政府补助强度、企业盈利能力和成长能力之间的动态互动效应研究*——基于绿色低碳新兴产业的实证证据

郄海拓 姚雨非 郭 婧 王宛秋

(1.中国科学技术信息研究所 北京 100038；2.北京工业大学经管学院 北京 100124)

0 引 言

2020年9月，我国宣布二氧化碳排放力争于2030年前达到峰值，努力争取2060年前实现碳中和[1]。这意味着我国将更加坚定地贯彻绿色、低碳、循环的发展路径，谋求高质量发展。碳达峰和碳中和目标下经济结构、能源利用和清洁能源发展是“十四五”时期的重点任务。建立健全绿色低碳循环发展的经济体系，促进绿色低碳成为经济增长新动能，是生态文明建设的重要任务[2]。“十三五”期间，以能源新技术、节能环保、新能源汽车为代表的绿色低碳新兴产业飞速发展[3]，“十四五”又提出聚焦新能源、新能源汽车、绿色环保等产业发展，加快关键核心技术创新应用[4]，对于碳中和目标下经济结构转型和环境友好型社会建设都产生很强的推动作用。

绿色低碳新兴产业为我国实现碳中和目标提供了关键的产业支持，也为我国持续增长的能源总需求与国家倡导节能降碳所形成的矛盾提供了重要的解决方案。绿色低碳新兴产业的自身特征，不仅为身处资源转型关键时期的中国提供了发展路径，也为产业自身发展带来了更广阔的空间，但目前我国绿色低碳新兴产业仍处于成长阶段，亟需政策的引导和支持。政府补助就是产业政策中常用的政策工具。因而，透视绿色低碳新兴产业中的政府补助强度、企业盈利能力与成长能力之间的关系，有助于挖掘政策支持与企业发展之间的作用机理，为政策决策提供借鉴，有利于产业健康快速发展，助力碳达峰和碳中和目标的实现。现有文献多聚焦于政府补助对企业绩效的作用。但受方法限制，这些研究普遍受到两个假设的束缚。一是因果假设，即政府补助是因，企业绩效变化是果。而实际上，政府补助强度的决策与企业本身和政策目标有很大关联，政策与企业之间存在的是复杂的因果关系系统，而非简单的一因一果、一果多因等简单关系。二是静态时间假设，即假定政府补助与企业绩效之间的关系只在单一时点或某一特定期数起作用，而未考虑到变量之间持续若干期的动态、互动、持续的作用。

为了解决上述假设的限制，同时为了避免宏观产业数据隐匿企业的异质性特征，本研究以绿色低碳新兴产业中的企业为切入点，采用PVAR模型探究该产业中企业政府研发补助强度、企业盈利能力和成长能力之间的动态互动关系。研究选取132家绿色低碳新兴产业上市公司2012-2019年的面板数据建立PVAR模型，不预先假定因果，基于模型估计结果、脉冲响应图和方差分解来挖掘全部样本、不同规模的企业、不同成长性的企业上述三个要素之间的动态互动关系，结果更具客观性。同时，研究将时间维度从单一的分散时点扩展为持续的时间范围，研究要素之间持续的、包含若干滞后期的综合作用体系，保证模型更贴近现实情况，并且以脉冲响应图将真实的冲击响应逐期刻画出来，使以往难以测算的复杂关系得以清晰透视。

1 文献综述

1.1政府补助与企业盈利能力政府补助是企业的外部资源，与企业内部资源存在互补效应[5]，企业盈利能力往往通过企业绩效、业绩、财务业绩等方式衡量。有研究表明，政府补助带来的现金流能够降低企业的信贷融资成本[6]，降低研发风险[7-8]，激励企业创新积极性[9]和绩效[10-11]，为企业发展提供更多机会。与此同时，创新能力也会影响政府补助数额[12]。另外，我国政府补助对上市公司的盈利能力具有“补弱”效应，即政府补助强度与企业盈利能力负相关[13-14]。研究普遍认为政府补助有助于提升公司的绩效[15]，如改善企业偿债能力[16]，降低整体税负[17]与边际成本[18]，提升创新回报率[19]和创新绩效[20]。另有学者进一步提出政府补助有助于促进成长期企业的开发性创新活动，而处于成熟期的制造业探索式创新活动则更易受到政府补助的影响[21]。持相反观点的学者认为，不科学的政府补助可能会抑制业绩提升，政府补助可能被用于发放高管薪酬[22]、也可能挤出自有研发或导致过度依赖政府资源[23]，最终降低产出效率和获利能力[24]。

