国产日韩欧美一区二区三区三州_亚洲少妇熟女av_久久久久亚洲av国产精品_波多野结衣网站一区二区_亚洲欧美色片在线91_国产亚洲精品精品国产优播av_日本一区二区三区波多野结衣 _久久国产av不卡

?

R&D投入真的能提升企業(yè)創(chuàng)新績效嗎
——來自廣義傾向得分匹配的證據(jù)

2019-10-16 11:40周衍平博士生導(dǎo)師耿芳菲陳會(huì)英博士生導(dǎo)師吳國慶
財(cái)會(huì)月刊 2019年20期
關(guān)鍵詞:效應(yīng)變量樣本

周衍平(博士生導(dǎo)師),耿芳菲,陳會(huì)英(博士生導(dǎo)師),吳國慶

一、引言

十九大報(bào)告強(qiáng)調(diào),創(chuàng)新是引領(lǐng)發(fā)展的第一動(dòng)力,是建設(shè)現(xiàn)代化經(jīng)濟(jì)體系的戰(zhàn)略支撐,要把加快建設(shè)創(chuàng)新型國家作為我國現(xiàn)代化建設(shè)的戰(zhàn)略性舉措。為此,企業(yè)要想在不斷加劇的市場競爭中求得生存和發(fā)展,就必須提高自身創(chuàng)新能力,掌握核心技術(shù),不斷實(shí)現(xiàn)技術(shù)創(chuàng)新,打造自身的優(yōu)勢(shì)以及培養(yǎng)雄厚的綜合實(shí)力[1],為加快創(chuàng)新型國家建設(shè)貢獻(xiàn)力量。研究與開發(fā)(Research and Development,R&D)作為技術(shù)創(chuàng)新的重要環(huán)節(jié)之一,是企業(yè)發(fā)展的重要?jiǎng)?chuàng)新來源和創(chuàng)新的決定因素,合理配置科技資源可以提高企業(yè)設(shè)備和工藝的技術(shù)水平,給企業(yè)帶來直接的經(jīng)濟(jì)效益[2]。

R&D 投入和企業(yè)創(chuàng)新績效之間的關(guān)系已經(jīng)得到了國內(nèi)外相關(guān)學(xué)者的廣泛關(guān)注。該類研究最早起源于發(fā)達(dá)的工業(yè)國家,其中大部分認(rèn)為R&D 投入與企業(yè)創(chuàng)新績效顯著正相關(guān)。不過現(xiàn)有研究并沒有達(dá)成一致的觀點(diǎn),R&D投入對(duì)企業(yè)創(chuàng)新績效的影響或多或少會(huì)受到其他因素的干擾,而現(xiàn)有文獻(xiàn)對(duì)于這些影響因素的控制還存在一些不足,這就帶來了研究結(jié)果的不確定性。鑒于以上背景,本文選取我國2010 ~2017 年中小板企業(yè)作為研究樣本,使用廣義傾向得分匹配(Generalized Propensity Score,GPS)法,在“反事實(shí)”框架下,通過進(jìn)一步控制“自選擇效應(yīng)”和其他因素的影響,深入探析R&D 投入對(duì)企業(yè)創(chuàng)新績效的影響。

R&D投入真的能夠提升企業(yè)創(chuàng)新績效嗎?本文通過GPS方法,不僅可以在“反事實(shí)”框架下明確R&D投入對(duì)企業(yè)創(chuàng)新績效的影響,還能探討不同R&D投入強(qiáng)度對(duì)企業(yè)創(chuàng)新績效影響的動(dòng)態(tài)變化過程,從而發(fā)現(xiàn)R&D 投入的理想?yún)^(qū)域。另外,通過研究,還能明確對(duì)于同一個(gè)企業(yè)進(jìn)行不同強(qiáng)度的R&D 投入與不進(jìn)行R&D 投入而言對(duì)創(chuàng)新績效的影響具有何種區(qū)別,以幫助企業(yè)管理者們?cè)谑欠襁M(jìn)行R&D 投入之間該如何做出正確的決策提供實(shí)證經(jīng)驗(yàn)。

二、文獻(xiàn)綜述

眾多國內(nèi)外學(xué)者都對(duì)R&D 投入對(duì)企業(yè)創(chuàng)新績效的影響進(jìn)行過研究,以期企業(yè)能夠通過合理的R&D投入提高技術(shù)成果產(chǎn)出,最終實(shí)現(xiàn)提高企業(yè)生產(chǎn)率的目的。Raymond 等[3]使用荷蘭和法國制造業(yè)企業(yè)的數(shù)據(jù),通過四個(gè)非線性動(dòng)態(tài)聯(lián)立方程描述了從R&D 到創(chuàng)新績效,再從創(chuàng)新績效到生產(chǎn)率的轉(zhuǎn)換過程,最終明確了企業(yè)R&D 投入對(duì)提高生產(chǎn)率所發(fā)揮的關(guān)鍵性作用。余淑秀、盧山冰[4]發(fā)現(xiàn)R&D投入能夠顯著提升我國汽車制造業(yè)的技術(shù)創(chuàng)新能力,并且還能正向調(diào)節(jié)FDI 對(duì)企業(yè)創(chuàng)新績效的促進(jìn)作用。王素蓮、阮復(fù)寬[5]進(jìn)一步研究發(fā)現(xiàn),企業(yè)家越偏好承擔(dān)風(fēng)險(xiǎn),R&D投入與公司績效之間的正相關(guān)關(guān)系越強(qiáng),這對(duì)進(jìn)一步明確R&D 投入與企業(yè)績效關(guān)系異質(zhì)性的作用機(jī)理具有重要的理論意義。隨著研究的深入,部分學(xué)者發(fā)現(xiàn)在一些因素對(duì)企業(yè)創(chuàng)新績效的影響中R&D 投入還起到了中介作用。如丘東等[6]和高雨辰等[7]分別驗(yàn)證了政府的R&D 投入和研發(fā)補(bǔ)貼對(duì)地方或企業(yè)創(chuàng)新績效的作用是通過企業(yè)R&D實(shí)現(xiàn)的,楊林等[8]發(fā)現(xiàn)高管團(tuán)隊(duì)海外行業(yè)經(jīng)驗(yàn)對(duì)企業(yè)創(chuàng)新績效的影響完全是通過R&D 投入這一中介變量實(shí)現(xiàn)的,陳巖等[9]認(rèn)為家族所有權(quán)會(huì)通過R&D 投入的中介機(jī)制對(duì)創(chuàng)新績效產(chǎn)生影響。不過,以上研究卻忽視了R&D 投入對(duì)創(chuàng)新績效可能并不是簡單的非線性影響。王康、周孝[10]通過實(shí)證檢驗(yàn)發(fā)現(xiàn),隨著R&D 強(qiáng)度或企業(yè)規(guī)模的增大,持續(xù)的R&D 投入將對(duì)技術(shù)創(chuàng)新績效產(chǎn)生非線性影響,即呈現(xiàn)出“負(fù)向——正向——負(fù)向”的變化趨勢(shì)。同樣,周密等[11]、易靖韜等[12]也認(rèn)為R&D 投入將對(duì)創(chuàng)新績效產(chǎn)生非線性影響。

