高新技术企业认定对企业全要素生产率的影响
——基于双重差分方法的分析

熊 波,杜佳琪

(武汉大学 经济与管理学院,湖北 武汉 430072)

摘 要:基于2002—2018年中国A股上市公司面板数据,运用双重差分方法考察高新技术企业认定对企业全要素生产率的影响及机制。结果表明,高新技术企业认定显著促进相关企业全要素生产率提高,对企业高质量发展具有积极效应。机制检验结果显示,高新技术企业认定促进企业研发投入规模扩大和资本配置效率改善,进而有利于全要素生产率提升。进一步异质性检验结果表明,这种效应在高融资约束企业、处于成长成熟期企业和未进行研发操纵企业中更显著。此外,外部环境对政策实施效果具有重要影响。相关结论可以为高企认定政策效果评价提供新的研究视角,为我国完善选择性产业政策设计提供政策启示。

关键词:高新技术企业认定;全要素生产率;研发创新;规模经济;资本配置效率

The Impact of High-tech Identification on Total Factor Productivity of Enterprises
——Analysis based on the Difference in Difference Method

Xiong bo,Du jiaqi

(School of Economics and Management,Wuhan University,Wuhan 430072,China)

AbstractBased on the panel data of China's A-share listed companies from 2002 to 2018,the double-difference method was used to examine the impact and mechanism of high-tech enterprise certification on total factor productivity. The empirical results show that the identification of high-tech enterprises has significantly promoted the improvement of total factor productivity of related companies. Further heterogeneity test results show that this effect is more pronounced in companies with high financing constraints,companies in growth and maturity,and companies that have not manipulated R & D expenses. In addition,the external environment also matters. The research conclusion provides a new research perspective for the evaluation of the policy effect of high-level enterprises,and provides policy inspiration to improve the design of selective industrial policies.

Key Words:High-Tech Identification; Total Factor Productivity; R & D Innovation; Economies of Scale; Capital Allocation Efficiency

DOI10.6049/kjjbydc.2020050482

开放科学(资源服务)标识码(OSID):

中图分类号:F204

文献标识码:A

文章编号:1001-7348(2020)18-0133-10

收稿日期:2020-07-16

基金项目:国家社会科学基金青年项目(13CJL013)

作者简介:熊波(1979-),男,湖北鄂州人,博士,武汉大学经济与管理学院副教授、硕士生导师,研究方向为财税政策与城市发展;杜佳琪(1997-),女,湖北恩施人,武汉大学经济与管理学院硕士研究生,研究方向为财税政策与企业经济。

0 引言

全要素生产率是要素投入转化为产出的效率,也是衡量企业综合经营成果的重要指标,反映了经济发展质量和可持续性。改革开放以来,尽管我国全要素生产率水平得到了一定提升,但对经济增长的贡献不大且增速缓慢,落后于主要发达国家。近年来,随着市场改革不断深化,企业面临要素成本上升、流动资金短缺、创新能力不足等突出问题,传统经济发展方式已难以为继。中共十九大报告指出,我国经济增长已迈向高质量发展阶段,促进经济高质量增长的关键是推动科技进步和全要素生产率提升。相较于普通产业,高新技术产业作为技术密集型产业,在我国产业布局中具有重要战略地位,其不仅可以通过科技创新优势引领产业结构升级和经济高质量发展,本身也对提升发展质量有着内在诉求。因此,新常态时代背景下,研究探索高新技术企业全要素生产率提升途径,具有重要现实价值。

为减轻高新技术企业负担并为其研发创新提供助力,促进产业转型升级,国家财政部、科技部与税务总局于2008年和2016年联合颁布和修订了《高新技术企业认定管理办法》(下文简称《管理办法》),明确了高新技术企业认定条件和程序,为获得认定的企业提供一系列税收减免、财政补助等优惠政策。然而,随着高新技术企业认定政策进一步实施,其政策效果备受争议。一方面,高企认定为企业研发创新和持续发展提供了强大的财政支持;另一方面,企业逆向选择可能导致高新技术企业认定质量和效果大打折扣。作为我国支持高科技产业发展的重要举措,高新技术企业认定政策对企业持续发展究竟有何效果是本文关注的重点。本文试图研究高新技术企业认定政策对微观企业全要素生产率的影响及相关机制,为判断高企认定政策的有效性提供依据,为完善产业政策提供参考。

本文实证结果表明,高新技术企业认定政策显著促进了受认定企业全要素生产率提高,这种促进作用是通过研发创新和资本配置效率渠道实现的,并且这种效应在高融资约束企业、处于成长成熟期企业以及未进行研发操纵企业中更显著。整体而言,高新技术企业认定政策对企业发展起到了积极作用。本文可能在以下方面作出贡献:首先,本文利用高新技术企业认定这一外生冲击,明确考察选择性产业政策和企业生产率之间的关系,丰富了已有产业政策后果研究;其次,现有文献主要聚焦于高企认定政策对企业研发创新等某一具体行为的影响,鲜有研究其对企业经营综合结果影响的文献。本文使用全要素生产率度量企业经营综合成果,分析高新技术企业认定政策对上市公司全要素生产率的影响和作用机制,加深对该政策实施效果的理解,为政策完善提供实证依据;最后,本文研究结论具有现实启示意义,当前高新技术企业认定政策整体上有利于企业高质量发展,未来应当进一步扩大重点领域高新技术企业认定范围,完善认定标准并监管研发操纵行为,进一步优化政策实施效果,为高新技术产业发展提供保障。

