优秀企业做R＆D还是R＆D让企业更优秀?——基于中国制造业企业数据的研究

汤学良，周 建，吴万宗

(1.上海财经大学经济学院，上海 200433;2.上海财经大学国际工商管理学院，上海 200433)

一、引 言

企业研发与绩效关系的研究一直是学术界关注的焦点。通过文献梳理，我们发现三个方面的问题。首先，绩效指标的选取存在分歧。早期的文献将专利数作为绩效指标［1］［2］，但专利只是中间产出，不能代表企业R＆D的全部结果。企业创新不会都申请专利，专利也未必都具有转化价值。于是，有关学者提出以新产品产出作为绩效指标［3］［4］。同样地，创新活动结果不一定都是新产品。在研发投入的中国工业企业中，大约只有22%的企业产出新产品①根据中国工业企业数据库 (2005－2007)计算而得。。另外，R＆D中技术改进和工艺改造等创新无法通过新产品反映出来。为克服专利和新产品指标的缺点，后续研究对绩效指标的选择呈现多样性。既有以工业产值或销售收入作为绩效指标［5］［6］，也有以工业增加值作为绩效指标［7］，还有以全要素生产率作为绩效指标［8］。此外，部分学者考虑了公司的市场价值［9］，主要选择财务业绩作为替代［10］。其次，存在样本代表性和选择性偏误。企业研发问题的研究主要选择以大型企业、高科技企业和上市公司为分析样本［11］［12］［10］，存在着代表性不足的问题。周亚虹等(2012)使用国家统计局的工业企业数据讨论R＆D与企业绩效的关系［7］，有效地弥补了这一缺陷。此外，数据处理时删除没有R＆D投入或投入较低的样本会损失大量企业信息［10］，进而带来样本选择性偏误问题。但也有部分文献注意到了这一点，它们将R＆D为零的数据全部调整为0.01［7］，这样做的合理性仍值得商榷。最后，现有文献缺乏讨论R＆D与企业绩效的双向因果问题。R＆D投入对企业绩效产生影响，同时企业绩效也会影响到R＆D的决策。Bravo-Ortega和Marin(2010)初步讨论了生产率与研发之间可能存在的双向因果关系［13］，但其他文献较少考虑这一点，尤其缺乏企业绩效对R＆D决策影响的研究［14］。

针对现有研究的不足，本文进行了相应的补充:重点讨论企业R＆D与绩效的双向因果关系问题，填补绩效对R＆D影响研究的不足;对企业绩效采用多维度的度量指标，克服绩效指标选取对研究结论的影响;在样本选择方面，使用样本量大、代表性强的工业企业数据库;对企业R＆D行为的刻画主要考虑企业R＆D的参与变量，而没有选择R＆D投入变量，以免产生样本选择性偏误。

二、数据来源与变量选择

(一)数据处理

本文使用的是国家统计局维护的《中国工业企业数据库》，其优点是样本大、指标多、时间长。数据库包含的企业样本数逐年递增，仅2007年就有331420个企业样本。数据库所含的变量个数超过了100个，且以企业的财务指标为主。本文仅截取2004－2007年的企业样本，其原因主要在于:一是只有2005－2007年报告了企业R＆D投入情况;二是需要2004年的变量作为初始值估算企业的真实资本存量和TFP。我们依据两个原则对企业样本进行初筛:第一，关键的财务指标不能漏报(如总资产、固定资产净值余额、销售收入、工业总产值等);第二，企业的雇佣员工数不能低于8人。此外，由于国有企业和外资(包括港、澳、台资)企业的经营环境缺乏与一般企业的可比性，在实证中本文删除了这两类企业［15］。最后，根据Cai和Liu(2009)的做法，我们删除相关变量缺失的企业［16］。最后，样本中企业数目为851368家，其中2005－2007年共618071家。

(二)变量的选择与处理

本文涉及的变量包括企业的工业总产值、工业增加值、就业人数、年末固定资产净值余额、固定资产原值、R＆D投入和工资总额。其中，工业总产值和工业增加值经过Brandt et al.(2012)的4位代码行业层面的产出品价格指数进行平减［17］，工资总额根据消费价格指数进行平减，固定资产年末净值余额和固定资产原值主要用来估算企业的资本存量①本文采用永续盘存法计算资本存量，企业层面永续盘存的Stata算法可向作者索取。。

1.企业绩效变量。参考Bernard和Jensen(1999)的做法［18］，我们主要考虑两类指标:一是总量指标，包括工业总产值和企业规模(就业人数);二是效率指标，包括人均工业增加值、人均工资、全要素生产率(TFP)和人均资本。企业TFP的估算采用Olley和Pakes(1996)的方法［19］，该方法能有效克服估计生产函数时带来的同时性偏误和样本选择性偏误。