不過,現(xiàn)實(shí)中創(chuàng)新績效高的企業(yè)往往傾向于更高的R&D 投入,也就是創(chuàng)新績效高的企業(yè)本身R&D 投入就高,即存在“自選擇效應(yīng)”。而“自選擇效應(yīng)”會(huì)帶來內(nèi)生性問題,以往學(xué)者在研究R&D 投入對(duì)企業(yè)創(chuàng)新績效的影響時(shí)往往忽略了這一問題。同時(shí),研究R&D 投入對(duì)企業(yè)創(chuàng)新績效的影響,應(yīng)當(dāng)排除其他因素對(duì)R&D 投入和企業(yè)創(chuàng)新績效的影響,如企業(yè)規(guī)模、企業(yè)的償債能力和盈利能力等均會(huì)對(duì)R&D 投入和企業(yè)創(chuàng)新績效產(chǎn)生影響。只有控制了其他因素的干擾,才能更準(zhǔn)確地研究R&D 投入對(duì)企業(yè)創(chuàng)新績效的影響。而對(duì)于已經(jīng)進(jìn)行一定R&D投入的企業(yè)不能直接驗(yàn)證其不進(jìn)行R&D 投入的情況,即“反事實(shí)”。

匹配方法是一種較好地控制“自選擇效應(yīng)”和其他因素影響的方法,可以在“反事實(shí)”分析的框架下,選出主要特征最接近的企業(yè)個(gè)體進(jìn)行比較,從而可以較準(zhǔn)確地分析R&D 投入對(duì)企業(yè)創(chuàng)新績效的影響,即凈效應(yīng)。但是由Rubin 等[13]提出的傾向得分匹配(Propensity Score Matching,PSM)方法只適用于0 或1 的二值型處理變量,即只能分析R&D投入與否(有為1,沒有為0)對(duì)企業(yè)創(chuàng)新績效的影響。值得注意的是,R&D 投入對(duì)企業(yè)創(chuàng)新績效的影響,不僅取決于企業(yè)是否有R&D 投入,而且R&D 投入強(qiáng)度的差異對(duì)企業(yè)創(chuàng)新績效的影響是有顯著差別的,這就需要進(jìn)一步考慮企業(yè)的R&D 投入強(qiáng)度對(duì)企業(yè)創(chuàng)新績效的影響。如果僅僅研究是否有R&D 投入對(duì)企業(yè)創(chuàng)新績效的影響,將會(huì)嚴(yán)重低估R&D 投入帶來的效應(yīng)。

Imbens[14]和Hirano等[15]進(jìn)一步拓展了PSM方法,將“反事實(shí)”分析框架處理變量擴(kuò)展到多元變量或者連續(xù)變量的范疇,提出了利用GPS 方法來捕捉不同處理強(qiáng)度下潛在結(jié)果的差異,彌補(bǔ)了PSM方法的不足。GPS 方法不僅能夠較好地克服“自選擇效應(yīng)”,還能較好地控制其他因素對(duì)R&D 投入和企業(yè)創(chuàng)新績效的影響。此外,Hirano 等[15]還進(jìn)一步建立了劑量反應(yīng)函數(shù),用以描述不同的處理變量所對(duì)應(yīng)結(jié)果變量的條件期望,即可以進(jìn)一步研究處理變量對(duì)結(jié)果變量的動(dòng)態(tài)影響,利用該函數(shù)可以在王康、周孝[10]研究的基礎(chǔ)上進(jìn)一步分析和驗(yàn)證R&D投入對(duì)企業(yè)創(chuàng)新績效的影響是否是非線性的。

GPS 方法已經(jīng)得到了廣泛應(yīng)用。Kluve 等[16]用GPS方法以德國的官方數(shù)據(jù)為樣本研究培訓(xùn)時(shí)間的長短對(duì)員工再就業(yè)的影響,發(fā)現(xiàn)培訓(xùn)時(shí)間在100 天之內(nèi)再就業(yè)率呈上升趨勢(shì),100 天之后再就業(yè)率無明顯變化。Sheldon、DeShazo[17]研究了 2010 ~ 2013年間美國加利福尼亞州允許使用插電式電動(dòng)汽車免費(fèi)占用高擁堵車道的政策效果,發(fā)現(xiàn)該政策導(dǎo)致了插電式電動(dòng)汽車購買登記數(shù)量的增加。國內(nèi)學(xué)者近些年來也開始使用GPS 方法研究企業(yè)出口的經(jīng)濟(jì)后果,正是因?yàn)樵摲椒ǖ氖褂?,學(xué)者們才能更加方便地研究非線性因果關(guān)系。史青[18]研究發(fā)現(xiàn)企業(yè)出口確實(shí)能顯著提高員工工資,但是這一因果關(guān)系只在樣本的某些子區(qū)間成立,并且企業(yè)的出口強(qiáng)度與員工工資呈現(xiàn)“倒U型”的非線性關(guān)系。陳勇兵等[19,20]發(fā)現(xiàn)企業(yè)出口強(qiáng)度與企業(yè)生產(chǎn)率和銷售額增長率之間也呈現(xiàn)“倒U型”的關(guān)系。除企業(yè)出口經(jīng)濟(jì)后果的研究之外,湯學(xué)良等[21]、陳梅等[22]使用GPS方法研究發(fā)現(xiàn),培訓(xùn)投入、進(jìn)口中間產(chǎn)品質(zhì)量分別與企業(yè)生產(chǎn)率呈“倒N型”“U型”關(guān)系。

