减税能提升企业创新效率吗？<br/>——基于PVAR模型的经验证据

减税能提升企业创新效率吗？
——基于PVAR模型的经验证据

2020-07-07李苏敏李小胜

财贸研究 2020年4期

李苏敏李小胜

(1.中南财经政法大学，湖北武汉 430073； 2.安徽财经大学，安徽蚌埠 233030)

一、引言及相关文献回顾

经济发展进入新常态后，我国政府推出了一系列减税降费政策，以期减轻企业负担，激发市场活力，助力经济增长。截至2019年6月，针对创业创新主要环节和关键领域陆续推出89项税收优惠政策措施，覆盖企业从初创到发展的整个生命周期。减税降费政策的实施增强了企业家创业创新的信心，给企业创造了良好的营商环境，降低了企业经营成本，给企业创新活动带来了积极的影响。

政府税收政策与企业创新之间的关系受到国内外学者的广泛关注。国外文献主要通过微观实证探讨政府税收优惠政策对企业创新活动的影响。许多文献认为税收优惠政策对企业创新活动有促进作用。Bloom et al.(2002)使用9个OECD国家1979—1997年的数据研究政府财政政策对企业研发投资的影响，结果表明，企业税收研发成本每下降10%，短期研发投资增加1%，长期研发投资增加10%。Koga(2003)以1989—1998年904家日本制造业企业为例研究税收优惠政策对企业研发投资的影响，结果表明，税收优惠政策能够促进企业R&D投资，且这种激励效果与企业的规模呈正比。Czarnitzki et al.(2012)运用非参数匹配法分析研发税收抵免对加拿大制造企业创新的影响，结果表明，税收抵免可以增加额外的创新产出。Crespi et al.(2016)利用动态面板数据研究税收优惠政策对阿根廷企业创新投资的作用，结果表明，政府税收激励政策能够增强企业创新能力，但其效果随财政补贴创新活动类型和企业规模而异。Ravselj et al.(2018)通过对1372家企业的面板数据进行实证分析，发现私人研发支出以及政府研发税收激励对企业的创新和可持续增长具有积极影响。但也有一些文献认为政府人为干预经济会产生挤出效应，影响企业的创新活动。Guan et al.(2015)运用微观数据探讨了我国20世纪90年代经济转型初期政府财政激励对企业创新的影响，结果表明，财政直接补贴和税收优惠政策会对企业创新产生负面影响。Singh et al.(2015)通过研究美国医改消费税和医疗器械行业的关系，从而进一步探讨政府税收政策对企业创新活动的影响，发现政府税收政策的变动对企业创新活动影响不大。国外针对政府税收优惠政策与企业创新活动之间关系的研究并未达成一致结论，并且相关研究多侧重于创新投入，对创新投入产出效率的研究相对较少。

国内相关研究也大都集中于微观实证，较少从宏观动态层面探讨政府减税政策对企业创新效率的影响。部分文献从微观实证视角研究政府R&D税收优惠政策对创新效率的影响。申广军等(2016)利用2009年增值税改革的政策冲击考察增值税税率变化对企业的影响，研究发现，减税不仅可以提升短期总需求，还可以改善长期供给效率。张璇等(2019)将“营改增”试点作为准自然实验考察“营改增”政策对企业创新行为的影响及其机制，结果发现，“营改增”的实施显著降低了企业平均税负，促进了企业创新。栾强等(2018)运用双重差分法对“营改增”的减税效应及其对企业创新的激励效果进行实证分析，结果发现，“营改增”在短期内减税效果较小,长期则表现出显著的减税效果，而小微企业受税收政策冲击的影响更大。李彦龙(2018)研究了税收优惠政策与企业技术创新的关系，结果表明，税收优惠政策与研发效率显著正相关，但不同地区间的研发效率收敛性差异较大。

部分文献使用宏观结构化模型探讨了减税政策对宏观经济的影响。田志伟等(2014)使用可计算一般均衡模型(CGE模型)研究了“营改增”扩围的宏观经济效应，结果表明，“营改增”扩围对经济的影响只有水平效应，没有增长效应。张同斌等(2012)运用CGE模型考察了财政激励政策和税收优惠政策对产业结构的影响，结果显示，税收优惠政策能够促进高新技术产业产出增长，优化产业结构。李雪松等(2020)通过构建CGE模型分析不同情境下降低增值税税率的宏观经济效应，结果表明，降低增值税税率能够降低企业成本，提高产出，优化资源配置。