2.研发参与哑变量。依据R＆D投入定义企业研发参与哑变量。若R＆D投入大于0，说明该企业在当年开展了研发活动;若R＆D投入为0，则该企业当年没有开展研发。中国制造业企业R＆D参与度不高，平均水平只有11%左右。不同行业的R＆D参与度迥异，最高与最低相差9倍多。

3.其他控制变量。为保证做R＆D和不做R＆D企业之间的可比性，实证分析采用“实验组－对照组比较”方法时必须控制其他因素的影响，具体包括4位代码行业哑变量、地区哑变量和时间哑变量。

三、做R＆D的企业表现优秀吗?

本文首先讨论做R＆D与不做R＆D的企业在绩效上是否有显著差异，构建的回归模型如下:

其中，Xi表示企业绩效 (包括总量和效率指标)，R＆Di表示研发参与哑变量，Sizei表示企业规模，Industryi控制4位代码行业影响，Aerai控制地区影响。相对于不做R＆D的企业，β1反映了做R＆D的企业在经营表现上的差异。由表1可见，做R＆D的企业在绩效指标上显著地好于不做R＆D的企业。做R＆D的企业在规模上要高出78%左右，在工业总产值上高出35%－38%，在人均工业增加值上高出37%－39%，在人均工资水平上高出约22%，在TFP上也高出了34%左右。

表1 R＆D企业的绩效表现

那么，到底是优秀的企业选择了做R＆D还是R＆D使企业变得优秀?截面数据上的比较分析不足以回答这一问题，还需进一步分析企业在做R＆D前后的绩效差异。

四、优秀的企业选择做R＆D

本文首先分析当期做R＆D的企业是否之前 (受到数据限制，我们只能做到前两期)就已表现优秀。如果答案是肯定的，再讨论之前的经营表现是否影响企业当期R＆D决策。在水平值上分析当期做R＆D企业的先验绩效表现，我们构建的回归方程如下:

其中，Xi0表示企业初始年的绩效指标，R＆DiT表示企业最终年是否做R＆D的哑变量，Sizei0控制初始年企业规模，Industryi和Aerai分别控制行业效应和地区效应。β1捕捉了最终年做R＆D企业的先验绩效差异，回归结果如表2所示。显然，做R＆D的企业之前就已表现优秀:在企业规模上，做R＆D的企业在前一年吸收就业人数就高出42.5%－46.9%，甚至在前两年也高出38.5%;在工业总产值指标上，一年前就已高出24.5%－27.1%，两年前也仍高出21.1%;最终年做R＆D企业的先验效率指标也显著好于不做R＆D的企业，人均资本存量的差异最大，差异最小的是人均工资指标，但也显著超过8%。

表2 R＆D企业的先验绩效表现(水平值)

企业绩效表现除了反映在水平值上，还反映在指标的增速上。我们进一步考虑做R＆D企业在前期各项指标是否提升得也较快，构建的回归方程如下:

其中，ΔXiT－1表示企业在T期以前各项经营指标的变化速度 (如表3所示)，其余控制变量的含义与回归方程 (2)一致。显然，方程 (3)要求T≥2，因此只能以2007年为最终年进行分析。将β1的回归信息整理成表6，我们发现2007年做R＆D的企业以前的各项绩效指标增速均显著高于一直不做R＆D的企业。其中，企业规模增速高出3.17%，工业总产值增速高出6.52%，人均工业增加值增速高出4.91%，人均工资增速高出3.62%，人均资本存量和TFP的增速分别高出4%和4.02%。

表3 企业绩效指标变化幅度和先验绩效表现 (N=50435)

综合表2、3后我们认为当期做R＆D的企业在之前就已表现优秀。那么，是否表现优秀的企业更会选择做R＆D?根据Aw et al.(2008)的研究，企业是否做R＆D取决于预期收益是否大于成本［20］，即

其中，Rit、Cit分别表示当期的收入与可变成本，ΔVit+1表示做R＆D带来的预期价值增加值，δ表示贴现率，SC表示做R＆D活动的沉没成本，R＆Dit、R＆Dit－1分别表示企业当期和滞后一期的R＆D状态。若前一期做R＆D了，则当期做R＆D无需再支付沉没成本。企业的Rit、Cit和Vit+1实际上是由企业自身特征和经济环境决定的，改写 (4)式后可得:

其中，εit是扰动项，Xit包含企业特征和经济环境。我们将 (5)式写成线性概率模型 (LPM)的形式:

其中，αi为企业异质性，Xit是企业绩效特征，经济环境特征控制在Di中。LPM模型能控制不可观测的异质性αi和处理R＆Dit－1带来的动态影响，但(6)式仍存在同时性问题①绩效特征Xit也受企业R＆Dit的影响，我们参考Bernard和Jensen(1999)的做法采用滞后期来削弱同时性问题［18］。。因此，我们将Xit取滞后一期Xit－1来削弱同时性问题。数据的时间跨度只有三年，由于First Difference-GMM方法失效，我们采用Systerm-GMM方法，以变量的滞后两阶作为工具变量，估计的方程为:

其中，β捕捉了企业先前的绩效表现是否对当期R＆D决策产生影响。由表4显示，滞后一期的绩效对当期R＆D决策的影响均为正，R＆D活动的惯性影响最大(0.573)，回归结果支持优秀企业选择做R＆D的结论。

表4 企业的R＆D决策((t-1)期)

五、做R＆D使得企业更优秀吗?

接下来，我们仍采用“实验组-对照组比较”方法讨论做R＆D的企业是否在绩效上提升得更快，具体的回归方程如(8)式所示。其中，XiT度量企业绩效的增速，R＆Di0为企业在初始期R＆D状态哑变量。

表5 企业当期做R＆D对绩效增速的影响

显然，当期选择做R＆D的企业，在总量指标上的增速要快于当期不做R＆D的企业，但在人均效率指标上表现较差。在TFP的增速上，做R＆D的企业表现混乱且不显著，造成这一结果的原因可能是式(8)只利用了企业当期R＆D活动的静态信息，而没有考虑动态信息。在做R＆D时，有些企业是新进入的，有些企业是持续做的，还有些企业则中途停止了。利用这些动态信息对企业重新分类，我们构建的回归模型为:

其中，StartiT、BothiT和StopiT分别代表在T期新进入做R＆D、开始和最后都做R＆D及开始做R＆D后来停止做R＆D的企业，对照组是在0－T期一直不做R＆D的企业，β1、β2和β3的回归结果如表6所示。

表6 R＆D的动态行为对企业绩效增速的影响

由表6可知，新进入R＆D的企业(StartiT=1)规模指标的增速比较快，效率指标增速也表现优秀(尽管人均资本存量增速表现为负值，但不显著);持续做R＆D的企业(BothiT=1)在工业总产值和企业规模上的增速较快，但在效率指标增速上表现较差，令人疑惑的是TFP增速还不如新进入的企业;退出R＆D的企业(StopiT=1)仅在企业规模的增速上好于不做R＆D的企业，其余指标增速均表现最差。

最后，本文讨论R＆D对企业退出的影响。工业企业数据库是分年度对企业进行的调查数据，它记录了企业的存续状态。若数据库中企业在某年度消失，其原因一般有两个:一个是直接退出市场;另一个是销售收入大幅下降(小于500万元)。这两个原因均指向企业经营上的失败，因而我们将企业下一期不存在于数据库中定义为经营失败，更稳健的做法是将企业后续两期均不存在于数据库中定义为经营失败。据此，本文考虑下述的Probit模型:

其中，Failit=1表示企业在t期不存在于数据库中(更稳健的是t和(t+1)期均不存在)，R＆Dit－1表示企业在(t－1)期R＆D状态哑变量，Xit－1表示企业在(t－1)期的其他控制变量，系数γ捕捉做R＆D对企业经营失败的影响。对于其他控制变量，我们谨慎地选择了企业规模和年龄①Olley和Pakes(1996)认为规模大的企业不易失败［19］。考虑到做R＆D会促进企业规模扩张，将这种间接影响分离出来需控制企业规模。在竞争性行业中，企业年龄大容易退出，本文预期企业规模的系数为负，年龄的回归系数则为正。，并控制行业、地区和时间效应。

表7 做R＆D降低企业经营失败的概率

表7的结果显著地支持了做R＆D能降低企业经营失败的概率。从稳健的回归结果看，做R＆D使企业经营失败的风险降低20%左右。另外，企业规模和年龄对企业经营失败的影响与预期结论是一致的。

六、评述与政策建议

基于中国工业企业数据(2005－2007)，本文探讨企业R＆D行为与绩效表现的关系，发现做R＆D的企业绩效均比不做的要好。因为做R＆D的企业原先的经营表现就已比较优秀了，而且优秀的企业更会选择做R＆D。然而，一旦企业选择做R＆D后，R＆D对其绩效提升的作用就比较混乱了，R＆D的主要作用表现为企业快速扩张，企业规模和工业总产值扩张的速度显著提高，而对人均效率指标的增速几乎没有促进作用。考虑到R＆D活动的动态性，我们发现初次进行R＆D的企业TFP增速提高最明显，虽然持续做R＆D的企业TFP增速也较快，但远落后于初次进行R＆D的企业。当然，做R＆D可以降低企业经营失败的风险。