以上學(xué)者對(duì)GPS 方法的探討為本文奠定了計(jì)量基礎(chǔ),以往學(xué)者在使用GPS 方法時(shí)還或多或少存在一定的缺陷:其一是忽視了GPS 方法使用后對(duì)匹配變量的平衡性質(zhì)假定的檢驗(yàn);其二是GPS 方法同PSM 方法一樣,均需要滿足共同支撐假定,但是目前的文獻(xiàn)卻極少提及GPS 方法的共同支撐假定該如何檢驗(yàn)。因此,本文結(jié)合國內(nèi)外學(xué)者的相關(guān)研究,試圖給出一個(gè)規(guī)范的GPS方法的使用框架。

三、數(shù)據(jù)來源與變量設(shè)定

(一)數(shù)據(jù)來源

本文從國泰安數(shù)據(jù)庫選取2010 ~2017 年中小板企業(yè)作為研究樣本。之所以選擇中小板企業(yè),主要是考慮到中小板企業(yè)大多處于生命周期的初創(chuàng)期或者成長期,其科研創(chuàng)新能力較強(qiáng),中小板企業(yè)在創(chuàng)新和研發(fā)支出方面披露的信息最為完整。為了研究結(jié)果的穩(wěn)健性和準(zhǔn)確性,本文對(duì)樣本進(jìn)行如下處理:

首先,考慮到金融類企業(yè)本身的特殊性,按照證監(jiān)會(huì)2012 版行業(yè)分類代碼,將行業(yè)代碼以J 開頭的樣本企業(yè)剔除;然后,為了研究結(jié)果更加穩(wěn)健,剔除ST 和?ST 類企業(yè);最后,本文還剔除了專利申請(qǐng)數(shù)量、R&D投入出現(xiàn)缺失值的樣本。最終,共得到4325個(gè)樣本。樣本具體分布情況如表1所示。

表1 樣本分布情況

同時(shí),為了使研究結(jié)果更加穩(wěn)健,本文還進(jìn)一步對(duì)所有的連續(xù)變量在1%分位數(shù)以下和99%分位數(shù)以上進(jìn)行了縮尾處理,以消除異常值帶來的影響。

(二)變量設(shè)定

1.處理變量。學(xué)者們主要采用兩種方式衡量企業(yè)的R&D 投入:一種是絕對(duì)指標(biāo),即R&D 的支出總額;另一種是相對(duì)指標(biāo),即R&D 支出/營業(yè)收入,亦稱R&D 投入強(qiáng)度。為了避免企業(yè)規(guī)模帶來的影響,本文采用相對(duì)指標(biāo),記為RD。由于不同企業(yè)R&D 投入存在顯著差異,且多數(shù)企業(yè)R&D 投入較低,導(dǎo)致R&D投入分布是嚴(yán)重有偏的,如圖1所示。借助分?jǐn)?shù)對(duì)數(shù)模型進(jìn)行調(diào)整,由此需要將處理變量的取值限定在0 ~1 之間,因此本文在對(duì)變量RD 進(jìn)行縮尾處理的前提下,將RD 的最大值標(biāo)準(zhǔn)化為1,然后用其他RD 除以該最大的RD 值,這樣就保證了RD的取值在0 ~1之間。

圖1 R&D投入分布

2.結(jié)果變量?,F(xiàn)有研究對(duì)企業(yè)創(chuàng)新績效的衡量主要包括凈資產(chǎn)收益率、專利申請(qǐng)數(shù)、新產(chǎn)品的銷售收入等??紤]到專利更能反映一個(gè)企業(yè)的創(chuàng)新成果,且專利申請(qǐng)數(shù)可以在很大程度上克服不同企業(yè)之間創(chuàng)新成果受到工作效率、偏好等方面因素的影響,更具有一致性和公正性,本文借鑒張信東等[23]、徐維祥等[24]的研究方法,采用專利申請(qǐng)數(shù)來衡量企業(yè)創(chuàng)新績效,記為APP。

3.匹配變量??紤]到匹配變量應(yīng)該既要與處理變量相關(guān),也要與結(jié)果變量相關(guān),以更好地滿足條件獨(dú)立性假設(shè)[20,21]。對(duì)此,本文借鑒現(xiàn)有研究[1,25-28]選取以下變量作為匹配變量:

政府補(bǔ)助,該項(xiàng)目主要包括財(cái)政撥款、稅收返還和各種財(cái)政補(bǔ)貼(比如研究開發(fā)補(bǔ)貼、財(cái)政貼息和政策性補(bǔ)貼等),該數(shù)據(jù)主要披露于上市公司財(cái)務(wù)報(bào)表附注,本文以政府補(bǔ)助總額的對(duì)數(shù)值來衡量,記為SUB;高管激勵(lì),該項(xiàng)目主要包括企業(yè)對(duì)高管的薪酬激勵(lì)和股權(quán)激勵(lì),本文借鑒尹美群等[28]和苗淑娟等[29]的做法,用董監(jiān)高持股總數(shù)與公司總股數(shù)的比值來衡量,記為MHSR;股權(quán)集中度,以第一大股東持股總數(shù)與公司總股數(shù)的比值來衡量,記為FHSR;企業(yè)規(guī)模,以企業(yè)總資產(chǎn)的對(duì)數(shù)值來衡量,記為SIZE;資本密度,即企業(yè)固定資產(chǎn)總額除以員工人數(shù),然后取對(duì)數(shù),記為CD;償債能力,以企業(yè)的資產(chǎn)負(fù)債率來衡量,即企業(yè)的總負(fù)債除以總資產(chǎn),記為LEV;盈利能力,以企業(yè)的資產(chǎn)收益率來衡量,即企業(yè)的凈利潤除以總資產(chǎn),記為ROA。以上所有的變量設(shè)定情況如表2所示。