总之，从已有文献来看，国内有关减税政策对企业创新效率影响的相关研究十分有限，既未达成一致结论，也未从动态关系角度讨论税负水平与企业创新效率之间的联系。本文的边际贡献主要体现在运用PVAR方法分析税负与企业创新效率的动态关系，从宏观动态视角为相关政策问题与争议提供研究基础。

二、理论分析

创新投入与创新效率是两个不同的概念，简单来说，创新效率衡量的是边际创新投入的产出。税收负担会直接影响企业经营成本，从而影响企业可用于创新投入的资金，税收负担对企业创新效率的影响却存在更为复杂的机制。企业的实际税收负担对创新效率的影响存在许多不同的潜在渠道，下面将分别从微观个体角度、产业层面以及宏观层面展开论述。

从微观个体角度来讲，在企业研发投入水平较低的时候，减税可以促进企业创新投入的增加。当企业创新投入不足的时候，企业的创新效率会受到制约，而当创新投入增加的时候，创新效率会随之提高。也就是说，在创新投入强度达到一定程度之前，创新投入的边际产出会随创新投入的增加而增加，也即创新投入的规模报酬是递增的。减税可以直接影响企业创新投入水平，从而影响创新效率。这一机制可以称之为“个体投入渠道”。这一渠道的理论基础正是Romer(1986)开创内生增长理论时所提出的知识投入具有规模报酬递增特性。

从产业层面来看，降低企业税负水平，有助于增强企业活力，促进产业内不同企业之间的竞争，从而提高企业管理水平和创新效率。产业内部企业之间的竞争是产业发展与进步的重要动力。从这个角度来看，减税可以激发良好的产业内部竞争环境，为创新提供充足动力。这一机制可以称之为“产业竞争渠道”(范子英等，2017)。王德文等(2005)、沈坤荣等(2009)、王靖宇等(2019)等的实证研究结果均表明企业间的竞争对企业R&D效率有正面促进作用。

从宏观层面来看，良好宽松的税负环境，有利于创造良好的社会创新环境，从而促进创新。周雪蓉等(2015)采用2008—2012年我国高新技术产业面板数据，分析了区域创新环境对高新技术产业创新效率的影响。结果表明，良好的区域创新环境能够提升高技术产业创新效率，但地区差异明显。张媛媛等(2009)、傅晓霞等(2012)、伦晓波等(2016)的实证研究结果同样表明良好的创新环境对于创新有积极促进作用。不同区域企业创新效率会受到很多难以量化的社会因素的影响，诸如员工的幸福感和企业知名度等因素。良好宽松的营商环境有利于激发企业创新活力，提升企业创新效率。这些社会性的因素会受到税负水平的影响。这一机制可以称之为“正向外部性渠道”。

减税对创新效率的影响，除了存在以上正向的渠道以外，也有可能存在负向的渠道。政府的税收收入有一部分将会用于企业的科研补贴。因此，减税可能会在一定程度上削弱政府对企业的科研补贴，从而对创新效率产生不利的影响。同时，政府税收收入的减少，也使得政府能够有效提供的公共服务减少了。政府良好的公共服务水平在一定程度上也可以提升企业创新效率。因此，减税也有可能会削弱政府提供良好创新环境的能力，从而阻碍企业创新效率提升(杨灿明，2017)。邵传林等(2015)、童锦治等(2018)、成琼文等(2019)等则从政府财政补贴角度讨论了政府对企业创新可能产生的影响。这一机制可以称之为“政府支持渠道”。

综上，减税对企业创新效率的影响存在正向与负向的不同的渠道，这些渠道会对不同区域的企业创新效率产生影响。

三、计量模型设定、变量与数据来源

(一)计量模型设定

本文使用面板向量自回归模型(PVAR模型)进行实证分析，系统全面地探讨税负水平与区域企业创新效率之间的动态关系。PVAR模型作为应用最为广泛的宏观计量模型之一，相比微观计量模型，其优势在于将模型系统内部的每一个变量均当作内生变量，考虑变量之间的双向动态影响。PVAR模型估计的关键在于设定合理的识别约束。本文使用最常用的乔列斯基分解(Cholesky Decomposition)来对PVAR模型进行识别。PVAR模型可以写成下述形式：