现有研究普遍认为政府补助对发展状态不占优势的企业有所倾斜，但政府补助对企业盈利能力的影响未得到统一结论，而且对于处在不同生命周期的企业，政府补助的效果也可能存在明显差异。

1.2政府补助与企业成长能力在大多数情况下，政府补助作为企业成长的重要外部资源[25]，也担负着信息传递作用[26]，能够对其他外部资源起到引导作用，进而为被补助企业带来更多资源[27]，有助于企业成长，如激励企业发展、缓解融资压力[28]。针对科技型中小企业的研究表明，政府补助有助于提升企业当期成长水平，而滞后期政府补助则正向作用于对研发经费投入与技术人员，这两者又正向影响企业成长水平[29]，政府补助对企业成长存在正向作用得到了许多学者的认同[30-31]。另有观点认为政府对企业的补助不能作用于企业成长[32]，或者在不同成长性水平的企业中政府补助作用可能存在差异，低成长性企业自身的盈利能力弱，政府补助难以起到实质作用，效果不佳。而高成长性企业政府补助效果更好[33]。在作用路径上，政府补助往往通过科技投入对企业成长能力起到正向作用，且存在地区差异[34]。

概而论之，大量研究认为政府补助有助于企业成长，相异观点也同时存在。现有研究已开始基于生命周期及其他特性进行两者关系的异质性研究，研究深度在不断深化。

1.3企业盈利能力与企业成长能力上市公司的核心能力影响其自身盈利性和成长性[35]。现有观点认为企业成长能力越强则企业未来盈利能力越强[33,36]，也有观点认为两者之间既有可能正相关亦有可能负相关[37]。正相关关系可能存在于高成长带来的高利润，以及因此给员工带来的激励和收益预期，进而扩大企业规模的情况中；负相关关系则可能来源于成长引发的故有关系打破和新关系的建立，导致短期盈利能力的降低，进而呈现企业盈利能力与成长能力负相关关系，但该负相关关系随时间逐渐降低，因而本研究认为应以动态视角来研究两者关系[38]。而Paul[39]与Roper[40]的研究均未发现企业盈利能力与成长能力之间的显著关系。

盈利能力和成长能力均为评价企业的重要维度，从不同维度展示企业发展状况，虽然两者关系尚无定论，但可以确定的是，应基于动态视角去深入探究两者关系。

因此本研究采用的PVAR模型不仅是基于动态视角对政府补助强度、企业盈利能力和成长能力进行动态研究，而且还探究了三个要素间的动态互动效应，较现有研究存在一定优势，能够为政策决策提供更为客观的参考。

2 研究方法和模型

2.1研究方法为客观地刻画政策与企业之间动态、持续的互动关系，本研究采用面板向量自回归模型(Panel Vector Autoregressive Model，PVAR)作为主要研究方法。PVAR是多元系统方程，把变量作为内生系统，并将所有变量的滞后项考虑在内，以真实情况反映变量间的互动关系。在模型设定过程中不人为预设因果关系，不设定解释变量与被解释变量，而是以客观结果来判定因果关系和动态互动的具体情况。基于广义矩估计GMM构建模型并测算结果，除了解决变量内生性问题，还能呈现具体变量间的冲击反应(脉冲响应)情况、方差分解情况并进行稳定性检验。PVAR模型的一般形式如式(1)和(2)所示。

(1)

(2)

公式(2)中，yit为第i家上市公司在第t年由内生变量组成的向量，如式(2)所示依次包括企业成长能力growit，盈利能力nsaleit和政府补助强度subit，i表示样本上市公司，取值范围1～132；t表示样本选取区间，取值范围为2012-2019年；j为滞后阶数，yit-j为所有内生变量，α0，βj，fi，dt和uit依次为截距、回归系数矩阵、固定效应、时间效应和随机扰动项。

