首先，我们需要准备数据。假设我们已经有了一个包含新能源汽车发展相关特征的数据集，例如：汽车销量、政策支持、充电设施建设等。我们将使用这个数据集来训练Logistic模型并进行预测。

以下是使用MATLAB编写的代码：

1. 导入数据并进行预处理：

% 读取数据
data = readtable('new_energy_cars.csv');

% 提取特征和标签
X = data(:, {'销量', '政策支持', '充电设施建设'});
y = data.新能源车发展；

% 划分训练集和测试集
cv = cvpartition(height(data), 'HoldOut', 0.2);
idx = cv.test;
XTrain = X(~idx, :);
yTrain = y(~idx, :);
XTest = X(idx, :);
yTest = y(idx, :);

2. 创建并训练Logistic模型：

% 创建Logistic模型
logisticModel = fitglm(XTrain, yTrain, 'Distribution', 'binomial', 'Link', 'logit');

% 预测测试集
yPred = predict(logisticModel, XTest);

3. 评估模型性能：

% 计算准确率
accuracy = sum(yTest == yPred) / length(yTest);
fprintf('Accuracy: %.2f%%
', accuracy * 100);

这段代码将使用Logistic模型对新能源汽车发展进行预测。请注意，您需要根据实际情况替换数据集文件名和特征名称。