Yit=Φ0+Φ(L)Yit-1+αi+εit

(1)

其中，Yit表示的是模型所有内生变量构成的向量，Φ0代表的是常量向量，Φ(L)是滞后算子向量，αi是个体固定效应，εit是误差项，i是横截个体数(i=1，2，…，N)，t表示观测时期(t=1，2，…，T)。上述PVAR模型使用固定效应或OLS回归得到的估计量是有偏的。尽管随着t的增加，估计量的偏误问题会得到缓解，但是考虑到本文样本时期较短，估计量的偏误问题可能较为严重。对于PVAR模型可能带来的截面异质性问题，本文运用Love et al.(2006)提出的Helmert法对变量进行前向均值差分，以消除模型中的个体固定效应和时期效应。同时，参照Love et al.(2006)，采用广义矩估计方法(GMM)对模型参数进行有效估计，更好地控制个体效应和解决变量内生性问题。

为了讨论税收负担与创新效率之间的动态关系，本文设定的基准PVAR模型为税收负担—创新效率—产出增长。在这里引入三个内生变量，即税收负担、创新效率和产出增长率。上述PVAR模型的变量顺序意味着假定税收负担和创新效率不会对当期的产出增长冲击做出反应，这样设定的合理性在于税收负担及创新效率对于宏观经济的反应具有一定的滞后性。本文设定的PVAR模型的经济学含义是，税收负担会影响创新效率进而影响产出增长，而产出增长反过来又会影响税收负担及创新效率。

除了基本模型之外，本文还将分析扩展模型。在扩展模型中，将增加两个内生变量，构成五个内生变量的PVAR模型。增加的两个内生变量分别是区域企业研发投入和区域企业盈利水平。五个内生变量构成的PVAR模型为税收负担—研发投入—创新效率—盈利水平—产出增长。在这样一个扩展的PVAR模型中，本文考虑了税收负担与创新效率之间的连接变量即研发投入，以及创新效率与产出增长之间的连接变量即企业盈利水平。

(二)区域企业创新效率的测算及分析

1.区域企业创新效率测算

本文运用超效率DEA模型对我国规模以上工业企业的创新投入产出效率进行测算。传统DEA模型无法对完全有效决策单元进一步排序，而超效率DEA模型可以对所有决策单元进行比较和排序。假定每个决策单元有K个投入单元和M个产出单元，向量Xj和Yj表示第j个决策单元，引入投入松弛变量s-和产出松弛变量s+，对决策单元λj(j=1,2,…,n)进行评价，其超效率DEA模型为：

(2)

(3)

θ为决策单元λj的效率值，若θ≥1，且s+和s-等于0，则该决策单元为DEA有效单元；若θ≥1，s+或s-等于0，则称该决策单元为DEA弱有效单元；若θ<1,s+或s-都不等于0，则称该决策单元为无效单元。超效率DEA模型与传统DEA模型对于非有效决策单元的效率评价结果是相同的，但对有效决策单元的评价有所区别，传统DEA模型下所有有效决策单元的效率值θ=1，超效率DEA模型在评价有效决策单元时其效率值θ可以大于1，且θ值越高说明决策单元越有效。

2.评价指标选取和数据来源

DEA模型对投入产出效率的测度关键在于决策单元指标的选取。在企业创新效率测量过程中，投入指标主要选取各省份规模以上工业企业R&D从业人员、各省份规模以上工业企业R&D经费支出和各省份规模以上工业企业R&D项目个数。产出指标主要选取各地区规模以上工业企业专利件数、新产品开发数目和新产品销售收入。具体指标选取如表1所示。

表1 规模以上工业企业创新投入产出效率指标体系

3. 测算结果分析

考虑到西藏自治区某些年份数据缺失严重，故本文使用我国大陆地区其余30个省、市、自治区2009—2017年的面板数据测算规模以上工业企业的创新投入产出效率，所有数据均来源于《中国统计年鉴》、《中国科技统计年鉴》及各地区统计年鉴。将2009—2017年各投入产出指标数据代入DEA-Solver 5.0软件，选用规模报酬不变的超效率模型对30个省、市、自治区规模以上工业企业创新效率进行测算，结果如表2所示。