为了解决PVAR模型要求的每个截面模型形式相同的假定(在现实中很难实现)，Love[41]提出允许个体效应存在并通过引入固定效应异质性fi实现，通过“前向均值差分”消除个体效益以避免平均值差分带来的偏误，同时引入时间效应dt反映变量时间效应。随后以变量滞后期作为工具变量，以广义矩估计GMM估测变量短期内的相互影响关系系数。还可以用脉冲响应函数(Impulse Response Function,IRF)分析观察期间内所有内生变量的冲击对自身及其他变量未来若干期的影响，以及以预测误差的方差分解测算引起特定变量变动的误差变异数中每一变量正交单位冲击的贡献程度[42]。

2.2变量与数据选择

2.2.1 数据来源与处理 本研究选取新能源、环保概念、新能源汽车三个行业作为绿色低碳新兴产业的主要来源，在剔除ST、*ST、数据缺失的样本后，共获得132家企业。选取2011-2019年度数据，其中2011年数据仅用于测算2012年企业成长能力的数值，因而最终保留2012-2019核心变量的数据，共计1 056条观测值。相关数据来源于wind数据库和CSMAR国泰安数据库，并对变量在1%和99%上做缩尾处理。对核心变量进行简要界定，政府补助强度测算的是相对于具体企业而言政府给予企业无偿资产的力度，企业盈利能力衡量的是其获取利润的能力，而企业成长能力和企业未来发展趋势与发展速度，描述的是企业的扩展经营能力。核心变量与分组变量的测算方式见表1所示。

表1 变量汇总表

2.2.2 描述性统计 变量描述性统计如表2所示，为了更加客观地展示原始数据特征，表中展示未经缩尾处理的结果。

从表2中可以看出，从规模异质性分组的情况来看，参照各变量均值，Lows组的政府补助强度sub显著高于Highs，显示了政策对于Lows组在补助方面有所倾斜，与以往研究结论相符[13-14]。全样本成长能力grow为0.398，说明绿色低碳新兴产业中企业成长能力较为稳健。从最大值与最小值的比较来看，企业成长能力差异较大，说明绿色低碳新兴企业的成长能力具有一定的不平衡性，存在成长能力极强的企业。从盈利能力nsale来看，Lows组的盈利能力高于Highs组，这说明在绿色低碳新兴行业中，Lows组盈利能力更强，这可能是由于规模相对较小的企业更为灵活，能够更加快速地对市场变化做出反应。从Lows组与Highs组成长能力均值来看存在较大差异，且Highs组成长能力显著强于Lows组。

表2 变量描述性统计

接下来分析成长异质性分组的情况，从均值来看High组政府补助强度sub明显弱于Low组，说明Low企业更易获得研发补助。从盈利能力nsale来看，Low组盈利能力更强。最后，从企业成长能力均值来看，High组成长能力grow远远高于Low组。

2.3模型简化模型选定后进行滞后阶数的确定，选择全样本、异质性样本分别对三个核心变量的互动关系进行研究，对不同样本下的模型测算AIC、BIC和HQIC的得分选取最优滞后阶数，结果显示一阶滞后的估计效果均最优，因而选择滞后一阶的PVAR模型进行模型简化，公式(1)和(2)简化为(3)和(4)。

yit=α0+β1yit-1+fi+dt+uit

(3)

(4)

依据公式(3)和(4)对模型全样本、规模相对较小、规模相对较大以及低成长、高成长组进行分别测算，得到模型测算结果。

3 实证结果

政府补助对不同规模和成长性的企业可能存在不同的效用，本研究在对全样本进行分析的基础上，进一步对不同规模和成长性的企业进行了分组检验。平均企业规模(规模异质性分组变量)一方面衡量的是企业过去的发展水平，另一方面也是处于不同生命周期的企业最易识别的特征；而营业收入增长率(成长异质性分组变量)则更多地体现了企业未来发展的能力。简言之，两分组变量分别从过去和未来的发展情景对样本进行分组，探讨三个核心变量之间的关系，此外，还能够对不同类别企业的目标设定、目标实现路径、资源内化渠道和资源布局视角等维度进行探索性研究。

3.1全样本和基于企业规模异质性的实证结果

3.1.1 PVAR模型估计结果 全样本Alls和基于企业规模异质性的Lows组和Highs组的GMM估计结果如表3所示。

表3 全样本和基于企业规模异质性的PVAR模型的GMM估计结果汇总表

对比三个模型的GMM估计结果发现：

第一，以当期sub作为因变量，在全样本和Lows组中，只有前一期sub与自身值有显著正向影响，且Lows组的正向影响高于全样本的测算结果。这说明，相对于规模较大的企业而言，规模相对较小企业的政府补助强度的相续性更强，即前一期获得过政府补助强度越高，当期则更易获得高强度研发补助。而且，无论规模大小，前一期的盈利能力和成长能力均不是企业当期获得政府补助的关键因素。

