★ FEATURED ARTICLE 简介这份PDF报告聚焦中国乘用车市场的量价走势与价格策略面向车企营销、定价与战略规划人员以及关注汽车产业链与新能源投资的研究者帮助厘清价格战下的销量变化、品牌分化与用户购车心理。报告以2023年累计销量近2171万辆、新能源渗透率达36%为起点分燃油车与新能源车两条主线剖析“量价皆失”与“以价换量”的差异并结合用户降价感知、2024年降价预期及VUCA市场特征给出汽车之家联合罗兰贝格提出的SEAM四步法。内容按整体市场趋势、分燃料类型量价表现、用户价格感知与预期、价格策略与案例等章节展开可用于竞品复盘、区域定价和“一车一策”方案参考。压缩包共1个PDF文件约45.49MB图文数据完整便于按目录检索。已有54人学习下载适合需要快速掌握量价监测框架与策略落地思路的从业者。1. 降价换不来量这份报告要回答的真问题2023 年中国乘用车卖了近 2171 万辆新能源渗透率从 28% 抬到 36%数字很好看但同一年近九成车型在降价其中 54.4% 的车型降完价销量反而往下掉。这就是《中国乘用车量价趋势与价格策略研究报告》要处理的矛盾乘用车量价趋势已经和过去十年的经验脱钩单纯靠折扣杠杆撬销量的做法大面积失效。这份 PDF 适合三类读者——车企做市场与产品规划的从业者需要一套可落地的价格策略框架做毕设、课设的学生需要一份结构完整、口径清楚的研究范式以及看新能源产业链与汽车消费的投资研究者需要区分以价换量和量价皆失这两件完全不同的事。它给出的不是结论清单而是一条从数据口径到策略动作的完整链路。2. 研究口径与数据底座T2 量价监测的三张表与一条口径线一份量价报告的可信度八成压在口径上。同一个降价 3 万用指导价算、用发票价算、用加权还是简单平均算能得出三个互相矛盾的结论。这一章把这份报告背后的数据结构和判定逻辑拆开读者可以照着搭自己的分析底座。2.1 三张基础表发票价、上险量、指导价怎么对齐报告里所有量价结论底层其实是三类数据的交叉终端成交价购车发票价、真实零售销量上险数据、厂商指导价MSRP。三者的角色完全不同混用就会翻车。终端成交价是唯一能反映车企到底让了多少利的字段因为它记录了真实交易金额包含了经销商折扣、厂家补贴、金融贴息等所有让利手段。上险量反映的是车真正交到用户手里的数量比批发销量更接近市场真实需求——批发可以压库上险压不了。MSRP 不是价格是标尺它的作用是当分母算出优惠比例优惠比例 1 − 终端成交价 / MSRP。把这三张表按「车系 × 月份 × 区域」三个维度对齐才形成可分析的面板。对齐过程中有两个必做的过滤一是只保留年销量超过 1000 台的车系长尾车型的极端价格会把均值带偏二是成交价必须按销量加权不能用简单平均否则一款月销 200 台的清库车能把整个品牌的均价拉低几千块。提示如果你的数据源只有批发销量和指导价做出来的量价分析基本只能当参考不能作为策略依据。终端成交价缺失时宁可缩小分析范围也不要用指导价倒推。2.2 量价四象限的判定口径报告里反复出现的以价换量量价皆失量价双升舍量保价本质是一个二维分类横轴价格变化纵轴销量变化。看着简单但阈值怎么定、同比怎么算直接决定分类结果。下面这段判定逻辑可以直接拿去改。import pandas as pd def classify_price_volume(panel, base_year2022, curr_year2023, price_threshold-0.01, volume_threshold0.01): 对每个车系做量价四象限分类 panel: 含 series_id / year / deal_price / volume 的面板数据 price_threshold: 价格变化判定阈值-1% 表示跌破 1% 才算降价 volume_threshold: 销量变化判定阈值1% 以内视为持平避免噪声误判 # 按车系聚合年度销量加权均价 agg (panel[panel[year].isin([base_year, curr_year])] .groupby([series_id, year]) .apply(lambda g: pd.Series({ avg_price: (g[deal_price] * g[volume]).sum() / g[volume].sum(), volume: g[volume].sum() })) .unstack(year)) # 同比变化率今年 / 去年 - 1 delta_p