企业官网建设流程全解析

简介：《打赢“价格战”：中国乘用车量价趋势与价格策略研究报告》是一份聚焦中国乘用车市场量价变化与定价策略的PDF研究报告，面向车企营销与定价团队、产业链研究及关注新能源与汽车金融投资的人士。报告以2023年乘用车销量近2171万辆、新能源渗透率升至36%并有望超40%为背景，拆解燃油车“量价皆失”、新能源“以价换量”及中国品牌部分车型销量价格双降的现象，并结合用户降价感知与2024年持币观望预期，归纳市场VUCA特征。资源包为1个PDF文件，大小约45.49MB，阅读与检索较为方便。已有54人学习下载。其价值在于系统呈现量价趋势研究框架，介绍汽车之家与罗兰贝格提出的SEAM四步法（感知、评估、调整、监控），并涉及T+2量价监测、“一车一策”“一区一策”、购买漏斗优化与区域突破等落地方向，适合需要理解价格战成因、制定价格策略或开展产业链研究的中高级读者参考。

1. 从“降价换量”失效说起：这套量价研究方案要解决什么

2023 年的中国乘用车市场给所有做价格策略的人上了一课：全年累计销量近 2171 万辆，重回疫情前水平，但近九成车型参与降价，其中 54.4% 的车型降了价、销量反而下滑。价格战打到这个程度，“量价趋势”就不再是一个描述性词汇，而是一套必须被量化、被监测、被拆解的完整研究框架。这份《中国乘用车量价趋势与价格策略研究报告》要解决的正是这个问题：在需求多变、用户复杂的环境里，把“该不该降、降多少、降给谁”从凭主观判断变成可复现的分析流程。它适合两类人——正在做汽车市场方向毕业设计或课程设计的学生，需要一套完整的数据口径与分析骨架；以及要给业务方交一份价格策略方案的从业者，需要能直接落到车型和区域的执行细则。

2. 指标体系与数据口径：三价一惠、量价四象限与 T+2 监测链路

整套方案的可信度，八成压在指标定义上。同一份数据，价格用指导价还是成交价、销量用批发量还是上险量、车系统计按年销 1000 台还是 500 台过滤，最后画出来的散点图会长得完全不一样。所以先把指标定义确定下来，再讨论分析结论，顺序不能反过来。

2.1 三价一惠：MSRP、终端成交价、优惠金额与优惠比例

行业里说“降价”，其实混着四个不同层次的东西，必须拆开：

2023 年燃油车的优惠比例从年初的 9.62% 一路涨到 12 月底的 19.71%，优惠金额扩大至 4.05 万元；新能源车同期从 2.67% 涨到 7.69%，优惠金额从 0.65 万元抬到 1.52 万元。这两组数字之所以能互相比较，前提就是四个字段同口径、同基期、同过滤规则。我一般的做法是先写一页《口径定义表》放进方案附录，所有图表脚注都指向它，评审时第一件事就是核这一页。

还有一个容易忽略的点：车系级聚合前要设销量门槛。年销低于 1000 台的车系，成交价样本少、极端值多，混进均值会把整体价格曲线拉出异常波动。按销量加权而非简单算术平均，也是同理——一台月销 200 台的车降价 3 万，对市场均价的影响远小于一台月销 2 万台的车降价 5 千。

2.2 量价四象限：把“降价是否换量”变成一张二维散点

报告里最有解释力的一个设计，是把每个车系放进一张二维坐标：横轴是价格变化率，纵轴是销量变化率。以 2022 年为基期：

• 价格变化率 = 2023 年平均终端成交价 / 2022 年平均终端成交价 − 1
• 销量变化率 = 2023 年销量 / 2022 年销量 − 1

四个象限对应四种状态：以价换量（降价且增量）、量价双升（价格守住甚至上探、销量仍涨）、量价皆失（降价没换来量）、舍量保价（价格稳、销量掉，多为主动收缩产品线）。燃油车拆出来看，豪华品牌以价换量比例约 40.4%，合资品牌量价皆失比例高达 59.7%——这个对比就是整套方案立论的起点。