第二，以当期nsale为因变量时，全样本下，前一期的变量均对当期nsale有显著的正向影响，Highs组中，前一期sub的正向影响不显著，但grow和nsale均对当期nsale存在显著正向影响，且nsale对自身的正向影响远远高于全样本平均水平；而Lows组中，前一期nsale与sub均对当期结果无显著影响，而grow则对nsale具有显著高于全样本和Highs组的正向影响。以上结果说明，规模较大的企业，盈利能力具有较强的相续性，前一期成长能力也有助于提升盈利能力；而规模相对较小的企业中，前一期成长能力对盈利能力的正向影响较强；两组中政府补助均不是提升盈利能力的关键要素。

第三，以当期grow作为因变量，全样本前一期的三个变量都对企业成长能力有显著的正向影响，在Highs组中企业前一期grow对当期自身的正向影响不显著。前一期的nsale和sub对当期grow的正向作用均显著高于全样本和Lows组。在Lows组中，前一期的sub对grow的正向作用不显著，而前一期的grow和nsale都对当期grow有显著的正向影响，且前者的正向影响高于全样本的平均水平。以上结果说明，全样本来看，企业前一期取得政府补助强度越高，企业当期盈利能力和成长能力越强，且对成长能力的提升作用更显著，即政府补助有助于提升企业盈利能力和成长能力，且对后者的作用更明显；规模较大的企业擅于高效利用并合理配置外部资源(政府补助)和内部资源(盈利能力)，使其促成企业的成长，可能的原因是规模相对较大的企业处于行业优势地位，具备更优的系统观和全局观、更强的信息获取能力以及更精准客观的判断力，使其能更加经济高效地将内外部资源转化为企业成长能力；而规模相对较小的企业在成长能力方面具有更强相续性，且更关注利用企业内部资源(盈利能力)来提升企业成长能力。

结果显示，整体来看，前一期sub对当期nsale和grow均存在正向影响，且对后者系数达到了0.239，远高于前者，说明前一期sub对当期grow的作用更强。此外，Highs中，前一期grow和nsale对当期nsale均有显著正向影响，且nsale对自身作用系数为0.378远高于全样本所代表的平均水平0.170，且显著性程度也更高，而且Highs组前一期sub对当期grow存在显著正向影响，系数达到了0.607；Lows组前一期grow和nsale对当期grow有显著正向影响，且grow对自身作用的系数为0.161，高于平均水平的0.127。

3.1.2 脉冲响应结果 由于PVAR模型的回归系数极为复杂，且已选定最优滞后阶数，因而难以刻画未来若干期变量间持续的动态交互关系，故本文采取动态的脉冲响应图直观地展现各变量间未来6期的动态互动关系。图1为规模相对较小企业的脉冲响应图，图2为规模相对较大的企业的脉冲响应图，而图3为全样本脉冲响应图情况，接下来进行具体分析说明。

图1 规模相对较小企业的脉冲响应图

图2 规模相对较大的企业的脉冲响应图

a.规模相对较小企业的脉冲响应图。

设定滞后1期研究未来6期企业成长能力、盈利能力和政府补助强度之间的动态互动关系。为保证结果的稳定可信，选定500次蒙泰卡洛模拟。脉冲响应图能够直观地刻画各变量在未来若干期内的响应关系，衡量的是某一变量受到一单位标准差冲击后对另一变量在6期内单方面的影响。图中IRF of sub to sub 表示企业政府补助强度对自身的作用，而IRF of sub to nsale表示企业盈利能力对政府补助强度的作用，其他类似故不赘述。

