国家级政府引导基金对企业技...于PSM-DID的实证分析_渠佩臻.pdf

全国流通经济64经营管理国家级政府引导基金对企业技术创新的影响机制研究基于PSM-DID的实证分析渠佩臻 秦璐瑶（东北大学工商管理学院，辽宁 沈阳 110167）摘要：在全球价值链重构与供应链风险加剧的大背景下，我国经济的发展受到负面影响，从而制约了企业的创新投入与产出。国家级政府引导基金可以有效缓解企业的融资约束，释放积极信号，吸引更多社会资金投入。本文选择来自中国的 20112020 年国家级政府引导基金和 A 股上市公司的微观数据，采用倾向得分匹配双重差分法（PSM-DID）检验国家级政府引导基金对技术企业创新的影响，为政府今后完善引导基金机制提供了实践证据。关键词：政府引导基金；PSM-DID；技术创新；影响机制中图分类号：F276.44文献识别码：A文章编号：2096-3157（2023）13-0064-05一、引言随着贸易摩擦加剧、金融市场动荡等多重因素的影响，全球价值链（Global Value Chain，GVC）的结构发生巨大变化，进入重构新阶段。供应链风险加剧以及西方发达国家掀起的“逆全球化”浪潮对于我国经济的发展和企业的创新产生了颇为严重的负面冲击。为促进企业技术创新能力的提高与突破“卡脖子”技术阻碍，各国政府纷纷建立政府引导基金，加大对企业的创新政策支持。我国国家级政府引导基金是由财政部联合各部委共同设立的引导基金，它不是完全由政府出资，其中也包含有银行、非银行金融机构及民间资本等社会资本的投入，且不完全以盈利为目的，而是发挥引导作用，利用政府资金撬动社会资本，进一步引导资本投资方向，从而达到招商引资、促进当地产业发展等目的。关于政府引导基金对企业技术创新的影响，国内外学者持有不同的意见。姜彩楼基于政府引导基金对于中国 20082019年 286 家清洁技术企业创新的影响的研究，得出政府引导基金能够显著地提高清洁技术企业的创新能力的结论1。此外，胡凯和刘昕瑞2等人的研究也得出政府引导基金能够促进企业创新的结论。然而，也有学者持相反观点。徐明以政府引导基金投资中小科技企业和初创企业作为政策自然实验，采用渐进双重差分模型分析政府引导基金对企业创新的作用效果，研究发现政府引导基金对企业创新产生了显著的抑制作用3。解学梅通过对中小型制造业企业的问卷调查，得出政府引导基金对企业的技术创新没有直接促进效应的结论4。施国平5等的研究也得出相同结论。然而，仅有少数文献从微观视角研究政府引导基金对企业技术创新的影响，基于严格数据分析的定量实证研究相对缺乏。为更好地填补该研究的空白，本文选取 20112020 年中国清科私募通国家级政府引导基金数据和 A 股上市公司微观数据，采用倾向得分匹配的双重差分法进一步丰富相关政策的微观效果研究，为政府今后完善引导基金机制提供实践证据。二、理论基础和研究假设1.国家级政府引导基金对企业技术创新的影响国家级政府引导基金作为我国政府引导基金的“领头羊”，其本质其实也是一种风险投资，与社会上的风险投资不同的是，国家级政府引导基金具有明确的产业支持方向，在众多的企业中筛选出于国家战略同向同行的企业，并给予相应的资金支持。基于上述分析，本文提出以下假设：H1：国家级政府引导基金能够提高企业技术创新水平。2.国家级政府引导基金的发起方参照中国政府引导基金名录（2020）6可知，国家级政府引导基金指的是由财政部联合各个部委共同设立的引导基金，其资金来源于中央财政。不同发起方发起的基金所侧重的投资方向与领域存在差异，其代表了各大部委的重点扶持方向以及其产业发展的重点方向。其中，国资委主导发起的政府引导基金的重点关注领域为国企改革，其主要目的是利用股权投资的手段，引导社会资本参与进来，共同参与到国企改革的推进中。发改委发起的国家级政府引导基金主要针对战略新兴产业。财政部更关注集成电路、农业发展等领域的创新发展等。各央企主导发起的基金主要有国创母基金等。不同发起方发起的国家级政府引导基金往往对企业的技术创新能力有差异性影响，各央企主导发起的国家级政府引导基金的种类与数量相对较多，基金投资具有针对性，企业对基金的利用率更高。相比之下，国资委主导发起的国家级政府引导基金的投资领域集中以及基金规模较大，且主攻国企方向，因此企业所获得的可用于创新投入的基金更多。基于上述分析，本文提出以下假设：DOI:10.16834/ki.issn1009-5292.2023.13.004全国流通经济65经营管理H2a：国资委主导发起的国家级政府引导基金对于企业的创新投入促进效果更显著。H2b：各央企主导发起的国家级政府引导基金对于企业的创新产出促进作用更显著。3.企业股权集中度股权集中度是企业的一项重要指标，股权集中意味着大股东在企业中占据控制权。企业股权集中度的差异对于国家级政府引导基金对企业创新的影响有明显差异。如果企业的股权结构过于分散，容易出现企业的小股东的“搭便车”等行为，进而导致股东权利受到不同程度的损害。较高的股权集中度使得企业所有权界限变得更清晰，主要出资人为了增强企业持续发展能力，会花费更大的努力去提高企业的创新能力。股份越集中的企业，杠杆率越高、大股东所持有的股份越多，则企业的创新研发投入强度就越强。基于上述分析，本文提出以下假设：H3：相对于股权分散的企业，国家级政府引导基金的投入更能激发股权集中的企业的技术创新能力。三、研究设计1.模型设定双重差分模型（DID）应用广泛，可在一定程度上很好地规避内生性问题。鉴于企业在获得国家级政府引导基金的投资发生在不同年份，本文构建 PSM-DID 模型进行实证分析。本文将20112020 年期间受到国家级政府引导基金支持的企业设置为处理组，未受到支持的企业设置为控制组。本文首先对初始样本进行倾向得分匹配（PSM）处理，通过逐年匹配的方式将各年的实验组与相匹配的控制组进行配对，以保证实验组和控制组的企业在获得国家级政府引导基金之前长期趋势一致，从而排除其他因素的影响。