打标过程可以直接抄成脚本：

import pandas as pd # 车系级量价宽表，一行一个车系，含 2022/2023 两年的均价与销量 df = pd.read_csv("series_price_volume.csv") # 基期统一为 2022 年，避免月度数据混入导致同比失真 df["price_chg"] = df["avg_price_2023"] / df["avg_price_2022"] - 1 df["vol_chg"] = df["vol_2023"] / df["vol_2022"] - 1 # 容差阈值：价格 ±1% 内视为持平，销量 ±5% 内视为持平 PRICE_EPS, VOL_EPS = 0.01, 0.05 def tag(row): p, v = row["price_chg"], row["vol_chg"] if p < -PRICE_EPS and v > VOL_EPS: return "以价换量" # 价格杠杆有效 if p >= -PRICE_EPS and v > VOL_EPS: return "量价双升" # 产品力或新车周期驱动 if p < -PRICE_EPS and v <= VOL_EPS: return "量价皆失" # 需要优先预警的高风险车系 return "舍量保价" # 主动收缩，通常伴随车型结构上移 df["quadrant"] = df.apply(tag, axis=1) # 按销量加权统计各象限的真实份额，而不是数车系个数 summary = df.groupby("quadrant").apply( lambda g: pd.Series({ "series_cnt": len(g), "vol_share": g["vol_2023"].sum() / df["vol_2023"].sum() }) ) print(summary)

容差阈值不是随手定的。取 ±1% 是因为终端成交价存在几千元的月度噪声，低于这个幅度分不清是降价还是样本波动；销量取 ±5% 是给新车爬坡和退市清库留缓冲。阈值一变，象限归属会整体平移，所以方案里必须写明阈值并做一次敏感性说明——答辩时导师大概率会问“你把阈值改成 ±3% 结论还成立吗”，提前准备一句“主要结论方向不变、边缘车系有 5% 左右迁移”就够了。

注意：四象限只能说明“发生了什么”，不能说明“为什么”。合资品牌量价皆失比例高，背后是产品周期、渠道库存、新能源替代三重因素叠加，散点图给的是定位，归因还得靠后面的分层切面。

2.3 T+2 监测链路：从发票价到车系级聚合

报告提出的 T+2 日量价监测，落到工程上是一条五段链路：开票明细落库 → 车系编码标准化 → 按自然月聚合 → 同比/环比计算 → 看板刷新。关键在第二段，车系命名不统一（年型款、特别版、改款前后同名的）会让聚合结果彻底失真，通常要维护一张车系映射维表，人工兜底。

-- 车系月度量价汇总，发票日期归属自然月 WITH base AS ( SELECT s.series_id, s.brand_type, -- 豪华 / 合资 / 中国品牌 s.energy_type, -- 燃油 / 纯电 / 插混 DATE_TRUNC('month', i.invoice_date) AS stat_month, i.deal_price, -- 终端成交价（含税） i.msrp, -- 厂商指导价 i.order_id FROM invoice_detail i JOIN series_dim s ON i.series_id = s.series_id WHERE i.invoice_date >= '2023-01-01' AND i.invoice_date < '2024-01-01' ) SELECT series_id, stat_month, COUNT(DISTINCT order_id) AS volume, AVG(deal_price) AS avg_deal_price, AVG(msrp) AS avg_msrp, 1 - AVG(deal_price) / NULLIF(AVG(msrp),0) AS discount_rate FROM base GROUP BY series_id, stat_month HAVING COUNT(DISTINCT order_id) >= 30; -- 月样本不足 30 台的车系不参与均价计算

