近些年来,作为中国政府推动经济增长的重要抓手,产业政策受到社会各界的高度关注。产业政策被一般性地分为功能性政策和选择性政策,中国的产业政策以选择性政策为主(江飞涛、李晓萍,2010),本文进一步地将选择性产业政策细分为“激励型”政策和“抑制型”政策。所谓“激励型”产业政策是指政府采用财政补贴、税收优惠和信贷支持等手段倾斜式扶持特定产业(比如战略性新兴产业),以加快产业结构演进过程,从而助推经济增长。对于“抑制型”产业政策,本文给予以下定义:“抑制型”产业政策是指政府为了产业间的协调发展、优化产业间的资源配置而对某一或某些产业发展实施的一系列遏制手段。过去的几十年里,在中国的整个产业政策体系中,“抑制型”产业政策并不多见,中央政府主推的还是以促进产业发展为目的的“激励型”产业政策。但随着中国经济的发展与转型,“激励型”产业政策表现出了一定的局限性,其中以应对2008年全球经济危机而出台的“四万亿经济刺激计划”更是被部分学者诟病(黄海杰等,2016;谢里、张斐,2018)。本质上来讲,“四万亿经济刺激计划”这一规模空前的“激励型”产业政策并没有跳脱出中国长期以来“以量扩张”的发展思维,这最终导致了被扶持行业产能严重过剩的问题,尤其是钢铁、水泥和船舶等行业。2011-2013年,中国经济增长速度持续走低,并从高速增长阶段步入了中高速增长的新常态阶段,在新常态下,产能过剩问题已然成为中国经济高质量发展的严重阻碍。
基于此,国务院于2013年10月颁布了《关于化解产能严重过剩矛盾的指导意见》(国发〔2013〕41号)(以下简称《指导意见》)。《指导意见》明确指出,一方面要坚决遏制钢铁、水泥、电解铝、平板玻璃和船舶等行业产能的盲目扩张,另一方面要通过“消化一批、转移一批、整合一批、淘汰一批”机制积极化解此类行业产能严重过剩的矛盾。从理论上来讲,《指导意见》亦可视为一项选择性产业政策,与大多数“激励型”产业政策不同的是,《指导意见》的颁布不是为了鼓励产业增量发展,而是为了抑制产业盲目扩张,化解产能过剩矛盾。因此,本文将《指导意见》归类为“抑制型”产业政策。
创新是提高技术水平和生产效率的第一驱动力,是新常态阶段引领经济高质量发展的重要引擎,更是建设现代化经济体系的战略支撑。因此,探讨现行产业政策是否有利于激发企业的创新意愿具有重要的现实意义。但从现阶段研究来看,既有研究多关注“激励型”产业政策对企业创新的影响,认为“激励型”产业政策虽然显著地提高了企业的创新产出(余明桂等,2016;曹平、王桂军,2018),但也同时降低了企业的创新效率(孟庆玺等,2016),并没有涉及“抑制型”产业政策的创新效应。有鉴于此,本文基于2011-2016年中国A股上市公司数据并利用双重差分法考察《指导意见》这一“抑制型”产业政策对企业创新的影响。研究发现,与不受政策影响的控制组相比,《指导意见》显著地提高了去产能行业的企业创新水平。进一步地,本文从中介效应和调节效应双视角分析了《指导意见》这一“抑制型”产业政策促进企业创新的原因。实证结果显示,一方面,《指导意见》在提高去产能企业研发资金配置效率的基础上,进一步通过提高企业的创新效率显著地促进了企业的创新产出;另一方面,同期实施的“一带一路”倡议和去杠杆政策也均对《指导意见》促进企业创新产生了正向的调节效应,其中,“一带一路”倡议的调节效应更为突出。
本研究的边际贡献在于:首先,本文从企业创新视角探讨“抑制型”产业政策的实施效果,不仅丰富了产业政策的理论研究,而且弥补了“抑制型”产业政策影响企业创新的研究空白;其次,本文从中介效应和调节效应双视角揭示了《指导意见》促进企业创新的原因,这不仅有助于厘清新一轮去产能政策影响企业创新的作用机理并辅证产业政策的有效性,而且有助于理解诸如去产能等“抑制型”产业政策的真正内涵:抑制扩张是手段,强化产业是目的。
二、理论分析与研究假说技术创新是企业在复杂多变的经济环境中提升自身价值的重要保障,是驱动国家(或区域)经济发展的核心要素(Tian and Wang, 2014),企业的创新行为不仅取决于企业规模、企业融资能力及内部治理结构等微观层面的因素,而且取决于企业对外部宏观环境和国家经济政策的预期和判断。考虑到出台的背景和相关举措,《指导意见》这一“抑制型”产业政策对企业创新的影响十分复杂,缺乏一定的先验性。具体来讲,《指导意见》既有可能因为去产能带来的“短期阵痛”导致企业面临融资约束、负债危机和被迫裁员等问题,从而对企业的创新行为产生抑制效应;也有可能因为兼并重组、对外投资等举措使企业高管们在生存压力下看到发展希望而提高企业研发资金利用率,从而对企业的创新行为产生积极影响。因此,接下来本文分别从抑制和促进视角对去产能这一“抑制型”产业政策的创新效应进行理论分析并据此提出竞争性研究假说。
(一) 去产能政策的创新抑制效应首先,技术创新是一个周期长、失败率高且收益不确定的复杂过程(Hsu et al., 2014),需要企业预留充足的资金给予支持,资金约束是企业创新能力不足的重要原因。因此,给予企业足额的财政补贴和宽松的信贷政策以提高企业的创新能力一直是中国“激励型”产业政策的重要手段,既有研究指出,这些产业政策实施手段可以显著地提高企业的创新产出(余明桂等,2016;曹平、王桂军,2018)。然而,作为“抑制型”产业政策,《指导意见》强调要坚决遏制产能盲目扩张,严格把控对产能过剩行业的补贴发放和信贷支持,“对未取得合法手续的建设项目,一律不得放贷、发债、上市融资”,这便使得产能过剩企业面临着较为严重的外部融资约束。因此,去产能政策可能会因为切断企业研发资金的外部来源而进一步地降低企业的创新水平。