表2 各變量設(shè)定

四、實(shí)證分析

(一)描述性統(tǒng)計(jì)

為了初步統(tǒng)計(jì)分析R&D投入對(duì)企業(yè)創(chuàng)新績效的影響,測(cè)算出各年度不同R&D 投入在樣本中所占的比例及其對(duì)應(yīng)的企業(yè)創(chuàng)新績效的信息,并匯總列出全樣本的信息(詳見表3)。表 3 顯示,隨著 R&D 投入的增加,企業(yè)創(chuàng)新績效均值呈現(xiàn)出先增大后減小的趨勢(shì),最后在(0.8,1]區(qū)間又突然增大。在(0.8,1]區(qū)間的是少數(shù)在樣本中所占比例較小的新型高新技術(shù)企業(yè),這類企業(yè)創(chuàng)新需求和動(dòng)力十分巨大,R&D投入較多,同時(shí)在國家政策的引領(lǐng)下不斷創(chuàng)新,取得的成果顯著??梢姡琑&D投入達(dá)到一定程度之后可能又會(huì)促進(jìn)企業(yè)創(chuàng)新績效提高。

表3 R&D投入強(qiáng)度與企業(yè)創(chuàng)新績效的初步統(tǒng)計(jì)分析

為了驗(yàn)證上述猜測(cè),本文將全樣本R&D 投入在(0.8,1]區(qū)間的樣本篩選出來,共有74 家企業(yè),幾乎都是新型高新技術(shù)企業(yè),如表4所示(表中只列示了部分企業(yè),其中所占比例指的是在74家企業(yè)中所占的比例)。表4 中樣本企業(yè)占74 家企業(yè)的七成左右,都是軟件、信息技術(shù)和電子設(shè)備等高新技術(shù)企業(yè),與人工智能、互聯(lián)網(wǎng)密切相關(guān)。

若忽略這類新型高新技術(shù)企業(yè)帶來的影響,隨著R&D 投入的不斷增大,企業(yè)創(chuàng)新績效均值呈現(xiàn)出先增大后減小的走勢(shì),因此初步判斷R&D 投入對(duì)企業(yè)創(chuàng)新績效的影響為“倒U型”。

表5給出了變量的描述性統(tǒng)計(jì)結(jié)果??梢钥闯?,處理變量RD 最小值為0.0038,最大值為1.0000,這是前文為了確保R&D 投入取值在[0,1]之間特別處理過的結(jié)果。結(jié)合RD 的均值和中位數(shù)來看,R&D 投入的分布是嚴(yán)重有偏的,且為正偏峰分布(右偏),說明我國中小板企業(yè)R&D投入大部分處于中低水平。如2012 年我國高技術(shù)R&D 投入僅占工業(yè)總產(chǎn)值的1.69%,遠(yuǎn)遠(yuǎn)低于同期的日本和美國[30]。結(jié)果變量專利申請(qǐng)數(shù)量反映了企業(yè)的創(chuàng)新績效,由于本文對(duì)專利申請(qǐng)數(shù)量進(jìn)行了對(duì)數(shù)處理,所以出現(xiàn)最小值為0的原因是該企業(yè)專利申請(qǐng)數(shù)為1。從均值3.0222 來看,我國中小企業(yè)創(chuàng)新績效總體水平并不低,并保持了良好的發(fā)展勢(shì)頭,這與我國“創(chuàng)新驅(qū)動(dòng)發(fā)展戰(zhàn)略”密切相關(guān)。從統(tǒng)計(jì)量來看,政府補(bǔ)助基本符合正態(tài)分布,可以看出政府對(duì)我國中小企業(yè)的補(bǔ)助還是相對(duì)合理公平的;高管激勵(lì),即高管持股比例最小值為0,最大值為72.5850%,表明我國中小企業(yè)高管持股存在很大差異;股權(quán)集中度均值為34.1988%,最小值為9.5900%,最大值為70.5300%,我國中小板企業(yè)股權(quán)集中度極差較大,但是平均水平處于30%~40%區(qū)間,說明既有股權(quán)分散企業(yè),又有股權(quán)集中企業(yè);企業(yè)規(guī)模最小值20.0930,最大值24.0550,顯示我國中小板企業(yè)資產(chǎn)規(guī)模差距并不大,這主要是由中小板掛牌企業(yè)的規(guī)定所限制;資本密度的均值為12.3691,可以看出我國中小板企業(yè)資本密度較高,即人均固定資產(chǎn)處于較高水平;償債能力均值為0.3530,說明我國中小板企業(yè)總體來說,平均負(fù)債尚處于合理水平;盈利能力最小值為-0.1063,最大值為0.2235,盈利能力具有較大差異性,這可能是當(dāng)前經(jīng)濟(jì)形勢(shì)下部分中小企業(yè)融資難、融資貴問題所致。

表4 部分R&D投入在(0.8,1]區(qū)間的企業(yè)概況

(二)R&D投入對(duì)企業(yè)創(chuàng)新績效的影響

運(yùn)用GPS 方法估計(jì)R&D 投入對(duì)企業(yè)創(chuàng)新績效的影響分為三步:估計(jì)處理變量R&D 投入的條件分布并計(jì)算GPS 得分、估計(jì)結(jié)果變量企業(yè)績效的條件分布、估計(jì)劑量反應(yīng)函數(shù)和處理效應(yīng)函數(shù)。

表5 變量的描述性統(tǒng)計(jì)

1.估計(jì)處理變量R&D投入的條件分布。

(1)R&D投入的條件分布。Hirano、Imbens[15]提出的GPS 方法要求處理變量必須是正態(tài)分布。但是根據(jù)前文分析,R&D 投入是嚴(yán)重有偏的(如圖1 所示),因此需要采用分?jǐn)?shù)對(duì)數(shù)模型來估計(jì)R&D投入的條件密度函數(shù)。

