经济学·管理学研究||政府研发补助方式如何影响企业创新——基于中国上市公司2007—2020年面板数据的实证研究
政府研发补助方式如何影响企业创新
——基于中国上市公司2007—2020年面板数据的实证研究
巫景飞1，希吉日1，倪中新1，2
（1.上海大学 经济学院，上海200444；
2.上海大学 金融信息研究中心，上海200444）
摘要：近年来，中国政府对企业提供了大量研发支持，如何提高补助效率从而促进企业创新成为社会热点。文章首次将研发补助划分为前后两类方式，基于2007—2020年中国上市公司数据，运用PSM和GPSM方法，对两类补助方式的激励效果进行比较，并分析了后补助强度对创新产出的影响。实证研究发现，相比于获得单一补助方式的企业，同时获得两类补助的企业创新产出更高；后补助强度越强，企业创新产出越高；对于国企、创新环境较好地区的企业而言，只有后补助能发挥促进作用，但对创新环境较差地区的企业或对于民企，两类补助均能对创新产出发挥促进作用。文章最后指出：研发补助可以激励企业创新，但不同补助方式在不同区域，对不同企业会有不同的激励效果，政府应该区别对待，精准施策。
关键词：研发补助；后补助；企业创新；创新氛围；倾向得分匹配
一、引言
在全球技术变革及我国经济进入新常态的背景下，2016年5月，中共中央国务院印发《国家创新驱动发展战略纲要》，并提出“三步走”目标。2020年“十四五”规划纲要再次强调，坚持创新在我国现代化建设全局中的核心地位，完善技术创新市场导向机制，强化企业创新主体地位，促进创新要素向企业聚集。
为了响应国家发展战略，中央和地方政府相继出台《关于深化科技体制改革加快国家创新体系建设的意见》《关于完善研究开发费用税前加计扣除政策的通知》等以税收优惠、财政补助为核心的一揽子技术创新激励政策，以提高企业创新能力，促进我国财政科技经费投入的大幅度上升，有力保障了国家各项科技发展任务的顺利实施。据统计，我国全社会研发经费已从2015年1.42万亿元增长到 2020 年 2.4 万亿元，① 2020 年全球专利申请量达到 27.59万件，其中中国以68 720件超越美国，排名全球第一。 ② 研发补助类别多、范围广，既包括开发区创新专项资金等科技项目资金补助，又包括瞪羚企业认定资金等认定型创新补助以及国家重点基础研发（973计划）等计划型补助。不同专项资助、认定标准以及计划项目都有其针对的受惠对象和规定的资助要求，因此具有不同的政策效果。
①数据来源：2021年2月科学技术部于国务院新闻办公室举办的新闻发布会上表明，我国科技实力和创新能力大幅提升。
②数据来源：2021年3月世界知识产权组织（WIPO）公布全球国际专利申请排名情况。
通过补助政策驱动企业研发行为究竟能否达到政府推动创新产出目的？企业获得研发补助后是否将资源投入研发项目？抑或是仅仅做出迎合政策姿态获取政府补助？为了有效避免科研经费挤占、资源挪用等现象，提高政府补助使用效率，国务院相继发布《关于改进加强中央财政科研项目和资金管理的若干意见》等文件并提出实行后补助方式对研发组织进行科研经费补助，鼓励与引导企业按照国家战略和市场需求先行开展研发项目，促进企业需求与国家目标紧密结合，充分发挥企业在研发投入、成果转化等环节中的主体作用。后补助将“重过程”转变为“重结果”，形成结果导向科研管理模式，使研发单位自行承担项目风险，将经费资助与科研产出挂钩，提高科技资源配置效果及科技经费使用效益，是一种对现有研发补助方式的有效补充。
因此，针对后补助有效性及适用性等问题，本文首次基于2007—2020年中国上市公司数据将研发补助划分为前后两类方式，运用 PSM、GPSM 两种方法实证分析两类补助方式的有效性、适用性及差异性。
二、文献综述
创新驱动发展战略在提高技术创新水平的同时也造成了“数量长足、质量跛脚”的创新困境。［1］ 由于创新不可避免地产生知识外溢效应，技术优势及其信息收益无法完全被私人独立占有，私人边际收益低于社会边际收益，导致研发行为演变为一场等待博弈，企业不求自主创新，唯求搭便车。［2］ 资源高投入、过程不可分、成果无保障、信息不对称、过程高风险等特征进一步削弱企业自主创新原动力，导致市场失灵，因此需要政府对企业研发投资进行政策支持，促进其研发产出。［3］ 然而，对于现阶段补助政策实施效果依旧存在较大争议，研究结果由于宏观制度背景、数据处理方法、受惠对象选择等因素差异呈现出较大不同。综合而言，相关文献主要围绕以下四点展开：
首先，关于研发补助有效性， “馅饼”派针对美国、中国等国家进行的研究表明，研发补助政策整体有效，对企业创新具有“正面效应”。［4］［5］149 其中，郭玥指出：在满足一定技术审查及监管能力的前提条件下，研发补助能够为企业提供研发投入的直接补充和外部投资的间接带动。［6］109 考虑不同外部环境，Bongsuk Sung利用韩国相关数据发现，政府补助对企业创新产出的激励作用在市场化程度较高地区更为显著，［7］ 而逯东等使用中国大陆地区数据研究后发现，反而在市场化程度较低且知识产权保护程度较高的地区，政府补助才能够对企业产出具有显著的促进作用。［8］ 由此可见，政府补助的激励效果具有地区差异性。而“陷阱”派则支持研发补助的无效论甚至有害论。［9］83［10］ Boeing P.站在政府角度表明，政府更加倾向于选择成功几率足够高的项目或研发能力足够强的企业进行资助，［11］ 因此，“择优”补贴虽然在表面上呈现出整体有效，但实质上却仅对具备独立研发能力的企业项目进行了“锦上添花”的资助，对私人研发投入反而产生了挤出效应。
