科技金融结合试点对企业研发投入的影响——基于民营上市公司的实证分析

黄 萍,方厚政

(上海理工大学管理学院,上海 200093)

0 引言

我国“十四五”规划强调要坚持创新驱动发展,鼓励企业加大研发投入,促进企业创新发展,对企业的基础研究给予税收优惠。近年来,我国民营企业不断发展,在技术创新领域的主体地位不断增强,在国民经济和社会发展中的作用更加突出,但在技术创新方面也面临着很多难题,如研发投入不足等。改革开放以来,我国出台了很多以科技金融、科技创新为主题的政策,这些政策推动着更加系统、全面的科技金融政策体系逐步建立起来,成为推动国家科技发展的重要助力。2011年,科技部、中国人民银行等五部门开展了首批促进科技和金融结合试点工作,先后确定中关村国家自主创新示范区、天津、上海等16个地区(41个城市)作为试点区域。试点地区政府一直高度重视并积极响应,出台了很多相关政策促进科技与金融的深度结合,充分发挥了试点地区的示范带头作用[1]。2016年,为加快实施创新驱动发展战略,推动科技与金融更深层次融合,科技部、中国人民银行等五部门最终决定在郑州、厦门、宁波等9个城市开展第二批科技金融结合试点工作。

本文以我国第二批科技金融结合试点城市为准自然实验,结合2012-2019年民营上市公司面板数据,运用双重差分法(DID)实证研究第二批科技金融结合试点政策对民营上市公司研发投入的影响,并进一步分析试点政策在地区层面、地区行政等级层面以及科教水平层面对研发投入影响的异质性。

1 文献综述

随着我国综合实力的不断增强,我国科技与金融的融合发展更加迅速。自20世纪我国引进“科技金融”这个词语至今,学界对该词还未有一个明确的定义。赵昌文等[2]在《科技金融》一书中提到,科技金融是促进科技开发、成果转化和高新技术产业发展的一系列金融工具、金融制度、金融政策与金融服务的系统性、创新性安排,是由向科学与技术创新活动提供融资资源的政府、企业、市场、社会中介机构等各种主体及其在科技创新融资过程中的行为活动共同组成的一个体系,是国家科技创新体系和金融体系的重要组成部分。国外学者对于科技与金融方面的研究非常丰富,但未曾有文章提及“科技金融”这个词,多数讨论的是融资与企业创新、金融科技创新等方面的问题。近年来,随着研究理论和研究方法的不断更新发展,国内外学者对科技与金融的研究也发生了改变,关于科技金融的影响研究主要分为以下两个方面。

一是科技与金融对全要素生产率的影响研究。余红伟等[3]采用PSM-DID方法对2011年我国科技金融结合试点政策对企业全要素生产率的影响及其机制进行实证研究,研究结果显示该试点政策显著提升了企业全要素生产率。冯锐等[4]采用双差分法评价了2011年我国科技金融结合试点政策对城市全要素生产率的影响,发现该试点政策对全要素生产率有积极的影响,并通过了显著水平检验。Guo等[5]基于我国10年省级面板数据研究技术融资对研发投入和全要素生产率的影响,分析发现技术融资对研发投入和全要素生产率均有显著的正向效应。孔一超等[6]以我国新三板挂牌中小高新技术企业为样本,研究2016年第二批科技与金融结合试点政策的生产率效应及其影响机制,并证明试点政策的实施能够显著提升试点地区中小高新技术企业的生产效率。董倩[7]以我国96家银行数据为样本研究了区域科技和金融发展对城市商业银行全要素生产率的影响,实证分析结果表明科技金融的发展对地方城市商业银行全要素生产率有显著的正向影响。