1 文献综述与研究假设

1.1 文献综述

根据研究重点,本文主要梳理以下3方面的文献:一是全要素生产率测算方法。相较于宏观估计方法,微观企业全要素生产率研究更多地立足于企业本身生产决策,需要解决投入要素内生性和样本选择偏差问题[1]。Olley & Pakes[2]与Levinsohn&Petrin[3]提出的测算方法(简称OP、LP方法)可以很好地降低投入要素内生性和样本选择性的影响。LP方法在OP方法的基础上以中间品投入作为代理变量,能够降低OP方法投资数值可能为负或缺失的影响。此外,还有学者提出ACF测算方法,该方法可以解决OP、LP方法在第一步估计时可能产生的多重共线性问题,但无法解决企业退出导致的样本选择偏差[4]。考虑到不同测算方法的优缺点,本文采用以LP方法测算的企业全要素生产率进行基准回归,进一步使用OP、ACF方法测算生产率并进行稳健性检验。二是选择性产业政策的生产率激励效应。现有研究表明,企业全要素生产率受技术创新能力和资本配置效率等因素影响。已有学者从上述方面出发对产业政策的生产率效应进行探讨。刘守俊和蔡敏[5]研究发现,战略性新兴产业政策能够有效促进企业研发创新,进而提高受支持企业的全要素生产率;钟廷勇等[6]采用双重差分法发现,“十一五”规划产业政策通过缓解企业融资约束对其生产率产生积极影响;钱雪松等[7]通过研究产业振兴规划的政策效应发现,产业政策通过资本配置效率渠道降低企业生产率。总的来说,现有研究结论存在较大差异。三是高新技术企业认定政策与企业发展的关系。已有文献研究了高新技术企业认定对企业创新能力、财务绩效的影响。不少学者认为,高企认定政策通过税收优惠、财政补助等措施能够显著促进试点企业创新产出增长[8-12]和企业财务表现改善[13-15]。与此同时,也有部分研究认为高企认定政策效果不显著。如杨国超等[16]研究发现,企业研发收入之比的分布在高企认定门槛附近不连续,高企认定政策会激励部分企业通过操纵研发投入比重以达到认定门槛,进而获得更多政府补贴和税收优惠,这种操纵行为最终会导致公司研发绩效下降;曾婧婧等[17]基于2007、2010及2011年中国工业企业数据,利用DID模型研究发现,高新技术企业认定政策有助于企业市场占有量提高,但对企业研发投入强度的引导作用较差。

总体来看,现有文献从不同角度进行了理论和实证研究,为了解高企认定政策实施效果提供了借鉴,但仍存以下不足:第一,大多数文献只关注高企认定对研发创新、财务绩效的影响,鲜有文献系统考察高企认定对企业全要素生产率的影响及作用机制。全要素生产率是衡量企业综合经营效果的重要指标,选择性产业政策对企业全要素生产率的影响关系到我国新常态经济发展和结构调整;第二,多数研究分离考察高企认定对企业研发活动和绩效的影响,鲜有学者以研发创新为机制探讨三者间关系。因此,本文检验技术创新在高企认定对企业全要素生产率影响过程中的中介作用;第三,多数学者采用单一财务指标衡量企业绩效,可能会影响结论的科学性。因此,本文运用多种方法测算企业全要素生产率以确保结论的准确性;第四,高企认定研究中缺少对政策执行监管力度的关注,监管力度增强可能会约束企业研发操纵行为,进而影响企业资本配置决策和业绩表现。因此,本文进一步考察高企认定政策监管力度差异带来的异质性影响。为明晰高企认定与企业发展质量的关系,本文采用多种样本范围进行实证回归,并基于研发投入、规模经济和资本配置效率视角进行机制检验,以期得出更稳健的结论,从而为中国更好地利用产业政策,助推经济转型发展提供借鉴。

1.2 政策背景与研究假设

相较于普通产业,高新技术产业的技术密集特征和研发风险使企业生产运营与信贷可获得性具有更多的不确定性。为了减轻企业负担和助推产业转型升级,高新技术企业认定政策应运而生。对于高新技术企业认定门槛,2008年国家出台的《管理办法》针对研发费用比例、科研人员比例、高新技术产品(服务)收入比例3类指标制定了量化标准,为满足条件并获得认定的企业减按15%的优惠税率征收企业所得税。同时,为其提供研发费用加计扣除、固定资产加速折旧、政府补助等一系列优惠待遇。不难看出,高新技术企业认定旨在利用税收优惠和补助措施缓解企业融资约束,为高新技术企业自主创新和高质量发展注入活力。考虑到高新技术企业认定政策的相关举措和实施情况,高企认定从多渠道对企业全要素生产率产生影响。

首先,高企认定会激励企业加大研发投入力度、提升技术创新水平,从而影响企业全要素生产率。一方面,作为一种产业扶持政策,高新技术企业认定能够使企业内、外源融资约束得到缓解,为企业研发创新提供资金保障。企业获得认定后,可以享有低税率、资产加速折旧、财政补贴等优惠待遇,直接降低其边际研发投入成本。同时,高企认定向市场释放了积极信号,有利于吸引外部投资者的关注和资本投入[8],使企业外源性资金约束得到缓解。因此,企业在获得认定后能够得到充裕的资金支持,为研发创新创造良好条件。另一方面,《管理办法》明确规定了高企认定所要求的研发人员数量、研发投入比重等指标门槛,会激励企业为达到认定要求而加大研发投入力度,从而促进创新产出增加。企业获得的高企资质证书具有3年有效期,有效期满后企业可以再次获得申请认定,这一有效期设置可以激励企业为享受政策优惠而维持研发强度,有利于提升其技术创新能力,从而对企业全要素生产率提升产生积极影响。