这段 SQL 有三个设计取舍值得说。一是先按订单聚合再取均值，而不是先按车系求平均再求总平均，避免高销量车系被低销量车系稀释。二是NULLIF兜住 MSRP 缺失，缺失车系不参与优惠比例计算但保留销量。三是HAVING的 30 台门槛，与前面年销 1000 台的过滤是同一逻辑在不同粒度上的体现——月销低于 30 台的车系，均价噪声比信号还大。跑完这条链路，一条“某车系 12 月优惠比例环比上升 1.8 个百分点、销量环比下降 6%”的预警才算真正可读。

3. 六个分析切面：从整体市场拆到城市线级

四象限给出的是全局定位，真正决定策略的是切面。同一套量价数据，按能源类型、品牌类型、级别、区域、城市线级、用户感知六个维度切开，看到的结论经常互相打架——这恰恰是这份报告比一般市场综述有价值的地方。

3.1 能源类型切面：燃油车的量价皆失与新能源的以价换量

整体市场 2023 年销量近 2171 万辆，新能源渗透率提升到 36%，预计 2025 年超过 40%。但两边的价格行为完全不同。

燃油车是典型的量价皆失：优惠比例接近 20%，终端开票均价从年初 20.3 万一路下滑，12 月价格环比降超 7%、销量环比增超 35%（119 万辆涨到 178 万辆），靠年底冲量才勉强把量拉回来，属于典型的以价换量、牺牲利润。新能源车则是价格持续下行但销量一路上涨，中国品牌终端成交价逆势增长 3.11%，均价即将突破 18 万，呈现的是“结构上移 + 局部降价”并存的复杂状态。

这里有个做方案时必须点明的细节：新能源车 2022 年受某外资纯电品牌季度性放量的影响，均价震荡上行；2023 年才转为持续下行，且 11–12 月因为高价位车型集中交付，均价反而回升并反超燃油车。如果只看年度均值，这个月度拐点会被完全抹平，而策略恰恰是按月调整的。所以切面分析的粒度不能停在年度，至少要到月度。

3.2 品牌类型切面：豪华、合资、中国品牌的三条不同曲线

同样降价，三类品牌的结果分化明显：

• 豪华品牌：市场份额增长近 1 个百分点到 20%，以价换量比例 40.4%，是三类里价格杠杆最有效的。但内部也分层，一线豪华三强销量占比超 70%，量价弹性有效；二线豪华品牌则普遍量价皆失，某二线品牌指导价下调 8.64%、优惠比例从 1.7% 拉到 11%，终端价降了 16%，销量依然没有增长。豪华 SUV 甚至是唯一价格上涨的细分（+3.76%）。
• 合资品牌：份额仍在 50% 左右，但量价皆失比例最高，59.7%。某日系品牌优惠力度从 9.2% 扩到 16.9%，终端价从 16.6 万降到 15.2 万，销量还跌了 12%。
• 中国品牌：优惠力度整体低于豪华和合资，多数品牌量价弹性有效。两家头部中国品牌把优惠比例翻倍换来销量上涨，另两家靠推出高价位新车实现量价双升。

这段结论对写方案的价值在于：它证明了“降价”不是通用手段，而是分层的。豪华品牌降价换量成立，合资品牌降价换量已经失效，中国品牌则出现了两条路径——往下打价格或往上抬结构。方案里如果只写“建议降价促销”，等于什么都没说。

3.3 区域与线级切面：价格敏感度的分级与配额倾斜

区域切面是“一区一策”的依据。按报告口径整理成一张分级表：

城市线级维度方向一致：三线城市优惠和销量变化都最小，价格不敏感；五线和六线城市销量下滑均超 7%，用户观望情绪最重、价格最敏感。两张表叠起来就能直接生成配额：同样是 1 万元的单车资源，投在西北和投在中部，边际销量差好几倍。

3.4 用户价格感知切面：把“持币观望”做成可算的指标

价格不只作用于成交，还作用于预期。调研结论有三条：用户能真切感知到降价、认可降价是竞争驱动的营销手段、并且绝大多数认为下一年还会继续降。第三条最危险——一旦形成“再等等更便宜”的共识，降价本身就制造了观望，销量不升反降，这正是燃油车 54.4% 车系降价却掉量的心理学解释。

