集中采购政策对医药企业研发效率的影响——来自我国A 股上市公司的实证检验

邓 伟 吴俣煊

1（南京财经大学金融学院，南京 210023） 2（江南金融租赁股份有限公司，常州 213000）

引 言

所谓药品集中采购，是指医疗机构在采购药品时，不直接与医药企业接触，而是将其用药需求上报至官方统一的采购平台，由政府组织的专业机构统一向医药企业招标竞价，中标企业再向公立医疗机构销售药品。2018 年3 月，国家医疗保障局成立，主要负责制定药品、医用耗材的招标采购政策并监督实施。随后于2019 年1 月，国务院成立试点办和联采办，代表联盟地区开展集中采购，国务院办公厅同时印发了《关于印发国家组织药品集中采购和使用试点方案的通知》，并在11 个城市进行药品集中采购试点，然后再扩围至联盟地区及全国范围。截止到2023 年7 月，集中采购政策已经推行至第八批，累计纳入药品375 个品种，平均降幅超过53%，累计节约资金约5000 多亿元［1］。集采政策加强了医药流通领域的竞争，降低了政府的医保支出，并对制药企业的经营行为和转型升级产生了深远的影响。

在发达国家，医药制造行业属于研发密集型行业，强大的新药研发能力是制药企业维持竞争力的基础。近年来，在国家政策和资本市场的推动下，我国制药企业的研发投入出现了迅速增长，研发能力也有了长足的进步。2013 ～2022 年，A股上市制药企业的总研发支出从129 亿元增长至1054 亿元，1 类新药首次IND（新药临床研究）的数量从79 个增长至491 个，NDA（新药注册上市）数量从4 个增长至10 个［2］。但是，国内制药行业仍然存在“重销售，轻研发” 的现象。2022 年，A 股上市制药企业的总销售费用达2465 亿元，是当年总研发支出的2.3 倍①。多数制药企业仍然以生产原料药、仿制药为主，只有少数制药企业有能力研究创新药，整体研发能力与发达国家的制药企业仍然存在较大差距。

本文将探讨此次集中采购政策（以下简称“集采政策”）对我国制药企业研发效率的影响。之所以研究研发效率而非研发投入，是因为中国制药企业的研发投入已经有了很大的增长，如何提高研发效率，即研发的投入－产出比成为目前迫切需要关注的问题。集中采购政策对制药企业的研发效率存在以下两方面的影响：（1） 集中采购政策会使药品流通领域的竞争更加透明，使企业从销售环节的“回扣” 竞争转向研发竞争，将更多的销售费用转为研发费用，增大研发规模，进而通过规模效应提高研发效率；（2） 集中采购政策还会使药品流通环节的竞争变得更加充分，迫使制药企业通过研发项目的筛选、研发流程的设计和研发人才的配置提高研发效率，以更短的时间推出更多的新药，扩大市场份额。

本文将采用双重差分法验证上述理论。实证的数据样本为A 股制造业公司的样本，处理组为受集采政策影响的医药和医疗器械行业，控制组为不受集采政策影响的其他制造业，考虑2019 年开始实施的集采政策对这两组企业的不同影响。实证结果表明，集采政策提高了制药企业的研发效率。本文在内容上从研发效率的角度评估了集采政策对我国医药行业的深远影响，而目前评估这一政策的文献尚不多见，谢金平等（2021）［3］、Hua 等（2022）［4］、宋伟等（2022）［5］和郑博文（2022）［6］分别研究了这一政策对药品价格、药企利润和研发投入的影响；在方法上基于集采政策的自然实验采用了比较严格的双重差分法，能减少自变量内生性问题对回归结果的干扰。胡令和王靖宇（2020）［7］虽然也考虑了市场竞争与研发效率之间的关系问题，但未采用这一方法。