其次,规模经济也是潜在渠道。规模经济是指随着企业规模扩大,企业生产单位产品的平均成本会呈现下降趋势,意味着给定投入能够带来更多产出,从而直接影响企业效率。高企认定带来的政策优惠在降低企业研发创新风险的同时也降低了企业整体投资成本,有利于企业生产投资规模扩大。理论上,企业规模与生产率之间是正相关关系,一方面企业规模扩大往往意味着盈利能力增强和市场地位提升,从而有利于企业汇聚更充足的要素资源进行员工培训并保障技术研发活动顺利推进,提升企业效率;另一方面,企业规模扩大也伴随着专业化人员、设备增加,有利于实现更科学细致的分工和产出能力提升(孙晓华、王昀,2014),进而降低企业生产成本、提升全要素生产率。因此,高新技术企业认定可能通过规模经济渠道促进企业全要素生产率水平提高。

此外,高企认定还会影响企业资本配置效率。一方面,高企认定政策优惠能够为企业项目投资决策提供有力的支持。若预算约束放宽,企业进行项目投资选择的余地就会增加,有利于企业选择净现值更大的项目,从而带来更多收益。从这个角度看,高企认定所带来的资金支持可以使得企业不会由于囊中羞涩而丢失投资机会,有利于企业优化投资决策和提升资本配置效率,进而提升全要素生产率;另一方面,高企认定政策的资质条件设置和后续监管评估措施能够引导企业将资金投向生产研发领域,避免企业资金过度投资于金融领域所造成的“脱实向虚”偏向,从而提升企业效率。因此,高新技术企业认定政策冲击可能通过提升资本配置效率促进企业全要素生产率提升。

基于上述分析,本文提出以下研究假设:

H1:高新技术企业认定政策实施了提升受认定企业全要素生产率。

H2:高新技术企业认定政策通过提升企业技术创新能力促进受认定企业全要素生产率提升。

H3:高新技术企业认定政策通过规模经济渠道促进受认定企业全要素生产率提升。

H4:高新技术企业认定政策通过资本配置效率渠道促进受认定企业全要素生产率提升。

2 实证设计与变量选取

2.1 样本选择与数据来源

本文以2002—2018年全国上市公司面板数据作为样本,数据主要来源于Wind数据库、国泰安数据库和高新技术企业认定管理工作网。本文对样本进行如下处理:①剔除金融业公司,金融行业会计准则与其它行业会计准则差异较大,相关指标不具有可比性,故予以剔除;②剔除其它财务数据缺失的公司;③对连续变量在1%和99%分位进行缩尾处理。

2.2 实证设计与变量选取

2.2.1 企业全要素生产率测算

本文首先利用Levinsohn&Petrin[3]提出的半参数估计法,对2002—2018年中国上市公司的全要素生产率进行估计,生产函数如式(1)所示。

lnYit=α0+α1lnKit+α2lnLit+α3lnMit+εit

(1)

其中,Yit为企业it时期的营业收入;KitLit为资本、劳动力投入变量,分别以固定资产净值、支付给职工以及为职工支付的现金衡量;Mit为中间投入变量,以营业成本+期间费用-折旧摊销-员工薪酬测度。本文将样本按照行业和年份进行分组回归,并计算出残差对数值度量企业全要素生产率(TFP)。此外,本文分别利用OP、ACF方法测算全要素生产率,用于稳健性检验。

2.2.2 基本回归模型

为控制内生性问题,本文将是否获得高新技术企业认定作为一种处理效应,运用多时点双重差分倾向得分匹配(PSM-DID)方法进行估计。

参考Chen等[18]和李春涛等[19]的方法,本文进行如下步骤:

第一步,构造匹配样本池。对样本进行分组,第一组是在研究期间获得高新技术企业认定的企业,第二组是从未获得过高企认定的企业。然后,保留第一组企业获得认定前一年的观测值和第二组企业在2007年后的所有观测值。

第二步,使用Logit模型计算企业获得高企认定概率。模型中,被解释变量为是否即将获得高企认定的虚拟变量(Treat),如果样本在下一年获得高企认定,取值为“1”,否则取值为“0”。解释变量参考《高新技术企业认定管理办法》中的认定条件选取,具体为研发强度(Rdratio)、现金流(Cash)、净资产收益率(Roa)、企业年龄(Age)、收入增长率(Growth)、企业规模(Size)以及个体和时间的虚拟变量。

第三步,利用1∶1近邻法匹配样本。匹配得到652组(1 304)个企业年度数据。表1为匹配后的平衡性检验结果,表明匹配后实验组和对照组企业的主要特征均无显著差异。图1报告了样本倾向得分值概率密度分布,显示匹配后,实验组与对照组的得分分布偏差大幅降低,满足双重差分估计的平衡性前提。

表1 匹配平衡性检验结果

变量实验组控制组偏差率(%)t值p值Rdratio0.034 270.032 882.30.290.771Cash0.199 690.198 470.90.160.875Roa8.2187.458 81.30.590.558Age13.70213.6790.40.080.939Growth0.296 540.262 250.10.40.686Size3.292 83.3474-4.2-0.890.376

根据匹配结果,利用前文估计的TFP作为被解释变量,对高新企业认定变量以及其它控制变量进行回归,得到本文基本回归模型。

Tfp_lpit=β0+β1Treatit+β2Policyit+β3Didit+β4Controlit+Firmit+Yearitit

(2)

Policyit为时期虚拟变量,当实验组首次被认定为高新技术企业后,Policyit取值为“1”,之前为“0”。Treatit是处理组虚拟变量,若企业在研究期间获得高新技术企业认定,取值为“1”,否则为“0”;DiditPolicyitTreatit的交互项,其系数反映了高新技术企业认定对企业全要素生产率的影响。控制变量Controlit包括劳动力质量(Wage)、成长能力(growth)、公司年龄(Age)、年度平均员工数(Scale)、股权集中度(Holderr)、企业实际税率(Taxrate)、资产负债率(Lev)、现金持有量(Cash)、托宾Q值(Tq)等。此外,上述模型还控制了年度、个体固定效应。