本文選取財(cái)政補(bǔ)助(SUB)、高管激勵(lì)(MHSR)、股權(quán)集中度(FHSR)、企業(yè)規(guī)模(SIZE)、資本密度(CD)、償債能力(LEV)和盈利能力(ROA)作為匹配變量。表6 分別列出了2010 ~2017 年各年以及2010 ~2017年整體的分?jǐn)?shù)對(duì)數(shù)模型的估計(jì)結(jié)果。

從分?jǐn)?shù)對(duì)數(shù)模型回歸的擬合優(yōu)度AIC指標(biāo)可以看出,該模型擬合效果很好。政府補(bǔ)助與R&D 投入顯著正相關(guān),這和多數(shù)學(xué)者的研究結(jié)論是一致的,即政府補(bǔ)助有利于企業(yè)獲得外部專項(xiàng)資金以提高研發(fā)支出強(qiáng)度。高管激勵(lì)與R&D 投入只在模型(1)和模型(3)中顯著負(fù)相關(guān),一方面說明高管持股水平過高,并不利于企業(yè)R&D 投入。苗淑娟等[29]、徐寧等[31]研究發(fā)現(xiàn),高管激勵(lì)與企業(yè)R&D投入呈現(xiàn)“倒U型”關(guān)系,本文前述分析發(fā)現(xiàn)中小板企業(yè)高管持股比例普遍過高,正是呈現(xiàn)出“倒U 型”的后半程關(guān)系。另一方面從單一年份看,高管激勵(lì)與R&D 投入并沒有顯著關(guān)系。從長期看,這兩者之間的相關(guān)關(guān)系是顯著的,但是通過回歸系數(shù),可以看出兩者之間的相關(guān)程度較弱。除了模型(2),股權(quán)集中度與R&D 投入顯著負(fù)相關(guān),說明對(duì)于中小板企業(yè)而言,股權(quán)集中會(huì)抑制企業(yè)研發(fā)投入,原因可能是研發(fā)是一項(xiàng)高風(fēng)險(xiǎn)、長周期的活動(dòng),中小企業(yè)控制性股東更傾向于盡快將企業(yè)發(fā)展壯大而非冒險(xiǎn)投資,同樣從回歸系數(shù)來看,兩者之間的相關(guān)程度也不大。除了模型(3)和模型(5),企業(yè)規(guī)模與R&D 投入顯著負(fù)相關(guān),說明企業(yè)規(guī)模越大,越傾向于規(guī)避風(fēng)險(xiǎn),減少類似于研發(fā)創(chuàng)新等高風(fēng)險(xiǎn)活動(dòng)的投入。資本密度與R&D 投入顯著負(fù)相關(guān),說明人均資本高的企業(yè)限制了企業(yè)的R&D投入。償債能力與R&D投入顯著負(fù)相關(guān),說明企業(yè)負(fù)債水平越高,越不利于企業(yè)研發(fā)投入,高負(fù)債率企業(yè)風(fēng)險(xiǎn)較大,難以再進(jìn)行高風(fēng)險(xiǎn)投資。值得注意的是,除了模型(2),其余回歸結(jié)果均顯示盈利能力與R&D 投入顯著負(fù)相關(guān),這是因?yàn)楸疚倪x取的R&D投入指標(biāo)是R&D支出/營業(yè)收入,盈利能力指標(biāo)是凈利潤/總資產(chǎn)。當(dāng)營業(yè)收入越高時(shí),企業(yè)的凈利潤也就越高,營業(yè)收入作為R&D 投入指標(biāo)的分母,凈利潤作為盈利能力指標(biāo)的分子,回歸結(jié)果顯示盈利能力與R&D投入顯著負(fù)相關(guān)。

估計(jì)出R&D 投入的條件分布之后,便可計(jì)算GPS?;诒?的回歸結(jié)果,計(jì)算各樣本的GPS如表7所示。

(2)共同支撐假定檢驗(yàn)。Heckman、Vytlacil[32]指出,非參數(shù)的匹配方法只有在共同支撐領(lǐng)域才是有效的,以保證處理組和對(duì)照組能夠找到各自的匹配對(duì)象。共同支撐指在傾向得分匹配法中處理組和對(duì)照組要有足夠的重疊區(qū)域。當(dāng)處理變量是二元變量時(shí),使用PSM方法可以把傾向得分位于尾端的個(gè)體刪除,使得處理組和對(duì)照組中各自的最大值和最小值相等,以確保有足夠的重疊領(lǐng)域。然而對(duì)于處理變量是連續(xù)變量的情形,處理變量不能像二元變量那樣分為處理組和對(duì)照組。為了比較“無限數(shù)量”的處理變量和對(duì)應(yīng)的GPS 得分,借鑒Flores 等[33]、Sheldon 等[17]的做法,本文將處理變量劃分為兩個(gè)區(qū)間作為兩組,并將GPS得分也劃分為區(qū)間,如圖2所示。

表6 R&D投入的條件分布——分?jǐn)?shù)對(duì)數(shù)模型回歸結(jié)果

表7 GPS的描述性統(tǒng)計(jì)

根據(jù)圖2 可以看出,不管是2010 ~2017 年的總樣本,還是2010 ~2017 年各年的樣本都有足夠的共同支撐領(lǐng)域。因此在接下來的分析中可以確保在GPS得分相同的情況下,不同R&D投入強(qiáng)度的個(gè)體可以找到與之對(duì)應(yīng)的匹配對(duì)象。

(3)平衡性質(zhì)假定檢驗(yàn)。傾向得分匹配法在滿足平衡條件之后,才能更好地消除不同對(duì)象匹配變量之間的差異。因?yàn)樘幚碜兞渴沁B續(xù)變量,本文借鑒Hirano、Imbens[15]的做法將處理變量 R&D 投入按照區(qū)間分成兩組,檢驗(yàn)兩組樣本在匹配后各個(gè)匹配變量的均值差異是否能夠被削弱。由于版面的限制,表8只列示了2010 ~2017年總樣本的平衡性質(zhì)假定的檢驗(yàn)。