其次,去产能政策不仅会导致资金约束这样的微观现象,而且还会因为改变外部环境而增强企业生存的不确定性。外部环境作为企业生存的重要基石,也是企业创新行为的重要影响因素之一,企业创新活动无法摆脱外部环境的干扰而在真空中进行。归根结底,企业创新是企业管理者为应对外部环境冲击而做出的反应(Lueg and Borisov, 2014)。既有研究中,有学者认为,环境不确定性会使得企业出现现金流波动异常和资金短缺等现象(Caggese, 2012),因此会使资源短缺的企业面临较大的生存压力,从而导致企业管理者出现短视行为,注重短期企业绩效和期权价值的提高,而不再尝试跨期长且风险高的研发创新活动;还有学者认为,环境不确定性与企业创新之间存在“倒U型”关系(袁建国等,2015),适度地增加环境不确定性可以给予企业一定的生存压力从而激发企业的创新动力,但当环境不确定性过高甚至使企业面临财务危机或破产风险时,企业往往不再进行创新活动。因此,去产能政策导致的高强度环境不确定性也有可能使企业丧失创新意愿进而降低企业的创新水平。
此外,去产能还会给产能过剩行业带来不可避免的失业风险,虽然有研究指出,与20世纪90年代的企业改革相比,此次“去产能”失业风险在可控范围之内(沈煜、丁守海,2016)。但不可否认的是,去产能政策实施以来,由于产能过剩行业的用工需求减少,中国调查失业率开始呈现递增趋势。从企业管理学的角度来讲,企业裁员往往会对裁员幸存者的行为产生影响,一般情况下,如果在企业裁员后感到威胁,裁员幸存者便无法全身心地工作,会对企业的创新行为产生不利影响(龙静等,2013)。这样,去产能政策也可能会因为导致员工失业而进一步地抑制企业创新。
基于上述分析,《指导意见》这一以去产能为目的的“抑制型”产业政策可以会从多个方面降低企业的创新水平。因此,本文提出如下研究假说:
H1:以去产能为目的的“抑制型”产业政策会显著地降低企业的创新水平。
(二) 去产能政策的创新促进效应尽管去产能政策可能会导致企业出现资金约束、员工失业甚至破产危机从而抑制企业的创新行为。但是,去产能政策仍然可以通过一些途径激发企业的创新意愿,提高企业研发资金的配置效率,进而提升企业的创新效率,最终促进企业技术创新的产出。
首先,《指导意见》指出,在遏制产能过剩行业盲目扩张和投资的同时,要坚持“推进企业兼并重组”、“统筹区域协调发展,优化产业布局”。创新本质上是一个知识创造的过程(Grant,1996), 企业间的兼并重组可能会通过以下路径提高企业研发资金的配置效率,进而促进企业的创新行为:一方面,企业高效的研发创新效率是建立在一定知识规模之上的(Kogut and Zander, 1992),企业间的兼并重组可以通过对其他公司的收购兼并扩展母公司的知识存量,使企业的创新产出在一定知识规模的基础上以非线性比例增加;另一方面,经营范围类同的企业之间一般会存在着重复的研发活动,由于技术水平的差异性,企业间相同的研发项目可能会具有不同的研发资金配置效率,企业间的兼并重组可以通过技术先进企业对技术相对落后企业的兼并行为,减少产业内研发创新活动的重复和冗余,节约研发成本并提高研发资金配置效率,进而增加创新产出。此外,一个企业在长期创新活动中,研发人员逐渐形成的路径依赖可能会在一定程度上降低企业的创新能力(Ahuja and Katila, 2001),企业间的兼并重组可以扩充母公司的研发团队,为公司注入新的技术研发血液,提高公司研发人员对新知识的学习和吸收能力,增加企业的技术创新效率。
其次,去产能政策的实施正值“一带一路”倡议由国家战略进入务实推进阶段,通过对沿线国家的对外直接投资以转移国内富余产能是“一带一路”倡议的重要使命之一,现有研究指出,“一带一路”倡议不仅可以降低中国企业的对外直接投资风险(孙焱林、覃飞,2018),而且可以实质性地促进中国企业的对外直接投资行为(Du and Zhang, 2018)。那么,在“一带一路”倡议的政策红利下,去产能政策对企业创新的负面影响可能会在一定程度上被缓解甚至消除:一方面,在“一带一路”倡议的引导下,产能过剩行业可以将产品市场延伸到发展水平更低的沿线国家,以成本优势占据潜力巨大的发展中国家市场空间并获得可观的投资收益,缓解常规去产能手段对企业研发创新造成的资金约束;另一方面,产能过剩行业在对外直接投资过程中不仅面临着本土市场的竞争压力,而且在海外市场也要同拥有先进技术的企业进行竞争,现有研究指出,市场竞争对企业创新具有显著地促进作用(张杰等, 2014),因此,本土市场和海外市场的双重竞争压力也会倒逼企业提高研发资金配置效率,推动企业不断地进行创新。
最后,产能过剩行业同时面临着债务杠杆率持续不下的困境,过高的债务杠杆率会引致企业面临破产成本的约束作用,抑制企业的创新活动(罗能生等,2018), 然而,去产能政策是在“三去一降一补”的供给侧改革大背景下进行的,国家政府在坚持去产能的同时也积极实施去杠杆政策。这样,如果产能过剩企业过高的债务杠杆率在政策下得到有效缓解,其面临的破产风险可能就会有所降低,这便会在一定程度上消除过高的环境不确定性,进而可能会使企业面临的不确定性低于“倒U型”的临界值,使环境不确定性对企业的创新行为产生显著地促进而非抑制效应。
