测试的古怪之处,他的错误率可能会更低。卡帕西写道,他和另一名测试对象所犯错误的四分之一,不是因为他们对所看到的图片一无所知,而是因为他们不知道或不记得ImageNet中使用的一些确切的标签。
更糟糕的是,“据我所知,还没有人报道过机器和人类在top-1准确率上的比较,”米切尔写道。
凭借其快速和无尽的耐心,计算机是许多应用中图像识别的理想选择。在某些情况下,它们肯定比人类更准确。但说得太过了。“物体识别尚未接近被人工智能‘解决’的程度,”米切尔写道。
我很难想象我们需要什么样的突破才能制造出这样一台机器。”
人工智能目前最热门的话题之一是,如何让机器不仅检测数据中的统计相关性,而且在某种程度上理解它们正在处理的内容的意义。和米切尔一样,纽约大学的研究人员加里·马库斯(Gary Marcus)和欧内斯特·戴维斯(Ernest Davis)表示,如果没有这些改进,人工智能就不会“安全、智能或可靠”。在他们的新书《重启AI:构建我们可以信任的人工智能》(Rebooting A.I.:Building Artificial Intelligence We Can Trust)中,马库斯和戴维斯说,人们由于“可信度差距”而误以为计算机比它们更先进。
他们写道:“我们不得不从认知的角度来思考机器(‘它认为我删除了我的文件’),不管机器实际上可能遵循的规则多么简单。”
为了让机器变得不那么简单,许多研究人员正在重新探索用逻辑和常识来编码计算机的旧方法。以米切尔为例,她用类比的方式描述了她让计算机进行推理所做的努力。如果你想要一个电脑识别图像描绘“遛狗”,现在的基本方法是给它显示成千上万的遛狗的图片,然后使之相信那些照片中常见的事物——狗,皮带,手等。当机器看到之后遛狗的照片时,将触发一个积极的信号。然而,它可能会嗅出一些不寻常的遛狗行为。米切尔展示了一些例子,比如一张照片,一个人骑着自行车遛狗,另一只狗叼着另一只狗的皮带。她的研究小组正试图让计算机理解后一种情况是典型情况的“延伸”版本。
那样的工作是辛苦而缓慢的。即使它成功了——如果一台电脑可以在某种程度上理解“遛狗”可以有多种形式——如果这台机器自己从来没有遇到过狗,这种理解能有多丰富呢?
当我6岁左右的时候,我在我家附近的人行道上骑自行车,停下来看(也许还扔了) 一串从甜胶树上摘下来的带刺的种子球。突然,有人打开了街对面一所房子旁边的一扇门,出来一条棕色的狗,它犹豫了一两秒钟,然后径直扑过来,咬住我,撕破了我的灯芯绒裤子。这些记忆帮助我洞察到经历的无数方面——惊讶、恐惧和痛苦的感觉;一些狗的不可预测性;甜胶种子球的奇异古怪。相比之下,如果计算机被告知当人们说“something bit them in the ass”时并不总是一个习语,那就太肤浅了。(注:bite本意为“咬“,ass本意为“屁股”,bite (someone) in the ass指不当行为导致了不良后果。)
哲学家和其他人工智能怀疑论者一直认为,没有真实身体的电子大脑只能学到盒子里这点东西。许多人工智能研究人员将这种怀疑归咎于“某种残留的神秘主义”——正如认知科学家安迪·克拉克(Andy Clark)在1997年出版的《此在:重整大脑、身体和世界》(Being There: put Brain, Body, and World Together Again)一书中所写的那样,这是一种“对类似灵魂的精神实质的非科学信仰”。但是,当你考虑到爬行的婴儿能快速掌握基本概念,而数据中心的计算机需要大量的电力来吸收一个东西时,人工智能需要一个身体的这个想法就听起来相当不错。
米切尔似乎不情愿地转变为怀疑论者的立场。“在与人工智能搏斗多年之后,我发现关于身体化的争论越来越有说服力,”她写道。
那么,怎样才能制造出一个能在世界各地移动的机器人呢?这个机器人不仅能洞察自己的行为,还能洞察人类、动物和其他机器的行为。“我几乎无法想象,”她写道,“我们需要什么样的突破才能制造出这样一台机器。”
译者:Yoyo_J

Monday, 28 October 2019

产业政策,尤其是产业补贴,能否增强国民经济,能否壮大国家汽车工业,能否帮助中国追赶发达国家?产业补贴,到底是推动了汽车工业进步,还是阻碍了技术革新?产业补贴,是否违背经济规律,其结果是事与愿符,还是事与愿违?