首先观察对角线的三张图，分别是企业政府补助强度、盈利能力和成长能力对自身的影响，从图形的情况可以看出，三变量对自身未来均有正向影响，第1期正向影响均较为明显，企业成长能力的影响程度高于政府补助强度，政府补助强度的影响程度高于企业盈利能力，三者对自身的正向影响均随着时间的推移逐渐降低，并均在大约4～5期后消失。然后分析政府补助强度对企业盈利能力和企业盈利能力对政府补助强度的影响结果。根据图形形态可以判断出两者均无显著影响。接下来是政府补助强度对企业成长能力和企业成长能力对政府补助强度的影响结果，图形显示无显著影响。最后观察企业盈利能力对成长能力和企业成长能力对盈利能力影响的结果。前者的正向影响不存在滞后期，并且该影响在第1期持续维持较高水平，在第1期末至第2期间迅速降低，在约第5期后完全消失。而后者的正向影响在第1期内迅速提升随后迅速下降至第2期，之后缓慢下降到约第5期消失。

b.规模相对较大企业的脉冲响应图。

在规模相对较大的企业中，对角线的三张图形态与规模相对较小企业情形类似，只是政府补助强度和企业成长能力相应的消失时间都在约第1期末完成了，响应完成时间较短。政府补助强度对企业盈利能力和企业盈利能力对政府补助强度均无显著影响。政府补助强度对企业成长能力的正向影响滞后了一个时点，在约第1期才显现，短暂上升后迅速下降，比全样本的影响消失速度更快，持续时间更短。而成长能力对政府补助强度的影响不显著。企业盈利能力对成长能力的影响不存在滞后且在第1期内保持在较高水平，并持续下降，到第6期末逐渐消失。而成长能力对盈利能力的影响存在滞后期并不断提升，然后该影响在第一期达到最高水平，随后至第2期都快速下降，然后缓慢消失，约第4期完全消失。

c.全样本脉冲响应图。

图3 全样本脉冲响应图

在全样本中，三变量对自身未来均有正向影响，且形态与上述两组较为相似，故不予赘述。政府补助强度对企业盈利能力的影响只在约第1期将结束至第5期之间存在显著正向影响，并逐渐消失。而企业盈利能力对政府补助强度同样无显著影响。政府补助强度对企业成长能力的正向影响滞后了约一期，在接近第1期末至第5期出现显著正向影响，先上升后显著下降，随后逐渐消失。而企业成长能力对政府补助强度无显著影响。企业盈利能力对成长能力的正向影响从第0期开始，未出现滞后效应，前2期保持较高水平，第1期末至第2期初出现明显降低，直至在约第5期后消失。而企业成长能力对企业盈利能力存在显著的滞后期，响应先升后降，并在第1期达到最高水平，在第1期至第2期间迅速降低，随后缓慢下降，最后在约第5期后完全消失。可见脉冲响应结果从更长的时间范围印证了PVAR模型估计的结果。

3.1.3 方差分解 方差分解能够进一步衡量企业成长能力、盈利能力与政府补助强度之间的长期互动关系，量化各变量方差贡献程度，因而本研究进行方差分解并将结果汇总见表4。

表4 基于企业规模异质性的方差分解情况汇总表

方差分解用于度量企业的政府补助强度sub、企业盈利能力nsale和成长能力grow之间长期的动态互动关系。是表4左侧的变量预测的方差中，有多少来自于列sub、nsale和grow的贡献。直接反应的是处于每一个列的变量在最左侧的变量中相对重要程度或者说贡献程度，从结果看6期后基本稳定，所以仅列示到第6期。

结果显示，Highs组盈利能力对自身的贡献为94.0%，高于Lows组的92.9%，解释了规模相对较大的企业盈利能力有更强相续性的原因。同理，Lows组成长能力对自身贡献为91.4%，远大于Highs组的74.0%，解释了其成长能力相续性更强的原因，此外Highs组成长能力来自盈利能力的贡献为13.7%，来自外部政府补助强度的贡献为12.3%，且政府补助强度对企业盈利能力的贡献也较高，说明其更擅于整合内外部资源来提升自身成长能力和盈利能力，方差分解的结果进一步印证了PVAR模型估计结果得出的结论。

3.1.4 稳定性检验-特征根检验 为确保结果稳定可信，对研究模型进行稳定性检验。以特征根(Eigenvalue)检验结果来测算模型的稳定性，当所有特征根的模(Modulus)均小于1时，即所有特征根均在伴随矩阵圆内部时，则模型是稳定的，反之则不稳定，表5为稳定性检验结果。