总体来看，2009—2017年我国规模以上工业企业的R&D投入产出效率值偏低且地区差异明显；规模以上工业企业的R&D投入产出效率均值为0.78，未达到DEA完全有效。进一步分析来看，不同地区企业的R&D投入产出效率值差异较大，东部地区效率值最高，均值为0.85；其次是中部地区，效率均值为0.78；效率值最低的是西部地区，均值仅为0.70，与其它地区相比还有一定差距。从各地区内部来看，东部地区中，北京、上海、广东和浙江经济发达，相关科学技术配套设备完善，因此这些省、市的企业科技投入产出效率水平较高，河北和福建两省经济发展水平一般，企业科技投入产出效率处于中等水平。中部地区和西部地区中，除了吉林、重庆、安徽和湖南等省、市外，其它省份效率值都不高。这与余泳泽等(2013)、李婧等(2014)的研究结论相似。

表2 2009—2017年各省份规模以上工业企业创新效率

(三)面板数据模型其它变量定义与测度

除企业创新效率外，本文介绍PVAR模型中使用的其它变量数据。宏观税负水平用省级地方政府总税收占各地GDP的比重来衡量，税收收入为各省份税收总量，产出增长用各省份GDP的年增长率表示。扩展模型中涉及的变量，研发投入用各省份规模以上工业企业R&D经费支出来表示；企业的盈利水平用资产收益率来表示，即企业的利润总额除以总资产。各省份GDP以及企业利润总额等数据均来源于CEIC中国经济数据库和《中国税务统计年鉴》。表3总结了模型使用变量的定义及其计算说明。

表4为模型变量数据的描述性统计。本文使用到的数据度量全部是增长率或者比率，报告的单位是百分比。由表4可知，税收负担平均值为18.40%，最小值为8.33%，最大值达到了55.68%，表明税收负担存在巨大差异。GDP增长率均值为11.58%，从最小值和最大值来看也有着巨大的差异。区域企业创新效率增长率均值为2.83%，最小值为-61.25%，最大值为113.49%，表明区域创新效率增长也存在较大波动。

表3 变量定义与计算说明

表4 描述性统计

四、实证结果分析

(一) 模型处理

在对PVAR模型进行参数估计分析之前，需要一些前期处理。首先需要对数据进行平稳性检验，以保证时间序列数据是平稳的。然后选择PVAR模型的最优滞后期数。接下来还需要保证估计的PVAR模型的平稳性。

1.数据平稳性检验

为了避免面板数据的“伪回归”以及估计量偏误的问题，保证结果的准确性，首先需要对面板数据变量进行平稳性检验。趋势或者结构变动的存在，都有可能使得时间序列数据表现出非平稳性。本文使用主流的IPS、LLC和Xtfisher三种检验方法对模型变量进行单位根检验，考察面板数据的平稳性，结果如表5所示。

表5 各序列平稳性检验

注：*、**和***分别表示该系数在10%、5%和1%的置信水平通过检验；IPS和LLC报告的是t检验值，Xtfisher报告的是卡方检验值，括号中报告的是P值。

上述三种面板数据单位根检验方法的原假设均是存在单位根，即数据序列非平稳。由表5可知，税收负担以外的其它各变量均通过了IPS检验、LLC检验和Xtfisher检验，税收负担通过了除IPS检验以外的其它两种检验。各变量至少在5%的显著性水平下通过了平稳性检验，由此可以认为各变量序列是平稳的。

2.模型最优滞后期的选择

PVAR模型估计参数之前的一个必要的步骤是选择最优的滞后期数。本文根据Andrews et al.(2001)提出的一致矩模型选择标准(consistent moment and model selection criteria，CMMSC)来选择最优滞后期数。CMMSC事实上就是经典的AIC、BIC和HQIC等判断准则在广义矩估计(GMM)方法下的扩展。表6报告了相应的结果。CMMSC下的AIC、BIC和HQIC准则均选择数值较小的结果为最优。根据表6的结果，PVAR(1)模型的MBIC、MQIC数值最小，PVAR(2)模型MAIC数值最小。因此综合衡量确定基准PVAR模型的最优滞后期数为一阶。