详细变量设置见表2。匹配后的变量描述性统计如表3所示。

图1 倾向得分值概率密度分布

3 实证结果

3.1 高新技术企业认定对企业全要素生产率的影响

3.1.1 基准回归结果

表4为基准回归结果,可以看出,在加入控制变量之前,高企认定虚拟变量(Did)系数在1%的水平上显著为正;引入控制变量后,高企认定虚拟变量(Did)的系数依然显著为正,但数值有所下降。整体而言,与控制组相比,高新技术企业认定的冲击使得处理组企业全要素生产率显著提高,政策效应约为0.09,这一效应在1%的水平下显著。

3.1.2 机制分析

上述研究表明,高新技术企业认定政策的冲击可促进企业全要素生产率提升。那么,高企认定政策通过何种渠道对企业全要素生产率施加影响?考虑到企业全要素生产率受企业规模、技术创新能力、资本配置效率等因素影响,本文分别从企业研发创新、规模经济和资本配置效率视角切入,考察高新技术企业认定政策对企业研发和投资行为的影响,以厘清高企认定政策对企业全要素生产率的作用机制。

表2 主要变量及计算方式

变量含义定义Tfp_lp企业全要素生产率采用LP方法测算的企业全要素生产率Tfp_op企业全要素生产率采用OP方法测算的企业全要素生产率Tfp_acf企业全要素生产率采用ACF方法测算的企业全要素生产率Did高新技术企业认定资格的虚拟变量如果公司当年获得高新技术企业认定或处于认定有效期内时,取值为1,否则取值为0Treat处理组虚拟变量当企业在研究期间内曾获得高新技术企业认定时,取值为1,否则为0Policy政策实施虚拟变量获得高新技术企业认定后的观测时期取1,否则取值为0Scale员工规模企业年度平均员工数Wage劳动力质量企业应付职工薪酬的对数Taxrate企业综合税率(营业税金及附加+所得税费用)/营业总收入Lev年末资产负债率年末总负债/年末总资产Holderr股权集中度第一大股东持股比例Growth成长能力营业收入增长率Cash现金持有量货币资金/期末资产面值Lnage企业年龄企业成立年限的对数值Tq托宾Q值(流通股数*股价+非流通股数*每股净资产+年末总负债)/年末总资产Rd研发投入企业研发投入规模的对数值Roa资产收益率净利润/总资产Invest企业投资(资本支出+并购支出-出售长期资产收入-折旧)/年初总资产

表3 变量描述性统计结果

变量观测数均值标准差最小值最大值Tfp_lp11 7757.672 1821.738 583.653 71712.200 79Tfp_op11 1555.343 7610.400 596 34.404 2576.603 952Tfp_acf11 775-2.617 5493.246 323-10.178 12.372 767Did12 3160.261 204 90.439 309 201Treat12 3160.673 432 90.468 976 401Policy12 3160.365 2160.481 510 201Scale12 2834 669.4266 904.277430 66Wage12 21916.702 411.625 12512.278 2820.705 47Taxrate12 2510.030 111 90.034 767 3-0.006 8450.200 974Lev12 3160.460 125 10.205 704 80.063 427 71.0277 36Holderr12 2820.382 057 50.162 884 70.095 7260.770 178Growth11 3200.199 482 30.471 954 5-0.607 000 43.145 565Cash12 3160.179 705 30.129 1240.010 767 20.642 367 8Lnage12 3142.467 9340.539 443 70.693 147 23.332 205Tq11 9202.089 4141.867 3790.222 05810.624 96Rd7 99617.192 351.750 94812.286 3821.196 54Roa9 3096.739 52515.360 59-77.6942.18Invest6 3380.0436 3530.071 878 4-0.061 342 50.375 358 6

直观上说,高企认定政策能够通过以下3种渠道对企业全要素生产率产生影响:①高新技术企业认定政策的出台为获得认定的企业提供税收优惠和补助,有利于减轻企业负担和激励企业增加研发投入,从而通过研发创新渠道提升生产率;②高企认定带来的税收优惠和政府补贴能降低企业整体投资成本,有利于企业扩大生产投资规模,通过规模经济实现生产率提高,本文称之为规模经济渠道;③企业在政策刺激下的投资行为是否高效直接关系到企业生产率。因此,本文将进一步验证高企认定政策通过资本配置效率渠道对TFP的影响。除上述3种渠道外,本文将高企认定对企业TFP的剩余影响作为高企认定影响企业TFP的直接渠道。

本文利用Bootstrap 程序和多重中介模型对高企认定影响企业TFP的不同渠道加以验证。在该模型中,自变量不仅可能直接作用于因变量,还可能通过多个中介变量对因变量产生间接影响。同时,这一模型可以对个别和总体中介效应进行检验。具体地,本文对原始数据进行重复随机抽样,得到5 000个Bootstrap样本,然后生成中介效应的5 000个估计值,并将上述估计值排序生成95%的置信区间,如果置信区间不包括0则意味着中介效应存在且显著。本文将研发投入、企业规模和资本配置效率作为3个中介变量加以分析,其中资本配置效率指标由非效率投资水平(Absinv)衡量,该指标值越大表明企业资本配置效率越低,具体指标计算方法见Richardson[20]的研究成果。拟合结果见表5,中介效应显著性的Bootstrap 检验结果见表6。结合表5和表6,本文分别对个别、总体中介效应进行分析,并对个别中介效应进行比较。

表4 高企认定对企业全要素生产率的影响:双重差分检验结果

变量(1)(2)Tfp_lpTfp_lpDid0.110***0.089 6***(0.023 1)(0.020 8)scale1.00e-05***(3.12e-06)wage0.126***(0.014 7)taxrate-1.558***(0.351)holderr0.607***(0.133)growth0.028 2***(0.009 62)lev0.101(0.205)cash0.358***(0.111)Tq-0.010 2***(0.003 10)lnage0.132(0.087 4)Constant7.643***4.920***(0.006 21)(0.311)YearYesYesFirmYesYesObservations11 77510 438R-squared0.9390.952