表5 基于企业规模异质性的特征根汇总表

3.2基于企业成长异质性的实证结果

3.2.1 PVAR模型估计结果 基于企业成长异质性的Low组和High组的GMM估计结果如表6所示。

表6 基于企业成长性异质性的PVAR模型的GMM估计结果汇总表

由于上个分组中已有详细分析，因而在成长组中只作关键结论分析。可见两组中，前一期grow均有助于提升当期nsale，Low组的效果优于High组。且Low组grow的相续性从系数与显著性程度上均较High更优，sub对于grow的正向作用在Low组中的效果也更优。而在sub方面，虽然sub对Low组存在倾斜，但High组更易获得连续的研发补助。High组前一期nsale对当期sub存在显著正向影响而Low组则不显著，在High组前一期sub对当期nsale具有显著正向影响，且前一期nsale能够正向影响当期grow，程度也高于平均水平，而这一影响在Low组中不存在。

即结果显示，High组企业前一期sub对当期sub、nsale和grow均存在显著正向影响，而在Low组中，前一期sub仅对当期grow有显著正向影响。另外，结果显示，仅从通过显著性检验的关系数量来看，高成长组中三个核心变量间的互动关系明显强于低成长组，在Low中，通过检验的关系仅有前一期grow对nsale和前一期sub和grow对当期grow。

3.2.2 脉冲响应结果 接下来对脉冲响应图进行检验说明，图4为低成长组脉冲响应图，图5为高成长能力组的脉冲响应图。

a.低成长组脉冲响应图。

图4 低成长组脉冲响应图

选择关键结果说明，可见企业成长能力对企业盈利能力的影响存在一定滞后，在第1期达到冲击反应的最高水平然后迅速下降到第2期，然后缓慢消失大约在第4期完全消失。而企业盈利能力对企业成长能力的正向影响则不存在滞后期，冲击反应在最初就处于较高水平随后持续下降，约第2期前就不再存在显著的正向影响。

b.高成长组脉冲响应图。

图5 高成长能力组的脉冲响应图

在高成长组中，企业盈利能力对企业政府补助强度有显著正向影响并存在一定滞后，大约在第1期达到最高随后迅速下降，在第6期完全消失。而企业政府补助强度对企业盈利能力正向的影响在约一期的时间内不显著，大约在第1期开始显著，呈现先升后降的主要态势，约第5期消失。而政府补助强度对企业成长能力的正向影响比上述反应更晚一些显著，同样呈现先升后降态势最后约第3期又转而不显著并逐渐消失。企业成长能力对盈利能力的影响存在一定滞后，随后快速提升到约第1期达到最高并快速下降约第2期该影响转为不显著并逐渐消失。企业盈利能力对企业成长能力的正向作用不存在滞后，在第1期保持较高水平然后快速下降至第2期滞后缓慢下降，约第5期完全消失。脉冲响应结果同样从更长的时间范围印证了PVAR模型估计的结果。

3.2.3 方差分解 方差分解结果见表7，全样本已在之前的分组中有所说明，此处不再重复。

表7 基于企业成长性异质性的方差分解情况汇总表

续表7 基于企业成长性异质性的方差分解情况汇总表

相对于上个分组的方差分解情况，High组和Low组方差分解间的差异明显较小。方差分解结果在第5期就已经基本稳定，可以明显看出sub对grow和nsale的贡献在High组中相近，分别为0.024和0.016，而在Low组中相差较大，分别为0.088和0.010；另外除变量对自身的贡献外，可以看出High组的数值普遍比Low组分布差异更小。结果说明高成长组更能够多渠道地将外部资源转化为内部资源，而低成长组获得的外部资源则更多地贡献给了企业成长能力；而且高成长组在资源的布局和使用上更倾向于全局和系统，资源布局更为全面，方差分解的结果进一步印证了PVAR模型估计结果得出的结论。