表6 最优滞后期的选择

注：#表示根据AIC、BIC、HQIC准则选取的滞后期数。

图1 PVAR模型平稳性检验

3.模型平稳性检验

使用PVAR模型解释经济动态系统需要保证动态系统是稳定的，即系统不是发散的。动态系统不稳定即存在发散的可能，外生冲击可能会使得内生变量永久发散。从经济学含义的角度来看，这意味着在外生冲击下，某些内生变量会一直增加，这样的动态系统处于非稳定状态，难以刻画符合现实的经济动态。图1显示了模型系统的平稳性检验，由于三个变量系统的特征根均位于单位圆之内，这表明三个变量的PVAR模型系统是稳定的。

4.格兰杰因果检验

格兰杰因果检验可以用于判断变量的滞后项对于其它变量是否有显著影响，从而说明变量之间在时间上的因果关系。格兰杰因果关系检验能够帮助判断PVAR模型中内生变量之间的关系。表7报告了格兰杰因果关系检验的结果。

表7 格兰杰因果检验

注：“Y”表示行变量对列变量通过格兰杰因果检验，“N”表示行变量对列变量未通过格兰杰因果检验。

如表7所示，格兰杰因果检验结果表明税收负担与经济增长存在着双向因果关系，企业创新效率和税收负担之间也存在双向格兰杰因果关系。经济增长不是创新效率的格兰杰原因，但创新效率是经济增长的格兰杰原因。上述结果表明，本文基准PVAR模型的三个内生变量之间互相存在统计学意义上的因果关系，三个内生变量之间相互影响。格兰杰因果检验结果验证了本文使用PVAR模型刻画经济系统的合理性。

(二)基准结果分析

1.面板向量自回归模型的参数估计

为了考察减税政策对企业创新效率的冲击效应，本文从广义矩估计、脉冲响应函数和方差分解三个维度来进行分析。本文采用广义矩估计法对面板数据进行PVAR模型估计，结果如表8所示。

GMM估计结果显示，总税收负担、企业创新效率与GDP增长率三者间存在显著的动态关系。当税收负担tax_burden作为被解释变量时(表8第2列)，可以发现滞后一期的税收负担对企业创新效率和产出增长率的影响显著为正，具体来说，税收负担每年增加1%，次年企业创新效率和产出增长率分别增加0.01%和0.08%。当企业创新效率sdea作为被解释变量时(表8第3列)，滞后一期的企业创新效率对产出增长率的影响为正，具体来说，企业创新效率每年增加1%，次年产出增长率增加0.64%。这与当前我国实际情况相符，即企业创新效率的提升能够增加产出。企业创新效率方程中，企业税负变量没有通过显著性检验，这并不能说明企业创新效率对企业税负没有影响，可能是企业创新对企业税负的影响存在一定时滞性。在产出增长率gdp_gr方程中(表8第4列)，滞后一期的总税收负担系数为负，这说明随着税收负担水平的增加，经济增长率下降；企业创新效率没有通过显著性检验，可能也是因为企业创新对经济发展的影响存在着一定的时滞性。

表8 PVAR参数估计

注：L.代表滞后一期；*、**和***分别表示该系数在10%、5%和1%的置信水平通过检验；括号内为GMM估计系数的Z检验值。

2.脉冲响应函数(IRF)分析

本文对PVAR模型进行Monte Carlo 模拟200次得到脉冲响应函数，进一步分析经济下行背景下减税政策对企业创新效率的动态传导机制和路径。图2报告了正向税收负担冲击的脉冲响应函数，图中阴影区域表示的是95%置信区间。

从图2中可以看出：第一，税收负担对其自身冲击影响的反应是在最开始的一期上升，然后逐渐下降，但长期响应趋向于稳态值，初始的反应值为0.80%；第二，经济增长率对税收负担冲击的反应为负，呈先降后升趋势，这说明税收负担的增加对GDP增长率产生了负向影响，并且这一影响将持续5～8期，经济增长率最多下降了2个百分点；第三，企业创新效率对税收负担冲击的反应在第1期为正，并在接下来的几期逐渐下降然后又上升，最终在第6期后逐渐趋向于稳态值。正向的税收负担冲击使得区域企业创新效率在长达3～4期的时间内下降接近1个百分点。

