财政补贴是否能促进制造业创新？——基于PSM-DID方法的实证研究

刘 鹏，张 雯，胡 睿

(安徽工程大学 经济与管理学院，安徽 芜湖 241000)

新中国成立以后、尤其是改革开放40多年来，我国制造业飞快发展并迅速建成了门类齐全、独立完整的产业体系。根据国家2017年10月1日开始实施的《国民经济行业分类》(GB/T4754—2017)划分，我国制造业共有41个工业大类，又可分为207个工业中类和666个工业小类，此外，我国制造业涉及几百个领域，占全球规模20%左右，是制造业的第一大国。无疑，制造业的发展有力地推动了我国工业化和现代化进程，显著增强了我国的综合国力。

然而，与世界先进水平相比，我国制造业仍然存在不少问题。李烨和郭继辉[1]认为传统制造业转型有制度性和政策性障碍，要加强制度与政策创新；胡迟[2]提出制造业平均技术水平低，解决方法是要把握好技术与创新方向；丁雪和张骁[3]从企业价值链视角分析制造业转型升级的策略是要依托自主技术和产品研发来实现链条升级；盛朝迅[4]以中美比较为视角发现我国制造业发展内生动力不足，突出表现在自主创新能力不足，提出要实施重点科技成果转化的解决方法。

简单归纳上述学者的研究可知，制造业问题集中反映为自主创新能力的不足。伴随全球化进程的不断深入，创新作为社会发展的深层动力已然成为我国经济发展新常态下的新引擎。自2015年“中国制造2025”重大战略的问世，制造业创新上升到了前所未有的新高度。在国际社会局势复杂多变，全球经济趋势走向尚不明朗的情况下，政府补贴成为我国政府促进制造业创新的重要手段，以此来推动行业结构的战略升级。

A省作为以制造业发展为主的传统大省，其制造业创新效果具有典型的研究意义。且在深入贯彻落实“中国制造2025”战略的同时，A省于2017年4月发布了《A省人民政府关于印发支持制造强省建设若干政策的通知》，提出自2018年起对A省制造业给予一定的财政补贴、鼓励其创新发展(见表1所示)。无疑，评估A省制造业创新的财政补贴政策效果具有较强的现实意义。

表1 《A省人民政府关于印发支持制造强省建设若干政策的通知》财政补贴的相关政策

一、 文献综述

关于财政补贴的政策效果问题，相关学者的研究并不少见，但不同学者的研究结论却难以统一，甚至会大相径庭。

一部分学者认为财政补贴具有促进效应，能正向提升制造业的创新水平。例如，González和Pazó[5]使用西班牙2214家制造业企业数据进行实证回归，发现补贴政策对创新有促进作用。当企业没有得到政策支持时，部分企业会失去研发积极性、甚至停止研发创新活动；Hewitt-Dunda和Roper[6]使用爱尔兰和北爱尔兰1994～2002年数据，通过面板回归表明财政补贴显著提高了企业研发创新活动的比重；游达明和朱桂菊[7]通过构建“补贴→研发→生产”三阶段动态博弈模型，研究表明财政补贴不会产生阻碍，而且能够提高企业技术创新的积极性。

一部分学者认为财政补贴具有挤出效应，会反向削弱制造业的创新水平。例如，Blanes和Busom[8]基于美国数据、采用联立方程模型的实证方法，发现大约有30%的企业存在因财政补贴而产生挤出效应的现象；Wallsten[9]应用美国SBIR数据库数据，通过非平衡面板回归发现财政补贴对中小企业研发创新挤出效应更加明显；肖文和林高榜[10]认为由于政府追求远期目标与企业追求短期目标形成了较大的冲突，政府财政补贴支持并不利于技术创新效率的提升；乔洪武和朱亚男[11]认为，由于政府和企业之间存在信息不对称，企业发送虚假信息骗取补助，使得财政补贴产生“逆向”激励作用。

还有一部分学者认为财政补贴具有门槛效应，制造业创新水平在既定区间凸显。毛其淋和许家云[12]利用工业企业数据进行门槛面板回归后认为，制造业创新补贴强度的最优区间是[0.0009，0.0399]，一旦超出这个范围就会抑制企业的创新水平；张杰[13]基于2008～2014年全国企业创新调查数据库的微观数据进行门槛面板回归后发现财政补贴对民营企业的创新投入总体上呈现出显著的U型关系激励效应，这意味着财政补贴的规模必须达到一定临界值才会对企业创新投入产生挤入效应，否则就会产生挤出效应。