由于研发补助有效性相关研究并没有对补助实施范围、资助方式等因素做出明确分类，因此，针对不同研发补助方式，马永红和那琪通过建立三阶段博弈模型对欠发达地区产学研合作方式的创新补助策略展开分析，发现创新产品补助相较于研发投入补助更能显著促进企业创新产出。［12］［13］ 巫强利用GMM方法提出定额研发补助在促进战略性新兴产业技术创新方面不如比率研发补助方式有效。［14］ 另外，考虑不同途径的研发补助，周海涛和张振刚认为，资金资助方式虽然能够直接增加企业研发投入，但也容易造成企业不必要的权力寻租等不公平行为，而税收优惠政策相比而言更加普惠且公平。［15］ 相反，Mamuneas、熊维勤等的研究则提出，相比于税收优惠政策，直接资金补助的指引效果更为显著。［16］［17］
不同研发补助呈现出不同政策效果可能源于企业异质性。在区域异质性方面，颜建军发现，研发补助能够显著促进较早实现对外开放、引进先进技术的中国东部地区企业的技术跨越。［18］ 赵康生发现地区金融发展水平越高，政府补助对企业研发投入的激励效果越明显。［19］ 企业规模方面，Bernini采用意大利南部地区企业的数据进行研究后表明，由于大规模企业的资本密集度更高，获得政府补助的可能性更大，因此政府补助的效果也更好。［20］ 融资约束方面，王刚刚指出，对研发活动资金主要来源于内部融资的企业而言，政府补助很难通过吸引外部融资而激励企业研发投入。［21］71
最后，关于政府研发后补助的相关研究。由于后补助是企业在国家目标指引下先行投入研发资金并自主组织研发工作，仅当完成研发任务，政府才会“面向结果”进行补助，因此与传统的研发前补助相比，后补助贡献体现于发挥企业在成果转化中的主体作用，赋予企业研发自主权，政府对成果验收后给予的后补助资金流向不设限制。成果导向的后补助能够避免企业在申请资助过程中存在的骗补行为，在理论上更能监督企业的创新活动。［22］ 目前，国外关于后补助政策的研究较为成熟。Alessandro基于意大利中小企业的案例研究发现，创新券后补助政策虽然对企业创新绩效的影响有限，但却能通过促进中小企业与合作伙伴的后续联手而间接增加企业对研发活动的私人投资。［23］ Zhao Chen等指出，企业重新标记研发投入、错误报道研发投资等行为导致了政府资助向创新项目较少企业的错误分配，对研发后补助有效性研究结果产生了误导性判断，肯定了政府后补助干预的合理性。［24］ 由于后补助政策在国内推行时间较短，因此现有文献以研发后补助政策的效果评述等定性研究为主。其中刘楠指出，后补助能够将项目溢出效应内生化而促进企业创新，肯定了实施后补助的必要性。［25］ 黄先海和谢璐构建博弈模型以及数据模拟法发现，相较于前补助，后补助更能够提高福利效果。［26］ 在实证研究方面，赵瑞瑞以中小板与创新板民营企业为样本，分析了创新券后补助对企业成长的激励效果及影响路径，指出创新券通过激励产学研知识共享，提高企业创新绩效与创新效率、推动企业成长。［27］ 綦勇等以制造业上市公司为样本，在考虑政府偏好的基础上，通过动态博弈模型考察政府事前事后两种补助对企业创新产出的影响，并表明前补助更有利于提高国有企业创新，而后补助则通过改变政府偏好而激励非国有企业的创新。［28］
综上，当前有关政府研发补助的研究中，对后补助一类新型补助方式的研究较为缺乏，尤其实证研究只限于聚焦某种后补助类型或针对具有某类特征的企业，而对中国上市公司整体的研究因数据缺乏而基本处于空白状态。政府研发后补助与传统的前补助具有本质的不同，它能够深刻影响企业研发决策，因而有必要对政府研发前、后两类补助方式的政策有效性进行深入的理论与实证分析。本文通过手工筛选上市公司研发前、后补助数据，对两类补助方式的政策效果进行对比分析，丰富了政府研发补助方式对企业创新的影响研究。
三、理论分析与研究假说
基于政府发放研发补助和企业产生研发成果的时间顺序，研发补助被分为前补助和后补助。政府补助发放于企业研发成果前则称为前补助，反之为后补助。前补助基于企业当下就业人数、缴纳税收表现等特征给予即期补助，以资金支持为主。前补助通过降低企业财务风险，提升其市场声誉，［5］150从而促进企业创新，但由于信息不对称、企业信息披露机制和政府技术评价体系依旧存在缺陷，政府难以全面掌握企业研发能力和技术水平信息，因此甄别出真正能够提高企业创新产出项目的能力有限。另外，前补助多以政策目标为导向，而市场瞬息万变，政策的实施与传达具有时滞性，导致企业与市场需求差距较大，前补助在弥补市场失灵、优化社会资产配置的同时也可能扭曲市场激励机制、降低市场效率，使得企业出现“寻租” “骗补”等行为。［29］ 而由于后补助要求企业先行投入研发资金，自主组织研发工作，仅当完成研发任务时政府才“面向结果”进行补助，因此在一定程度上掐灭了企业产生寻租行为的念头。即使在过程监督不透明的情况下，以企业为主体、市场为导向的后补助也能够通过创新产出为依据，结合市场与政策需求对企业进行技术评价，弥补了政府研发前补助的不足。但研发补助方式并不存在“最佳幻想”，在实践中混合使用两类研发补助方式获取综合效益才能够最大化地促进企业实现创新产出。企业需要积极探索政策工具，确保补助手段的多元化，分散政策工具带来的风险。基于此，本文提出：
假说1：相比于获得单一补助方式的企业，同时获得前、后两类补助的企业创新产出更高。