1 文献回顾

本文的内容主要涉及两方面的文献：（1） 研发效率的影响因素的文献；（2） 医药集采政策的经济后果的文献。

研发效率的影响因素可分为企业的内部因素和外部因素。企业的内部因素主要包括公司治理、融资能力、所有制特征、企业规模等。在公司治理方面，梁彤缨等（2015）［8］发现，高管的股权激励与企业研发效率之间呈倒U 型关系，且这一关系受区域市场化程度、所有制性质和行业特征等因素的影响。王爱群和刘耀娜（2021）［9］发现，非控股大股东退出威胁有助于提高企业的创新效率。Li 等（2023）［10］还考虑了风投机构的共同所有权（持有同行业至少两家上市公司）的影响，结果发现，风投机构的共同所有权对研发效率有积极影响。在融资能力方面，Almeida 等（2013）［11］基于A 股上市高新技术企业的数据发现，融资约束与研发效率之间存在显著的正相关关系，融资约束较高企业反而有更高的研发效率。在企业所有制特征方面，郝冰等（2015）［12］发现，国有企业的创新效率不及非国有企业。在企业规模方面，白俊红（2011）［13］发现，企业规模对创新效率的影响显著为正，从而验证了Schumpeter （1942）［14］的大企业比小企业有更强的创新激励的假说。影响研发效率的外部因素包括行业竞争、政府政策、营商环境、经济的市场化程度等。在行业竞争方面，胡令和王靖宇（2020）［7］的研究基于上市公司的数据，结果也表明市场竞争能促进企业研发效率的提高。在政府政策方面，Chiara 等（2016）［15］发现，政府对上游市场监管政策会降低企业的研发效率。在营商环境方面，王磊等（2022）［16］发现，营商环境的改善能降低企业的交易成本、促进行业竞争、以及改善经济整体的要素资源配置，进而提高企业的创新效率。在经济的市场化程度方面，陈修德等（2014）［17］发现，市场化改革能促进企业研发效率的提升，并最后导致各地区的研发效率趋于收敛。

医药集采政策对药品价格、制药企业的绩效和研发投入等行为有重要影响，但目前关注这一问题的文献较少。在药品价格方面，谢金平等（2021）［3］和Wang 等（2021）［18］都发现，中国试点城市带量采购政策的实施，使得中选药品价格都出现明显下降，但Callejas 和Mohapatra （2021）［19］研究了厄瓜多尔的医药集采政策，发现集采政策扭曲了药品的供给，使低成本药物的价格上涨。在制药企业的绩效方面，Hua 等（2022）［4］通过严格的双重差分法证明，集采对中标企业的净利润有负面影响，且这种负面效果随着政策实施年限的增加而变得更为明显。宋伟等（2022）［5］还发现，药品集采制度对“中标” 药企短期绩效有显著负影响，对企业长期绩效则有显著正影响。在研发投入方面，张新鑫等（2017）［20］从理论上探讨了集采对制药企业创新激励的影响，发现降低制药企业的创新激励会受到平台收费模式的影响。郑博文（2022）［6］发现，集采政策能通过投资者情绪机制、交易费用机制及营运资金效率机制促进医药企业增加研发投入。最后，Xu 和Wu （2023）［21］还发现，在集采政策推行后，中标企业会进行向上的盈余管理，而未中标企业则会进行向下的盈余管理。

综合上述文献可以看出，目前关注医药集采政策对制药企业的研发行为影响的文献很少，而研究市场竞争与研发效率的关系的文献也没有根据政策实验采用双重差分法。因此，本文的研究不仅能从内容上评估集采政策对研发效率的影响，还能从方法上得到更为稳健的实证结果。

2 理论假说

研发效率是指在研发投入既定的条件下研发产出的水平。集采政策通过强化市场竞争，从如下两方面促进制药企业的研发效率的提升：

（1） 集采政策使市场竞争更加透明，促使制药企业增加研发投入，进而提升研发效率。在集采政策实施之前，国内制药企业一直存在“重销售、轻研发” 的问题，将较多的资源用于销售而不是研发，而相当一部分销售费用是向医院或药店等终端客户支付的回扣。为了扩大销售额，制药企业纷纷向这些客户支付回扣，哪家企业给的回扣越多，它的订单就越多，制药企业之间的竞争在一定程度上变成了“回扣竞争”［22］。在集采政策实施之后，制药企业在集采平台上的价格竞争变得公开透明，它们难以再通过回扣争夺客户，销售驱动的发展模式已难以适合新的竞争环境。制药企业只有通过增加研发投入，不断推出竞争对手较少的创新药或高端仿制药，才能缓解集采政策对药品价格的冲击，确保自己的市场地位。新药的研发过程存在一定的规模经济，因为研发项目越多，分摊到每个项目的研发的固定成本越少；同时较大的研发规模可使企业采用更高效的研发技术和能力更强的研发人员［23－25］。因此，集采政策会促进制药企业从“回扣竞争” 向研发竞争转型，增加研发规模，进而提高研发效率。这就是研发的规模效应。