基于上述分析,鉴于此次去产能的特殊性和多个国家政策的配套实施,《指导意见》这一以去产能为目的的“抑制型”产业政策又可能会通过多方途径促进企业创新。因此,本文进一步地提出竞争性假说H2:
H2:以去产能为目的的“抑制型”产业政策会显著地提高企业的创新水平。
三、研究设计 (一) 模型设定与变量定义《指导意见》是中央政府为应对产能严重过剩问题而在短时间内出台的“抑制型”产业政策,对微观企业而言满足政策外生冲击的要求。而且,《指导意见》作用力度大、涉及行业界定清晰,这为本文利用双重差分模型(DID)考察其是否影响企业创新提供了很好的实验条件。因此,本文主要运用DID模型考察《指导意见》这一以去产能为目的的“抑制型”产业政策对企业创新的影响。需要注意的是,利用DID模型考察政策效应的关键在于确定政策冲击时间并找到处理组和控制组。
在政策冲击时间的确定上,鉴于《指导意见》于2013年10月出台,这可能会导致政策效果在当年无法显现的情况,因此,本文最终以2014年作为政策冲击时间。在处理组的选择上,《指导意见》中明确规定了需要重点化解产能过剩的行业,具体包括钢铁、水泥、电解铝、平板玻璃和船舶行业,因此,本文将以上行业的上市公司作为处理组。在控制组的选择上,由于处理组行业均为制造业,为了避免不同行业间由于企业经营特征差异而对估计结果造成的影响,本文选取了除去产能行业之外的其他制造业上市公司作为控制组。此外,本文的样本区间为2011-2016年,考虑到“五年规划”中的“激励型”产业政策会对受激励行业的企业创新产生影响,本文从控制组中剔除了“十二五”和“十三五”两个“五年规划”均要求重点发展的行业内上市公司①,以规避“激励型”产业政策的创新效应对本文结果造成的干扰。
① 具体地,本文参考余明桂等(2016)的做法,通过对国务院文件《第十二个五年规划纲要》和《第十三个五年规划纲要》的文本分析,将规划中明确提到鼓励、支持、重点发展或大力发展的行业视为两个“五年规划”重点发展行业。
具体地,本文设置两个0-1型虚拟变量treat和after。其中,虚拟变量treat表示企业分组,treat等于1代表处理组企业,等于0代表控制组企业;虚拟变量after表示时间分组,after等于0表示《指导意见》出台前(2011-2013年),等于1表示《指导意见》出台后(2014-2016年)。综合考虑政策实施前后处理组和控制组企业创新水平的组内和组间比较便可以得到政策实施对处理组企业的净效应:
$ Δinnovation=[E(innovation)_{treat=1, after=1}-E(innovation)_{treat=1, after=0}]\\ -[E(innovation)_{treat=0, after=1}-E(innovation)_{treat=0, after=0}] $ | (1) |
基于式(1),本文具体设计如下DID模型:
$ innovation_{i, t}=α+β_{1}treat_{i, t}+β_{2}after_{i, t}+\\β_{3}treat_{i, t}×after_{i, t}+θx_{i, t}+μ_{i}+λ_{t}+ε_{i, t} $ | (2) |
模型(2)中,下标i表示企业,下标t表示年份。被解释变量innovation表示企业创新水平,现有文献多以专利数量测度企业的创新水平,中国知识产权局授予的专利数量包括发明、实用新型和外观设计三类,参考已有研究(余明桂等,2016)的做法,本文以技术含量最高的发明型专利的申请数量作为企业创新的代理变量。矩阵向量x为控制变量组,参考既有文献,本文控制了企业规模(size)、企业年龄(age)、盈利能力(roa)、资本结构(lev)、现金流量(cashflow)和成长能力(growth)等企业层面的特征变量。其中,企业规模以企业资产总额的自然对数表示;企业年龄以企业经营年限的自然对数表示;盈利能力以总资产报酬率表示;资本结构以企业资产负债率表示;现金流量以经营活动产生的现金净流量与营业收入的比值表示;成长能力以营业收入增长率表示。μ表示不随时间变化的企业个体固定效应;λ表示时间固定效应;ε为随机扰动项。根据DID模型的原理,本文重点关注交互项treat×after的系数β3,它代表了《指导意见》这一以去产能为目的的“抑制型”产业政策对处理组企业创新水平的净效应。
(二) 数据来源与描述性统计本文选取2011-2016年沪深两市A股上市公司作为研究样本。专利数据通过国家知识产权局网站手工整理而得;财务数据和研发费用数据通过WIND数据库获得。根据惯例,本文剔除了主要变量存在缺失的数据样本,最终得到7450条观测值。此外,为了消除极端异常值的影响,本文对所有连续型变量进行了1%的winsor双边缩尾处理。
在描述性统计特征中,本文同时汇报了三类专利的统计信息。结果显示① ,技术含量最高的发明型专利的申请数量平均约为18.5803件,高于实用新型和外观设计的申请数量。这说明,在样本区间内,样本企业的技术创新以发明创造为主,创新成果含金量较高,这与十八大以来的“创新驱动发展战略”不无关系。另外,发明型专利申请数量的标准差为132.5749,最小值为0,中位数为3,最大值为4686。这说明,各企业间发明型专利的申请数量差异较大,且存在着明显的右偏特征。因此,本文在后续的计量分析时对其采取了加1并取自然对数的处理。
① 限于篇幅,描述性统计不再列示,但结果备索。