假说2：企业获得的后补助强度越大，创新产出越高。
由于经济发展因素的制约，不同省份的市场化进程以及创新氛围均有所差异。企业创新绩效不仅归功于内部活动，也受到外部因素的影响。［30］ 创新环境较好地区具备完善且完备的融资渠道、成熟的法制环境，［31］［32］［33］ 因此，政府补助对创新环境较好地区的中小企业研发投入的挤入效应更强，企业研发行为被模仿和侵权风险得到了有效缓解，但与此同时创新活动风险大、回报周期长，企业管理层出于风险规避和自身利益，更可能倾向于放弃风险较高的研发项目，削弱企业创新意愿。［34］ 因此，前补助可能导致企业创新不作为，带来不公平竞争行为；而后补助由于以结果为导向，有效避免寻租行为，从而对企业创新产出产生一定的促进作用。相反，对处于创新环境较差地区的企业而言，由于企业融资环境较差，研发资源受限，仅靠企业内部资源可能无法支撑研发活动的开展，往往需要借助外部资源的援助，此时，政府研发前补助和后补助均能使企业创新产出有明显的增加。基于此，本文提出：
假说3：对处于创新环境较差地区的企业而言，两类补助方式均能对创新产出发挥促进作用，但对创新环境较好地区的企业，只有后补助才能发挥促进作用。
所有制不同的企业因其获取政府研发支持的能力和动力不同，政府研发补助方式对企业创新产出的影响有所差异。对于国有企业，由于资源实力优势相对占优，更容易达到获取研发前补助的标准。此外，在信息不对称的情况下，避免犯错的动机使得政府部门更倾向将政府研发前补助优先拨给国有企业，而国有企业轻松获得政府资源后无需付出研发投入和努力，导致严重的资源冗余问题，［35］ 弱化了研发前补助的创新促进作用。相反，大多数民营企业由于实力弱，获取研发资源途径较窄，面对政府各类研发补助和支持，虽然获取难度大，但更有动力去争取，以此摊薄其本身计划进行的研发投入。此外，出于免责避险的动机，政府有关部门对给予民营企业补贴的事后监督考核也更加严格，也间接使得研发补助更有成效。因此，无论前、后研发补助均能对民营企业的创新产出发挥促进作用。基于此，本文提出：
假说4：对民企而言，两类补助方式均能对创新产出发挥促进作用，但对国企，只有后补助能发挥促进作用。
四、研究方法
（一）实证模型
政府在研发补助审查过程中遵循择优原则（Pick the Winner）筛选受惠企业，［9］93 因此本文选择倾向得分匹配方法（Propensity Score Matching，PSM）解决企业层面可能存在的样本内生性问题。通过建立反事实，使用近似替代的方法，寻找除补助方式外其他关键的统计特征近似或相同的对照组企业，考察获得某类补助的企业在没有获得该补助的反事实情况下创新产出是否有差异。其次，进一步通过广义倾向得分匹配方法（Generational Propensity Score Matching，GPSM）考察企业获得的后补助强度对其创新产出的影响。
1.倾向得分匹配模型
借鉴戴觅和余淼杰的做法，第一步，以企业特征变量即协变量作为自变量、企业所在分组作为因变量进行Logistic回归，要求协变量应同时影响PSM模型中的处理变量和结果变量。第二步，依据估计结果进行拟合，综合得到倾向得分值，并将处理组通过倾向得分值“距离”相近的方法与对照组进行匹配，使两组企业除了补助方式外，在其他协变量之间并无显著差异，［36］ 即：
其中，Yi 代表可被观察到的结果变量；A为处理变量，A=1表示处理组；YiN 表示同时获得两类补助的企业在获得单一补助时的结果变量，由于是不可被观察到的反事实变量，因 此 使 用 条 件 独 立 假 设（ConditionalIndependence Assumption，CIA）从受惠企业处理组中估计反事实结果，构造与反事实处理组YiN 匹配的新对照组，即：
倾向得分匹配法最重要的步骤之一是选择全面的协变量集X，但变量集X的选择在现实中无法“全”面，即使足够全面也会由于过于多维而无法按照每个变量进行处理组和对 照 组 之 间 的 匹 配 ，因 此 Rosenbaum 和Rubin 提出倾向得分值（Propensity-Score），将多维协变量集降至一维方便匹配，［37］ 即：
其中，YiY（X={xi}）表示处理组企业同时获得两类补助的概率，~PiY（X={xi}）表示对照组中倾向得分值与处理组最相近的企业同时获得两类补助的概率，因此可以通过倾向得分值对两组企业进行合理的匹配，以最大程度避免研究过程中样本选择偏差问题的出现。第三步，为了确保匹配效果，对匹配后的数据进行共同支撑假设和平衡性假设检验；第四步，计算平均处置效应（ATT），检验相应补助效果：
2.广义倾向得分匹配模型
与PSM相似，PSM通过可观测的条件匹配样本，推断处理变量和结果变量的因果关系，但相比于只能检验二元处理变量的处理效应，不能识别连续变量补助强度引起的企业创新产出差异的传统 PSM，GPSM 能够对处理变量是多元变量或连续变量的处理效应进行反事实分析，在样本满足条件独立性假设的条件下，克服选择性偏误，检验不同取值的后补助强度对企业创新产出的差异化影响，即个体的剂量反应函数。GPSM既能够判断后补助强度与企业创新产出之间是否存在因果关系，也能够判断两者之间是否呈现线性关系并计算出因果关系的大小。