（2） 集采政策使市场竞争更加充分，增强新药研发过程竞争，进而提升研发效率。在集采政策实施之前，医院和药店只是私下与各家制药企业进行谈判，制药企业之间的竞争并不充分，而在集采政策实施之后，在集采平台上参与投标的企业数量大大增加，企业间的价格竞争将变得更加激烈［1］。为了应对更加激烈的市场竞争，制药企业必须在以下3 个方面提高研发效率，以更快的速度推出更多的新药：①竞争将促使企业更加精准地搜寻市场信息，选择市场潜力较大的新药研发项目［26］，尤其是竞争还能加强对企业高管的激励作用，缓解代理问题，减少低效的研发项目［9］；②竞争还将促进企业内部的信息交流和团队内部的合作，优化研发流程［26］；③竞争还将促使企业选择能力更强的研发人员，提高研发团队的创新能力［7］。因此，从研发的竞争效应来看，集采政策所带来的更加充分的市场竞争将促使制药企业提高研发效率。

综合以上两点理由，现提出本文的基本假设H1：

H1：集中采购政策提升了制药企业的研发效率。

根据药品原创性程度的高低，药品可分为创新药和仿制药。前者是专利未到期的药，由拥有该药品发明专利的企业独家生产，而后者是仿制专利已到期的药，生产者较多。创新药企业具有创新药的研发能力，具有相关的知识积累和人才储备，而仿制药企业则不具备这些条件。创新药的研发不仅失败风险高，而且周期长、投入大。面对集采带来更为激烈的市场竞争，创新药企业在研发项目的选择、研发流程的优化和人力资源的配置上比仿制药企业更有优势，研发效率提升的空间更大［27］。因此，从研发的竞争效应来看，创新药企业的研发效率受集采政策的正面影响比仿制药企业更大。本文提出如下假设H2：

H2：相对于仿制药企业。集中采购政策对创新药企业的研发效率的促进作用更大。

融资约束会影响假设H1 所述研发的规模效应。企业的研发资金除了自己的现金流之外，还有外部资金，融资约束会影响企业来自外部融资的研发资金［28］。对融资约束强的制药企业而言，它的研发资金主要来自内部的现金流，对销售费用与研发费用之间分配比较严格，研发费用易受销售费用的影响，集采使它能把更多的销售费用转变为研发费用，研发费用得以增加，研发效率因研究的规模效应而提高；相反，对融资约束弱的制药企业来说，它的研发项目对内部资金的依赖度较低，对销售费用与研发费用之间的分配机制比较宽松，集采对它的研发投入以及研发效率的影响较小。由此本文提出如下假设H3：

H3：集中采购政策对融资约束弱的药企研发效率的提升作用更大，对融资约束弱的药企研发效率的提升作用较小。

不同种类药品的销售渠道存在一定的差异，有些药品主要面向医院、药店等大客户，客户集中度较高；有些药品则主要面向众多的消费者，客户集中度较低。客户集中度从两个方面影响集采与药企研发效率之间的关系：①客户集中度高的企业对客户的议价能力弱，集采政策实施前的销售费用多，集采政策实施后会有较多的销售费用转变为研发费用，进而通过研发的规模效应提升研发效率；②客户集中度高的药品通常被纳入了集采目录，价格受集采的冲击大。制药企业为缓解这一影响，会积极加强这类新药的研发，使新药的研发效率因研发竞争的增强而提高。相比之下，客户集中度低的药品通常未纳入集采目录，受集采的影响小，其研发效率受到的影响也较小。因此，药企的客户集中度同时影响假设H1 所述的研发的规模效应和竞争效应。由此本文提出如下假设H4：