四、实证分析与稳健性检验 (一) DID模型检验结果及分析表 1汇报了《指导意见》影响处理组企业技术创新水平的DID估计结果。其中,方程(1)-(3)利用最小二乘法(OLS)进行估计分析,方程(4)利用固定效应模型(FE)进行估计分析。方程(1)显示,在没有加入任何控制变量的情况下,本文所关心的交互项系数β3在1%的水平上显著为正;方程(2)显示,当加入企业层面的特征变量之后,β3仍然为正且在1%的水平上显著;方程(3)显示,在加入企业特征变量的基础上进一步控制年度固定效应之后,β3依然显著为正且显著性水平不变。以上OLS估计结果初步说明,《指导意见》确实显著地提高了处理组企业的创新水平。进一步地,本文在控制企业特征变量和年度固定效应的基础上,利用FE模型对企业不随时间变化的个体效应进行了控制,结果如方程(4)所示。可以看出,交互项系数β3具体等于0.2217,显著性水平为1%,这充分说明,《指导意见》这一以去产能为目的的“抑制型”产业政策确实对企业创新具有显著地促进效应。因此,本文从统计上拒绝假说H1而接受假说H2。
可见,新一轮去产能政策虽然采用诸多强制手段遏制产能过剩行业的发展,但这反而激发了企业的创新意愿,显著地提升了产能过剩企业的创新水平。鉴于企业创新的特殊性,新一轮去产能政策对企业创新的促进效应与《指导意见》的先进性不无关系。与以往的去产能政策不同,《指导意见》是新一届政府致力中国经济高质量发展、建设现代化经济体系的重要举措之一,其目的不再是“一刀切”地限制产能过剩行业的盲目扩张,而是以抑制扩张为手段,强化产业为目的。因此,《指导意见》的实施更加注重利用市场的力量进行间接的疏导而非强制的干预。比如,在《指导意见》中,中央政府明确规定,要“着眼长远,着力加强宏观调控和市场监管,坚决遏制产能盲目扩张”,“着力发挥市场机制作用,完善配套政策,消化一批、转移一批、整合一批、淘汰一批过剩产能”;又如,《指导意见》坚持“推进企业兼并重组”、“统筹区域协调发展,优化产业布局”。这一系列举措都在一定程度上缓解了产能过剩行业在去产能过程中所面临的外部环境不确定性,并通过兼并重组为企业的研发团队注入了新的血液,让企业在压力下看到希望,因此极大限度地激发了企业的创新意愿。此外,正如理论分析中所言,《指导意见》的出台伴随着“一带一路”倡议的稳步推进和去杠杆政策的有效实施,这也会在一定程度上缓解去产能这一“抑制型”产业政策可能对企业创新造成的负面影响。基于以上原因,《指导意见》这一以去产能为目的的“抑制型”产业政策最终显著地提高了去产能企业的技术创新水平。那么,《指导意见》到底是如何促进企业创新的呢?具体的作用路径分析本文将在第五章重点考察。
(二) 稳健性检验①① 限于篇幅,本文没有列出稳健性测试部分的图表,结果备索。
1.平行趋势检验。为了检验处理组和控制组在时间变化上是否满足平行趋势,本文绘制了样本区间内处理组和控制组企业发明型专利的平均增长趋势。结果显示,在《指导意见》出台之前,处理组和控制组企业创新水平的增长趋势基本保持平行,这表明,本文样本数据符合DID模型使用的前提条件——处理组和控制组在政策实施前需保持相同的变化趋势(Bertrand,2004)。进一步地,在《指导意见》出台之后,处理组企业的创新水平增长幅度明显提高,而控制组企业的创新水平增长平缓,这一截然相反的变化趋势也直观地印证了DID的估计结果。基于以上分析,本文结论保持不变。
2.安慰剂检验。为了排除政策前其他不可观测事件对估计结果的干扰,本文选择《指导意见》出台前的时期为样本区间(2011-2013年)进行了时间反事实的安慰剂对照检验。具体地,在保持处理组和控制组不变的基础上,本文分别将2012年和2013年作为虚拟政策实施时间进行了DID估计以考察虚拟的政策实施是否会对企业的技术创新产生影响。结果显示,本文所关心的交互项treat×after的系数均没有达到常规的显著性水平(10%),这说明,本文的结论基本不受政策前不可观测事件的干扰,本文结论依然稳健。
3.其他稳健性检验。(1)进一步排除企业个体特征差异的干扰。虽然本文样本在选择上兼顾了企业个体特征差异可能会对DID估计结果造成干扰的问题,但即使是在制造业内部,不同的细分行业也可能会使企业出现个体特征差异。因此,本文采用双重差分倾向得分匹配法(PSM-DID)配比控制组进行估计以进一步排除该问题对论文结论的影响。(2)控制“省份×时间”高维固定效应。考虑到《指导意见》这一以去产能为目的的“抑制型”产业政策对企业创新的影响可能会受到地区层面随时间变化的不可观测因素的干扰,为了排除这一问题,本文进一步地加入了“省份×时间”高维固定效应以控制省份个体时间趋势进行DID估计。以上稳健性检验结果均与表 1的结果保持了良好的一致性,本文结论仍然不变。
五、影响路径分析基于前文对《指导意见》影响企业创新的理论分析,本文在该部分试图基于研发资金配置效率与创新效率的中介效应视角和“一带一路”倡议与去杠杆政策的调节效应视角探究《指导意见》这一以去产能为目的的“抑制型”产业政策对企业创新的影响路径。
(一) 中介效应:研发资金配置效率与创新效率视角理论上来讲,企业研发资金配置效率的高低在于企业研发投入水平是否与研发资金获得机会相匹配,所以研发投入对研发资金获得机会的敏感程度可以直观地反映出企业研发资金配置效率。基于此,本文借鉴靳庆鲁等(2012)、钱雪松等(2018)在研究资本配置效率时的模型,将其延伸到研发资金配置效率以考察去产能政策实施前后企业研发资金配置效率的变化情况, 具体模型设计如下:
$ rd_{i, t}=α+η_{1}treat_{i, t}×after_{i, t}×opportunity_{i, t}+η_{2}treat_{i, t}+η_{3}after_{i, t}\\~~~~~~~+η_{4}opportunity_{i, t}+η_{5}treat_{i, t}×after_{i, t}+η_{6}treat_{i, t}×opportunity_{it}\\~~~~~~~+η_{7}after_{i, t}×opportunity_{i, t}+θx_{i, t}+μ_{i}+λ_{t}+ε_{i, t} $ | (3) |
模型(3)中,rd表示企业研发投入,具体以企业研发费用的自然对数表示;opportunity表示企业获得研发资金支持的机会,一般而言,抛开企业自身收益,企业研发资金的来源主要依靠国家政府的财政补贴,因此,本文以企业获得财政补贴金额的自然对数表示企业研发资金获得机会;其他变量定义与模型(2)相同。本文主要关注交互项treat×after×opportunity的系数η1,它反映了去产能政策前后企业研发资金配置效率的变化情况。具体地,如果η1显著为正,则说明,在《指导意见》这一以去产能为目的的“抑制型”产业政策实施之后,企业所获得的财政补贴将更高效地服务于企业的研发创新,也即,企业会显著地提高研发投入对研发资金获得机会的敏感程度,从而提高研发资金配置效率;反之,则表示在政策实施后,企业显著地降低了研发资金配置效率。检验结果如表 2所示。
表 2中方程(1)是加入企业控制变量和年度固定效应的OLS回归,交互项treat×after×opportunity系数在1%的水平上显著为正,方程(2)在方程(1)的基础上进一步地加入了企业个体固定效应,交互项系数依然为正且在1%的水平上显著。这充分说明,《指导意见》出台之后,与控制组相比,处理组企业显著提高了研发投入对研发资金获得机会的敏感程度,也即,企业的研发资金配置效率得到了显著提升。以上结果充分说明,新一轮去产能政策虽然使得去产能企业无法获得国家高额的财政补贴,但却从其他途径激发了企业的创新意愿,提高了企业对研发资金获得机会的敏感程度。那么,这一结果是否会进一步地提高企业的创新效率从而提高企业的创新产出呢?接下来,本文将基于温忠麟等(2004)在Sobel检验的基础上构造的中介效应检验程序来识别去产能这一“抑制型”产业政策在提高企业研发配置效率的基础上是否可以进一步通过提高创新效率而影响企业的创新产出,检验模型具体设计如下:
$ innovation_{i, t}=α+β_{1}treat_{i, t}×after_{i, t}+θx_{i, t}+μ_{i}+λ_{t}+ε_{i, t} $ | (4) |
$ innov\_p_{i, t}=α+δ_{1}treat_{i, t}×after_{i, t}+θx_{i, t}+μ_{i}+λ_{t}+ε_{i, t} $ | (5) |
$ innovation_{i, t}=α+λ_{1}treat_{i, t}×after_{i, t}+λ_{2}innov\_p_{i, t}+θx_{i, t}+μ_{i}+λ_{t}+ε_{i, t} $ | (6) |
其中,innov_p为去产能政策影响企业创新的中介变量——企业创新效率。具体地,参考Hirshleifer et al.(2013)的做法,以公式(7)计算企业的创新效率,公式(7)右边的分子为企业发明型专利的申请数量,分母rd表示企业研发资金投入金额。企业研发创新效率反映企业在一定的研发投入下能够产出多少专利,研发创新效率越高,说明同样的研发投入产出的专利数量越多。
$ innov\_p_{i, t}= \frac{invention\_patent_{i, t} }{rd_{i, t-1}+0.8rd_{i, t-2}+0.6rd_{i, t-3}+0.4rd_{i, t-4}+0.2rd_{i, t-5}} $ | (7) |
模型(4)-(6)中的其他变量与模型(2)定义相同。根据Sobel检验原理,创新效率对去产能政策影响企业创新产出的中介效应由δ1×λ2衡量。需要说明的是,与标准正态分布有所不同,5%显著性水平上Sobel检验统计量的临界值为0.97左右(MacKinnon et al., 2002)。
表 3汇报了创新效率对去产能政策影响企业创新产出的中介效应。其中,方程(1)是对模型(4)的回归,结果与表 1方程(4)相同;方程(2)是对模型(5)的回归,可以看出,在以创新效率(innov_p)为被解释变量的估计中,代表政策效应的交互项系数δ1在5%的水平上显著为正,这说明,《指导意见》确实在提高去产能企业研发资金配置效率的基础上进一步提高了企业的创新效率;进一步地,在方程(3)对模型(6)的回归中,innov_p的系数值为16.0991且在1%的水平上高度显著,这表明,创新效率正向影响企业的创新产出。基于Sobel检验程序,在δ1和λ2均显著的情况下,无需进行Sobel检验,可以直接判定中介效应显著。因此,创新效率对去产能政策促进企业创新产出的中介效应显著。也即,《指导意见》这一以去产能为目的的“抑制型”产业政策可以通过提高创新效率而促进企业的创新产出。具体来看,创新效率的中介效应等于0.1320(δ1×λ2),占总效应(0.2155)的61.25%,可见,提高创新效率是去产能政策影响企业创新产出的主要路径。