原理如下：对一组随机样本，以下标 i 表示不同个体，Yi（t） 表示个体i对不同取值的处理变量t的潜在产出水平，也被称为剂量反应函数（Unit-level Dose-response Function），μ （t） =E ［ Yi（t）］ 表 示 平 均 剂 量 反 应 函 数（Average Dose-response Function），不同取值的处理变量所对应的函数值差异为处理强度 变 化 所 带 来 的 因 果 效 应 。Hirano 和Imbens将估计具体分为以下三个步骤：第一步，估计处理变量的条件概率密度。［38］ 由于GPSM需要将处理变量控制在［0，1］区间且满足正态分布假定，而后补助强度分布高度有偏，存在大量零值，因此借用 Barbara 和Marco 提出的 Fractional Logistic 回归模型修正密度函数。［39］ 第二步，根据连续型处理变量Ti和广义倾向得分GPS，构建结果变量Y的条件期望模型，其中GPS被表示为处理变量的条件概率密度函数r （t，x）=f T|X （t|x），是控制协变量X后当处理变量T取值为t的概率。最后一步，根据式（5）和（6）得到平均剂量反应函数μ（t）和处理效应（Treatment Effect，TE）：
（二）数据来源
本文研究对象选择 2007—2020年沪深A股所有开展研发活动的上市公司，并进行了以下数据处理：剔除ST、*ST及PT企业样本、金融相关行业企业样本以及主要变量数据缺失的企业样本。通过国家相关政策文件、国家科学技术部网站和上市公司网站中手动搜集整理的方式，建构企业获得研发前补助和后补助数据。为尽量减少数据错漏与变量缺失值影响，上市公司财务指标及专利产出等数据综合 CSMAR 数据库、CNRDS数据库、Wind咨询等多个原始数据库获取，城市创新氛围数据来源于复旦大学产业发展研究中心2017年发布的《中国城市和产业创新力报告》，省市市场化程度数据来源于樊纲和王小鲁等编制的《中国市场化指数（2016）》，由于两篇报告中数据均提供至2016年，本文选取其中2007—2016年数据，采用各地区指标的年平均增长幅度作为2016—2020年增长幅度，补齐各地区数据。最后，为了减轻异常值的影响，针对连续型变量按照上下 1% 水平进行了 Winsorize 缩尾处理，最终得到 18444 个企业年度观测样本。
（三）样本说明上市公司获得政府研发补助的信息披露于公司财务报表“营业外收入”科目下“政府补助明细”中。因缺乏统一的披露形式，本文通过“关键词法”对上市公司政府补助具体项目名称进行搜索，［6］107［21］65从而确定属于研发补助并通过加总得到研发补助总额。搜索标准如下：第一，技术创新关键词，如政府补助项目名称或补助备注中出现“研发” “创新” “R&D”等；第二，创新政策关键词，如“星火计划” “火炬计划” “973”等；第三，研发成果关键词，如“知识产权” “专利” “成果转化”等；第四，创新人才及技术合作关键词，如“引才引智” “产学研” “对外合作”等；第五，专有名词，如生物新药技术研发相关的“肽” “抗肿瘤” “银杏达莫注射液”等，电子信息技术研发相关的“集成技术” “云计算” “磁控线圈”等，以及其他如“钒钛” “高温高频”“电子芯片”等。而难以通过关键词检索的研发补助则通过查询补助资金来源、发放依据等信息进行判断。
由于本文重点讨论研发前补助和后补助对企业创新产出的影响，因此需要进一步将研发补助分为研发前补助和研发后补助，后补助搜索标准如下：第一，明确指明为研发后补助的关键词，如补助项目名称或补助备注中出现“后补助” “事后补助” “奖励性后补助”等；第二，中央政策文件中明确规定以成果为标准的补助政策关键词，如“专精特新” “瞪羚企业” “创新券项目”等；第三，企业创新成果的关键词，如“成果化及产业化”“市场化” “技术奖”等。
（四）变量说明
1.处理变量
企业获得研发补助方式的虚拟变量及后补助强度。首先，将企业分为只获得后补助、只获得前补助、同时获得两类补助三组，利用 PSM 方法比较分析不同情况下企业创新产出的差异。其次，GPSM部分重点分析后补助强度对创新产出的影响，后补助强度以研发后补助占研发补助的比重衡量。
2.结果变量
企业创新产出，采用企业有效专利申请数刻画企业总创新产出，以发明专利申请数和非发明专利申请数刻画实质性创新和策略性创新。本文专利申请数为集团上市公司合计申请数，包括上市公司本身、子公司、联营公司以及合营公司申请数总和。
3.协变量
无论是 PSM 还是 GPSM，协变量的选取至关重要，不仅要满足条件独立假设和共同支撑假设，还需满足平衡性假定。本文使用Stata 中 psestimate 命令对协变量进行了筛选，尽可能控制了所有影响匹配效果的变量。具体分为：第一类，企业属性层面：（1）企业规模，以总资产的自然对数衡量；（2）企业成熟度，即企业自成立以来的年数；（3）所有权性质，国有企业取值1，民营企业取值0；（4）行业集中度，以营业收入为基准的 HHI衡量，本文按照2012年证监会公布的《上市公司行业分类指引》对企业所属行业进行分类。第二类，企业财务层面：（1）固定资产占比，即固定资产占总资产的比重；（2）财务杠杆，即资产负债率；（3）股权集中度，以第一大股东持股比例衡量；（4）审计水平，审计事务所为四大取值 1，否则取值 0；（5）成长能力，以营业收入增长率衡量；（6）薪酬激励，以董事、监事和高管年薪总额取自然对数衡量。第三类，区域环境：（1）创新氛围；（2）市场化程度。由于处于不同行业的企业在研发投入方面存在较大差异，［40］ 因此本文也控制了行业和时间固定效应。
五、实证分析结果（一）描述性统计