做R＆D对企业总量和效率指标增速的不同影响可从三个方面理解:第一，我国制造业企业的研发活动主要是对已有技术的学习、模仿和转化，自主创新研发较少，新进入R＆D的企业可学习的先进技术多，在效率方面具有很强的“追赶效应”，所以TFP的增速是最快的。持续做R＆D的企业可学习的先进技术变少，TFP增速反而会减弱。第二，做R＆D让企业获得较强的盈利能力后，企业会寻求扩张，由于国内劳动力充裕且成本较低，企业优先选择增加雇佣人员的粗放增长模式。第三，员工人数迅速扩张稀释了以人均值度量的效率指标，因此在人均工业产值、人均工资和人均资本存量的增速方面R＆D几乎没有促进作用，只有新进入R＆D的企业可能例外，因为这类企业TFP的提高最快，由此带来的绩效提升不易被人均值稀释。

当前，我国经济发展进入“新常态”，维持经济中高速增长的同时需对经济结构进行调整。本文的研究可为“新常态”下经济调控提供两点管理启示:短期看，提高企业研发活动的参与度仍具有积极的作用，有助于促进工业产值和吸纳劳动力就业;长期看，需对我国制造业企业研发活动进行结构性调整，刺激企业提升研发的质量，以学习和模仿先进技术为主转向以自主创新的研发为主，以保证制造业企业效率的持久提高。

［1］ Hausman J.，Hall B.，Griliches Z.Econometric model for count data with an application to patent R＆D relationship ［J］．Econometrica，1984，52(7)，pp.909－938.

［2］冒佩华，周亚虹，黄鑫，夏正青.从专利产出分析人力资本在企业研发活动中的作用［J］.财经研究，2011，(12):118－128.

［3］冯根福，刘军虎，徐志霖.中国工业部门研发效率及其影响因素实证分析［J］.中国工业经济，2006，(11):46－51.

［4］张海洋，史晋川.中国省际工业新产品技术效率 ［J］.经济研究，2011，(1):83－96.

［5］ Wakelin K.Productivity growth and R＆Dexpenditure in UK manufacturing firms［J］.Research Policy，2001，30(7)，pp.1079 －1090.

［6］何玮.我国大中型工业企业研究与开发费用支出对产出的影响——1999－2000年大中型工业企业数据的实证分析［J］.经济科学，2003，(3):5－11.

［7］周亚虹，贺小丹，沈姚.中国工业企业自主创新的影响因素和产出绩效研究［J］.经济研究，2012，(5):107－119.

［8］吴延斌.R＆D与生产率——基于中国制造业的实证研究［J］.经济研究，2006，(11):60－71.

［9］ Warusawitharana M.Research and development，profits and firm value:A structural estimation ［R］ .Working Paper，2008，NBER.

［10］陆国庆.中国中小板上市公司产业创新的绩效研究 ［J］.经济研究，2011，(2):138－148.

［11］吴延斌.R＆D存量、知识函数与生产效率 ［J］.经济学(季刊)，2006，(4):1129－1156.

［12］邓进.中国高新技术产业研发资本存量和研发产出效率［J］.南方经济，2007，(8):56－64.

［13］ Bravo－Ortega，Marin.R＆D and productivity:A two way avenue?［J］ .World Development，2010，39(7)，pp.1090 －1107.

［14］任海云，师萍.企业R＆D投入与绩效关系研究综述［J］.科学学与科学技术管理，2010，(2):143－151.

［15］路江涌.民营化之路——轨迹与现象的理论解释［M］.杭州:浙江大学出版社，2008.

［16］ Cai H.B.，Liu Q.Competition and corporate tax avoidance:Evidence from Chinese industrial firms ［J］ .Economic Journal，2009，119(4)，pp.764－795.

［17］ Brandt L.，Van Biesebroeck J.，Zhang Y.F.Creative accounting or creative Destruction?Firm －level productivity growth in Chinese manufacturing ［J］ .Journal of Development Economics，2012，97(2)，pp.339 －351.

［18］ Bernard A.，Jensen B.Exceptional exporter performance:Cause，effect or both?［J］ .Journal of International Economics，1999，47(1)，pp.1－25.

［19］ Steven O.，Pakes A.The dynamic of productivity in the telecommunications equipment industry ［J］ .Econometrica，1996，64(6)，pp.1263－1297.

［20］ Aw B.Y.，Roberts M.J.，Xu D.R＆D investment，exporting and evolution of firm productivity ［J］ .American Economic Review，2008，98(2)，pp.451－456.