编者按:本文来自微信公众号“智本社”(ID:zhibenshe0-1),36氪经授权发布。
文|清和智本社社长
今年,在中国汽车行业,我们似乎听到冰山断裂的声音。
全国汽车市场整体销量大幅度下滑,上半年轿车销量同比下降12.5%。上汽、广汽、一汽、东风、吉利、长城、长安、力帆、众泰、海马等销量下滑超过10%。只有比亚迪、北汽新能源等个别车企凭借新能源逆势上涨。其中,比亚迪新能源效益最为火爆,净利润同比增长高达203.61%。
然而,今年6月新能源补贴大幅度削减后,新能源汽车销量全面下滑。根据中汽协发布的数据显示,2019年1月-8月,新能源汽车销售为79.3万辆,虽然同比增长32%,但远低于去年同期88%的增长。9月,新能源汽车销量仅为8万辆,同比下降达34.2%。
一些车企陷入债务困境,商业银行对众泰、华泰、力帆、猎豹四家企业进行风险排查。上半年,长安汽车亏损额高达22亿,净利润下滑239%。力帆净亏损高达近10个亿,净利润下滑859%。
力帆对外承认,重庆市政府正在帮助力帆汽车成立债委会,要求各银行“不抽贷、不压贷、不断贷”。造车新势力代表蔚来汽车以卖一台亏两台的速度火速烧钱,股价遭遇重挫,如今融资频频受阻。
市场风声鹤唳,很多人认为,如果新能源补贴停止,新能源汽车泡沫定然崩溃。
过去几年,国家新能源战略以及新能源补贴推动这一产业产能膨胀,传统车企及造车新势力纷纷涌入分享这波红利。
从2017年5月至今,国家工信部公示了六次新能源汽车补贴,补贴总额超过624亿,核定补贴车辆61万辆,超百家企业拿到补贴。
然而,今年6月开始,新能源汽车补贴“退坡”:
纯电乘用车续航里程低于250公里的没有任何补贴,而之前可以拿到5.25万元的补贴(3.5万国家补贴、1.75万地方补贴);
续航250公里至400公里之间才可以拿到1.8万元的国家补贴,而之前可以拿到9万元的补贴(6万国家补贴、3万元地方补贴);
续航大于400公里以上的,也只有国家补贴2.5万元,而且所有纯电乘用车取消了地方补贴。
补贴骤降,新能源退潮,裸泳者现,部分车企陷入债务困境,新能源汽车盈利无望。
补贴大幅退坡后,中高端电动汽车的补贴比调整前平均直降5万元左右。一辆中高端新能源汽车的利润不超过1万元,如今补贴减少了大概5万元。每卖一台中高端新能源汽车,车企将亏损4万元左右。
这就意味着,若补贴停止,新能源汽车依然缺乏自生能力。
大规模的补贴为什么没有培养出新能源汽车的生力军?
补贴促进了新能源汽车技术创新,还是起到了反作用?
怎样的产业政策,才有助于新能源汽车以及技术进步?
本文为《产业政策之辩|主权货币、技术垄断与公共产品》接续篇,旨在探讨产业政策与技术革新、经济增长之间的利弊关系,以及什么样的产业政策有利于经济发展。
本文逻辑:
一、知识分散:百年汽油车何以超越电动车?
二、自发秩序:产业补贴为何创造无效供给?
三、戈森定律:未来新能源汽车之路怎么走?

知识分散:百年汽油车何以超越电动车?

产业政策源自于美国政治家汉密尔顿的“幼稚产业保护理论”。
这一理论,经德国历史学派创始人李斯特系统阐述。二战后,日本一度大规模使用产业政策。如今成为一些后发国家追赶发达国家的施政“武器”。
在中国,经济学家林毅夫继承了这一理论。他在与经济学家张维迎就产业政策辩论时说:
“我没有见过不用产业政策而成功追赶发达国家的发展中国家,也没见过不用产业政策而继续保持其领先地位的发达国家。”
当你通读汉密尔顿的《关于制造业的报告》、李斯特的《政治经济学的国民体系》以及林毅夫的《新结构经济学》就会发现,“幼稚产业保护理论”其实谈不上什么理论。
这一理论主要是站在民族大义的角度,希望借助国家的力量,如产业补贴,来振兴工业经济,追赶发达国家。
新能源补贴政策的初衷而是如此,用补贴的方式扶持新能源车企,扩大新能源汽车市场规模,促进新能源汽车技术进步。
由于站在了民族大义、国家利益上,产业政策就变得很有市场,容易获得施政者、爱国者、民族主义者以及利益相关方的支持。
但是,产业政策,尤其是产业补贴,能否增强国民经济,能否壮大国家汽车工业,能否帮助中国追赶发达国家?产业补贴,到底是推动了汽车工业进步,还是阻碍了技术革新?产业补贴,是否违背经济规律,其结果是事与愿符,还是事与愿违?
产业政策的反对者认为,产业政策定然是失败的,不利于经济增长和技术进步。这一主张坚持者,包括新自由主义(如弗里德曼)和奥地利学派(如米塞斯)。其中,新自由主义侧重于垄断理论、不正当竞争及市场扭曲;奥地利学派则侧重于知识分散、自发秩序及企业家才能。
新自由主义从自由市场的角度批判产业政策,产业政策支持者则讲国家利益,所以,二者其实是“鸡同鸭讲”。但是,奥地利学派对产业政策的解剖,令人无法回避。
奥派对市场内在逻辑的认知其实是最为深刻的,米塞斯、哈耶克从知识分散、自发秩序到个人主义、企业家才能,构成了一套完整的理论体系。这套体系告诉人们,即使你我一起站在民族大义、国家利益出发,产业政策也无法给国家带来我们想要的结果。
张维迎支持奥派主张,他认为,产业政策之所以失败,是由于人类认知能力的限制和激励机制的扭曲。“一个是人类的无知,一个是人类的无耻。”【1】
他强调的“人类的无知”,是继承了奥派的知识分散和不可知论。米塞斯、哈耶克认为,知识是分散在市场之中,分散在每个人的大脑中;没有任何一个人,包括政府能够收集完整的信息,就像没有人可能知道所有的股民是如何决策的一样。