《指导意见》的出台正值“一带一路”倡议由顶层设计进入务实推进阶段,既有研究表明,“一带一路”倡议可以通过“顺梯度”投资转移国内企业的富裕产能从而提高企业的升级水平(王桂军、卢潇潇,2019)。这说明,“一带一路”倡议的稳步推进也有可能是新一轮去产能政策促进企业创新的重要原因,能够正向调节去产能政策对企业创新的促进效应。此外,供给侧结构性改革框架下的去杠杆政策也有可能会对去产能政策促进企业创新产生正向影响。这是因为,居高不下的财务杠杆无疑会提高企业的破产风险,当企业面临破产清算风险时,企业管理者往往会出现短视行为,注重企业的短期绩效而不尝试跨期长且预期收益不确定的创新行为。去杠杆政策的有效推行,在降低企业财务杠杆的同时也降低了企业的破产风险,这有可能会缓解去产能政策推行所带来的环境不确定性,从而对去产能政策促进企业创新产生正向调节。那么,事实是否如此?接下来,本文将通过计量手段予以检验。
在模型设计上,参考温忠鳞等(2005)对调节效应的介绍具体设计如下模型:
$ innovation_{i, t}=α+γ_{1}treat_{i, t}×after_{i, t}×BR_{i, t}+γ_{2}treat_{i, t}×after_{i, t}+\\γ_{3}BR_{i, t}+θx_{i, t}+μ_{i}+λ_{t}+ε_{i, t} $ | (8) |
$ innovation_{i, t}=α+φ_{1}treat_{i, t}×after_{i, t}×LEV_{i, t}+φ_{2}treat_{i, t}×after_{i, t}+\\φ_{3}LEV_{i, t}+θx_{i, t}+μ_{i}+λ_{t}+ε_{i, t} $ | (9) |
模型(8)用来考察“一带一路”倡议对去产能政策促进企业创新的调节效应,其中,虚拟变量BR代表“一带一路”倡议。既有研究认为,在“一带一路”倡议稳步推进的初始阶段,其尤能给投资目的国为“一带一路”沿线国家的企业带来政策红利(孙焱林、覃飞,2018;王桂军、卢潇潇,2019)。因此,参考以上学者的做法,本文具体定义变量BR如下:“一带一路”倡议实施之前(2011-2013年),全部企业取值为0;“一带一路”倡议实施之后(2014-2016年),实施对外直接投资且投资目的国为沿线国家的企业取值为1,其他企业取值为0。其他变量定义与模型(2)相同,系数γ1代表了“一带一路”倡议对去产能政策促进企业创新的调节效应。
模型(9)用来考察去杠杆政策对去产能政策促进企业创新的调节效应,其中,LEV代表去杠杆政策力度。实体企业杠杆率居高不下主要是因为企业存在过多的金融贷款,去杠杆对于实体企业来讲,关键在于降低信贷杠杆率,基于此,本文具体以企业信贷杠杆率的变化衡量去杠杆政策的力度。具体地,LEV等于企业短长期贷款与资产总额的比值。其他变量定义与模型(2)相同,系数φ1代表了去杠杆政策对去产能政策促进企业创新的调节效应。
模型(8)-(9)的估计结果如表 4所示,在回归中,本文均同时对企业层面的特征变量、时间固定效应和企业个体固定效应实施了控制。可以看出,方程(1)中,代表“一带一路”倡议调节效应的交互项treat×after×BR的系数在5%的水平上显著为正,这说明,“一带一路”倡议对去产能政策促进企业创新具有显著的正向调节效应,也即,“一带一路”倡议可以提高去产能政策促进企业创新的幅度;方程(2)中,代表去杠杆政策调节效应的交互项treat×after×LEV的系数虽然为负但没有达到常规的显著性水平(10%),但从其对应的t值(-1.6275)来看,该系数的显著性水平基本接近10%(在样本量大于1000时,10%对应的t值接近1.6449),这说明,去杠杆政策虽然对去产能政策促进企业创新有一定的正向调节,但效果并不明显①。
① 因为去杠杆政策力度与LEV值成反比,因此,代表去杠杆政策调节效应的交互项treat×after×LEV的系数为负表示正向调节效应。
综上可知,“一带一路”倡议和去杠杆政策对去产能政策促进企业创新均具有正向的调节效应,但“一带一路”倡议的调节效应尤为突出。出现这种情况的原因可能在于:一方面,去杠杆政策于2015年实施,在时间上晚于“一带一路”倡议,这便会导致去杠杆政策对去产能政策促进企业创新的调节效应不够明显;另一方面,“一带一路”倡议是中央政府在经济新常态背景下推出的以推动中国经济高质量发展并助力沿线国家经济重振为主要目的之一的伟大探索,在“一带一路”倡议下,中国企业对沿线国家实施的“顺梯度”投资直接关系到企业富裕产能的有效转移,这在很大程度上直接化解了产能过剩企业的破产风险,并通过富裕产能的对外转移使企业获得可观的营业利润从而缓解了研发创新的资金约束。
六、结论与政策建议中国过去“以量取胜”的高速发展在极大提高中国经济存量和国际地位的同时,也带来了一些不容忽视的不良后果,其中之一便是近年来部分行业产能严重过剩的问题。产能过剩不仅造成了社会资源的巨大浪费,而且降低了产业间的资源配置效率,阻碍了中国经济的高质量发展。为此,中央政府于2013年出台了以《关于化解产能严重过剩矛盾的指导意见》为执行标准的去产能政策,以抑制产能过剩行业的继续盲目扩张。从理论上来讲,《指导意见》这一以去产能为目的的产业政策当属“抑制型”产业政策。技术创新是企业保持持久竞争力的有力支撑,也是经济高质量发展的重要保障。有鉴于此,本文以2011-2016年中国A股上市公司为研究样本,利用双重差分法从技术创新视角经验研究了《指导意见》这一以去产能为目的的“抑制型”产业政策的实施效应,研究发现,《指导意见》显著地提高了企业以专利产出增加为表征的技术创新水平。进一步地,本文从中介效应和调节效应双视角分析了《指导意见》促进企业创新的原因,结果发现:一方面,《指导意见》在提高去产能企业研发资金配置效率的基础上,进一步通过提高企业的创新效率显著地促进了企业的创新产出;另一方面,同期实施的“一带一路”倡议和去杠杆政策也均对《指导意见》促进企业创新产生了正向的调节效应,其中“一带一路”倡议的调节效应尤为突出。