二是科技与金融对研发投入的影响研究。Chowdhury等[8]阐述了金融市场发展对提高新兴国家和发达国家研发投资有效性的重要性,金融市场发展能够缓解研发投资相关的信息不对称,从而提高研发的有效性。何震[9]运用我国281个地级市面板数据,通过对首批科技金融融合试点政策对企业创新的影响进行实证分析和异质性分析,证明了实施该政策能够显著提高企业创新水平。Lee等[10]通过结构方程模型来研究创新融资系统的有效性,认为创新融资不仅可以提高韩国创新型中小企业的技术创新能力,还可以提高其经营业绩。解维敏等[11]实证研究了区域金融发展对企业R&D投入的影响,提出政府干预对该影响存在抑制作用的结论。Shi等[12]通过对4个中国制造商的案例分析探讨了融资对创新的影响,发现融资后企业内部创新质量下降,研发支出占收入和资产的比例下降。陈建丽[13]以A股上市公司数据为基础进行研究,认为科技和金融的发展促进了企业R&D水平的提升。

综上所述,现有研究大部分是针对全要素生产率、融资与创新进行研究,对于科技金融政策的研究也多聚焦于2011年首批试点,关于2016年第二批科技金融试点政策研究较少。因此,本文在已有研究的基础上,利用双重差分法,以第二批科技金融结合试点政策为基础,对2012-2019年我国民营上市公司的研发投入进行实证研究,以期为相关部门检验该政策效果提供理论依据,促进民营上市公司的创新发展。

2 研究设计

2.1 样本选择与数据来源

在剔除41个第一批促进科技和金融结合试点城市后,本文选取地级市以上城市总样本252个,将其中9个试点城市作为实验组,其余243个试点城市为控制组。被解释变量数据和企业特征数据来自中国经济金融研究数据库(CSMAR),城市特征数据来自2013-2020年《中国城市统计年鉴》,并对数据进行了以下处理:(1)剔除金融、保险行业;(2)由于ST上市公司存在被撤销上市的风险,股票的波动性较大,因此剔除ST企业;(3)剔除时间缺失、指标缺失以及城市特征数据空白的企业;(4)剔除连续4年几乎未对研发进行投入的企业;(5)对连续型变量两端进行1%的缩尾处理。最终得到了共409家企业的3 272个数据,并通过Stata软件进行相关计算。

2.2 模型设定

本文运用双重差分法来检验科技金融结合试点政策对民营上市公司研发投入的影响,并构建了两个虚拟变量:(1)试点地区虚拟变量Treat。对于第二批设立的9个试点城市Treat取1,否则为0。(2)时间虚拟变量Post。该政策正式实施时间为2016年5月份,对于政策实施当年及后3年的Post取1,政策实施前4年的Post取0。将这两个虚拟变量交乘,构建双重差分项did,该项的系数即为科技金融结合试点政策对民营上市公司研发投入的净影响。根据双重差分原理,当第i个城市是试点城市,且Post≥2016时,Treat×Post取值为1,否则为0。由于实验组和控制组的企业特征和城市特征存在异质性,为使得实验组与控制组在科技金融结合试点政策落实之前的趋势一样,以满足DID方法的前提条件,利用倾向评分匹配法(PSM)尽可能找到与实验组相似的控制组数据来评估政策效果,因此,利用PSM-DID方法能够更加准确地评估第二批科技金融结合试点政策对于民营上市公司研发投入的影响。具体模型设定如下:

式(1)中:R&Dit为被解释变量,表示第i个企业第t年的研发投入;Treat×Postit为第二批科技金融结合试点城市的虚拟变量;为一系列控制变量的合集;ηt为时间固定效应;μi为各城市的个体固定效应;εit为随机扰动项。

2.3 变量说明

(1)被解释变量。R&D是被解释变量,本文借鉴文献[6]与文献[11],用研发投入金额占总资产的比重进行衡量。

(2)核心解释变量。交乘项Treat×Post是核心解释变量,即科技金融政策变量(did)。

(3)控制变量。主要包括企业特征和城市特征两个方面,借鉴文献[14-16]的相关研究,选择高管薪酬、公司规模、公司年龄、资本密集度、有形资产比率、经济发展水平、产业结构、金融发展水平、教育水平和科技水平作为控制变量,具体如表1所示。