注:******分别表示10%、5%和1%的显著性水平;括号中为聚类到企业层面的标准误;Year、Firm分别表示时间、个体固定效应,下同 从表5的回归(1)中可以看出,高企认定(Did)的系数显著为正,说明高企认定能够显著提升处理组企业全要素生产率,与前文基准结论一致。从个别中介效应看,高企认定(Did)经由研发创新渠道(Rd)产生的中介效应为0.078 4(=0.929 4*0.084 3),并且这一效应值的置信区间不包括0,意味着企业研发创新是潜在作用机制,高企认定通过激励企业研发创新对企业TFP产生显著正向影响。类似地,高企认定(Did)经由资本配置效率渠道产生的中介效应为0.003 8(=-0.003 1*-1.225 3)且在统计上显著,表明高企认定提升企业全要素生产率的资源配置效率渠道成立。不同的是,规模经济渠道中介效应值的置信区间包含0值,表明该效应在统计上不显著。虽然不显著但效应值依然为正,说明高企认定通过规模经济渠道对企业全要素生产率具有正向影响。

从总体中介效应看,经由个别中介效应值加总得到的总体间接效应值为0.095 1,在5%的水平上显著,说明高企认定通过前述中介渠道对企业TFP产生了提升效果。进一步计算可得高企认定影响企业TFP的直接效应为0.026 5,在统计上不显著。说明本文所述的中介渠道是高企认定提升企业全要素生产率的重要机制,剔除3种中介效应之后,高企认定提升企业TFP的直接效应不再显著。

基于前文结果发现,研发创新渠道、规模经济渠道和资本配置效率渠道的间接效应值为0.078 4、0.012 9、0.003 8,分别在总体间接效应中占比82.44%、13.56%、4%,研发创新渠道的效应值与后二者的差异分别为0.065 4和0.074 6。由此可见,经由研发创新渠道产生的效应值和效应比重大幅高于其它中介效应,且计算可得这种差异在5%的水平上显著,说明与规模经济渠道和资本配置效率渠道相比,高企认定经由研发创新渠道产生的间接效应更强。

表5 高新技术企业认定与企业TFP:机制检验结果

回归方程回归系数标准差t值回归(1)Tfp_lp=3.502 30.361 29.697 2***+0.121 6*Did0.047 72.551 5**+a*Control回归(2)Rd=9.60 0 20.315 530.425 5***+0.929 4*Did0.041 722.313 9***+a*Control回归(3)Size=15.747 60.156 5100.644 3***+0.017 1Did0.020 70.830 2+a*Control回归(4)Absinv=0.085 50.010 87.937 2***-0.003 1*Did0.001 4-2.179 0**+a*Control回归(5)Tfp_lp=-9.079 20.594 5-15.273 1***+0.026 5*Did0.046 90.565 6+0.084 3*Rd0.016 35.163 3***+0.754 2*Size0.032 922.920 7***-1.225 3*Absinv0.45-2.723 1***+a*Control

表6 多重中介效应的Bootstrap检验结果

路径平均效应值95%的置信区间下限上限高企认定—研发创新—TFP0.078 40.043 60.112 1高企认定—规模效应—TFP0.012 9-0.0180.046 0高企认定—资本配置效率—TFP0.003 80.000 30.010 5高企认定—TFP(直接效应)0.026 5-0.065 50.118 6高企认定—TFP(间接效应)0.095 10.049 30.142 6

3.2 高新技术企业认定对企业TFP的影响:稳健性检验

3.2.1 基准回归结果的稳健性

为了保证基准估计结果的稳健性,本文从模型识别假设条件、测量误差和非观测因素影响3个方面进行稳健性检验。

(1)模型识别假设条件。平行趋势检验,双重差分估计量的一致性需要平行趋势假设成立。为此,本文构建模型(3)以考察高新技术企业认定影响企业全要素生产率的动态效应。

Tfp_lpit=ρ0+ωtTechit+ρ1End_it+ρ2Controlit+Firmit+Yearit+μit

(3)

在模型(3)中,ωt是本文重点关注的系数,分别表示企业获得高新技术企业认定之前、获得认定当年以及之后的全要素生产率情况。为了考察高新技术企业认定有效期满对TFP的影响,本文在模型中加入有效期满虚拟变量(End_it),如果当年为企业资质期满失效年份或失效之后年份,则取值为“1”,否则取值为“0”。图2为系数ωt及其95%的置信区间图。可以看出,获得认定前系数不显著异于0,即实验组和对照组之间的变化趋势无显著差异,说明本文DID方法满足平行趋势条件。从获得认定后的第二年起,高企认定系数显著为正,而资质期满失效后系数不再显著,意味着高新技术企业认定对企业全要素生产率的影响具有一定的滞后性,且政策对TFP的提升效应主要在高企资质有效期内发挥。

图2 动态趋势

(2)测量误差。①回归样本调整。表7的列(1)为使用未匹配全样本进行基准回归的结果,可以看出,在全样本回归中,高企认定的TFP提升效应依然显著。考虑到不同年份政策实施可能存在差异,本文仅将2008年首次获得认定的企业样本作为实验组,并剔除2008年以后获得高企认定的样本,回归结果列示在表7的列(2)中,可以看出,高企认定系数依然显著为正。为进一步降低样本选择性偏误的影响,本文将研究范围缩小至获得过高新技术认定的企业,基于同一个体的不同时间状态构造对照组,即某企业在高新技术企业证书有效期内为实验组,在获得认定前和证书过期后为对照组。表7的列(3)为该回归结果,显示高企认定系数显著为正。考虑到高新技术企业证书具有3年有效期,期满可以再次申请资质认定,本文进一步测度多次认定的冲击。具体地,本文以仅获得过一次高企认定的企业为对照组,以获得多次认定的企业为实验组,重新进行回归。从列(4)结果可以看出,多次认定对企业全要素生产率具有提升效果。由此可见,调整回归样本后,本文结论依然稳健;②替换全要素生产率测算方法。为了避免不同的TFP测算方式对估计结果的影响,本文分别采用OP、ACF方法重新测算企业全要素生产率,并运行上文相关模型。列(6)、列(7)为相应回归结果,结果发现,无论采用何种测算方法,Did的回归系数均在1%的水平上显著为正。由此可见,回归结果与前文保持一致,表明本研究结论不会受到全要素生产率估计方法选择的影响。