agg[(avg_price, curr_year)] / agg[(avg_price, base_year)] - 1 delta_v agg[(volume, curr_year)] / agg[(volume, base_year)] - 1 def tag(p, v): if p price_threshold and v volume_threshold: return 以价换量 if p -price_threshold and v volume_threshold: return 量价双升 if p price_threshold and v -volume_threshold: return 量价皆失 if p -price_threshold and v -volume_threshold: return 舍量保价 return 基本持平 return pd.DataFrame({delta_price: delta_p, delta_volume: delta_v, quadrant: [tag(p, v) for p, v in zip(delta_p, delta_v)]})这段代码有三个参数值得掰开说。price_threshold设成 -1% 而不是 0是因为成交价本身有月份波动和车型结构扰动1 个点以内的变化属于噪声报告里燃油车整体价格下滑 3.2 万、优惠比例涨了近 10 个点量级远大于阈值所以阈值取严一点不会影响主结论。volume_threshold同理取 1% 是为了把基本持平单独拎出来——很多车型其实是量价都没怎么动硬塞进四个象限会污染统计。最关键的是加权方式。如果只算简单平均价一款高端新车上市就能让品牌均价上涨哪怕所有在售车型都在打折。所以聚合时必须用deal_price * volume加权这也是报告里某德系豪华品牌 MSRP 上涨但终端价仍高于上年这类判断能站得住的前提。2.3 报告的五段式结构从大势到落地动作这份 PDF 的目录不是随便排的它对应一条完整的分析链路做毕设的同学可以直接拿这个骨架改章节板块回答的问题交付物整体市场发展趋势盘子有多大、结构怎么变渗透率曲线、价格中枢走势燃油车市场量价表现降价有没有换来量品牌/级别/区域/线级四维量价矩阵新能源车市场量价表现以价换量的边界在哪中国品牌车型级失血清单用户对价格变动的感知用户买不买账降价感知度、购车预期指数价格策略与案例具体怎么打一车一策、一区一策动作库前三块是看市场第四块是看人第五块才是出动作。很多分析报告死在前三块就收尾了读者看完知道市场很惨但不知道自己明天该干什么。这份报告的价值在于它把用户感知单独成章——因为价格战的失效很大程度上不是价格不够低而是用户预期还会更低于是持币观望形成自我强化的降价循环。3. 燃油车与新能源的量价拆解两套逻辑不能套同一个模板把燃油车和新能源放在一张表里比较量价弹性是这类分析里最常见的偷懒。两者的价格形成机制、竞争格局、用户决策路径都不一样必须分开建账。3.1 燃油车优惠逼近 20%却换来量价皆失2023 年燃油车的故事线很清楚3 月价格战开打终端开票价从年初的 20.3 万一路走低到 12 月已下滑 3.2 万。同期 MSRP 均值反而从 22.12 万涨到 22.96 万涨了 3%——不是车变贵了是高价值车型导入拉高了均值。两个方向一叠加MSRP 与终端成交价的差值从年初的 9.62% 扩大到年底的 19.71%优惠比例翻了一倍多。结果呢年底冲量那一个月价格环比降超 7%销量从 11 月的 119 万辆冲到 178 万辆环比增超 35%。这看着像以价换量生效了但拉长到全年看近 90% 的车型在降价54.4% 的车型降价后销量还在跌。也就是说12 月的爆发是冲量行为不是价格弹性的证明。分品牌类型看差异更扎心。豪华品牌以价换量的比例最高达到 40.4%一线三家德系豪华品牌销量占比超 70%价降量升的路径是通的二线豪华则是典型的量价皆失某日系豪华品牌 MSRP 降了 8.64%、优惠比例从 1.7% 涨到 11%、终端价掉了 16%销量依然没起来。合资品牌量价皆失的比例最高59.7%优惠比例已推到 20% 左右某日系主力品牌优惠从 9.2% 涨到 16.9%终端价从 16.6 万降到 15.2 万销量还是跌了 12%。这里有个反直觉的结论值得单独拎出来价格杠杆失效不是均匀发生的它跟品牌在用户心里的位置强相关。豪华品牌降价用户觉得捡漏合资品牌降价用户觉得它本来就不值这个价。同一个动作两种解读销量结果自然相反。3.2 新能源以价换量占优但三分之一车型在失血新能源这边画风不同。