这种情况下,任何个人、企业、企业家以及政府,都不可能提出一个绝对正确的产业政策。奥派认为,政府并没有比企业家聪明,企业家做不到的政府也不做到。在哈耶克看来,政府制定一个产业政策指导企业家,属于“致命的自负”。
其实,产业政策失败案例不少,很多地方政府制定了产业政策,比如鼓励种橘子,扶持光伏产业,出现方向性错误,结果市场不买账,损失惨重、教训深刻。
张维迎认为,“产业决策是集中决策,是一场豪赌。它将每个人犯错的概率累积到一起,加大了集体出错的概率。成功的可能性很小,失败的可能性巨大。”
政府没有必要制定产业政策,而应让企业家在市场中去摸索产业发展、产品革新、技术演进之路径。
从历史的角度来看,电动车与汽油车几乎是同时起步的,都诞生于第二次工业革命,电动车还要早一点。甚至早在1863年,比利时人ÉtienneLenoir就发明了氢能源汽车,比奔驰汽油车早25年。
我们知道,工业革命其实就是能源效率革命。人类很早就使用了煤炭、石油,但是能源使用效率是一个技术问题。在第二次工业革命期间,内燃机和电动机的发明将工业经济推入两条不同的赛道,引发了一场关于能源效率革命的竞赛。
换言之,电动车和燃油车,起步的时间差不多,但结局却完全不同。
1900年时,蒸汽车比重最多,其次就是电动车,然后才是汽油车。这时就已经出现了我们今天感觉很酷的电动平衡车。
回到120年前,若让当时的政府制定汽车产业政策,说不准会选择电动车。
若将时间再往前推一百年(1800年),我想,若要制定产业政策,一定会选择马车而不是蒸汽车。
因为当时的道路上,马车纵横,马粪遍地,蒸汽机车行驶的速度还不如马车。事实上,1801年,英国人才制造了第一辆在道路上行驶的载人蒸汽车,时速为9.6公里。到了19世纪中期,欧洲很多城市开始流行蒸汽车。
但是,1865年,英国政府通过了臭名昭著的《道路(蒸汽)机动车法》(“红旗法案”),将蒸汽车在乡下和城市的速度分别限制在每小时3公里和6公里,而马车并无任何限速。该法案还要求,蒸汽车在行使时,必须有人手持红旗在车前方60码开路,以避免惊吓到行人和牲畜(马车)。
英国政府在当时选择了马车,而不是蒸汽车。这一法案很大程度上限制了英国蒸汽车的发展,蒸汽车后来转移到了法国。
我们再来看看,过去一百多年,人类为何选择了燃油车,而不是电动车。
燃油车的发明经历了非常曲折漫长的过程,其关键在于内燃机技术。
活塞式内燃机的原理最早来源于17世纪的荷兰物理学家惠更斯。1794年英国人斯特里特才提出从燃料燃烧中获取动力的设想。1833年,英国人赖特提出了直接利用燃料压力推动活塞作功的设计。
直到1860年,法国人勒努瓦模仿蒸汽机的结构,设计制造出第一台实用的煤气机。这台煤气机车将热效率提升到4%左右。两年后,法国人罗沙提出了四冲程工作循环原理,提高了内燃机效率。
1876年,德国发明家奥托在罗沙的基础上,创制成功第一台往复活塞式、单缸、卧式、3.2千瓦(4.4马力)的四冲程内燃机。这是一台煤气燃料的火焰点火式的内燃机,热效率提升至14%。
这时,石油逐渐被开发出来,燃烧汽油、柴油的内燃机逐渐被开发出来。1883年,德国人戴姆勒创制成功第一台立式汽油机。它的转速高达800转/分,当时煤气机的转速不到200转/分。这台汽油机,极大地推动了汽车产业发展。
1897年,德国工程师狄塞尔研制了第一台压缩点火式内燃机(柴油机)。这台柴油机将热效率提升到26%。这个水平已经相当高了,现在的发动机,如本田、丰田以及马自达热效率不过40%。这是一项革命性的发明,人们称之为狄塞尔引擎。
狄塞尔引擎问世后,刺激了世界机械业的神经。1898年,柴油机用于固定式发电机组,1903年用作商船动力,1904年用于舰艇。
即便如此,若当时政府制定产业政策,依然可能不会选择汽油车。
要知道,从内燃机原理提出到柴油机的问世,人类经过了200多年的漫长探索。而德国人卡尔·本茨在1888年造出第一台可以上路的汽油车时,电动车已经大行其道。
德国人戴姆勒、迈巴赫也在1889年才开始制造汽油车。美国人福特更是在1901年才建立第一个汽油车制造厂。直到1913年,第一台以柴油机为动力的内燃机车才出现。
这个时候,另外一个赛道上,电力革命正在领跑。
塞尔维亚裔美籍科学家特斯拉在1893年制造出了100万伏的高电压,并赢得了与爱迪生之间的“电流大战”。从此,人类进入电气时代,电力革命席卷工业领域。
而内燃机崛起,是1920年代之后的事情。这时,欧美世界有两大因素发生了变化,促使内燃机在汽车上优势要明显强于电动车:
一是大油田的发现,石油价格大幅度下跌,汽油车成本快速下跌,内燃机开始大规模推广到工业领域;
二是欧美国家逐渐形成了公路网络,汽油车的续航能力要远远高于电动车。
从1920年到现在,这100年间,汽油车占据了绝对统治地位,电动车则被边缘化。但其实,电力革命,其实与内燃机革命是并驾齐驱的,在很多领域,电力取代了煤炭、石油。比如家电,冰箱早期是烧煤气的,用煤气加热使浓氨水沸腾。后来,煤气冰箱被更高效的电力冰箱取代,变成了我们现在的“电冰箱”。
所以,回顾这几百年的能源革命历史,个人、企业家及政府确实很难判断未来产业及技术变革的方向。即使电力或内燃机都具有效率,但运用到不同产业中效果是不同的。政府没有办法掌握所有的信息来判断,汽油车或电动车未来哪个更有优势。
同是交通领域,有轨电车的效率比燃油车更高,如城市早期的有轨电车和高铁。但是,在普通汽车中,汽油车的效率则更加明显。主要原因是汽油、柴油的压缩密度和燃烧效率远远高于电池动力。