表1 变量定义

3 实证结果分析

3.1 描述性分析

主要变量的描述性统计结果显示(见表2),各变量间方差因子VIF值均在1～5之间,且最大值小于10,表明模型不存在严重的多重共线性问题。本文有3 272家样本企业,可以看出我国民营上市公司的研发投入水平较低,均值为0.018,标准差为0.014,差距较小,某些公司甚至未进行研发投入。

表2 表量的描述性统计

3.2 基本估计结果分析

基于模型(1),采用双重差分的方法来评估政策对于民营上市公司研发投入的影响,通过运用双向固定效应进行回归分析,控制时间与城市两大效应,基本估计结果见表3。表3中列(1)(2)估计结果一致,表明无论是否加入控制变量,第二批科技金融结合试点政策对于民营上市公司研发投入均有显著的负向影响,即第二批科技金融结合试点政策的实施降低了民营上市公司的研发投入。控制变量方面,高管薪酬、公司规模、公司年龄、有形资产比率、金融发展水平均与企业研发投入呈显著正相关,资本密集度与企业研发投入呈显著负相关。从表3中我们还可以发现,企业规模越大,企业研发投入越多;人均固定资产增加,研发投入越小。导致这种结果的原因可能是由于企业支出更多花费在固定资产投资方面,并没有切实投入到研发当中去。

表3 第二批试点政策对样本企业研发投入影响的回归结果

科技金融结合试点政策通过将金融资源与科技资源结合创新,充分发挥了金融资源对企业转化科技成果与专利、提高企业自主创新水平的重要作用。为检验该政策的动态效应,引入政策试点当年以及前后3年时间虚拟变量,考察其回归结果的显著性。由表4可见,政策实施的前3年样本企业的研发投入没有受到显著影响,政策实施后对样本企业的研发投入产生显著负向影响,表明该政策的实施降低了民营上市公司的研发投入。

表4 第二批试点政策对样本企业研发投入影响的动态效应检验结果

4 稳健性检验

4.1 平行趋势假设检验

基于DID方法的运用条件,本文运用时间研究法对模型进行平行趋势检验,首先生成年份的虚拟变量与Treat做交互项,然后再进行回归分析,结果如图1所示。在政策时点以前交互项系数不显著且不等于0,表明在未真正实施试点政策前,虚拟试点政策并未对样本企业研发投入产生显著影响,由此证明本研究满足平行趋势假设。

图1 平行趋势检验

4.2 基于PSM-DID方法的检验

为了克服政策试点城市与非试点城市民营上市公司之间的系统性差异,增强实证检验结果的稳健性,减少DID模型估计误差,进一步利用PSM方法进行DID估计[16]。首先,利用ROC曲线及曲线下的面积AUC进行共同支撑假设的检验,结果如图2所示,AUC为0.574 0,说明本文的PSM满足共同支撑假设。其次,考察PSM匹配的质量以检验是否满足进行PSM估计的平衡性假设,如图3所示,所有变量的标准差在匹配后都小于10%,表示PSM估计的平衡情况较好,满足PSM的平衡性假设。上述共同支持假设检验和均衡假设检验结果均证实本文的PSM模型成立,因此,我们用匹配后的数据进行DID分析,回归结果如表5所示。结果表明:即使使用PSM方法消除样本选择偏差后,研发投入系数仍在5%的水平上显著为负;PSM-DID估计结果与DID结果无明显差异,说明城市与企业间的差异对政策评估并未产生偏差,从而表明本文实证分析结果是稳健的,第二批科技金融结合试点政策降低了民营上市公司的研发投入。