3.2.4 稳定性检验-特征根检验 同样进行特征根检验，表8为稳定性检验结果，结果显示低成长和高成长组模型均具有较强的稳定性。

表8 基于企业成长性异质性的稳定性检验表

4 研究结论与政策建议

本研究运用PVAR模型，基于绿色低碳新兴产业的132家上市公司2012-2019年度数据分析了政府补助强度、企业盈利能力与成长能力之间的动态互动关系。研究发现：a.整体上看，企业前一期政府补助强度对企业当期盈利能力和成长能力均有提升作用，且对成长能力的提升作用更显著。这表明，绿色低碳新兴产业政策对该产业中的企业健康发展是有效的，特别是能够促进企业快速成长，应坚定不移的实施产业政策。b.规模较大的企业中，前一期成长能力和盈利能力对当期盈利能力均有显著正向影响且盈利能力对自身作用远高于全样本所代表的平均水平，规模较小的企业中前一期成长能力和盈利能力对当期成长能力有显著正向影响，且成长能力对自身的作用高于平均水平。这表明，从企业生命周期角度看，规模相对较大的企业更具成熟期企业特征，更注重稳定盈利，产业政策应从帮助其稳定盈利入手，而规模较小的企业则更具成长期企业特征，注重快速成长，产业政策应以帮助其快速成长为目标。c.高成长组企业前一期政府补助强度对当期政府补助强度、企业成长能力和盈利能力均存在显著正向影响而低成长组中，前一期政府补助强度仅对当期成长能力有显著正向影响。另外，高成长组中三个核心变量间的互动关系也明显强于低成长组。这表明，高成长组擅于多渠道转化外部资源(政府补助)而低成长组则擅于通过单一渠道实现外部资源内化，且前者倾向于从系统和全局视角布局和利用资源而后者倾向于从流程视角布局和利用资源。低成长组利用外部资源的意识和能力较弱，可以通过产业政策予以引导。

本研究的理论贡献在于，将PVAR方法引入绿色低碳新兴产业中，研究政府补助强度、企业盈利能力和成长能力之间的关系，以及这种互动关系在不同规模和成长异质性中的表现。充分考虑了多期滞后项对整个内生变量组成的系统中各变量的动态交互作用，通过脉冲响应图刻画持续时期内变量间的、包含对自身的持续互动关系，拓展了以往研究的观测时域，使要素之间动态、互动、持续的作用得以量化。研究不人为假定因果关系，以最终模型测算结果来判断变量之间的复杂因果关系，将以往难以展示的深层动态关系直观透视出来，深度挖掘了要素之间的作用机理，为产业政策研究提供了新方法和新视角。本研究的现实贡献在于，以动态交互视角展示了政策与企业的互动关系，并进行了企业规模和成长的异质性分析，为绿色低碳新兴产业中企业的政府补助强度、企业盈利能力和成长能力之间的关系研究提供了更为客观的经验证据。另外，基于上市公司层面的数据进行研究打破了宏观数据掩盖的企业异质性特征，使结果更客观，据此提出的政策建议也更具参考价值。

研究结论为政策建议提供了依据，在碳达峰和碳中和的大目标下，政策制定者应首先完善绿色低碳新兴产业政策的顶层设计，并辅以配套措施来保证政策精准落地，逐步实现政策精准化，促进绿色低碳新兴产业健康发展，全面助力碳达峰和碳中和目标的实现。

其次，根据产业中企业的具体异质性特征进行精准施策，以保证企业健康发展和产业保持持续成长活力。如对成熟期特征明显的规模相对较大的企业，以环境型政策和供给型政策为主。如通过税收优惠、金融支持、人才激励、信息服务等来帮助其稳定持续盈利。对成长期特征明显的规模相对较小的企业，应以引导、支持政策为主，可优先选择需求型政策和环境型政策予以支持。如税收优惠、目标规划、政府采购、示范工程、技术认定等，帮助其达到快速成长的目的。对高成长组企业可以予以全方位的政策支持，综合利用供给型、需求型和环境型政策以实现其快速成长，如政府研发补贴、信息服务、人才激励、政府采购、技术认定、示范工程、税收优惠、服务支持等，发挥其擅用内外部资源优势，使企业快速发展成长。对低成长组企业应以引导为主，支持并举的方式选择需求型和环境型对低成长企业予以支持，如政府采购、示范工程、技术认定、目标规划、税收优惠和服务支持等。

最后，应科学合理地识别被补贴企业的异质性特征，并据此设定客观理性的补贴目标，以实现精准补贴。不同异质性特征的企业所需支持不同，因而产业政策应该能够在设立之初就设定理性和多元的补贴目标，以实现精准补贴。如允许低成长组企业在一段时期内基于流程视角集中力量转化和利用内部资源，同时通过逐步的引导和支持，使其合理利用外部资源并转化发展视角，而不是以简单的盈利能力提升与否判定政府补助的有效性。