在电动车与汽油车的百年竞赛中,我们至少可以得出两个启示:
一是如内燃机重大技术革命,是受市场驱动的,往往是多个国家的技术人才、企业家共同交流、协作与竞争的结果。若实施“幼稚产业保护”政策,只会形成信息孤岛,减缓技术创新的步伐。
二是历史长河中,我们会发现,人类是渺小的,很多眼前认为是正确的方向,但历史的走向却完全不同。正如人在浩如烟海的图书馆、变幻无常的股票市场中,我们无法掌握所有人的信息,更难以判断未来的走向。
百年之前,汽油车超越电动车的原因,除了内燃机革命之外,还包括大油田的发现以及公路网的建设。在当时,这些信息(知识)是政府或个人难以完全掌控的,更无法预料大油田及公路网对汽油车的影响。
时至今日,我们也难以判断,电动车一定优于汽油车,或者汽油车优于电动车。从热效率的角度来看,如今的纯电动车不如汽油车,混合电动车则强于汽油车。
“电动汽车的能量来自于电网,我国80%的电力是靠热力电站(烧煤、烧油)提供的。如果我们将电厂发电的热效率、向各个用户输送电能的效率、电瓶充电效率、电瓶充电-放电循环效率以及电动机和控制器的效率连乘起来,再将电网上的电转变成车轮动力的总效率,即使每项都按最高效率值考虑,其结果也比普通内燃机的热效率至少低5%。”(中国汽车报)
金融投资家维诺德·科斯拉认为,电动汽车实际上是煤炭驱动的汽车。它的碳排放比汽油驱动的车更差。
我们现在将电力称之为新能源,不论从历史、效率及清洁度来看都是不准确的。从经济学角度,新能源应该由能源效率来定义。

自发秩序:产业补贴为何创造无效供给?

张维迎说的产业政策之所以失败的第二个理由是“人类的无耻”,说的是一个道德风险,产业补贴导致骗补、行贿、歧视性对待等问题。比如,2016年9月8日,5家新能源汽车生产企业意图骗补国家财政补贴超10亿元。
其实,排除道德风险,产业政策所面临的最大的问题是“人类的无力”。
市场是一个私人契约的集合,排斥公共契约。换言之,任何个人、企业家、企业乃至政府,无法凭借个体或集体的力量,建立一个强大的经济体。
反过来,在市场这个契约中,若过度地使用公共权力,打着集体利益的旗号行使公共契约,最终会适得其反。
所以,产业补贴最大的问题是制造大量无效供给,经济增长随着边际收益递减而陷入困境。
很多人认为,产业补贴可以降低新能源汽车价格,让消费者受惠,扩大新能源销量,推动车企的技术进步。这种想法,其实是违背经济规律的。
产业补贴首先创造了大量的无效需求。什么是无效需求?比如,新能源汽车30万一台,但我能够接受的价格是25万。若没有补贴,我买不起或不选择买这台车。这就是无效需求。只有想买又买得起的需求,才是有效需求,才能促进经济增长。
大量无效需求,刺激大量无效供给,最终导致产能过剩、技术及增长乏力。
比如,当年美联储将联邦基金利率降至接近于零,放松了对金融的监管,银行降低了信贷标准,发放了大量次级贷款。次级贷款就是一种无效需求,也是一种无效供给或叫劣质供给。原本信用额度不足、无法获得贷款的人拿到了贷款。当美联储加息时,利率上升,次级贷款者无力偿还贷款出现大面积违约,最终酝酿了次贷危机。
又如,前些年的光伏产业。2001年,中国光伏电池产量仅3兆瓦。之后,在产业政策的刺激下,仅仅六年时间,这一数据就达到2000兆瓦,跃居世界第一,涨了600多倍。
在产业政策的刺激下,全国光伏基地遍地开花,全国31个省份均把光伏列为优先扶持发展的新兴产业,有300个城市发展光伏太阳能产业,光伏产业基地超过100个。
2001年无锡尚德成立,四年后便成为中国第一家在美国纽交所上市的私人企业,成为中国光伏产业的领头羊,其创始人施正荣一跃成为中国首富。紧跟着无锡尚德的还有十多家光伏企业在海外上市。
但是,2013年,无锡尚德却进入破产重组程序。中国光伏产业泡沫崩盘,整个行业大败退,另外一家明星企业、亚洲规模最大的太阳能多晶硅片生产企业江西赛维也于2015年进入破产重组程序。
为什么?
在产业政策及财政补贴的冲击下,光伏企业大规模扩张,产能严重过剩,产品同质化严重,技术含量不足。
2011与2012年全球光伏组件总产能分别超过40GW和50GW,而全球2011与2012的市场年需求量仅为30GW。2011年光伏补贴逐渐削减,再加上欧美对中国光伏产业实施“双反”调查,光伏泡沫破灭。
大量无效供给导致多晶硅价格崩盘。自2011年初至2012年4月23日,多晶硅价格下跌了近70%,至24.5美元/公斤,2013年初,更是一度探低至19美元/公斤。
金融危机期间,中国推出了包括汽车、钢铁、纺织、装备制造、船舶、电子信息、石化、轻工业、有色金属和物流业十大产业振兴规划及相应的产业政策。目的是通过控制总量、淘汰落后、兼并重组、技术改造、自主创新,推动产业结构调整升级。
但结果却是,仅仅几年后就出现了严重的重复建设、产能过剩。2013年10月,国务院发布了《关于化解产能严重过剩矛盾的指导意见》,其中明确提及,我国钢铁、水泥、电解铝、平板玻璃、船舶产能利用率分别仅为72%、73.7%、71.9%、73.1%和75%,明显低于国际通常水平。
2015年12月,中国的钢铁、煤炭、水泥、玻璃、石油、石化、铁矿石、有色金属等几大重工行业亏损面积达到80%,产业利润大幅度下滑,产能过剩严重。这些行业的生产价格指数(PPI)已连续40多个月呈负增长状态。
当时,中国启动了供给侧结构性改革,主要是“去库存,去产能,去杠杆”。
为什么产业补贴创造无效供给,而无法促进技术创新?