表7 稳健性检验结果

变量(1)(2)(3)(4)(5)(6)(7)Tfp_lpTfp_lpTfp_lpTfp_lpTfp_lpTfp_opTfp_acfDid0.055 6***0.066 6**0.042 2***0.037 9**0.059 4***0.035 2***0.026 8***(0.016 0)(0.029 3)(0.015 4)(0.018 6)(0.015 9)(0.011 1)(0.007 66)Ind-0.106***(0.035 1)Constant4.724***4.975***4.733***4.740***4.728***4.116***-3.687***(0.216)(0.301)(0.251)(0.251)(0.215)(0.189)(0.119)ControlYesYesYesYesYesYesYesYearYesYesYesYesYesYesYesFirmYesYesYesYesYesYesYesObservations29 27715 40319 70919 70929 27710 14610 438R-squared0.9380.9380.9410.9410.9390.6790.997

(3)非观测因素影响。①剔除其它政策的干扰。考虑到2009年“十大产业振兴规划“政策出台,本文进一步在基准模型中加入十大产业振兴政策实施时间与企业是否属于产业政策规定行业的虚拟变量交互项(Ind),以控制产业振兴政策的干扰。结果见表7的列(5),显示did系数依然显著为正,说明企业全要素生产率提升确实来源于高企认定,而不是来源于其它政策的扰动;②安慰剂检验。在该检验中,本文使高新技术企业认定对特定企业的冲击变得随机,即任意抽取样本作为处理组,如果得到与之前相同的结果,则说明高新技术企业认定政策对企业全要素生产率提升的影响可能是由未观察变量引起的。重复该随机过程500次,并展示所估计出的Did系数分布情况,如图3所示。图3显示,500次随机过程中Did的系数估计值都集中分布在零的附近,证明未观测特征几乎不会影响估计结果,之前的估计结果是稳健的。

图3 随机处理后的Did系数估计值分布(安慰剂检验)

3.2.2 中介效应的稳健性

前文研究表明,高企认定通过研发创新渠道和资本配置效率渠道对企业TFP产生了改善效果,其中研发创新渠道的中介效应最强。为进一步验证这一结论的稳健性,本文在表8中分别汇报了调整样本、替换TFP测算方法和排除其它政策干扰后的中介效应Bootstrap检验结果,结果显示,总间接效应的置信区间均不包括0,表明3个渠道加总的中介效应存在且显著。研发创新渠道的中介效应显著为正且效应值远大于规模效应和资本配置效率渠道的效应值,说明高企认定更多地通过刺激企业研发创新提升全要素生产率,与前文结论基本一致。

3.3 高企认定对企业TFP的影响:异质性检验

对于所有企业而言,高新技术企业认定政策可促进企业全要素生产率提升。但是由于初始禀赋和地区发展等方面差异较大,企业间呈现不平衡发展特点。在此背景下,高企认定政策作为一项选择性产业政策,其作用效果在不同类型企业间是否具有差异?对于上述问题的探讨有利于进一步理解高企认定影响TFP的发生机制。鉴于此,本文从多个维度对样本进行分组,考察高新技术企业认定政策的异质性影响。

3.3.1 基于企业自身特征的异质性检验

(1)按企业融资约束分组。借鉴Kaplan & Zinggales[21]的指数构建方法,本文测算KZ指数以衡量企业融资约束,并根据融资约束高低进行分组回归。表9的Panel A为回归结果,列(1)为高融资约束上市公司样本回归结果,列(2)为低融资约束上市公司样本回归结果。可以看出,无论融资约束高低,高企认定系数均显著为正,说明该政策对不同融资约束企业全要素生产率均具有提升效应。与此同时,高约束回归结果中的Did系数绝对值大于低约束样本,意味着高企认定优惠政策效应与企业自身融资约束程度紧密相关,相较于低约束企业,面临较高融资约束的企业可能从高企认定政策中获益更多,其全要素生产率增幅更大。这可能是由于面临高融资约束的企业更加注重成本控制和研发投资效率,因而其研发创新成果可以转化为更多产出,从而提升其全要素生产率。

(2)按企业生命周期分组。企业所处生命周期会影响其经营综合能力[8],可能导致高企认定政策对处于不同生命周期的企业产生异质性影响。基于此,本文采用 Dickinson[22]提出的基于现金流分类方法,将企业分为成长期、成熟期以及衰退期企业并进行分样本回归,结果见表9的Panel B。可以看出,高企认定会激励成长期和成熟期企业全要素生产率提升,而对处于衰退期企业全要素生产率的影响不显著。

(3)按企业是否进行研发操纵行为分组。值得关注的是,企业在业务盈余管理时可能会操纵研发费用[23],在优惠政策的诱惑下,部分企业可能为满足认定条件而投机,将其研发强度保持在认定条件的临界点,缺乏持续研发创新动力[16],从而导致政策对此类型企业全要素生产率的实际作用效果与政策设计初衷相背离。鉴于此,本文基于研发操纵视角对高企认定政策效应进行异质性检验。借鉴杨国超等[16]的处理方法,本文以企业研发投入比重是否在认定条件临界点及之上0.5%的范围内为划分依据,将企业样本划分为研发操纵组和非研发操纵组,并进行分组回归。回归结果列示于表9的Panel C,列(5)显示,在研发操纵组回归结果中,Did的系数不显著,说明存在投机性研发行为的企业在获得认定后,其全要素生产率无显著改善。与之不同,列(6)显示,非研发操纵组回归结果中,高企认定虚拟变量(Did)的系数显著为正,表明相较于实施研发操纵行为的企业,高企认定显著提升了非操纵企业全要素生产率。