由表1可知，每年一家上市公司平均获得政府研发前补助 609.27 万元和后补助299.32 万元，后补助强度均值为 31.89%，占比较小，但如图1所示，上市公司获得的后补助总额以及后补助强度在2007至2020年明显上升，说明近年来政府研发补助方式逐步向后补助转变。
对于结果变量，表2给出整个样本以及每个处理组和对照组企业结果变量的均值、标准差以及均值差异。可以看出，全样本的平均总创新产出、实质性创新、策略性创新分别为 53.735、22.789以及 30.402件。由分样本分析结果可知，企业获得单一补助时处理组样本中总创新产出、实质性创新、策略性创新均小于对照组，而企业同时获得两类补助时，处理组的三种创新产出反而均大于对照组，且均值差异具有统计显著性。可以初步推断，与企业获得单一补助相比，多元化补助能够促进企业创新产出，同时也间接解释了政府研发补助向后补助转移的原因。
表3对协变量进行描述性统计，所有权性质的均值为0.333，表明全样本记录中约有33%的国有企业样本；企业规模的均值大致等于中位数，表明所选样本企业规模近似服从对称分布；企业所在城市创新氛围波动较大且最值差异较大，表明目前不平衡的中国城市创新氛围。
（二）倾向得分匹配
1.样本匹配：甄选机制
考虑到专利数量0值较多且最值差距较大，参考通常文献的做法，对专利数量加1后取对数处理。本文采用最邻近匹配法对处理组和对照组样本进行匹配，表3最后三列为倾向得分匹配模型的Logistic回归结果，反映政府在审批受惠企业过程中考虑的微观企业和宏观地区层面的因素影响，即哪些变量会对政府筛选企业产生显著性影响。从第（1）和（2）列基准结果可以看出，企业成熟度对企业获得政府研发补助具有正向显著影响，即企业存续年限越长，获得研发补助的可能性越高，可能的原因在于成熟度较高的企业相对而言更具申请政府补助、进行研发活动等相关经验，提高企业获得研发补助的概率，但从第（3）列可得知并非企业成熟度越高，企业获得的研发补助更多元化。另外，从第（1）列可以看到，所有权性质在 1%的显著性水平上正显著，而在第（2）列负相关，表明国有企业获得前补助、民营企业获得后补助的可能性更大。Logistic回归结果进一步说明研发补助受惠企业的选择并非随机，在后续的匹配过程中需要控制相关变量，以便使研究结果更加合理，不存在样本选择问题。
2.平衡性与共同支撑检验
研究要求匹配后的样本不存在系统性差异，因此接下来对匹配后样本进行平衡性检验，考察匹配后的样本是否满足条件独立分布假设。本文三种分类方式的匹配结果都表明，匹配后的协变量不存在显著的组间均值差异，以企业同时获得两类补助方式为代表，平衡性检验结果如表4所示，其中t检验表明匹配后样本的协变量均不存在显著的组间均值差异且各变量的标准化差异绝对值较匹配前都有了较大幅度的下降。此外，匹配后模型的R2很小，说明协变量对处理变量是否影响结果变量的解释力很弱，即企业创新产出的提升与否对匹配后样本而言是条件随机的。
此外，匹配后数据还需要满足共同支撑条件，确保匹配后的样本具有可比性和良好的匹配质量，增加估计的有效性。图2为处理组和对照组的 P-Score密度函数拟合图，可以看出在匹配前两组样本倾向得分的概率分布存在差异且共同支撑域有限，而匹配后的区域基本重合，两者的 P-Score拟合程度明显优于匹配前。条件独立分布和共同支撑条件判断标准都表明本文的匹配结果比较理想，可以确保估计的平均处理效应是准确可靠的。
3.基准结果：激励效应
在确保匹配样本较好地满足了条件独立分布和共同支撑条件后，本文估计出分组对企业创新的平均处置效应，比较分析补助方式对创新产出的影响。表5的ATT结果显示，企业只获得前补助对三种创新产出的平均处置效应为负，在1%的置信水平上显著，可见样本期内仅获得前补助会导致企业创新产出水平平均下降大约 0.3个百分点，而由于企业向政府申请后补助在研发活动之后，往往具有滞后期，因此企业只获得后补助对创新产出也具有负效应，但其负效应的显著性水平及影响系数较低。最后可以从Panel C看出，企业同时获得研发前、后两类补助对企业创新产出具有正向的平均处置效应，且均在1%的置信水平上显著，说明企业同时获得两类补助能够显著促进企业创新产出，验证了假说1，即相比于获得单一补助方式的企业，同时获得前、后两类补助的企业创新产出更高。通过核匹配法、半径匹配法以及2对1最近邻匹配法得到的平均处置效应具有较好的一致性。
（三）广义倾向得分匹配
本节采用广义倾向得分匹配模型考察后补助强度对企业创新产出的影响。由表6中 Fractional Logistic 回归模型估计结果可知，本文协变量较为合理。使用GPSM剔除选择性偏误的前提在于通过平衡性检验，由第3列可以看出，匹配前处理组与对照组企业在协变量的样本均值相差较大且其统计差异显著，说明处理效应将受到企业协变量的影响而导致选择性偏误，因此需要对样本进行匹配。由于后补助强度在［0，1］区间内主要集中于0端，因此尝试对后补助强度较小区间进行细分，较大部分进行粗分，选取0.25、0.35和0.45作为临界值，将样本分为4组。可以看出匹配后子区间内协变量的显著性降低且标准化偏差明显缩小，说明匹配后处理组和对照组样本不存在较大的系统性差异，匹配结果满足平衡性假定。
第二步，利用第一步的匹配结果估计创新产出的条件期望，以创新产出为被解释变量、后补助强度为解释变量、广义倾向值为控制变量，进行OLS回归。采用二阶逼近式拟合企业创新产出时几乎所有变量均通过显著性检验，说明进行第三步估计时不需要对变量进行剔除处理。为了更好地拟合企业创新，本文还进行了一阶和三阶逼近估计，关键变量均通过显著性检验。