本文的研究不仅辅证了产业政策的有效性,而且有助于理解诸如去产能等“抑制型”产业政策的真正内涵:抑制扩张是手段,强化产业是目的。与此同时,也给予政府和企业重要的政策启示:①政府方面。长期以来,中国政府干预经济的手段在于产业政策的推行,且以“激励型”产业政策为主。诸如给予企业高额财政补贴等“激励型”产业政策固然可以有效缓解企业研发资金约束,从而促使企业进行技术创新(余明桂等,2016;曹平、王桂军,2018),但这种对企业创新的促进效应是建立在高额财政补贴和研发投入之上的,因此并不能提高企业的创新效率(孟庆玺等,2016)。本文的研究结论显示,去产能这一“抑制型”产业政策同样显著地提高了企业的创新水平和创新效率,与此同时,同期实施的“一带一路”倡议和去杠杆政策也均在一定程度上对企业创新水平的提升起到了正向调节作用。这一方面说明,政府即使不给予企业高额的财政补贴,利用其他合理的手段也可以调动企业创新的积极性,实现企业技术升级,另一方面也体现了近几年中央政府所推行的一系列发展战略和宏观调控政策的优越性。因此,本文建议政府在接下来的产业政策制定和部署过程中,一方面应适当减少对企业或产业的“激励型”干预,而进一步增加以市场调节为主、政府扶持为辅的间接引导手段以充分调动企业创新积极性,提高企业的研发资金配置效率和创新效率。另一方面也应注重多种发展战略和宏观调控政策的配套实施,打好中国经济高质量发展阶段的宏观政策组合拳,充分激发企业创新的动力和热情。比如,在“一带一路”倡议下有序引导国内富裕产能走出国门以减少企业去产能负担并服务于发展相对落后的“一带一路”沿线国家,在去杠杆政策实施中优先关注并引导产能严重过剩企业的杠杆率下降以降低其破产清算风险并避免企业管理者出现短视行为。②企业方面。如今,中国经济已由高速发展进入高质量发展阶段,此阶段,中国产业结构优化与升级是中国经济发展面临的主要问题,产业升级落实到企业层面便是产业内企业是否提高技术水平进而实现优化升级。作为微观企业个体来讲,要具有敏锐的政策洞察力,充分认识到新一轮去产能政策“抑制扩张为手段,强化产业为目的”的本质,积极配合政府开展工作,加大管理制度、发展方式的创新,充分调动企业内部工作人员的创新积极性,以尽可能快地实现企业由粗放型生产向高精尖生产的转型。此外,尽管学界对产业政策的有效性褒贬不一,但毋庸置疑的是,产业政策在未来很长一段时期内仍然会是中国经济发展增质保量的重要抓手。因此,对于企业来讲,生产经营一定要紧跟产业政策的变化,力争在产业政策的红利下抓住市场机遇,提高企业核心竞争力,进而为产业升级助力。
[] |
曹平、王桂军, 2018, “选择性产业政策、企业创新与创新生存时间——来自中国工业企业数据的经验证据”, 《产业经济研究》, 第 4 期, 第 26-39 页。 |
[] |
黄海杰、吕长江、Edward Lee, 2016, “'四万亿投资'政策对企业投资效率的影响”, 《会计研究》, 第 2 期, 第 51-57 页。 |
[] |
江飞涛、李晓萍, 2010, “直接干预市场与限制竞争:中国产业政策的取向与根本缺陷”, 《中国工业经济》, 第 9 期, 第 26-36 页。 |
[] |
靳庆鲁、孔祥、侯青川, 2012, “货币政策、民营企业投资效率与公司期权价值”, 《经济研究》, 第 5 期, 第 96-106 页。 |
[] |
龙静、李嘉、祝凤灵, 2013, “裁员幸存者的威胁感与资源获取对创新的影响”, 《科研管理》, 第 4 期, 第 144-150 页。 |
[] |
罗能生、刘文彬、王玉泽, 2018, “杠杆率、企业规模与企业创新”, 《财经理论与实践》, 第 6 期, 第 112-118 页。 |
[] |
孟庆玺、尹兴强、白俊, 2016, “产业政策扶持激励了企业创新吗?——基于'五年规划'变更的自然实验”, 《南方经济》, 第 12 期, 第 1-25 页。 |
[] |
钱雪松、康瑾、唐英伦、曹夏平, 2018, “产业政策、资本配置效率与企业全要素生产率——基于中国2009年十大产业振兴规划自然实验的经验研究”, 《中国工业经济》, 第 8 期, 第 42-59 页。 |
[] |
沈煜、丁守海, 2016, “去产能会引起较大的失业风险吗”, 《上海经济研究》, 第 11 期, 第 12-19 页。 |
[] |
孙焱林、覃飞, 2018, “'一带一路'倡议降低了企业对外直接投资风险吗”, 《国际贸易问题》, 第 8 期, 第 66-79 页。 |
[] |
王桂军、卢潇潇, 2019, “'一带一路'倡议与中国企业升级”, 《中国工业经济》, 第 3 期, 第 43-61 页。 |
[] |
温忠麟、张雷、候杰泰、刘红云, 2004, “中介效应检验程序及其应用”, 《心理学报》, 第 5 期, 第 614-620 页。 |