H4：集中采购政策对客户集中度高的药企研发效率的影响更大，对客户集中度低的药企研发效率的影响更小。

（3） 企业的规模也会影响假设H1 所述的研发的规模效应。与小企业相比，大企业对客户的议价能力强，集采前提供给客户的回扣少，集采后从回扣转变为研发费用的部分较少。而且，大企业的融资约束也相对较弱，研发费用不太受销售费用的影响。因此，从研发的规模效应的角度来看，集采政策对研发效率的促进作用对大企业应该较弱。由此本文提出如下假设H5：

H5：集中采购政策对小药企的研发效率的正面影响更较大，对大药企的研发效率的正面影响较小。

3 实证设计

3.1 数据及样本

考虑到集采政策对企业研发的影响主要体现在医药和医疗器械制造行业，故本文的研究样本为沪深两市A 股2015 ～2021 年制造业上市公司。数据样本按照如下标准进行筛选：剔除交易状态为ST、∗ST 的公司、剔除当年新上市和交易天数少于200 天的公司、剔除相关数据缺失或为异常值的公司，然后再进行1%的Winsorize 缩尾处理，以消除极端值的影响。各实证变量的数据来自CSMAR数据库和锐思数据库。

3.2 模型和变量

其中，i表示公司，t表示年份；β0表示截距项，βi表示各变量的系数，Ind和Yr分别为行业和年份虚拟变量。

3.2.1 被解释变量

式（1） 中左边的RD＿Eff为本文的被解释变量研发效率。国内外对于研发效率的测算，大多采用数据包络分析（DEA）方法，该方法建立在帕累托有效理论上，其基本思想为：（1） 若不增加投入的资源或减少其他产出项目产量，则目标产出项的产量不会增加；（2） 若不减少产量或增加其他投入项的量，则投入不会减少。本文参考梁彤缨等（2015）［8］的方法，采用规模报酬可变的DEA 模型测算研发的纯技术效率，投入变量为每年的研发费用和研发人员数量，产出变量为每年的专利申请数量。

3.2.2 解释变量

式（1） 中的DID为本文的解释变量。回归样本的处理组为医药及医疗器械制造的公司，控制组为其他行业的制造业公司，2019 年及之后各年为集采政策实施之后的年份，2018 年之前各年为该政策实施之前的年份，故DID的定义为若公司属于处理组，且时间大于等于2019 年，则取值为1，否则为0。解释变量DID反映了集采政策对因变量的影响，根据前面的假设H1，预测β1为正。

3.2.3 调节变量

根据上述假设H2～H5，对样本按如下调节变量分别进行分组：是否为创新药公司、融资约束、客户集中度和公司规模，其中第一个变量的定义根据Wind 的创新药公司名单来确定，属于这个名单的公司为创新药公司，否则不是。融资约束则根据Hadlock 和Pierce （2010）［28］的SA 指数来确定。客户集中度则用前五大客户占企业营业收入的比例来表示。

3.2.4 控制变量

控制变量包括两类，一类是财务方面的变量：研发强度（RD）、企业负债率（Lev）、盈利能力（Roa）、营收增长率（Growth）、现金流比例；另一类是公司治理方面的变量：产权性质（Soe）、高管持股比例（Share）、董监高是否具有海外背景（Overseas）、COE 是否兼任董事长（Dual）、薪酬排名前三的高管的薪酬总额（Salary）。

主要变量的名称与定义如表1 所示。

表1 变量表

3.3 描述性统计

本文数据样本的处理组为医药及医疗器械制造的公司，控制组为其他行业的制造业公司。由于这两类公司在研发规模、周期等方面存在一定的差异，为了更好地运用双重差分法，本文先对样本中这两类行业的公司进行1 ∶1 倾向得分匹配，表2 为倾向得分匹配的结果。可以发现，匹配后各变量的标准差绝对值均明显缩小，表明两组样本在经过倾向值匹配后，其变量特征比较接近，通过平衡性检验，满足双重差分平衡性假设要求。同时，基期对照组样本各变量更接近于处理组样本，这也可以减小在双重差分检验时误差对政策净效应的影响。