图2 共同支撑假设检验

图3 平衡性假设检验

表5 PSM-DID估计结果

4.3 安慰剂检验

为检验基本回归结果是否受到了其他政策变革或者随机性因素的影响,本文采取随机生成实验组的方法进行安慰剂检验。在2016年的基础上,随机抽取相应试点年份的企业作为实验组,其他城市的企业作为对照组,进行500次随机抽样估计。从图4可以看出,虚拟政策的估计系数分布近似正态分布,从而证明该政策效果不是由其他未观测因素导致的,说明本文的估计结果是稳健的。

图4 虚拟政策的系数核密度分布

5 异质性分析

首先,根据国家统计局关于《东西中部和东北地区划分方法》把样本量进行分组回归,回归结果如表6中的列(1)所示。从地区异质性分析结果来看,东部地区系数为负,其他3个地区都不显著,表明科技金融结合试点政策对东部地区民营上市公司的研发投入产生的影响最大,而且是负向影响。其次,借鉴文献[17]将政策试点地区分为省会城市和一般地级市两类并进行回归分析,结果如表6中的列(2)所示。从地区行政等级的一致性结果来看,不同行政等级的城市对民营上市公司研发投入的影响都显著为负,表明第二批科技金融结合试点政策对不同行政等级城市中企业的研发投入都有显著抑制作用,其中省会城市的影响较一般地级市更加显著,这与省会城市较高的经济发展水平和当地政府的大力支持密不可分。

为检验城市间的科教水平高低,借鉴文献[4]的方法,按照试点城市是否有“211大学”将其分为高科教水平城市和低科教水平城市两类,回归结果如表6中的列(3)所示。可见,高科教水平城市与企业研发投入具有显著负相关关系,而在低科教水平城市,试点政策的效果并不显著。由于城市的科教水平不同,第二批科技金融试点政策的实施效果也各不相同。

表6 异质性分析结果

6 结论与启示

基准回归结果表明,我国第二批科技金融结合试点政策对于样本民营上市公司研发投入具有显著的抑制效应。在基本结论的基础上,我们利用多种稳健性检验方法验证了这一结论的稳健性,异质性分析表明,政策实施效果在不同地区、不同行政等级和不同科教水平中存在明显差异且均存在负向影响。

笔者认为,第二批科技金融结合试点政策对民营上市公司研发投入具有显著抑制效应的原因如下:一是试点政策内容的不同。第一批科技金融结合试点政策更加强调信贷支持和保险服务,而第二批试点政策更关注体系、渠道和方式的创新,强调政府的支持作用,更加明确实施对象是科技型中小企业,所以对民营上市公司研发投入的影响较小。二是试点地区经济发展水平不同。第一批有41个试点城市,且大部分试点城市经济发展较好,拥有的科技型企业较多;而第二批试点地区仅有9个,且经济发展水平大多较为一般,因此企业的研发水平投入较少、创新水平不高。第三,通过观察比较全样本的总资产和研发投入金额数据发现,总体上企业的总资产在不断提升,研发投入也有所增加,说明该试点政策促进了企业总资产和研发投入的增加,但研发投入的增长速度较总资产慢,使得被解释变量较小,导致该政策对研发投入产生负向的影响。

在创新引领经济发展的背景下,本文的研究结果具有如下启示:第一,国家应该进一步完善科技金融制度体系。积极推动科技金融结合政策实施与发展,健全科技金融组织体系,完善金融监管体系建设,加强对科技金融机构的监管,促进金融创新和科技发展,加强财政税收优惠,减轻民营上市公司的税收压力,鼓励企业进行创新。第二,各地政府应该根据实际情况,制定符合当地企业发展的政策,勇于借鉴和尝试其他试点地区的成功经验,营造良好的金融创新市场环境,拓宽企业的融资渠道,加强知识产权保护,鼓励企业进行研发创新。第三,企业应该积极响应试点政策,加大研发投入金额,提高自主创新能力,优化资本结构,制定合理有效的融资策略,加强技术保护意识,引入高科技人才,积极发挥风险投资在企业研发活动中的长期作用。