[] |
温忠麟、侯杰泰、张雷, 2005, “调节效应与中介效应的比较和应用”, 《心理学报》, 第 2 期, 第 268-274 页。 |
[] |
谢里、张斐, 2018, “'四万亿'经济刺激计划与企业杠杆率——来自中国双套样本数据的经验检验”, 《财经研究》, 第 3 期, 第 68-83 页。 |
[] |
余明桂、范蕊、钟慧洁, 2016, “中国产业政策与企业技术创新”, 《中国工业经济》, 第 12 期, 第 5-22 页。 |
[] |
余明桂、钟慧洁、范蕊, 2016, “业绩考核制度可以促进央企创新吗?”, 《经济研究》, 第 12 期, 第 104-117 页。 |
[] |
袁建国、程晨、后青松, 2015, “环境不确定性与企业技术创新——基于中国上市公司的实证研究”, 《管理评论》, 第 10 期, 第 60-69 页。 |
[] |
张杰、郑文平、翟福昕, 2014, “竞争如何影响创新:中国情景的新检验”, 《中国工业经济》, 第 11 期, 第 56-68 页。 |
[] |
Ahuja G., Katila R., 2001, "Technological Acquisitions and the Innovation Performance of Acquiring Firms:A Longitudinal Study". Strategic Management Journal, 22(3), 197–220.
|
[] |
Bertrand M., 2004, "How Much Should We Trust Differences-in-Differences Estimates". Risk Management and Insurance Review, 119(1), 173–199.
|
[] |
Caggese A., 2012, "Entrepreneurial Risk, Investment and Innovation". Journal of Financial Economics, 106(2), 287–307.
|
[] |
Du J. L., Zhang Y. F., 2018, "Does One Belt One Road Initiative Promote Chinese Overseas Direct Investment?". China Economic Review, 47(2), 189–205.
|
[] |
Grant R. M., 1996, "Toward a Knowledge-based Theory of the Firm". Strategic Management Journal, 17(S2), 109–122.
|
[] |
Heckman J. J., Ichimura H., Todd P., 1997, "Matching as an Econometric Estimator:Evidence from Evaluating a Job Training Programme". Review of Economic Studies, 64(4), 605–654.
|
[] |
Hirshleifer D., Hsu P., Li D., 2013, "Innovative Efficiency and Stock Returns". Journal of Financial Economics, 107(3), 632–654.
|
[] |
Hsu P. H., Tian X., Xu Y., 2014, "Financial Development and Innovation:Cross-Country Evidence". Journal of Financial Economics, 112(1), 116–135.
|
[] |
Kogut B., Zander U., 1992, "Knowledge of the Firm, Combinative Capabilities, and the Replication of Technology". Organization Science, 3(3), 383–397.
|
[] |
Lueg R., Borisov B. G., 2014, "Archival or Perceived Measures of Environmental Uncertainty? Conceptualization and New Empirical Evidence". European Management Journal, 32(4), 658–671.
|
[] |
MacKinnon D. P, et al., 2002, "A Comparison of Methods to Test Mediation and other Intervening Variable Effects". Psychological Methods, 7(1), 83–104.
|
[] |
Tian X., Wang T. Y., 2014, "Tolerance for Failure and Corporate Innovation". Review of Financial Studies, 27(1), 211–255.
|