图2 税收负担冲击脉冲响应函数

图3报告了经济增长率冲击的脉冲响应函数图。可以看到，正向的经济增长率冲击使得经济增长率在初始时期上升然后逐渐下降。经济增长率的上升使得区域创新效率先上升后下降。区域的产出增长率上升使得税收负担也上升，这一结果可能是政府对经济环境状况向好的内生反应。

图3 经济增长率冲击脉冲响应函数

由上述脉冲响应图的分析可知，经济下行背景下，政府减税政策对经济增长有积极促进作用，会对企业创新效率产生正面影响，短期内0.80个百分点的减税冲击就能使得创新效率增长率持续3期增加近1个百分点，而经济增长率的提升反过来又会促进区域企业创新效率的增加。

3.方差分解

方差分解是通过分解不同内生变量冲击对内生变量变化的影响程度，从而考察PVAR模型中扰动项对内生变量波动的贡献度，以分析不同内生变量冲击的重要性。表9报告了基准PVAR模型的方差分解结果。限于篇幅，本文只报告了三个时期的方差分解结果，分别是第1期、第5期和第10期。

表9 方差分解结果

由表9可知，在第1期，税收负担变量变化完全来自于本身的冲击；税收负担变量冲击对创新效率变化的贡献率几乎为0，对经济增长率变化的贡献率为20%。在长期，税收负担冲击对其他内生变量产生了较大影响：在第10期，税收负担冲击解释了24%的创新效率增长率变动和36%的GDP增长率变动。创新效率冲击对经济增长率变动也有一定贡献，在第10期占到了20%。经济增长率冲击在第10期对创新效率波动的贡献为10%。方差分解的结果表明，税收负担冲击是区域企业创新效率波动的重要来源。

(三)扩展模型分析

扩展模型分析的步骤类似基准模型。最优滞后期数的选择分析表明使用滞后1期的PVAR模型是最合理的。模型平稳性分析表明，五个内生变量的PVAR模型是稳定的，五个特征根均在单位圆之内。

表10报告了五个变量的PVAR模型的GMM参数估计的结果。同基准估计结果一样，滞后1期的税收负担对创新效率以及经济增长率的影响为负。扩展模型的估计结果还说明税收负担对企业盈利水平的影响显著为负。

表10 扩展PVAR模型参数估计

注：L.代表滞后一期；*、**和***分别表示该系数在10%、5%和1%的置信水平通过检验；括号内为GMM估计系数的Z检验值。

图4报告了税收负担冲击的脉冲响应函数。在扩展模型中，税负水平的上升导致经济增长率下降，在第2期下降最多，然后逐渐上升恢复长期均衡值；区域企业创新效率在初始时期略微上升，随后逐渐下降；企业盈利水平和研发投入水平的动态反应与创新效率类似。扩展模型的脉冲响应函数分析再次验证了基准模型分析中的结论，即减税可以促进企业创新效率的提升。

图4 扩展模型：税收负担冲击脉冲响应函数

(四)分区域分析

本文将样本中包含的30个省、市、自治区分成东部、中部和西部三个区域，分别对每个区域进行PVAR模型估计，得到税收负担冲击脉冲响应函数，如图5所示。可以看到，不同区域的变量动态反应大致类似，但在反应的量上有差异。具体来说，税收负担冲击给企业创新效率带来的影响对西部地区来说最大，东部地区次之，中部地区最小。

图5 分区域分析：税收负担冲击脉冲响应函数

(五)稳健性检验

PVAR模型的变量顺序体现了对宏观经济系统的内在假设，这个存在一定的争议性。因此，本文改变原始基准模型中的设定，从而改变内生变量的顺序。图6报告了三种不同的变量顺序下的PVAR脉冲响应函数。这三种顺序分别是税收负担—产出增长—创新效率，创新效率—税收负担—产出增长，产出增长—税收负担—创新效率。从图6可以看到，变量顺序的变化没有改变基本的结果，这表明本文前述分析得到的结论是稳健的。