剂量反应函数图表明，一阶逼近估计的剂量反应函数图呈现出线性关系，二阶和三阶逼近估计的剂量反应函数图均呈现出倒U型。本文重点关注二阶逼近估计，图3描绘了以实质性创新为被解释变量的GPSM的处理结果，左图报告平均剂量反应函数图，右图报告不同后补助强度对企业创新产出的影响即处理效应，其中实线表示函数关系，虚线表示估计函数的 95% 的置信上下界。因此，图3表明随着企业所获后补助强度逐渐增加，其创新产出先提升后下降，处理效应函数图也呈现出处理效应由正向负转变，即后补助强度过高时抑制效应产生作用，影响企业研发，不利于企业创新产出。分析其传导机制，可能的解释有两点：（1）后补助通过改变企业研发资金投入，从而影响企业创新；（2）后补助通过吸引研发人员投入，从而为企业研发活动注入新动力。倒 U型剂量反应函数图表明，在适当的后补助强度下，资金和人员两种资源对创新产出的“挤入”效应超过“挤出”效应，最终呈现出后补助助力企业创新绩效的结果。相反，当后补助强度超过峰值时，降低企业创新自主性和积极性。然而，由于样本数据表明，现阶段上市公司后补助强度远低于剂量反应函数的峰值，因此，后补助政策在当前的研究中，对企业的创新产出具有显著的促进作用，验证了假说2，即企业获得的后补助强度越大，创新产出越高。
（四）稳健性检验
1.修剪策略
考虑到 PSM 中共同支撑条件可能受到倾向得分分布的尾部影响，因此，利用修剪策略（Trimming Strategy）考察基准结果对处理组倾向得分尾部极端样本的稳健性。［41］ 若修剪后结果仍与基准结果一致，表明基准结果不依赖于尾部样本，研究结果较为可靠。本文分别尝试了2%、5%和10%三种修剪水平，剔除处理组倾向得分分布尾部 2%、5%和10%的样本，结果如表7所示，基于不同的修剪水平，修剪后样本的估计结果与基准结果依旧具有一致性，表明本文基准结果可靠性较高，假说1仍然成立。
2.Rosenbaum边界敏感性测试
由于倾向匹配基于可观测变量进行匹配，未考虑不可观测因素对企业获得后补助的影响，因此，处理组和对照组之间的处理效应可能存在隐藏性偏差。Rosenbaum边界敏感性测试能够检验不可观测变量导致的隐藏性偏差是否会显著影响平均处理效应，该方法指出：代表不可观测变量影响的系数Г越小即越接近于1则敏感性越高，研究结果趋于不显著；相反，系数Г的值越大，其敏感性也会越低。这说明即使不可观测变量对处理效应产生影响也不足以改变原有推论，隐藏性偏差不会改变研究结果，平均处理效应依旧有效。
下表为 Rosenbaum 边界敏感性测试结果，sig+和 sig-是 Wilcoxon 符号秩检验显著性水平的上下界。可以看出，Г=2.0的情况下针对总创新产出，Г=1.7的情况下针对实质性创新，Г=1.8的情况下针对策略性创新，Wilcoxon符号秩检验的上下界都小于标准显著性水平0.05，隐藏性偏差的影响较小，说明本文研究结果可靠且通过了敏感性测试，估计结果整体稳健。
3.考虑滞后效应
政府补贴到专利产出之间一般会有时间差，因此，后补助政策对企业研发产出的影响存在明显的时滞性，且政府对后补助资金使用范围不做明文要求，所以，本节进一步分析后补助是否促进企业后续创新产出。表 9-Panel A 的 PSM 结果表明，后补助政策有效促进企业后续创新产出，Panel B 的GPSM结果也与基准回归匹配结果相似，后补助强度对企业滞后1-2期的创新产出均有倒U型促进作用。
本节通过进一步对企业进行分类回归，考察企业空间异质性和企业所有权异质性对研发补助激励创新产出的影响。
（一）企业空间异质性
本文从市场化程度和创新氛围指数两个角度衡量创新环境。首先从市场化程度角度分析，由表 10-Panel A 可见，对处于市场化程度较高地区的企业而言，后补助都能够在1%的置信水平上显著提升企业创新产出，而前补助对企业创新产出的促进作用并不显著，即只有后补助能够促进市场化程度较高地区企业的各类创新产出。对市场化程度适中或市场化程度较低地区的企业而言，虽然前补助对策略性创新具有抑制作用，却并不显著，但从实质性创新的角度出发，前补助能够显著促进这类企业的发明专利产出。总体而言，虽然政府研发补助对市场化程度不高地区企业的创新产出促进效应主要体现在后补助的激励作用上，但无论是前补助还是后补助都能够促进这类企业的实质性创新。其次，从创新氛围角度分析，与市场化程度指标相似，Panel B说明在任何创新氛围地区，两类补助方式对企业三种创新产出均具有正向促进效果，但前补助的促进作用只在创新氛围适中或较低地区显著，而后补助则在任何创新氛围地区均显著促进企业创新产出。验证了假说3，即对处于创新环境较差地区的企业而言，两类补助方式均能对创新产出发挥促进作用，但对创新环境较好地区的企业，只有后补助能发挥促进作用。
（二）企业所有权异质性
由于政府仍然控制着许多企业创新的关键资源，国有企业更有优势获得创新资源，导致外部环境有利的国有企业自主研发较多。表11结果表明，后补助对国有企业的三种创新产出在1%的水平上均显著为正。对民营企业而言，虽然政府研发补助对民营企业创新产出的促进效应主要体现在后补助，但除了后补助，前补助也对民营企业实质性创新具有显著的促进作用，这是由于民营企业科技实力较弱、抗风险能力较差导致缺乏发明创造所需的研发资源，从而热衷于技术模仿或购买外来技术，而非自主创新，因此，需要政府对民营企业进行前期的研发经费支持。验证了假说4，对民企而言，两类补助方式均能对创新产出发挥促进作用，但对国企，只有后补助能发挥促进作用。