可以看到,在GPS 調(diào)整之前,各個(gè)匹配變量均值都存在顯著差異。經(jīng)過GPS 調(diào)整之后絕大多數(shù)不再存在顯著差異,只有高管激勵(lì)、企業(yè)規(guī)模、償債能力和盈利能力的第二組均值之間還存在顯著差異。而這四個(gè)匹配變量均值差異都有了大幅度降低,并且顯著性也有所下降。從各年的平衡性檢驗(yàn)來看,在5%的顯著性水平上,只有2012年、2014年和2017年個(gè)別匹配變量在經(jīng)過GPS 調(diào)整之后均值還存在差異,但是均值差額的絕對(duì)值和顯著性有了大幅度降低。對(duì)此,可以認(rèn)為GPS較好地滿足了平衡條件,即前文提到的第二個(gè)假定,因此可進(jìn)行后續(xù)研究。根據(jù)GPS方法的第一個(gè)假定,即條件獨(dú)立性假定,本文在給定GPS得分之后,R&D投入與企業(yè)創(chuàng)新績效相互獨(dú)立。

圖2 GPS的分布

表8 2010~2017年GPS的平衡性檢驗(yàn)

2.估計(jì)結(jié)果變量企業(yè)創(chuàng)新績效的條件分布。根據(jù)計(jì)算的GPS 和RD,可以進(jìn)一步估計(jì)企業(yè)績效的條件分布。由于假定主效應(yīng)(RD 和GPS)不能從估計(jì)結(jié)果變量的方程中剔除[34],因此本文根據(jù)具體情況對(duì)企業(yè)績效進(jìn)行了估計(jì),即優(yōu)先保證RD 和GPS保留并顯著,然后逐步加入二次項(xiàng)和交互項(xiàng)。當(dāng)主效應(yīng)都不顯著,且加入二次項(xiàng)和交互項(xiàng)不會(huì)改善這一情形時(shí)則不再加入二次項(xiàng)和交互項(xiàng),當(dāng)主效應(yīng)其中一個(gè)顯著且加入二次項(xiàng)和交互項(xiàng)不會(huì)惡化這一情況時(shí)則視情況酌情加入二次項(xiàng)或交互項(xiàng)。具體回歸結(jié)果如表9所示。

表9 企業(yè)創(chuàng)新績效條件分布的估計(jì)結(jié)果

模型(1)是 2010 ~ 2017 年總體樣本的回歸結(jié)果,從各個(gè)系數(shù)的顯著性來看,該模型能夠較好地估計(jì)企業(yè)創(chuàng)新績效的條件分布。從2010 ~2013 年各年份回歸結(jié)果來看,GPS 均沒有通過10%顯著性水平上的t 檢驗(yàn)。但是GPS 不顯著只能說明經(jīng)過調(diào)整后的匹配變量(或者稱之為控制變量)對(duì)企業(yè)績效的影響不顯著,而且僅僅局限于2010 ~2013 年各年的樣本,并不影響R&D 投入對(duì)企業(yè)創(chuàng)新績效影響的分析。且導(dǎo)致這種結(jié)果的一個(gè)重要原因是2010 ~2013年各年的回歸樣本過少,而使用傾向得分匹配方法的一個(gè)重要前提就是具有一定數(shù)量的樣本數(shù)以實(shí)現(xiàn)觀測(cè)值之間的匹配。各個(gè)模型均顯示R&D 投入顯著不等于0,這與多數(shù)學(xué)者的結(jié)論一致。本文認(rèn)為R&D投入對(duì)企業(yè)創(chuàng)新具有顯著正向影響,但是除了模型(3),R&D 投入的二次項(xiàng)系數(shù)也同樣顯著不等于0,并且其系數(shù)都是負(fù)值,因此R&D 投入對(duì)企業(yè)創(chuàng)新績效的影響更加符合“倒U型”趨勢(shì),這與描述性統(tǒng)計(jì)的結(jié)論是一致的。加入GPS 的二次項(xiàng)均會(huì)導(dǎo)致主效應(yīng)不再顯著,因此模型(1)~(9)不再加入GPS的二次項(xiàng)。同理,加入交互項(xiàng)后除了模型(7),其余模型的主效應(yīng)也不再顯著,因此除模型(7),其余模型不再加入交互項(xiàng)。

由于模型(3)樣本量的限制,無法繼續(xù)使用GPS方法研究2011年企業(yè)的樣本。為研究“倒U型”關(guān)系在2011 年是否成立,使用最小二乘法檢驗(yàn)R&D 投入的二次項(xiàng)是否顯著,計(jì)算結(jié)果見表10。結(jié)果顯示R&D 投入的二次項(xiàng)為負(fù),且在5%的顯著性水平上通過了t 檢驗(yàn),說明對(duì)于2011 年的樣本,R&D 投入與創(chuàng)新績效的“倒U型”關(guān)系依然成立。具體結(jié)果如表10所示。

表10 最小二乘法下R&D投入與企業(yè)創(chuàng)新績效關(guān)系的回歸結(jié)果

3.估計(jì)劑量反應(yīng)函數(shù)和處理效應(yīng)函數(shù)。

(1)劑量反應(yīng)函數(shù)。將R&D 投入劃分為多個(gè)子區(qū)間,然后在每個(gè)子區(qū)間估計(jì)出R&D 投入對(duì)企業(yè)創(chuàng)新績效的因果效應(yīng),將這些因果效應(yīng)用串聯(lián)起來便是劑量反應(yīng)函數(shù)。本文根據(jù)前述對(duì)企業(yè)創(chuàng)新績效的估計(jì),將R&D 投入在[0,1]的范圍內(nèi)劃分成100個(gè)子區(qū)間,劑量反應(yīng)函數(shù)如圖3所示。

圖3顯示,2010 ~2017年間R&D投入與企業(yè)創(chuàng)新績效呈“倒U 型”關(guān)系。即當(dāng)企業(yè)的R&D 投入小于某一臨界值時(shí),隨著R&D 投入的增加,企業(yè)的創(chuàng)新績效也隨之增加;但是當(dāng)企業(yè)的R&D 投入大于這一臨界值時(shí),隨著R&D 投入的增加,企業(yè)的創(chuàng)新績效不增反降。因此R&D 投入并不是越多越好,這一結(jié)論也支撐了孫曉華、辛夢(mèng)依[35]的觀點(diǎn)。