2023 年渗透率从 28% 提到 36%预计 2024 年超 40%整体还在增量市场里。价格上终端成交价降了 0.67 万MSRP 降了 0.31 万优惠比例从 2.67% 涨到年底的 7.69%——绝对值远低于燃油车的近 20%但增速更快MSRP 与成交价的差值从 0.65 万扩大到 12 月的 1.52 万说明价格竞争正在加剧。结构上中国品牌在新能源里的销量占比达到 83.3%终端成交价还逆势涨了 3.11%。这容易被误读成中国品牌不打价格战实际是产品结构在往上走——中国 MPV 和 SUV 推出高价位新车型把均价顶了上去而中国轿车的终端成交价其实降了接近 10%。均价上涨和降价并行是结构效应盖住了价格效应。真正的风险藏在车型层面。192 个中国品牌新能源车型里59 个是当年新增新车密集上市导致价格体系极不稳定部分车型上市 3 到 5 个月就官降。销量占比超 80% 的中国品牌中超过三分之一的车型处于量价皆失状态这些车型基本已经进入退市倒计时。对车企来说这份清单比任何宏观结论都有用——它告诉你哪几款车该止损而不是继续往里面砸折扣。3.3 分层下钻区域和线级城市会把全国结论推翻全国均值是最容易骗人的一层。报告把燃油车按大区和城市线级拆开之后出现了明显的反转。区域上北部销量增长明显西北区价格最敏感降价能换来量华中区和西南区反而价格不敏感调价对销量影响有限。华南和华东销量下滑最严重但这两个区域恰恰是新能源渗透率最高、经济最发达的地方——燃油车在这里降价 30% 以上也拦不住销量下滑因为用户流失不是被价格劝退是被新能源拉走了。同样的降价幅度在西北是杠杆在华南是无效投入。线级城市的分化同样明显。三线城市的优惠力度和销量变化都最小对价格不敏感五线和六线城市销量下滑最严重同时对价格最敏感降价没换来量观望情绪反而更重。一线、二线和四线城市优惠变化都超过 30%销量下降在 5% 左右属于相对敏感但还能拉动的区间。这组数据直接支撑了报告里一区一策的提法把全国统一的促销预算按同一比例铺下去等于把弹药浪费在价格不敏感的区域同时在价格敏感区域力度不够。合理的做法是先算出各区域的价格弹性系数再按弹性分配折扣资源。4. SEAM 四步法落地从感知到监控的策略闭环报告提出的 SEAM 四步法Sensing 感知、Evaluating 评估、Adjusting 调整、Monitoring 监控本质是把拍脑袋定价换成数据驱动定价的一套流程。这套流程不难懂难的是每一步都要有可执行的口径和触发条件。4.1 Sensing把量价监测做到 T2T2 日的意思是今天发生的终端成交两天内能进到监测看板里。这个时效性听起来不惊艳但对价格战场景很关键——如果按月度看数等你发现竞品降价市场已经打完了。要实现 T2数据链路上有三件事必须做通。第一是发票数据的回流频率经销商开票后要能日级汇总到中心不能等月度对账。第二是上险数据的匹配用车辆识别码把发票和上险记录对齐才能同时拿到价格和真实交付量。第三是指导价的变更记录MSRP 调整要留时间戳否则算优惠比例时会把新旧价格混在一起。监测指标不用多四五个就够分车系的终端成交价周环比、优惠比例、上险量周环比、区域价格离散度同一车系在不同大区的成交价标准差、竞品价格差。最后这个指标最容易被忽略但最有用——用户不是在真空中比价他比的是隔壁那款车现在多少钱。注意T2 监测的前提是口径稳定。如果每周都在改统计范围比如这周含新能源、下周不含看板上的曲线就没有可比性反而会误导决策。4.2 Evaluating价格弹性和品牌折损要记两本账评估一步最容易犯的错是只算增量销量不算获得这些销量的代价。正确的做法是记两本账。第一本是价格弹性账每降 1 个点价格能带来多少台增量。算法不复杂用历史面板做回归就行但要按品牌类型、价格带、区域分开跑因为弹性差异极大——豪华品牌的弹性系数和合资品牌不是一个量级。跑出来之后能直接回答这款车再降 5000 块值不值。第二本是品牌折损账持续降价对品牌溢价能力的侵蚀。这本账没法精确量化但可以用几个代理指标看趋势成交价与 MSRP 的差值是否在持续扩大、老车主复购率是否下滑、二手残值率是否走低。某美系品牌 2023 年选择了舍量保价价格挺住了但销量掉得厉害反过来某日系品牌降价 16% 销量还跌 12%两头都没保住。这两种结果说明折损账必须提前算不能等打完再复盘。两本账合起来才是完整的评估。只看第一本会得出降价永远有效的错误结论只看第二本会错失窗口期。4.3 Adjusting 与 Monitoring一车一策的执行与回滚调整阶段的核心不是定一个价而是定一组规则。