七、结论与政策建议
创新是引领发展的第一动力，是建设现代化经济体系的战略支撑。本文运用 PSM和GPSM两种方法，对两类补助方式的激励效果进行了对比分析，并讨论了后补助强度对创新产出的影响，且在此基础上进一步分析企业所处空间和所有权性质对两类补助的创新产出激励作用的差异性。研究表明：（1）相比于只获得单一补助方式的企业而言，同时获得前、后两类补助方式的企业其各种创新产出均更高；（2）企业获得的后补助强度越高，其各种创新产出也越高；（3）异质性分析表明：1）对处于市场化程度较高地区的企业而言，前、后两类补助方式均能对企业创新发挥促进作用，但对处于市场化程度适中或较低地区的企业，只有后补助能发挥促进作用；2）对处于创新氛围较高地区的企业，两类补助方式均能对创新产出发挥促进作用，但对处于创新氛围适中或较低地区的企业，只有后补助能发挥促进作用；3）对民企而言，两类补助方式均能对创新产出发挥促进作用，但对国企，只有后补助能发挥促进作用。本文不仅以补助时点作为研究对象明晰了前后两类研发补助对创新产出的影响，在一定程度上弥补了现有研究的空缺，同时为优化政府研发补助的政策、助推企业实现创新产出提供了有益启示。
由于获得多样化补助方式的企业，其创新产出更高，因此，建议政府破除最佳研发补助模式的“幻想”，在实践中混合使用两类研发补助方式，获取综合效益，最大化地促进企业实现创新产出，并积极探索政策工具，确保补助手段的多元化，分散政策工具带来的风险。
由于政府研发补助总体上能够促进企业创新产出，且后补助强度越大，企业创新产出越高，因此，建议政府建立更加公平、更具竞争性的补助体系，在政府财力范围之内适度提高对企业的研发补助力度，以提升企业创新能力为导向，将更多有限资源配置到研发补助之上，发挥杠杆效应，激发企业创新活力，强化企业创新主体地位，提升企业自主创新动力。
由于不同补助方式在不同区域、对不同企业会有不同的激励效果，因此，建议政府应该精准施策，根据企业特点制定个性化的研发补助方式。鉴于地区市场化指数和创新氛围均能在政府研发补助对企业创新产出的激励作用中带来积极的调节效应，因此，建议地方政府大力优化营商环境，提高本地区市场化程度，提高政府补助资金获取的公平性和使用的效率性，更好地激励企业强化创新。在一个公平公正的社会环境下，政府对企业的研发补助投入将会产生更大的价值。换句话说，良好的地区营商环境将使政府研发补助“药引子” “催化剂”功能更好地得到发挥。再如，对国有企业运用后补助的同时加强企业竞争意识和长远发展目标，降低前补助对创新产出的抑制效应；而对于民营企业，政府可以两种方式综合使用，充分发挥两类研发补助的积极作用。
参考文献：
［1］陈强远，林思彤，张醒 . 中国技术创新激励政策：激励了数量还是质量［J］. 中国工业经济，2020（4）:79-96.
［2］骆品亮，向盛斌 .R&D 的外部性及其内部化机制研究［J］. 科研管理，2001（5）:56-63.
［3］Kenneth J Arrow. The Economic Implications of Learning by Doing［J］. The Review of Economic Studies，1962（3）:155-173.
［4］Sabrina T Howell. Financing Innovation Evidence from R&D Grants［J］. American Economic Review，2017（4）:1136-1164.
［5］Edward Lee，Martin Walker，Cheng Zeng. Do
Chinese Government Subsidies Affect Firm Value［J］. Accounting， Organizations and Society，2014（3）:149-169.
［6］郭玥 . 政府创新补助的信号传递机制与企业创新［J］. 中国工业经济，2018（9）:98-116.
［7］Bongsuk Sung. Do Government Subsidies Promote Firm-level Innovation? Evidence from the Korean Renewable Energy Technology Industry［J］. Energy Policy，2019（SEP）:1333-1344.
［8］逯东，朱丽 . 市场化程度、战略性新兴产业政策与企业创新［J］. 产业经济研究，2018（2）:65-77.
［9］Scott J Wallsten. The Effects of Government-Industry R&D Programs on Private R&D: The Case of the Small Business Innovation Research Program［J］. The RAND Journal of Economics，2000（1）:82-100.
［10］廖信林，顾炜宇，王立勇 . 政府 R&D 资助效果、影响因素与资助对象选择——基于促进企业 R&D 投入的视角［J］. 中国工业经济，2013（11）:148-160.