3.3.2 异质性检验:区分外部环境特征

(1)按市场化程度分组。政府产业政策推动企业经营效率改善的合理性在于市场机制不完善,市场机制越缺失,政府政策对效率损失的弥补作用就越显著[24]。基于此,本文进一步依据市场化程度对高新技术企业政策效应进行分组检验。本文根据樊纲等[25]编制的要素市场发育程度指数,将样本划分为高、低市场化程度两个子样本并分别进行回归,结果如表10的Panel A所示。高企认定冲击导致企业全要素生产率出现显著上升,而且当企业所在地区市场运行效率较低时,政策效果更显著。

(2)按东中西地区分组。高新技术企业认定对不同经济发展水平地区企业TFP的边际效应可能存在差异。对此,本文根据地理区位对样本进行分组回归,表10的Panel B结果表明,高企认定对企业生产率的提升效应在中西部地区更显著。可能的解释是相对于经济发达和技术水平较高的东部地区,高企认定作为一种扶持政策对落后地区起到了“雪中送炭”的作用,因而中西部地区企业TFP的改善效果更显著。

(3)按政策执行监管力度分组。相较于2008年版的《管理办法》,科技部、财政部、税务总局于2016年修订的《管理办法》强调建立随机抽查和重点监督检查机制,这意味着新政策下政府对“伪高新”的监管力度更强。前文检验结果表明,企业研发操纵行为会对高企认定政策效果产生不利影响,那么更强的监管力度应能带来更好的政策实施效果。因此,本文按照企业获取认定时所适用的《管理办法》版本差异,将样本划分为强监管力度组和弱监管力度组。其中,强、弱监管组分别适用2016年版、2008年版高企认定政策。分样本回归结果见表10的Panel C,由此可见,高企认定政策在不同监管力度下均能促进企业全要素提升,相较于弱监管组,强监管力度下高企认定政策对全要素生产率的提升效应更显著。

表8 中介效应稳健性检验结果

路径调整样本效应值下限上限替换TFP测算方法效应值下限上限排除其它政策干扰效应值下限上限研发创新0.081 90.060 20.103 50.029 10.021 60.037 50.111 50.078 50.145 3规模效应-0.041 8-0.060 8-0.022 00.004 9-0.001 60.011 70.007 6-0.022 70.04资本配置效率0.000 1-0.0020.002 60.000 2-0.000 80.0010.003 60.000 10.0102直接效应0.128 70.068 60.188 8-0.015 8-0.034 90.003 30.048 8-0.0410.138 6总间接效应0.040 20.011 10.070 30.034 20.0230.037 50.122 70.078 10.168 8

表9 高企认定影响TFP的异质性检验结果:区分企业自身特征

变量企业全要素生产率(TFP)Panel A:按融资约束分组(1)高约束(2)低约束Panel B:按生命周期分组(3)成长期(4)成熟期(5)衰退期Panel C:按是否研发操纵分组(6)操纵(7)非操纵Did0.112***0.083 6***0.086 4***0.075 7***0.053 5-0.011 10.066 7***(0.030 2)(0.022 7)(0.026 4)(0.024 2)(0.058 4)(0.029 2)(0.017 2)Constant4.903***5.321***4.852***5.356***5.025***5.729***4.810***(0.460)(0.314)(0.380)(0.422)(0.700)(0.861)(0.392)ControlYesYesYesYesYesYesYesYearYesYesYesYesYesYesYesFirmYesYesYesYesYesYesYesObservations5 0115 2234 7313 7171 4664916 482R-squared0.9500.9690.9610.9700.9400.9930.970

表10 高企认定影响TFP的异质性检验结果:区分外部环境特征

变量企业全要素生产率(TFP)Panel A:按市场化程度分组(1)高市场化(2)低市场化Panel B:按东中西地区分组(3)东部(4)中部(5)西部Panel C:按监管力度分组(6)强监管(7)弱监管高新0.052 7**0.169***0.056 4**0.071 6*0.182***0.150**0.063 5***(0.022 9)(0.042 3)(0.025 6)(0.036 5)(0.067 4)(0.061 4)(0.023 6)Constant5.331***3.955***5.194***5.567***4.564***4.229***5.295***(0.370)(0.532)(0.423)(0.631)(0.654)(0.468)(0.387)ControlYesYesYesYesYesYesYesYearYesYesYesYesYesYesYesFirmYesYesYesYesYesYesYesObservations6 9843 4546 0732 0012 2113 2797 159R-squared0.9590.9410.9550.9530.9500.9590.951

4 结论与政策建议

4.1 结论

产业政策对企业发展的影响是经济管理学科关注的基本问题。本文利用2002—2018年中国A股上市公司样本,采用多时点PSM-DID方法考察高新技术企业认定政策对企业全要素生产率的影响。结果表明,第一,高新技术企业认定政策实施可显著促进企业全要素生产率提升。第二,这种促进效应来源于企业研发创新和资本配置效率改善。第三,高企认定的政策效应存在异质性,当区分企业自身特征时,政策对高融资约束企业、处于成长期和成熟期企业以及未进行研发操纵企业的全要素生产率提升效应更显著。当区分企业外部环境特征时,相较于市场化程度较高的地区,市场化运行效率较低地区的企业全要素生产率增幅更大;相较于东部地区,中西部地区企业全要素生产率增幅更大;相较于弱监管政策环境,强监管环境下高企认定政策实施效果更显著。