虽然前人的研究已经非常丰富，但仍然存在两点可供深入研究的方向：第一，立足于某一省份或地区，以更加细化的微观数据量化财政补贴政策的具体效果。现有研究多以一国为主体，虽然研究样本足够丰富，但由于地方异质性和样本代表性问题的存在，往往难以客观衡量政策在特定地区的执行效果；第二，定量研究在内生性问题的解决上较为乏力，不同研究的实证结果存在较大差异。现有研究多采用面板模型或门槛回归度量财政补贴的政策效果，其结果的可靠性与可信性均存在一定问题，对于政策冲击这一准自然实验方法的具体量化尚存在一定改进空间。

本文正是在上述两方面进行了一定探索：一方面，以A省2018年生效的财政补贴政策为评估对象，手动收集A省上市公司的微观数据，评估这一准自然实验的创新效果，以求全面刻画A省促进制造业创新的财政补贴政策作用。另一方面，采用PSM-DID的前沿方法，有效解决了样本选择偏差造成的内生性问题，同时以一系列稳健性检验、以实现对实证效果的有效反馈，确保实证研究的可靠性与可信性。

二、 实证方法与研究指标

(一) 基于PSM-DID的实证方法

为了有效评估财政补贴政策对A省制造业创新的影响效应，其重点在于克服内生性问题对评估结果的影响，合理还原出财政补贴政策这一准自然实验的冲击效果。因此，在实证方法的选择上，我们选择倾向得分匹配—双重差分法(PSM-DID)进行实证分析。

第一步，利用倾向得分匹配(PSM)方法进行样本匹配。将受财政补贴政策影响的制造业样本视为实验组(treat=1)，将未受政策影响的其他行业视为对照组(treat=0)，从对照组中选择一系列与实验组具有相同特征的样本进行匹配，以有效的解决样本选择偏差造成的内生性问题。

第二步，利用匹配后的样本构建双重差分(DID)模型。通过构建行业虚拟变量与时间虚拟变量的交叉项(treat*post)代表财政补贴这一准自然实验政策度量其对企业创新的影响效果。同时将一系列控制变量纳入模型之中、辅之以一系列稳健性检验，以实现对实证效果的有效反馈。

(二) 指标选取与数据来源

1.指标选取。第一， 被解释变量选取。为了有效测度企业创新这一被解释变量，分别选取企业创新绩效与企业创新产出两个指标进行度量[14][15]。其中，企业创新绩效(rdr1)用新产品产值/企业总产值的比率表示，企业创新绩效(rdr2)用企业专利申请数量进行表示。

第二， 解释变量选取。核心解释变量为财政补贴政策，用treat*post这一政策交叉项进行度量。其中，treat*post=1，表示受政策影响的制造业企业；treat*post=0，则表示未受到政策冲击的企业。

第三， 控制变量选取。首先，本文的控制变量包括treat和post两个基本虚拟变量。treat为行业虚拟变量，treat=1表示制造业、treat=0表示其他行业；post为年份虚拟变量，post=1表示政策实施以后的年份、即2018年及以后，post=0表示政策尚未实施的年份、即2017年及之前。其次，为了有效解决遗漏变量造成的内生性问题，本文选择包括股权性质、企业规模、经营现金流、总资产报酬率、融资约束、资产负债率、托宾Q值等指标作为控制变量[16][17]。在实证分析中同时控制了年度效应(year)与城市效应(city)，相关指标的具体解释见表2所示。

2.数据来源。由于A省促进制造业创新的财政补贴政策自2018年开始生效，出于数据可得性考虑，本文进行实证研究的数据时间跨度选取为2015～2020年。其中，企业创新数据来源于A省上市公司的年度财务报表和企业专利数据库，其他控制变量数据来源于WIND数据库和CSMAR数据库。为了消除异常值的影响，本文剔除了ST企业并对数据在5%水平上进行Winsorize处理，共收集了142家A省上市公司连续6年的微观数据。

(三) 模型建立与描述性统计

1.实证模型：

rdr1it=α0+α1treatit*postit+βcontorlit+yeart+cityi+σit

(1)

rdr2it=α0+α1treatit*postit+βcontorlit+yeart+cityi+σit

(2)

其中，i和t分别代表企业和时间，treat和post则分别代表行业虚拟变量和时间虚拟变量，σit表示随机误差项。通过构建包括城市个体效应、年份效应的双重固定效应模型，观察treat和post的交互项系数来评估财政补贴对A省制造业创新的实证影响。