對(duì)于R&D 投入與企業(yè)創(chuàng)新績效呈“倒U型”關(guān)系的原因,可以解釋為:在拐點(diǎn)之前,隨著R&D 投入的增加,企業(yè)的知識(shí)儲(chǔ)備會(huì)增加,對(duì)新知識(shí)的學(xué)習(xí)能力、吸收能力也會(huì)不斷增加,這就會(huì)提高企業(yè)自身的知識(shí)水平和創(chuàng)新能力,從而促進(jìn)創(chuàng)新績效的提升。除此之外,隨著R&D 投入的不斷增加,企業(yè)中就會(huì)產(chǎn)生一種知識(shí)資本的規(guī)模效應(yīng),促使企業(yè)有能力引進(jìn)更多先進(jìn)的技術(shù)、人才和知識(shí),不斷實(shí)現(xiàn)創(chuàng)新,帶來創(chuàng)新績效的不斷提升。企業(yè)的生產(chǎn)、銷售等各個(gè)環(huán)節(jié)也會(huì)因?yàn)橐?guī)模效應(yīng)變得高度集成化,從而提高創(chuàng)新速度,增加企業(yè)創(chuàng)新產(chǎn)出[36]。但是R&D投入也是要素資本的一種,也會(huì)存在邊際報(bào)酬遞減的規(guī)律,當(dāng)R&D 投入超過拐點(diǎn)之后,R&D 投入的邊際成本就會(huì)大于邊際收益,此時(shí)繼續(xù)增加R&D 投入反而降低了企業(yè)的創(chuàng)新績效。R&D投入的邊際報(bào)酬遞減已經(jīng)在瑞典、日本和美國等工業(yè)化國家得到了證實(shí)[35]。另一種解釋是,目前我國的創(chuàng)新體系還不健全,可能存在著系統(tǒng)性失靈,也就是說創(chuàng)新政策和創(chuàng)新激勵(lì)體制沒有很好地促進(jìn)企業(yè)的研發(fā)投入轉(zhuǎn)化為專利成果[37]。

圖3 R&D投入與企業(yè)創(chuàng)新績效的劑量反應(yīng)函數(shù)

如圖3顯示,除2011年外所有年份的R&D投入與企業(yè)創(chuàng)新績效同樣呈“倒U型”關(guān)系。2011年顯示二者呈正相關(guān)關(guān)系,對(duì)企業(yè)創(chuàng)新績效分布進(jìn)行估計(jì)時(shí),R&D 投入的二次項(xiàng)并不顯著,這主要是因樣本量過少導(dǎo)致使用傾向得分匹配受到了一定的限制。2011 年所顯示的結(jié)果也恰好是部分學(xué)者研究發(fā)現(xiàn)R&D 投入與企業(yè)創(chuàng)新績效呈正相關(guān)關(guān)系的一個(gè)體現(xiàn),這也說明實(shí)證研究中,最好選擇面板數(shù)據(jù),以盡可能避免估計(jì)結(jié)果的偶然性。

(2)處理效應(yīng)函數(shù)。為研究企業(yè)進(jìn)行R&D 投入相對(duì)于不進(jìn)行R&D 投入對(duì)企業(yè)創(chuàng)新績效的影響,圖4給出了根據(jù)劑量反應(yīng)函數(shù)后續(xù)得到的處理效應(yīng)函數(shù)。

2010 ~2017年的處理效應(yīng)顯示,R&D投入與企業(yè)創(chuàng)新績效呈現(xiàn)線性負(fù)相關(guān)關(guān)系。這表明對(duì)于一個(gè)企業(yè)而言,其R&D 投入強(qiáng)度的增加相對(duì)不進(jìn)行R&D 投入而言,對(duì)創(chuàng)新績效的凈效應(yīng)是逐漸遞減的。如果把R&D 投入的取值劃分成兩部分(以圖4中虛線與X軸的交點(diǎn)為界)可以發(fā)現(xiàn):在交點(diǎn)之前,隨著R&D 投入的增加,相對(duì)于不進(jìn)行投入而言,企業(yè)進(jìn)行R&D 投入更能提升企業(yè)的創(chuàng)新績效。但是隨著R&D 投入的增加,這種相對(duì)優(yōu)勢(shì)會(huì)有所下降,不過交點(diǎn)之前企業(yè)理性的做法還應(yīng)該是增加R&D投入,交點(diǎn)之前的區(qū)域稱之為有效區(qū)域;在交點(diǎn)之后,R&D 投入強(qiáng)度的增加相對(duì)于不進(jìn)行R&D 投入而言,對(duì)企業(yè)創(chuàng)新績效的效應(yīng)是負(fù)的,增加R&D 投入變得不再理性,稱之為無效區(qū)域。導(dǎo)致出現(xiàn)無效區(qū)域的原因可能是繼續(xù)增加的R&D 投入已經(jīng)超過了企業(yè)現(xiàn)時(shí)所需,甚至造成了企業(yè)資源的浪費(fèi)。這時(shí)增加R&D 投入給企業(yè)帶來的效益彌補(bǔ)不了企業(yè)資源的浪費(fèi),或者說此時(shí)R&D 投入的邊際收益已經(jīng)遠(yuǎn)遠(yuǎn)小于R&D投入和其他資源的邊際成本。

圖4 R&D投入與企業(yè)創(chuàng)新績效的處理效應(yīng)函數(shù)

圖 4 顯示,除了 2011 年,其余年份 R&D 投入與企業(yè)創(chuàng)新績效的處理效應(yīng)函數(shù)沒有本質(zhì)區(qū)別,2011年出現(xiàn)企業(yè)創(chuàng)新績效的凈效應(yīng)不隨R&D 投入變化的原因就是前文發(fā)現(xiàn)2011年R&D投入與企業(yè)創(chuàng)新績效線性正相關(guān)。

表11 給出了進(jìn)一步計(jì)算得到的劑量反應(yīng)函數(shù)“倒U 型”關(guān)系的拐點(diǎn)區(qū)間和處理效應(yīng)函數(shù)的無效區(qū)域點(diǎn)區(qū)間。