其中的逻辑是:产业补贴扭曲市场价格,发出错误的市场信号,资本大量涌入,按照补贴标准生产大量同质化产品,技术创新缓慢;随着重复产能不断增加,边际报酬率越来越低,最终陷入增长困境。
具体到新能源领域,汽车分析师张啸林说的很准确:“之前ADAS(高级驾驶员辅助系统)领域有个笑话。说ADAS创业公司不是toB,也不是toC,而是toVC。现在我把它改编一下,车企造电动车不是toB,也不是toC,而是to补贴。”【2】
2018年中国新能源汽车产销分别完成120多万辆。我国已经连续四年居世界新能源汽车产销量首位,规模保有量占全球50%。
其中不少是政府及出租车公司采购,真正私人购买不过十几万辆。若停止补贴,新能源汽车中有多少是有效需求和有效供给?
以比亚迪为例,2018年比亚迪累积获得新能源补贴高达108.62亿元,占总额的17.40%,成为最大赢家。
这一年,比亚迪利润是多少?
2018年比亚迪归属于上市公司股东的净利润27.90亿元。若将108.62亿元补贴去掉,比亚迪的利润是多少呢?
再看,这一年,比亚迪的税收是多少?
2018上半年,比亚迪支付各项税费额为23.51亿元,不过同期公司还收到政府的税费返还12.21亿元,占比超过了纳税额的一半,再扣除其他相关项目后,当期实际贡献的税费仅10.46亿。假如全年纳税在此基础上乘以2,则不到21亿。
这意味着,比亚迪从纳税人身上拿走了108亿补贴,却只给国家上缴20多亿税收(推算)。
那么,一家靠国家补贴生存、盈利的企业,将经营方向放在市场需求、技术研发、产品创新上,还是产业补贴上?
企业家决策是基于边际成本与边际收益的,当补贴的边际收益大于技术创新时,企业会专注于补贴,而不是技术创新。产业补贴对市场的杀伤是,它替代了市场,成为补贴企业经营的指挥棒。一些企业冲着补贴而来,补贴一停便立即停产。
由于补贴扭曲了市场价格,企业家难以判断市场的需求,也难以判断补贴停止后的市场需求。这种错误的价格信号往往导致企业做出错误的经济核算,或者无法做出经济核算,进一步导致战略失误,如扩张产能。
米塞斯认为,由于不存在价格信息或错误的价格信号,企业或政府无法完成经济核算,从而否定了计划经济的可能性,也说明了产业政策的盲区。他认为,没有经济核算,“一切过程漫长而迂回的生产,如此复杂繁多的步骤,眼前就有如茫茫黑夜。”【3】
更重要的是,车企的技术方向及经营目标沦为补贴标准。
以A00级电动车长城欧拉R1为例,这款车续航为361公里,在2018年可获得4.5万元的补贴。而在2019年的标准下则变成了1.8万元,减少了2.7万元。
按照新标准,这款车将无法单独实现盈利。这个时候怎么办?
汽车行业分析师张啸林认为:“因为在2019年标准下,‘361公里续航’和‘250公里续航’获得的补贴是一样的。它应该索性向着中低续航、经济高效的方向发展,卖给经济型用户,保持企业利润率。”
这就意味着,这类车型的续航能力不但没有提高,反而还因补贴下降而降低。
事实上,这是行业的生存法则。
2017年比例最高的是150公里-199公里的车型,占比达48%。2018年比例最高的是续航里程300公里-399公里的车型,占比达42%。
这些数据都是产业补贴驱动的结果。这两款车型,是车企经过计算后的“收益最大化区间”。
2017年续航里程150公里-199公里和200公里-249公里的车型同样可获国家补贴3.6万元,因此几乎没有企业会为了同样金额的补贴,多花研发经费突破200公里续航。
而2008年大于400公里续航车型只比300公里-399公里续航车多5000元,所以大多数车企经过成本核算后,都不愿意挑战400公里续航的车型。
同理,2018年300公里-399公里续航车型可获得国家补贴4.5万元,仅仅比最高档(大于400公里)差5000元。
如今,2019年补贴政策调整后,车企们又在计算“收益最大化区间”。不过,市场普遍认为,这次补贴滑坡后,每个区间的车型都面临盈利困难。
2018年北汽新能源净利润为1.57亿,若扣除政府补贴7.77亿元,则反而亏损6亿元。蔚来汽车则在2018年亏损了96亿,今年亏损面积还在扩大。
所以,当补贴滑坡或停止后,新能源汽车面临选择:维持原价,然后自掏腰包补贴用户,赔本赚吆喝,还是提价?
这次补贴滑坡政策出来后,蔚来汽车只坚持了四小时,之后便按新政减少补贴,即相当于提价。以蔚来ES8为例,按照2018年的补贴可获得6万多的补贴;若按新政,车主则需要多支付5万左右。
补贴其实违背了最基本的规律,即经济学家弗里德曼所说的:“天下没有免费的午餐”(西方谚语)。在市场中凡事都要付出代价,新能源企业拿到补贴却没有付出应有的成本,而补贴的代价最终由纳税人埋单。
巨额的产业补贴无法创造有效供给,电动车效率依然无法与燃油车相比。如何判断电动车效率不足呢?