把这三条落成可计算的指标，我一般设计三段式问卷：感知强度（是否注意到本品/竞品近期降价，李克特 5 级）、归因倾向（竞争驱动 / 清库 / 产品力不足）、预期方向（半年内继续降 / 持平 / 回升）。三段交叉后能得到一个“观望指数”，比如“感知强 + 归因为竞争 + 预期继续降”的样本占比，这个比例超过某个阈值时，就该暂停公开降价、转向保价或加配置。报告本身是问卷结论，但方案里如果只放饼图而不给指标构造方式，业务方没法用。

提示：感知类指标建议按区域和城市线级分层看。高线级城市用户信息密度高、感知快、预期也更一致，低线级城市感知滞后约一个季度，用全国均值做决策经常南辕北辙。

4. 价格策略落地：SEAM 四步法与一车一策、一区一策

分析做完不等于方案成立。报告最有交付价值的部分，是把前面所有切面收敛成一套可执行的循环：SEAM——Sensing 感知、Evaluating 评估、Adjusting 调整、Monitoring 监控。四步不是并列的，而是一个以月为周期的闭环。

4.1 Sensing：把监测看板做成一张窄表

感知层的产出物不是大屏，是一张能直接喂给决策的窄表。字段固定为：车系、品牌类型、能源类型、区域、城市线级、月度销量、终端成交价、优惠比例、价格变化率、销量变化率、象限标签、预警等级。刷新频率按 T+2 走，预警等级只在象限发生迁移时触发（比如从以价换量掉到量价皆失），避免天天报警导致没人看。

这里控制维度数量是关键。车系 × 区域 × 线级全排列组合会炸成几十万行，绝大多数格子样本不足。实际做法是先按车系 × 大区聚合（六个大区），线级维度只在做区域专项时下钻。

4.2 Evaluating：价格弹性打分与车型分级

评估层的核心是给每个车系算一个价格弹性分，用来回答“再降 1 万还能换多少量”。简化公式：

弹性分 = 销量变化率 / 价格变化率，并对样本量不足的车系做收缩处理（向品类均值回归）。算出弹性分之后把车系分三级：

• A 级（弹性分显著大于 1）：继续投资源，降价仍有边际收益，主要落在西北、北部区域和部分中国品牌。
• B 级（弹性分在 0 到 1 之间）：维持现价，资源转向金融贴息、置换补贴这类非价格手段。
• C 级（弹性分接近 0 或为负）：停止公开降价，转配置调整或直接进入退市评估——合资品牌里量价皆失的车系大多落在这里。

分级的意义是把“要不要降”变成一个可在会上过会的结论，而不是各部门各说各话。

4.3 Adjusting 与 Monitoring：策略下发、回灌与止损线

调整层要给出三样东西：调价幅度、调价方式、止损条件。调价方式比幅度更影响结果——直接降指导价会伤害老车主和二手残值，终端返利则相对可控；金融贴息不计入成交价，对价格体系的扰动最小。报告里中国品牌普遍用“推高价新车 + 老款终端优惠”的组合，本质上是把降价藏在结构里。

止损线是很多人会漏掉的。给每条策略预设一个观察窗口（通常 8 周）和一个销量阈值，窗口内销量没达到阈值的 70%，自动回到评估层重新打分，不许继续加码。这一条写进方案，能挡掉后续大量的“再降一点试试”。

4.4 一区一策的配额表与执行规则

把区域分级、车型分级、单车资源三者交叉，就得到一张可直接下发的配额表：

表里的数字是示例量级，实际填多少取决于预算总额和弹性分分布，但结构是固定的：高敏感区给现金、低敏感区给非价格手段、失效车系不给资源。一车一策同理，只是把行换成车系。这套表的好处是预算一旦削减，直接按优先级从下往上砍，不用重新开会。