表2 倾向值匹配结果

表3 是经过PSM 匹配后的样本中主要变量的描述性统计。样本中相关药企的研发效率（RD＿Eff）的平均值只有0.291，最小值为0.01，最大值为1，说明A 股药企的研发效率整体偏低，且在不同公司之间的差异较大。研发强度（RD）的平均值只有6.2%，最小值为0，而最大值也只有45%，这也说明A 股药企的研发强度较低，且不同的企业差异较大。企业的负债率较高，Lev的平均值达0.415。ROA的整体水平较低，平均值只有0.031 最小值为负，最大值也只有0.251。整体的成长性（Growth）较高，每年营收的增长率平均值为52.6%。

表3 主要变量的描述性统计表

4 回归结果分析

4.1 基准回归：集采政策对研发效率的影响

表4 为本文的基准回归结果。该表中的列（1）是控制时间和行业后的简单回归，列（2） 则控制了除时间和行业以外的其他解释变量，列（3） 在列（2） 的基础上进一步控制了时间和行业。从该表可以看出，自变量DID的系数在各列中的符号都为正，且显著性水平都达到5%。这说明集采政策的实施促进了药企的研发效率的提升，假设H1 得证。另外，在控制变量中，系数比较显著的是研发强度RD，它的符号为正，说明研发强度越高，研发越有效率，研发存在一定的规模经济。高管的薪酬Salary 和海外背景（Overseas）的系数均显著为负，说明高管的薪酬激励和海外经历对研发效率反而有负面影响。

表4 基准回归结果

4.2 分组回归结果

为进一步验证假设H2～H5，下面根据各个调节变量进行分组回归。本文先根据Wind 数据库中的创新药企业的名单来划分是否属于创新药企业。表5 是创新药企业和非创新药企业的分组回归结果。从该表可以看出，自变量DID的系数在创新药企业的样本为0.131，在仿制药企业的样本为0.363，但在统计上不显著。另外，二者之间的组间差异在统计上达到10%的显著性水平。这说明集采政策对于研发效率的影响在创新药企业中更为明显，假设H2 成立，同时也验证了假设H1 所涉及的研发的竞争效应。

表5 创新药企业和非创新药企业的比较

表6 是根据企业的融资约束大小的分组回归结果。分组依据是融资约束的SA 指数在样本中的中位值，大于该数值属于融资约束大的企业，否则属于融资约束小的企业。从该表可以看出，自变量DID的系数在融资约束大的样本为0.134，在融资约束小的样本中为0.171。前者在统计上的显著性水平达到1%，而后者不显著，更严格的组间差异检验的显著性水平达到5%。这说明，由于研发的规模效应，集采政策对于研发效率的影响在融资约束大的企业中更为明显，假设H3 得证。

表7 是根据企业的客户集中度大小的分组回归结果。分组依据是前五大客户的销售收入的占比在样本中的中位值，大于该数值属于客户集中度高的企业，否则属于客户集中度低的企业。从该表可以看出，自变量DID的系数在客户集中度高的样本的系数为0.127，在统计上十分显著，而另一组的系数虽然有0.147，但在统计上不显著。另外，二者之间的组间差异也达到10%的显著性水平。这说明，由于研发的规模效应和竞争效应的双重影响，集采政策对于研发效率的影响在融资约束大的企业中更为明显，假设H4 得证。

表7 根据客户集中度的分组比较

表8 是根据企业规模进行分组的回归结果。分组依据是总资产在样本中的中位值，大于该数值属于大企业，否则属于小企业。从该表可以看出，自变量DID的系数在小企业样本为0.053，而在大企业样本为系数为0.161，且二者之间的组间差异也达到1%的显著性水平。这说明，由于研发的规模效应，集采政策对于研发效率的影响在小企业中更为明显，假设H5 得证。