具体构建多期 DID 模型如下：011ititititititytreatedafterX=+（1）其中，因变量ity反映企业的创新水平，下标 i，t 分别表示企业、年份。itittreatedafter为双重差分项，其中，treated为个体虚拟变量，实验组赋值为 1，控制组赋值为 0；after为政策实施时间虚拟变量，政策实施当年以及之后的年份取值为1，其余取值为 0。X为各项控制变量。t为时间固定效应。i为个体固定效应。it为随机误差项。2.变量选择（1）被解释变量本文的研究对象是企业的技术创新水平，参考谢婷婷的研究方法7，对企业技术创新的衡量采用分层次衡量的办法，将衡量方法具体分为创新投入与创新产出两个部分。其中创新投入使用上市公司的研发投入强度（rd ratio）进行衡量，创新产出使用企业专利申请数量（patent）进行衡量。（2）控制变量参考现有研究，本文选择控制公司层面的特征变量为：资产总计（asset）、营业利润（profit）、流动比率（current_ratio）、固定资产比例（fixed_ratio）、员工总数（employee）、研发费用（rdexpense）、股权集中度（stockright）等，变量的衡量和详细计算方法见表 1。表1主要变量及其计算方法变量类型变量符号变量名称变量衡量方法被解释变量patent申请创新总量上市公司年度专利申请总数rd ratio研发投入强度企业研发投入/营业收入控制变量asset资产总计上市公司总资产取对数profit营业利润上市公司营业利润取对数current_ratio流动比率（流动资产/流动负债）100%fixed_ratio固定资产比例（固定资产/总资产）100%employee员工总数上市公司员工总数取对数rdexpense研发费用上市公司研发费用取对数stockright股权集中度上市公司前十大股权占比100%3.样本选择与数据来源考虑到获得国家级政府引导基金的非上市公司数量较小，样本数量不够大，且其专利申请数量等关键性变量指标的获取难度大，年份披露不完全等因素，本文以 A 股上市公司数据为研究样本，设定 20112020 年为样本期间，通过构造 PSM-DID 模型分析国家级政府引导基金对企业创新能力提升的效果。通过与国家知识产权局与中国研究数据服务平台（CSMAR）等平台对初始样本进行比对核验后，对样本进行如下处理：（1）从样本中剔除金融类以及被 ST、*ST 处理的企业；（2）将研究期间数据缺失严重的样本剔除。其中政府引导基金投资数据来源于清科私募通政府引导基金专题，专利数据来源于中国研究数据服务平台（CNRDS）专利数据库，控制变量均来源于国泰安（CSMAR）数据库。经过整理最终得到 20187 个公司-年度观测值。四、实证结果分析1.描述性统计由表 2 中数据可知，企业专利申请总数量最大值达到16347，最小值为 0，企业研发投入强度最大值为 76.350%，最小为 0，企业专利申请总数量标准差极大，说明样本企业之间的技术创新情况存在较大差异。表2 变量描述性统计变量名称观测数样本均值标准差最小值最大值patent2018783.100393.5610.00016347.000rd ratio201874.5644.8460.00076.350asset2018722.1141.30918.61528.637profit2018718.9701.54811.22625.941current_ratio201873.0004.2340.094190.869fixed_ratio201870.4030.1890.0030.970employee201877.7121.2273.33213.223rdexpense2018717.7491.9780.00024.104stockright2018760.72614.7264.453101.1602.倾向得分匹配在进行双重差分回归之前，本文首先对样本进行倾向得分匹配处理，以保证实验组和控制组的企业在获得国家级政府引导基金之前长期趋势一致，排除其他因素的影响。鉴于所考察的各个企业获得投资并非发生在相同年份，而是发生在 20112020 年各年中，本文参考刘晔8的处理方式，选用核匹配法来全国流通经济66经营管理确定权重，再通过逐年匹配将各年的实验组与之相匹配的控制组进行配对。在进行倾向得分匹配后，对各年得分匹配的平衡性假设均进行了检验，以验证匹配结果的可靠性，此处以 2018年的检验结果为例，并将所得结果报告于表 3 中。从表 3 的结果可知，所有匹配后的变量的标准偏差与未匹配前相比均有大幅减小，因此本文认为选取的可观测变量较为可靠且匹配方法合适。同时，匹配之后的 t 统计量均不显著，说明匹配之后，匹配变量在实验组和控制组间并不存在显著的差异。匹配后得到的样本保证了样本进行处理的随机性，确保了本文估计结果的可靠性。表3 2018年倾向得分匹配平衡性检验结果变量名称均值标准偏差（%）标准偏差减少幅度（%）t统计量 t检验p|t|处理组对照组assetbefore23.13222.24256.55.970.000after23.13222.73825.055.81.440.153profitbefore19.93419.15245.14.460.000after19.93419.59519.556.71.150.252current_ratiobefore1.9422.497-26.2-1.900.057after1.9422.232-13.747.7-0.920.361fixed_ratiobefore0.4770.41433.52.970.003after0.4770.43920.040.31.260.208employeebefore8.6237.74861.76.390.000after8.6238.23027.755.11.590.113rdexpensebefore18.98617.95760.35.740.000after18.98618.53526.456