5. 避坑排查：五条最容易出问题的点

这套方案在落地时出问题的地方很集中，基本都在这五处。

5.1 指导价上调被误读成“涨价”

现象：某车系价格变化率显示为正，被判定为舍量保价甚至量价双升，实际是年型改款把配置打包进指导价。

原因：MSRP 与终端成交价没有分离建模，改款带来的指导价跳变直接传导到价格变化率。

解决：价格变化率统一用终端成交价计算，MSRP 只作为优惠比例的分子；遇到年型更替，映射表里标注改款点，做前后分段统计或做配置调整修正。

5.2 简单平均把结论算反

现象：整体均价上涨，但每个细分市场均价都在跌——典型的辛普森悖论。

原因：车系均价用简单算术平均，高价位车型销量占比上升就会把整体均值抬高。

解决：所有均价按销量加权；报告里中国品牌新能源均价“即将突破 18 万”就是结构上移与价格下探并存的结果，不拆开看会得出完全相反的结论。

5.3 样本门槛设得太松

现象：某车系月度优惠比例在 5% 到 25% 之间剧烈跳动，预警天天触发。

原因：月销个位数车系的成交价极端值把均值带偏，金融方案差异也被放大。

解决：设置双门槛（年销 ≥1000 台、月销 ≥30 台），低于门槛的车系只统计销量不统计均价，并在图表上标注样本不足。

5.4 把相关性当因果

现象：某区域降价后销量上涨，被写成“降价带来 15% 增量”，换到另一个区域同样操作却毫无效果。

原因：忽略区域新能源渗透率差异。西北区域新能源渗透率低，燃油车降价自然有效；东部区域渗透率最高，燃油车降价只是延缓下滑。

解决：所有策略结论必须绑定区域和能源类型条件，做小范围 A/B 验证后再全量铺开，不做跨区域外推。

5.5 只监控价格不监控预期

现象：连续三个月降价，前两个月销量上涨，第三个月突然掉头向下。

原因：降价形成“还会再降”的预期，用户转入持币观望，价格杠杆自我抵消。

解决：把观望指数纳入监控层，与量价指标同表展示；一旦感知强、预期继续降的样本占比快速抬升，暂停公开降价，改用配置升级或延长质保等非价格手段承接。

6. 验收与答辩：三张底表加四个必答问题

这类研究报告型方案，验收看的不是图表是否好看，而是结论能不能被复现、策略能不能被下发。我一般准备三张表作为交付基线：第一张是口径定义表，把 MSRP、终端成交价、优惠金额、优惠比例四个字段的来源和清洗规则写死；第二张是车系级量价底表，含两年均价、销量、变化率、象限标签、样本量，所有图表都能从这张表回溯；第三张是策略清单表，一行一条策略，含对象（车系/区域）、动作、预算、观察窗口、止损阈值。三张表齐全，方案就是可复核的；缺任何一张，评审时都会被追问到底数据从哪来。

答辩环节有四个问题几乎必问，提前把答案写进附录比临场发挥稳得多：

答辩讲解顺序也建议固定：先讲市场背景里那个反直觉的事实（近九成降价、过半掉量），再讲四象限怎么把这件事量化，然后讲分层切面怎么定位问题，最后落到 SEAM 闭环和配额表。整个链路控制在十分钟内，每一段只保留一张图一张表，多余的都放附录。这么做的好处是评委的注意力始终跟着你的逻辑走，而不是被一堆配色吸引走。

血泪经验是：早期我总想在一次汇报里把六个切面全讲完，结果每个切面都只讲了三句，评委记不住任何一个结论。后来改成“一个反直觉事实 + 一个量化方法 + 一套可执行动作”的三段式，反而每次都能过。从那以后我每次交这类方案，都强制走一遍“如果只能留三张表，留哪三张”的自检——留下来的那三张，就是方案真正的骨架。希望帮到你。

本文还有配套的精品资源，点击获取