2.描述性统计。如表3所示，被解释变量rdr1和rdr2两个企业创新指标的标准差分别为11.75和3.86，且5%分位数、25%分位数、50%分位数、75%分位数与95%分位数之间存在显著差异。表明样本研究期间，不同企业的创新效果具有显著不同，为后文分析制造业补贴的实证效果提供了客观基础。

表3 变量描述性统计

三、 样本匹配与实证回归

(一) 样本匹配结果

如图1所示，在进行PSM样本匹配之前，实验组和对照组具有不同的特征趋势，其概率分布分布呈右偏和左偏特征。在进行PSM匹配之后，实验组和对照组具有了相同的特征趋势，实证回归中内生性问题得到了有效控制。

图1 样本匹配前后的倾向得分核密度图

(二)实证回归的基本结果

进行PSM样本匹配之后，利用DID(双重差分法)进行基础实证回归(见表4)。一方面，将创新绩效(rdr1)作为因变量，财政补贴政策的实施(treat*post)作为自变量，同时控制城市个体效应、年份效应等因素进行实证回归，表明财政补贴能有效促进A省制造业创新，其创新绩效有显著提高，表4的回归结果(1)和(2)即证明了这一点。(1)和(2)分别代表实证回归中是否控制了诸如股权性质、企业规模等影响因素。结果表明，无论是否将控制因素纳入回归模型中，其实证结果依然显著；另一方面，创新产出(rdr2)作为因变量，财政补贴政策的实施(treat*post)作为自变量，同时控制城市个体效应、年份效应等因素进行实证回归，其结果依然表明财政补贴能有效促进A省制造业创新，其创新产出有显著提高，表4的回归结果(3)和(4)即证明了这一点。(3)和(4)分别代表实证回归中是否控制了诸如股权性质、企业规模等影响因素。结果表明，无论是否将控制因素纳入回归模型中，其实证结果同样显著。

表4 基础回归结果

变 量rdr1rdr2(1)(2)(3)(4)(0.0286)(0.0372)(0.0360)(0.0363)treat∗post20190.0782∗∗∗0.2244∗∗∗0.1893∗∗∗0.2052∗∗∗(0.0287)(0.0395)(0.0380)(0.0381)treat∗post20200.0570∗0.2295∗∗∗0.1993∗∗∗0.2182∗∗∗(0.0294)(0.0408)(0.0398)(0.0401)constant3.1304∗∗∗4.6043∗∗∗3.5126∗∗∗3.4302∗∗∗(0.0147)(0.2768)(0.3547)(0.3387)control否是否是个体固定效应是是是是时间固定效应是是是是城市固定效应是是是是N852852852852R-squared0.0050.0530.0710.082

总结来看，财政补贴政策确实能有效促进A省制造业创新。同时，从表6中可以发现，其促进效果具有较强的持续性。财政补贴的政策效果于2018年开始凸显，2019、2020等之后年份的影响效果依旧十分显著，且其正向影响在不断提高。可见，财政补贴政策的创新效果十分突出。

四、 稳健性检验

(一)平行趋势检验

是否满足平行趋势是双重差分回归的必要前提，除了图1提供了初步证据之外，还要进行有效的计量检验。尤其是财政政策的影响效果具有一定的时滞性，平行趋势检验必不可少。具体做法为：以2017年为基期构建年份虚拟变量与实验组的交互项，如果满足平行趋势的基本假设，则2015～2017年的估计系数将与0无显著差异，其检验结果见图2所示。在95%的置信区间内，2015～2017年之间不存在显著差异，2018～2020年之间存在显著差异。由此可见，在财政补贴政策执行之前，实验组和对照组之间的行业创新结果不存在显著差异，具有相同的平行趋势。

图2 平行趋势检验图

(二)改变窗口期和反事实检验

为了验证实证结果的有效性，还进行了动态窗口检验，分别将政策影响的窗口期改为5年、4年、3年、2年，缩小样本量进行双重差分回归，其结果依然十分显著，见表7所示。在窗口期改变的情况下，无论使用rdr1抑或rdr2作为因变量进行回归，实证结果同样证明了财政补贴政策的有效性，其分别在1%和5%的水平下通过了显著性检验。