报告里提的一车一策和一区一策落到执行层就是给每个车系、每个区域配一套触发条件触发降价竞品价格差超过阈值、本品上险量连续 N 周下滑、库存深度超过警戒线触发回滚降价后 N 周内销量未达预期增量的 60%、成交价离散度过大、老车主投诉集中触发停投车型进入量价皆失象限超过两个季度转入清库或退市流程监控阶段则要盯住策略是否被执行。折扣批下去了经销商有没有真的让利给用户还是变成了自己的利润这个可以通过终端成交价和厂家返利数据的比对来验证。价格战里最常见的内耗就是总部批了 8000 块补贴终端只让了 4000剩下的被渠道截留然后总部看到降价无效继续加码。5. 落地避坑量价分析里最容易翻车的五个地方5.1 用指导价算价格战幅度现象算出来的优惠比例只有 5% 左右和一线体感至少打八折完全对不上。原因MSRP 本身在动。2023 年燃油车 MSRP 均值从 22.12 万涨到 22.96 万高价值车型导入把分母抬高了用指导价当基准算折扣等于用一个不断上移的尺子量价格。解决一律用终端发票价做主口径MSRP 只作为辅助基准并且要求同一车系、同一配置级别对齐后再比。跨级别比 MSRP 没有意义。5.2 简单平均价制造涨价假象现象某品牌停售低价车型后均价上升报告里写成品牌向上突破成功。原因这是典型的结构效应不是价格效应。低价车退出后剩下的车即使全部在降价加权均价也可能上涨。解决把价格变化拆成两部分——同车型价格变动价格效应和车型结构变动结构效应。笨办法是固定车型篮子算拉氏指数用同一批车型的两年价格做对比。5.3 只看全国均值错过区域反转现象全国层面看是以价换量落到华南区实际是量价皆失。原因区域间新能源渗透率差异极大西北渗透率低燃油车降价有效华南渗透率高燃油车降价也拦不住用户流失。全国均值把两种相反的情况平均掉了。解决量价矩阵至少做三级下钻——大区、城市线级、重点城市。策略动作必须落到最细那一层预算也要按弹性分配。5.4 新车官降打乱同比口径现象某车型同比降价 15%但实际是老款清库新款价格没动。原因新能源车型迭代太快192 个中国品牌车型里 59 个是当年新增部分车型上市 3 到 5 个月就官降新旧款混在一起算同比结论必然失真。解决给每个车系维护一个上市期字段上市 6 个月内的车型单独口径不参与同比改款车型按配置对齐后合并配置差异过大的直接拆成两个车系。5.5 把降价当成唯一变量现象降价 20% 之后销量没动团队判断价格还不够低继续加码。原因影响销量的变量不止价格。竞品新车上市、区域新能源渗透率跳升、用户对继续降价的预期任何一个都可能盖过折扣的作用。用户一旦形成还会更低的预期降价反而强化观望。解决在模型里加入竞争强度同级竞品数量与价差、区域渗透率、用户预期指数作为协变量。如果这几个变量的解释力超过价格说明问题不在价格上继续降价只是烧钱。6. 怎么验收与怎么讲一份量价报告的答辩式自查这类研究报告拿来直接用最容易出问题的地方不是结论而是被追问口径时答不上来。无论是毕设答辩还是内部汇报评审最爱问的三个问题永远是数据从哪来、口径怎么定、结论能不能落地。我一般会让学生在交稿前先跑一遍下面这张自查表五条里过不了三条报告就得返工。自查项合格标准不合格的典型表现数据来源能说清每张表的口径、频次、覆盖范围只写数据来源于公开渠道价格口径明确用发票价还是指导价是否加权全文混用前后数字对不上分层维度至少做到品牌类型 区域 线级三级只有全国均值结论可证伪每个结论能对应到具体数据切片通篇竞争激烈压力加大动作可执行每条建议有触发条件和责任方只写建议优化价格策略答辩时还有一个技巧先讲反直觉的那个发现再回头补数据链路。比如开门就讲燃油车优惠比例翻倍到近 20%但 54.4% 的车型销量反而下降评审的注意力立刻被抓住后面你再解释加权口径、阈值设定他会愿意听。反过来如果上来先讲数据源和清洗流程讲三分钟台下已经走神了。另外被问到你这个结论和我们看到的某份报告不一样时不要去争对错直接拆口径统计范围是不是只含年销 1000 台以上车系、价格是加权还是简单平均、同比基期选的是年初还是全年。八成情况下差异就出在这三个地方把口径摆出来分歧自然消解。我自己踩过最深的一次坑是早期做量价分析时直接用了指导价当基准跑出来的优惠比例只有个位数还煞有介事地写了三千字结论。后来拿终端发票价重跑整份报告的方向全反了。从那以后我每次做量价分析第一件事就是把价格口径写成一句话贴在文档最上面任何人看报告第一眼就知道我在说什么价格。希望帮到你。本文还有配套的精品资源点击获取
阅读完成 · 觉得有帮助？