4.2 建议

本文既拓展了已有产业政策与企业研发投资行为之间的关系研究,也丰富了高新技术企业认定政策经济后果研究。本文统计结果意味着,高新技术认定政策作为一项选择性产业政策,在促进企业研发创新和生产扩大的同时,对企业资本配置效率、全要素生产率同样具有显著提升作用。虽然在政策实施过程中少数企业存在研发操纵现象,但整体而言,高新技术企业认定政策对企业发展起到了积极作用。因此,本文提出以下政策建议:

(1)未来应当进一步扩大重点领域高新技术企业认定覆盖范围,释放企业创新活力,助推产业升级和经济高质量发展。

(2)实施差异化高新技术企业认定管理政策,避免在推行产业政策和扶持企业发展时一刀切。本研究表明,与低融资约束企业、衰退期企业相比,高融资约束企业、成长成熟期企业在获得认定后,其全要生产率得到了更大改善。因此,政府在推行高企管理政策时应当对企业经营情况和生命周期予以关注,切实为高融资约束的受认定企业和处于成长成熟期企业提供资金支持;对于低融资约束企业和衰退期企业,应当考虑实施除资金扶持外的其它配套激励政策,以便更好地发挥高企认定政策效用。

(3)对于“伪高新”、“研发操纵”乱象,应当进一步优化高新技术企业认定评估标准并完善审核、监管和处罚机制。本研究揭示了高企认定影响企业全要素生产率的具体机制,其关键环节是加大企业研发投入力度,而企业研发操纵会使得高企认定政策效果大打折扣。因此,应当坚持执行调查监管、处罚措施,严防研发操纵行为,为高新技术产业高质量发展提供保障。

参考文献:

[1] 鲁晓东,连玉君.中国工业企业全要素生产率估计:1999—2007[J].经济学(季刊),2012,11(2):541-558.

[2] OllEY S,PAKES A. The dynamics of productivity in the telecommunications equipment industry[J]. Econometrica,1996(64):1263-1298.

[3] LEVINSOHN J,PETRIN A. Estimating production functions using Inputs to control for unobservables[J]. The Review of Economic Studies,2003,70(2): 317-341.

[4] ACKERBERG D,CAVES K,FRAZER G. Structural identification of production functions[R]. MPRA Paper,2006.

[5] 刘守俊,蔡敏.战略性新兴产业政策的实施提高了企业全要素生产率吗——基于双重差分模型的分析[J].南方金融,2020(4):1-11.

[6] 钟廷勇,何玲,孙芳城.产业政策对企业全要素生产率的影响研究[J].经济纵横,2019(12):86-98.

[7] 钱雪松,康瑾,唐英伦,等.产业政策、资本配置效率与企业全要素生产率——基于中国2009年十大产业振兴规划自然实验的经验研究[J].中国工业经济,2018(8):42-59.

[8] 雷根强,郭玥.高新技术企业被认定后企业创新能力提升了吗——来自中国上市公司的经验证据[J].财政研究,2018(9):32-47.

[9] 徐晔,蔡奇翰.高新技术企业认定对企业创新及财务绩效的影响——基于断点回归方法[J].复旦学报(社会科学版),2019,61(6):139-150.

[10] 金宇,王培林,富钰媛.选择性产业政策提升了我国专利质量吗——基于微观企业的实验研究[J].产业经济研究,2019(6):39-49.

[11] 孙刚.选择性高科技产业政策能被精准执行吗——基于“高新技术企业”认定的证据[J].经济学家,2018(8):75-85.

[12] 陈珍珍,何宇,徐长生.高新技术企业认定对研发投入的政策效应研究——来自A股上市公司的经验证据[J].中国科技论坛,2019(7):1-10.

[13] 谢海洋,曹少鹏,高敏.高科技资质认定政策有效性研究——基于双重差分PSM方法的检验[J].现代经济探讨,2017(9):75-82.

[14] 张帆,张友斗.竞争性领域财政补贴、税收优惠政策对企业经营绩效的影响[J].财贸研究,2018,29(3):80-89.

[15] 张同斌,高铁梅.财税政策激励、高新技术产业发展与产业结构调整[J].经济研究,2012,47(5):58-70.

[16] 杨国超,刘静,廉鹏,等.减税激励、研发操纵与研发绩效[J].经济研究,2017,52(8):110-124.

[17] 曾婧婧,龚启慧,王庆.中国高新技术企业认定政策绩效评估——基于双重差分模型的实证分析[J].科技进步与对策,2019,36(9):118-125.

[18] CHEN T J,HAFORD C LIN.Do analysts matter for governance? evidence from natural experiments[J]. Journal of Financial Economics,2015,115(2):383-410.

[19] 李春涛,刘贝贝,周鹏.卖空与信息披露:融券准自然实验的证据[J].金融研究,2017(9):130-145.

[20] RICHARDSON S. Over-investment of free cash flow[J]. Review of Accounting Studies,2006,11(2-3):159-189.

[21] KAPLAN S N,ZINGGALES L. Do investment-cash flow sensitivities provide useful measures of financing constraints[J]. The quarterly journal of economics,1997,112(1): 169-215.

[22] DICKINSON V. Cash flow patterns as a proxy for firm life cycle[J]. American Accounting Association,2011,86(6):1969-1994.

[23] ROYCHOEDHURY S. Earnings management through real activities manipulation[J]. Journal of Accounting and Economics,2006,42(3):335-370.

[24] AGHION P,DEWATRIPONT M,DU L,et al. Industrial policy and competition[J].American Economic Journal: Macroeconomics,2015,7(4):1-32.

[25] 樊纲,王小鲁,余静文.中国分省份市场化指数报告[M].北京:社会科学文献出版社,2017.

(责任编辑:张 悦)