表11 劑量反應(yīng)函數(shù)拐點(diǎn)和處理效應(yīng)函數(shù)無效區(qū)域點(diǎn)的分析

表 11 顯示,2010 ~ 2017 年整個(gè)樣本和 2010 ~2017年各年份樣本的無效區(qū)域點(diǎn)均在拐點(diǎn)右側(cè),這表明R&D 投入的強(qiáng)度在達(dá)到無效區(qū)域點(diǎn)之后的一小段區(qū)間還能繼續(xù)增加企業(yè)的創(chuàng)新績效。將劑量反應(yīng)函數(shù)和處理效應(yīng)函數(shù)結(jié)合起來,得到圖5。OA 即是有效區(qū)域,在有效區(qū)域內(nèi),增加R&D 投入對(duì)企業(yè)創(chuàng)新績效絕對(duì)有益。如圖5(1)所示,在AB 階段,企業(yè)增加R&D 投入可以進(jìn)一步提升企業(yè)的創(chuàng)新績效,但需要付出較大的代價(jià),甚至?xí)霈F(xiàn)R&D 投入已超過企業(yè)現(xiàn)時(shí)所需的情況,造成資源的浪費(fèi)。此時(shí)與其繼續(xù)增加R&D 投入,不如通過其他手段提升企業(yè)創(chuàng)新績效。為解決這個(gè)問題,一種方法是實(shí)現(xiàn)無效區(qū)域點(diǎn)的右移,20 世紀(jì)30 年代數(shù)學(xué)家Cobb 和經(jīng)濟(jì)學(xué)家Douglas提出來的Cobb-Douglas生產(chǎn)函數(shù)很好地詮釋了這一點(diǎn)。企業(yè)可以通過提高技術(shù)來提升企業(yè)績效,因此企業(yè)可以引進(jìn)更高科技含量的設(shè)備,提升企業(yè)的生產(chǎn)效率,從而支撐起大強(qiáng)度的R&D投入,縮小AB之間的距離;另外還可以通過健全國家創(chuàng)新體系,完善法律制度,給予企業(yè)更多便利,不斷提升企業(yè)的成果轉(zhuǎn)化效率,最終實(shí)現(xiàn)劑量反應(yīng)函數(shù)的拐點(diǎn)和處理效應(yīng)函數(shù)的無效區(qū)域點(diǎn)重合,如圖5(2)所示。

圖5 劑量反應(yīng)函數(shù)和處理效應(yīng)函數(shù)

五、研究結(jié)論和建議

R&D 投入對(duì)企業(yè)創(chuàng)新績效的影響一直是學(xué)術(shù)界和實(shí)務(wù)界關(guān)注的重要問題,但是相關(guān)研究還存在一定的局限性,本文借助GPS方法,利用2010 ~2017年中小板企業(yè)的數(shù)據(jù),深入細(xì)致地探討了R&D 投入對(duì)企業(yè)創(chuàng)新績效的影響。

研究表明R&D 投入與企業(yè)創(chuàng)新績效是一種“倒U 型”關(guān)系,且一個(gè)企業(yè)增加R&D 投入與不進(jìn)行R&D 投入相比,獲得的相對(duì)優(yōu)勢(shì)是逐漸下降的。隨著R&D 投入的增加,可能會(huì)導(dǎo)致企業(yè)資源的浪費(fèi),陷入一種繼續(xù)增加R&D 投入的無效區(qū)域。并且無效區(qū)域總是先于“倒U 型”的拐點(diǎn)出現(xiàn),說明在“倒U 型”前半程的后期,繼續(xù)增加R&D 投入固然能夠提升企業(yè)創(chuàng)新績效,但是這種提升會(huì)讓企業(yè)付出很大的代價(jià)和多倍的努力。在使用2011年的企業(yè)數(shù)據(jù)時(shí),由于數(shù)據(jù)量的限制,使用普通最小二乘法同樣驗(yàn)證了R&D投入與企業(yè)創(chuàng)新績效的“倒U型”關(guān)系依然成立。本文使用的GPS 方法的第一個(gè)假設(shè)是在給定匹配變量之后,處理變量與結(jié)果變量相互獨(dú)立,但是沒有觀測(cè)到全部的潛在影響處理變量和結(jié)果變量的匹配變量。這也是本文需要后續(xù)深入研究之處。

基于以上研究結(jié)論,本文提出以下建議。第一,我國中小企業(yè)目前仍然存在R&D 投入不足的問題。對(duì)企業(yè)而言,要積極響應(yīng)國家創(chuàng)新號(hào)召,加大R&D投入,大膽創(chuàng)新;同時(shí)還要注重R&D資源的優(yōu)化配置,根據(jù)企業(yè)所處的不同階段控制過度的R&D投入。企業(yè)應(yīng)該根據(jù)自身情況,保證R&D 投入占營業(yè)收入的比例最高不超過50%~60%,在進(jìn)行R&D投入或者引進(jìn)相關(guān)技術(shù)設(shè)備時(shí),應(yīng)該優(yōu)先考慮基礎(chǔ)設(shè)施投入,提高生產(chǎn)效率,不能讓無效區(qū)域過早出現(xiàn)。第二,對(duì)于政府而言,應(yīng)該鼓勵(lì)創(chuàng)新,加大投入扶持力度,給予企業(yè)更多的政策支持,以提高企業(yè)的成果轉(zhuǎn)化效率。同時(shí)還要不斷優(yōu)化創(chuàng)新發(fā)展環(huán)境,加大對(duì)知識(shí)產(chǎn)權(quán)的保護(hù),完善創(chuàng)新體系。

猜你喜歡
效應(yīng)變量樣本
鈾對(duì)大型溞的急性毒性效應(yīng)
抓住不變量解題
用樣本估計(jì)總體復(fù)習(xí)點(diǎn)撥
懶馬效應(yīng)
也談分離變量
推動(dòng)醫(yī)改的“直銷樣本”
應(yīng)變效應(yīng)及其應(yīng)用
隨機(jī)微分方程的樣本Lyapunov二次型估計(jì)
村企共贏的樣本
分離變量法:常見的通性通法