上面所说的热效率只是技术标准之一,不懂技术的人,有一个很简单的办法,那就是看价格(性价比)。
价格,是一种效率信号。性价比更高的产品,意味着更有效率(效用)。消费者始终追求花更少的钱买性价比更高的产品,也就是更有效率的产品。
拿掉补贴后,新能源汽车没有性价比优势,拿掉上牌、不限购等政策支持后,新能源汽车的性价比更低。补贴其实支持了一种低效生产。
若补贴以技术为标准,能否提升新能源汽车的技术与效率呢,能否激发有效产能?
市场理论也被称为价格理论。我们上面讲,信息是分散的,任何个人及政府都无法掌控所有信息,这个时候该怎么办呢?
在市场中,价格就是一种信息发送机制,将每个人的信息收集并发送,与供给机制一起形成一个资源配置系统。
哈耶克说:“从根本上讲,在一个有关相关事实的知识由众多个人分散掌握的系统中,价格能够帮助不同的个人协调他们所采取的彼此独立的行动,就像主观价值可以帮助个人协调他所指定的计划的各个部分一样。”【4】
价格,包含了很多内涵,它不仅传递了信息,还一种惩罚或奖励机制。当价格高于企业家预期时,则奖励高效供给;当价格低于企业家预期时,则惩罚低效供给。
若以技术标准替代价格机制,就会破坏市场的惩罚与奖励功能,导致低效和混乱。
首先,政府以及任何人都无法确定什么样的技术标准是市场需要的,是高效率的。当前补贴的标准以电池续航能力为核心指标,这就引导车企往续航能力上发力,只要达到续航能力标准即可拿到补贴,至于市场的需求以及其它技术(如安全、智能化)则放在次要位置。
比如,补贴规定,新能源汽车申请补贴,累计行驶里程须达到3万公里。这一规定,主要考察车企3万公里以内的电池续航能力。这样,车企定然不会关注3万公里之后的续航。事实上,有些新能源汽车开了几万公里后,电池续航则快速衰竭。
其次,市场需求是多元化的,是政府及个人无法控制的,更是单一的电池续航标准不能替代的。有些汽车主打安全性能,有些主打舒适性,有些主打科技感。只要市场买单,就可以激励车企往创新领域发展。
最后,价格机制是一组自发程序。企业家按照最大化原则在市场上寻寻觅觅,探索各种新需求,开发相应的技术,推出新产品,从而提升经济效率。
当年,苹果推出iPhone手机时,诺基亚工程师对其做了测试后认为,这款手机不可能成功,因为不经摔、电池续航差。
诺基亚续航7天,后来的苹果手机下降到1天,为什么市场还是接受了苹果手机?因为苹果推出的是智能手机,智能手机的网络化、智能化的价值远远超过了功能手机,于是人们可以忍受一天的续航。换言之,智能手机的总体效率大于功能手机。
再看新能源汽车。国家的补贴标准盯在电池续航上,但是否考虑过通过其它技术价值对续航进行替代。
假如一台续航能力300公里的新能源汽车,具备无人驾驶功能。无人驾驶可以帮助用户抽出时间处理其它事情,这就相当于提升了效率。只要总体效率具备优势,用户更能够忍受电池续航的缺陷。
但是,无人驾驶技术依赖于人工智能、网络通讯、识别系统等复杂技术,其技术革新并非易事。
我想说的是,不管是电池续航方向,还是无人驾驶方向,或者其他方向,都应该交给市场这个发现程序去探索,应该交给企业家去探索,而不是政策补贴来引导。
放大来说,当年国家863计划鼓励电动车发展,考虑到内燃机汽车落后西方几十年,而电动车领域差距小,如此,鼓励电动车发展来实现“跨越式发展”。这被认为是“弯道超车”。
内燃机和电动机,是第二次工业革命开启的两大赛道,是工业时代两大核心动力。发展电动车并不是弯道超车,而是选择赛道。
但是,这两大赛道各有优劣,内燃机是工业引擎,在某些领域如航空航天、军工的地位举足轻重。我们不能因为难以逾越内燃机这座大山,就放弃这一赛道,这对工业立国、强国来说并非好事。
事实上,我们应该让市场去选择,让市场在这两个赛道上竞速,就像过去百年工业历史一样,有些领域内燃机胜出,有些领域电动机占优。
所以,发展经济,不能一厢情愿。哈耶克曾经说过一句振聋发聩的话:“用通向天堂的美好愿望来铺设一个国家通向地狱之路”。【5】
很多人希望,通过政策补贴来壮大我国的汽车工业。但这一美好的愿望以及家国情怀,不是被经济规律惩罚,就是被骗补以及金融套利者利用。
汽车制造属于资本密集型行业,很多人认为,以财政补贴扶持新能源,可以提高车企的资本积累。这种“奉献精神”,会造成选择性歧视,引发挤出效应,反而降低了市场效率。
市场是一个私人契约的集合,公共权力、公共利益干预市场,使一方面受惠的同时,定然导致另外一方受损。如此,便扭曲了市场价格,破坏了奖惩机制,不利于行业技术的提升。
更有甚者趁机上市套利,做出终身换电池等承诺,获取短期的销售业绩,以支撑股价,掩护资本退出,而车企则陷入巨亏之中。
这就相当于,拿着纳税人的财政补贴,“薅了社会主义羊毛”,还在股票市场上收割韭菜。

戈森定律:未来新能源汽车之路怎么走?