表5 改变窗口期和反事实检验

此外，我们进行反事实检验。其具体做法为：假设财政补贴政策的实施年份分别为2015年和2016年，并分别构建年份虚拟变量与实验组的交互项进行实证回归，其结果并不显著(见表5)。通过改变政策实施年份进行反事实检验，可以证明，财政补贴政策确实从2018年开始生效，前文实证回归的有效性得到了验证。

(三) 安慰剂检验

所谓安慰剂检验，即是为了验证实证结果是否还受到了除财政补贴政策以外其他遗漏变量的影响。其具体做法为：随机在实验组中产生虚拟政策年份，构建“年份—城市”之间的随机试验，按照表4中(2)和(4)列的模型进行回归，以虚拟实验的回归系数概率验证实证结果的可信性。本文在进行了500次重复实验之后，其实验结果的估计系数均在0附近均匀分布，见图3所示。可见本文的实证结果并未受遗漏变量等影响，模型不存在内生性问题。

图3 安慰剂检验

表6 改变实证估计方法

(四) 改变实证估计方法

最后，通过改变实证估计方法验证PSM-DID的有效性。分别采用OLS和DID进行直接回归，其结果依然稳健(见表6)，分别在1%和5%的水平下通过了显著性检验。可见，无论采用何种实证方法均能证明，A省财政补贴政策确实能有效提高制造业创新水平。

五、 异质性分析

(一) 政策受益的地域差异

将A省142家上市公司按照地域分布划分为沿江地区城市(6个)、省会周边城市(4个)以及其他城市三大地域，根据表4中第(2)和(4)列的模型进行回归后发现，财政补贴政策具有明显的受益地域差异(见表9)。

表7 财政补贴政策受益的地域差异

其中，省会周边城市的政策受益性最高，财政补贴政策对该地区制造业创新具有显著的正向促进作用；相比来看，沿江地区的政策受益性较差，仅在10%的水平下通过了显著性检验，且其正向促进作用仅为省会周边城市的1/4；而其他城市的制造业创新效果则并不显著，这与A省上市行业的地域分布差异存在一定关联。总体来看，A省财政补贴政策的创新效果主要映射于省会周边城市。

(二) 政策受益的产权差异

除了地域差异之外，财政补贴政策的受益同样存在较大的产权差异。我们按照样本企业的权属不同，划分为国有企业和非国有企业。其中，国有企业59家、在A省上市企业中占比为41.54%；非国有企业(包括民营企业、中外合资、国外独资等企业)83家、在A省上市企业中占比为58.46%。根据表6中第(2)和(4)列的模型进行回归后发现，财政补贴政策同样具有明显的受益产权差异，见表10所示。

表8 财政补贴政策受益的产权差异

其中，国有企业具有明显的政策受益性，而政策影响对非国有企业却没有起到作用，当然这与制造业企业产权分布具有一定关联，如铜陵有色、芜湖海螺等大型制造型企业其产权多为国家所有。总体来看，A省财政补贴政策的创新效果主要映射于国有企业。

表9 财政补贴政策受益的规模差异

(三) 政策受益的规模差异

此外，不同企业规模下也存在较大的政策受益差异。按照企业规模大小不同，我们将企业资产自然对数的中位数以上企业划分为大规模企业，其他为小规模企业。根据表6中第(2)和(4)列的模型进行回归后发现，财政补贴政策同样具有明显的受益规模差异(见表11)。A省大规模企业具有显著的创新受益性、而数量众多的小企业却没有从政策中获益。

六、 结论

总结全文研究结果，可以得到以下三点结论：

第一， 从整体来看，财政补贴确实能有效促进A省制造业创新，且政策效果具有较强的持续性。A省财政补贴的政策效果于2018年开始凸显，2019、2020等之后年份的影响效果依旧十分显著，且其促进效应不断提升。

第二， 政策受益具有明显的地域差异，省会周边城市的制造业创新效果显著，其他城市的制造业创新效果不佳。从地域分布来看，A省财政补贴政策的创新效果主要映射于以省会城市为代表的周边城市。

第三， 国有制造业和大型制造业的创新效果显著，其他制造业创新效果不佳，财政补贴效果具有显著的产权差异和规模差异。非国有制造业和小型制造业的创新效果不显著，政策影响范围存在一定偏差。

本文建议应实现A省财政补贴政策的精准辐射：一方面，鼓励省会周边以外的城市出台地方财政补贴激励政策，重点培育沿江城市的制造业创新能力；另一方面，加强对现有政策的改进完善，重点加强对小型非国有企业的补贴倾斜，实现政策效果的均等化覆盖。