［11］Boeing P. The Allocation and Effectiveness of China’s R&D Subsidies —Evidence from Listed Firms［J］. Research Policy，2016（9）:1774-1789.
［12］马永红，那琪 . 产学研合作创新补贴方式研究：以欠发达地区企业为例［J］. 科技进步与对策，2016（1）:38-44.
［13］马永红，那琪 . 产学研合作创新方式下政府补贴策略选择［J］. 运筹与管理，2018（4）:191-199.
［14］巫强，刘蓓 . 政府研发补贴方式对战略性新兴产业创新的影响机制研究［J］. 产业经济研究，2014（6）:41-49.
［15］周海涛，张振刚 . 政府研发资助方式对企业创新投入与创新绩效的影响研究［J］. 管理学报，2015（12）:1797-1804.
［16］Theofanis P， Mamuneas， Mishaq Nadiri. Public R&D Policies and Cost Behavior of the US Manufacturing Industries［J］. Journal of Public Economics，1996（1）:57-81.
［17］熊维勤 . 税收和补贴政策对 R&D 效率和规模的影响——理论与实证研究［J］. 科学学研究，2011（5）:698-706.
［18］颜建军，冯君怡 . 政府创新补贴时点对企业技术跨越影响的实证研究［J］. 财经理论与实践，2021（2）:98-105.
［19］赵康生，谢识予 . 政府研发补贴对企业研发投入的影响基于中国上市公司的实证研究［J］. 世界经济文汇，2017（2）:87-104.
［20］Cristina Bernini，Guido Pellegrini. How Are Growth and Productivity in Private Firms Affected by Public Subsidy Evidence from a Regional Policy［J］. Regional Science and Urban Economics，2011（3）:253-265.
［21］王刚刚，谢富纪，贾友 .R&D 补贴政策激励机制的重新审视——基于外部融资激励机制的考察［J］. 中国工业经济，2017（2）:60-78.
［22］肖田野，吴晓青，孙娟，罗卫平 . 国内科技研发后补助制的实施与对策研究［J］. 科技管理研究，2011（15）:20-22.
［23］Alessandro Sala， Paolo Landoni， Roberto Verganti. Small and Medium Enterprises Collaborations with Knowledge Intensive Services—An Explorative Analysis of the Impact of Innovation Vouchers［J］. R&D Management，2016（S1）:291-302.
［24］Chen Zhao，Liu Zhikuo，Suárez Serrato，et
al. Notching R&D Investment with Corporate Income Tax Cuts in China［J］. American Economic Review，2021（7）:2065-2100.
［25］刘楠，杜跃平 . 政府补贴方式选择对企业研发创新的激励效应研究［J］. 科技进步与对策，2005（11）:18-19.
［26］黄先海，谢璐 . 战略性贸易产业 R&D 补贴的实施策略研究——事前补贴与事后补贴之比较［J］. 国际贸易问题，2007（11）:9-13.
［27］赵瑞瑞，张玉明，徐凯歌 . 创新券是否能给民营中小企业带来新成长动能？［J］. 科学学研究，2020（10）:1911-1920.
［28］綦勇，杨羽頔，侯泽敏 . 赶超战略下政府创新偏好对企业创新产出的影响机制:理论与经验证据［J］. 产经评论，2020（3）:94-111.
［29］朱平芳，徐伟民 . 政府的科技激励政策对大中型工业企业 R&D 投入及其专利产出的影响——上海市的实证研究［J］. 经济研究，2003（6）:45-53，94.
［30］王小鲁，樊纲，胡李鹏 . 中国分省份市场化指数报告（2018）［M］. 北京:社会科学文献出版社，2019：216-223.
［31］潘越，陈秋平，戴亦一 . 绿色绩效考核与区域环境治理——来自官员更替的证据［J］.厦门大学学报（哲学社会科学版），2017（1）:23-32.
［32］张杰，陈志远，杨连星，新夫 . 中国创新补贴政策的绩效评估:理论与证据［J］. 经济研究，2015（10）:4-17，33.
［33］解维敏，方红星 . 金融发展、融资约束与企业 研发投入［J］. 金 融 研 究 ，2011（5）:171-183.
［34］Amihud Y，Lev B. Risk Reduction as a Managerial Motive for Conglomerate Merger［J］. Journal of Economics. 1981 （12）:605-617.
［35］杨继生，阳建辉 . 行政垄断、政治庇佑与国有企业的超额成本［J］. 经济研究，2015（4）:50-61，106.
［36］戴觅，余淼杰 . 企业出口前研发投入、出口及生产率进步 — —来自中国制造业企业的证据［J］. 经济学（季刊），2012（1）:211-230.
［37］Rosenbaum P，D B Rubin. The Central Role of the Propensity Score in Observational Studies for Causal Effects[J]. Biometrika，1983（1）:41-55.
［38］Hirano K，G W Imbens. The Propensity Score
with Continuous Treatments[M]. New York:John Wiley & Sons，2005:73-84.
［39］Barbara G，V Marco. Estimating the Dose-Response Function Through a Generalized Liner Model Approach[J]. Stata Journal，2014（1）: 141-158.
［40］Moncada P，C Ciupagea，K Smith，et al. Does Europe Perform too Little Corporate R&D? A Comparison of EU and Non-EU Corporate R&D Performance[J]. Research Policy，2010（4）:523-536.
［41］Black D A，J A Smith. How Robust Is the Evidence on the Effects of College Quality? Evidence from Matching[J]. Journal of Econometrics，2003（1）:99-124.
全文pdf请点击下方链接获取
编辑：朱千慧
校对：寇宇宁