新能源的发展,不存在人为主观的好与坏,所有的好与坏都是市场来判断的,而不是产业政策决定的。
我们并是否定产业政策或政府行为。我们真正要考虑的是,什么样的产业政策有利于新能源汽车发展,政府应该扮演什么角色才能促进经济增长和技术革新。
林毅夫本人也是反对产业补贴的。他说:“我基本是反对补贴的,我(提出的)所有的产业政策里面没有一样是需要补贴的。除了对先行者进行激励的补贴之外,所有的优惠就是税收上优惠几年,量是很少的。”
张维迎则认为,市场准入限制、投资规模控制、信贷资金配给、税收优惠和财政补贴进出口关税和非关税壁垒、土地价格优惠等产业政策,都不利于经济效率的提升。他批评说:“产业政策是披着马甲的计划经济,在这个年代复活了。二者都体现了政府对经济生活、资源配置的干预。”
我们常说,政府不要干预市场。不干预市场的意思是,政府不要干预市场价格,破坏惩罚及奖励机制,阻碍市场要素流通。
比如产业补贴、信贷优惠,其实是扭曲了市场价格,给市场释放了错误的信号,奖励了大量重复建设,创造了大量无效供给,反而惩罚了技术创新者、未能拿到补贴者,排挤了试图进入者。
那么,政府到底该做什么呢?
在哈耶克看来,政府不需要为经济设定什么目标,只要需要建立公平规则,在公平规则中,每一个个体就像蚂蚁一样会根据自己的目标行事。这样经济系统自然就运转起来了。这个主张可以概括为“国家的无目标性”。
除了建立产业规则、制度之外,政府还应该做什么呢?
我们可以参考一下日本的经验。
日本是全球为数不多的产业政策比较成功的国家。中国的产业政策,最初也是受日本的影响而提出。
1987年,经济学家吴敬琏在国务院发展研究中心工作时写了一份报告——《我国产业政策的初步研究》,建议中国采取类似于日本通产省在二战后(1946年-1970年期间)实施的产业政策。国务院领导很快做了批示,完全赞同这个建议,并将这份报告批转给国家体改委、国家计委起草产业政策。
但是,后来,吴敬琏却对产业政策做出了反思:“我们对于事情的本质认识得不够,所以提出的应对的具体的方法、政策,就显得比较片面。”
实际上,在1970年代世界石油危机爆发后,经济陷入一定程度的滞胀,产业政策的弊端开始暴露出来,日本国内学者开始反思产业政策。八十年代初,东京大学小宫隆太郎教授组织了一批经济学家,对日本产业政策取得的成绩和问题做了全面的总结和分析。
1984年,他们的研究成果《日本的产业政策》出版发行,四年之后在国务院发展研究中心主任马洪的牵头下,这本书翻译到了中国。但是,当时中国学术界以及官方,对书中关于日本产业政策的教训都没有引起足够的重视。目前为止,这是经济学领域对产业政策研究最为具体、全面的文献。
在小宫隆太郎看来,产业政策对于处理“市场失灵”是十分必要的。但是,他强调其中存在几个问题:如何界定市场失灵?采取什么样的措施矫正?若市场失灵,政策又失误,应当怎么办?如何权衡产业政策的效果和代价?
小宫隆太郎基本上遵循“上 帝的归上 帝,凯撒的归凯撒”的原则。他将产业政策扩展到“关于产业的一般基础设施,包括工业用地、产业用的公路、港口、工业用水和供电等政策”。【6】
林毅夫将企业家和政府的职能分开,企业家的创新主要是在产品和技术层面,基础科研和公用技术的突破得依靠政府支持。
换言之,市场失灵的领域,尤其是与产业相关的基础设施、公共用品领域,产业政策的作用可以体现出积极的一面。
小宫隆太郎认为,复兴时期对钢铁工业的贷款,在造船工业夺得50%的世界市场以前对造船工业、海运业的补贴,为建立汽车等工业发展环境而对公路、港口等社会基础设施的投资,这些投资及补贴,不是任意的“瓜分钱财”,对价格机制的破坏相对较轻。
这一点的作用是毋庸置疑的。前面我们写道,汽油车为何在1920年代之后超过了电动车,两大原因是公路网的建成和大油田的发现。公路建设和油气管道,都属于基础设施建设。
在1920年代,汽车已成为美国三大工业支柱之首。这与美国庞大的公路网络是分不开的。1929年美国汽车登记规模达2650万辆,占全世界汽车登记数量的六分之五,平均每5个人一辆车,远超过德国289人一辆车,英国57人一辆车。美国一跃成为汽车王国,统治汽车历史达60年之久。
政府搞基础设施,企业家则负责技术创新。美国的汽车工业主要由通用、别克、福特、克莱斯勒几个汽车厂商缔造。
福特汽车在1913年发明了汽车流水线,大大提高了生产效率。短短一年时间,一台汽车的组装时间从原来的20分钟下降到5分钟。更重要的是,汽车价格从950美元下降到250美元。当时,经济廉价的T型车走进了美国家庭。实际上,流水线的发明促使整个工业体系都发生了一场效率革命。
比如电动车的充电桩属于基础设施。中国在2015年出台的《电动汽车充电基础设施发展指南》,提出到2020年,全国将新增集中式充换电站超过1.2万座,分散式充电桩超过480万个,满足全国500万辆电动汽车充电需求。
截至2019年6月,全国充电基础设施累计数量为100.2万台,仅完成目标的20.8%,而新能源汽车的市场保有量已达到344万辆。很多人认为,充电桩不足,限制了新能源汽车的发展。
充电基础设施建设一项耗资巨大、投资回收期长的工程。以充电站为例,基础设施、配电设施以及运营成本,加起来不低于400万。这属于小宫隆太郎界定的市场失灵的一面,政府需要对这一基础设施投入。