表8 大企业和小企业的比较

4.3 稳健性检验

（1） 剔除疫苗概念股

2020 年新冠肺炎疫情发生后，新冠疫苗潜在的巨大利润吸引了一些企业投入研发资金，而从这一年至2022 年也正处于医药集采政策实施后的阶段。因此，涉足疫苗研发的公司，其研发行为的变化可能并不一定来自医药集采政策，而是来自新冠肺炎疫情。为了消除新冠肺炎疫情对研发的影响，本文从处理组中剔除与疫苗概念有关的药企。表9 是相应的回归结果。从该表可以看出，自变量DID的系数在3 列回归结果中都仍然显著为正，假设H1 的结果保持稳健。

表9 剔除疫苗概念股后的回归结果

（2） 剔除医疗器械类公司

前面样本中处理组既包括制药企业，也包括医疗器械制造企业。考虑到医疗器械在研发资金规模、周期、流程等方面可能与药品存在一定的差异，故本文将医疗器械类企业从处理组中删除。表10 是相应的回归结果。从该表可以看出，自变量DID的系数在3 列回归结果中都仍然显著为正，尤其是在加入所有控制变量的第3 列的显著性提高到1%水平。故假设H1 的回归结果仍然保持稳健。

表10 剔除医疗器械类公司后的回归结果

（3） 重新度量研发效率

DEA 模型在效率评估方面仍存在一定的局限性，该方法只是对DMU 的相对效率评估，而非绝对效率评估，因此DEA 方法并不能完全取代传统的比率分析法对绝对效率的分析。本文对研发效率进行重新度量，参考姜军等（2020）［29］的方法，考虑到发明专利数量的滞后性，用公司i第t＋1年的申请且最终被授予的发明专利数量PAT衡量企业创新，E为研发费用，则研发效率为：

表11 是用式（2） 度量研发效率所得到的回归结果。从该表可以看出，自变量在3 列中都仍然显著，故假设H1 的结果仍然保持稳健。

表11 重新度量研发效率的回归结果

（4） 安慰剂检验

最后再对匹配后的样本进行两种安慰剂检验。第一种方法是将集采政策发生的时间前置，表12是对应的检验结果。从该表可以看出，将集采政策发生的时间前置1 ～3 年后，自变量的系数的P值都显著大于0.1，统计上非常不显著。这说明药企研发效率的改变是来自集采政策的影响，而非其他因素的影响，故表6 的回归结果保持稳健。

表12 将政策发生的时间前置的回归结果

第二种方法是随机生成处理组，具体做法是根据处理组样本占总样本比例，随机生成受集采政策影响的虚拟处理组再进行回归，此过程重复1000 次。结果表明，主要估计系数在－0.06 ～0.07之间，且对应P 值较大，大部分均超过0.1，说明对于虚拟实验组进行回归，集采政策对A 股药企的研发效率影响不显著。而实际政策冲击的估计系数为0.115，在核密度图中对应P 值小于0.1。故表6 的回归结果仍保持稳健。

5 结论及政策启示

从2019 年开始的医药集采政策是我国医药流通体制的一次重要改革，这次改革使医药销售环节的竞争变得更加充分和透明。本文采用PSMDID 法考察了这一政策对医药企业的研发效率的影响。实证结果表明，医药集采政策通过市场竞争提高了医药企业的研发效率，这一结果即使在剔除医疗器械类和受益于新冠疫苗的公司、重新度量研发效率、固定效应回归、处理组的安慰剂检验后仍保持稳健。此外，由于研发的规模效应，集采政策对研发效率的促进作用对于融资约束弱、客户集中度高、规模小的制药企业更为明显，而由于研发的竞争效应，这一作用对于创新药企业更为明显。

医药企业研发能力的提高关系到我国医药制造产业的转型升级，从本文的上述结论可以得到如下政策启示：（1） 进一步推进药品和耗材集中带量采购，持续扩大药品集采的覆盖面，同时加强带量采购中各环节的监管，规范集采药品中选标准，保障集采用药的质量与安全；（2） 对创新药和高端仿制药慎用集采政策，使相关企业能获得足够多的创新利润，推动更多的制药企业向创新药企业转型；（3） 对于有创新能力的中小型制药企业，应在股票上市、股权融资、银行贷款等方面给予更多的便利，以缓解集采政策对这些企业的利润和现金流的冲击，确保它们有充足的研发经费。

注释：

①数据来源：Wind 数据库。