与产业相关的基础设施不能盲目建设,而需要跟随产业走势及技术进步而定。但是,财政补贴由于扭曲了市场价格,容易对基础设施的投入发出错误的信号。
换言之,在财政补贴之下,政府很难判断新能源汽车的真实需求,也就无法预计应该投入多少充电基础设施。所以,只有让市场自己发挥作用,政府才好配合市场投入相匹配的基础设施。
同是发展新能源,日本的方向在氢燃料上。上个世纪70年代,两次世界石油危机重创日本工业经济。日本政府推动经济结构转型,鼓励发展核能替代石油。过去几十年,日本核能核电产业快速膨胀。
但是,2011年福岛核泄漏事件成为了日本能源产业的转折点。日本政府鼓励探索更安全、清洁的新能源替代核能。
松下在锂电池技术领域有着传统优势,特斯拉现在使用的电池就是松下提供的。特斯拉走的是纯电池路线。而东芝、三菱、丰田、本土则发力于氢燃料电池。如今,丰田和本田的氢燃料电池汽车逐渐步入商业化。
在经过大型企业的技术探索和商业论证后,日本政府于2017年12月发布了“氢能源基本战略”,主要目标包括到2030年左右实现氢能源发电商用化,以削减碳排放并提高能源自给率。
日本政府希望通过技术革新,将氢能源发电成本降低至与液化天然气发电相同的水平,使氢气产量从目前每年4000吨发展到30万吨,降低制造成本三分之二。
日本政府的主要职责便是“重点推进可大量生产、运输氢的全球性供应链建设”,在实证测验基础上建立氢发电商业产业体系,将氢加气站从目前的100所扩建至900所,支持80万台燃料电池汽车以及530万台以上的家庭用发电设备。日本政府的财政补贴主要用在加氢站基础设施建设方面,而不是在氢燃料电池车上。
这就是“市场归市场,凯撒归凯撒”。
在市场方面,技术革新及商用化方面还需要不断试错,距离新能源规模经济时代为时尚早。
目前,不少品牌将赛代切换的时间点定在2030年左右。德国大陆集团去年宣布,到2030年的内燃机将是大陆的最后一代,从此便停止开发。德国大众将最后一代内燃机车型发布时间定在2026年,此后便不再开发任何汽油或柴油车型。此前,
有传言说戴姆勒停止燃油发动机研发,后来该公司对外说明,目前还没有关于下一代发动机的决定,计划到2030年戴姆勒的插电式混合动力和纯电动车型销量达到乘用车销量的一般以上,届时近50%的车型仍将配备部分电气化的燃油发动机。
今年,频频造访国内外车企的恒大主席许家印,在本月的季度工作会议上宣布,恒大旗下新能源车的年产量将在成本下降30%的基础上达到100万辆,并用3到5年成为全世界最大、实力最强的新能源汽车集团。
此外,计划通过一年半左右招募8000名符合条件的科研专家、科技人员、高精尖人才,将恒大新能源电池提升到世界一流水平,同步研发15款车型,“创造汽车业的一个世界纪录”。
这是什么概念?特斯拉在2018年全球销量也不过14.43万辆。不管许家印能否实现,成功与失败都交给市场去验证,正如他在恒大冰泉上的失败与在恒大足球上的成功一样。
在市场中,经济增长的规律是沿着戈森三大定律一步一步地演进的。
19世纪德国经济学家赫尔曼·海因里希·戈森,最早提出边际效用理论。不过,戈森在德国历史学派的统治之下郁郁不得志。戈森晚年,英国经济学大师杰文斯发现了戈森的价值。
戈森提出了三大定律:
戈森第一定律,即“欲望强度或享乐递减定律”,就是我们通常所说的边际效用递减规律。这一规律将重复建设转化为无效产能。比如,大量补贴刺激资金涌入,生产大批同质化的车型。缺乏创新的同质化电动车导致用户边际效用递减,购买欲望减退,产能过剩。
这时,消费者开始转向其它车型如汽油车,或者其它消费品,以寻求更大效用。当各种商品的总效用相等时,人们的效用最大化。这就是戈森第二定律,是一种无差异曲线的概念,也叫效用相等定律。
戈森第二定律对企业来说是毁灭性的,这意味着你的产品被其它商品所替代。这就好比说,买电动车不如坐地铁、打车划算。
这时该怎么办呢?
戈森提出第个三定律,即在原有欲望已被满足的情况下,要取得更多的享乐量,只有发现新享乐或扩充旧享乐。换言之,企业需要通过新技术、新产品来提升用户的效用。
戈森第三定律本质上与萨伊定律是一样,即有效供给创造有效需求,只是前者的角度是需求侧,后者的角度是供给侧。
戈森定律给我们描述了市场演变规律,即市场如何起作用。在工业化时代,政府与市场的职责容易区分,比如政府负责提供基础设施,企业负责技术专利及产品开发。
但是,在知识经济时代,由于知识具有公共属性,存在技术外溢,基础科研及技术领域都存在一定的市场失灵,这时戈森定律不太起作用。
美国经济学家、诺贝尔经济学奖得主保罗·认为,由于技术外溢的存在,需要政府介入,承担开发公共知识及技术的职责。从基础科学到基础科研,再到通用性技术,从公共产品到公共化产品,政府的作用越来越重要。
所以,在未来,政府在教育及科研方面的基础设施投入,包括人文及制度环境,决定了一个国家的高度。(详见《产业政策之辩|主权货币、技术垄断与公共产品》)
参考文献:
【1】林毅夫VS张维迎:一场产业政策的“世纪之辩”,银昕、徐豪、陈惟杉,中国经济周刊;
【2】消失的新能源汽车补贴,周纯粼,界面;
【3】社会主义,米塞斯,商务印书馆;
【4】个人主义与经济秩序,哈耶克,商务印书馆;
【5】通往奴役之路,哈耶克,商务印书馆;
【6】日本的产业政策,小宫隆太郎,国际文化出版公司。