周衍平 耿芳菲 陳會(huì)英 吳國慶

【摘要】進(jìn)入新時(shí)代，創(chuàng)新發(fā)展成為主旋律，R&D投入對企業(yè)創(chuàng)新績效的影響備受關(guān)注。以2010～ 2017年中小板企業(yè)為樣本，使用廣義傾向得分匹配法，在“反事實(shí)”框架下構(gòu)建劑量反應(yīng)函數(shù)和處理效應(yīng)函數(shù)，對這兩者之間的關(guān)系進(jìn)行深入分析。研究發(fā)現(xiàn)：一方面，R&D投入與企業(yè)創(chuàng)新績效的關(guān)系并非簡單的線性關(guān)系，而是呈“倒U型”；另一方面，企業(yè)增加R&D投入與不進(jìn)行R&D投入相比，增加R&D投入所帶來的相對優(yōu)勢是逐漸下降的，且R&D投入對企業(yè)創(chuàng)新績效的影響存在無效區(qū)域。我國中小企業(yè)在加大R&D投入的同時(shí)，還要注重R&D資源的優(yōu)化配置，國家也應(yīng)在此方面加大政策扶持力度。

【關(guān)鍵詞】R&D投入；企業(yè)創(chuàng)新績效；廣義傾向得分匹配法；無效區(qū)域

【中圖分類號】F273.1；F224.0【文獻(xiàn)標(biāo)識碼】A【文章編號】1004-0994（2019）20-0149-12

【基金項(xiàng)目】國家社會(huì)科學(xué)基金項(xiàng)目“植物新品種創(chuàng)新利益分配模式與契約機(jī)制設(shè)計(jì)研究”（項(xiàng)目編號：17BJY129）；國家社會(huì)科學(xué)基金項(xiàng)目“生物技術(shù)背景下植物品種權(quán)資本化運(yùn)營制度創(chuàng)新研究”（項(xiàng)目編號：16BJY111）

一、引言

十九大報(bào)告強(qiáng)調(diào)，創(chuàng)新是引領(lǐng)發(fā)展的第一動(dòng)力，是建設(shè)現(xiàn)代化經(jīng)濟(jì)體系的戰(zhàn)略支撐，要把加快建設(shè)創(chuàng)新型國家作為我國現(xiàn)代化建設(shè)的戰(zhàn)略性舉措。為此，企業(yè)要想在不斷加劇的市場競爭中求得生存和發(fā)展，就必須提高自身創(chuàng)新能力，掌握核心技術(shù)，不斷實(shí)現(xiàn)技術(shù)創(chuàng)新，打造自身的優(yōu)勢以及培養(yǎng)雄厚的綜合實(shí)力[1]，為加快創(chuàng)新型國家建設(shè)貢獻(xiàn)力量。研究與開發(fā)（Research and Development，R&D）作為技術(shù)創(chuàng)新的重要環(huán)節(jié)之一，是企業(yè)發(fā)展的重要?jiǎng)?chuàng)新來源和創(chuàng)新的決定因素，合理配置科技資源可以提高企業(yè)設(shè)備和工藝的技術(shù)水平，給企業(yè)帶來直接的經(jīng)濟(jì)效益[2]。

R&D投入和企業(yè)創(chuàng)新績效之間的關(guān)系已經(jīng)得到了國內(nèi)外相關(guān)學(xué)者的廣泛關(guān)注。該類研究最早起源于發(fā)達(dá)的工業(yè)國家，其中大部分認(rèn)為R&D投入與企業(yè)創(chuàng)新績效顯著正相關(guān)。不過現(xiàn)有研究并沒有達(dá)成一致的觀點(diǎn)，R&D投入對企業(yè)創(chuàng)新績效的影響或多或少會(huì)受到其他因素的干擾，而現(xiàn)有文獻(xiàn)對于這些影響因素的控制還存在一些不足，這就帶來了研究結(jié)果的不確定性。鑒于以上背景，本文選取我國2010～2017年中小板企業(yè)作為研究樣本，使用廣義傾向得分匹配（Generalized Propensity Score，GPS）法，在“反事實(shí)”框架下，通過進(jìn)一步控制“自選擇效應(yīng)”和其他因素的影響，深入探析R&D投入對企業(yè)創(chuàng)新績效的影響。

R&D投入真的能夠提升企業(yè)創(chuàng)新績效嗎？本文通過GPS方法，不僅可以在“反事實(shí)”框架下明確R&D投入對企業(yè)創(chuàng)新績效的影響，還能探討不同R&D投入強(qiáng)度對企業(yè)創(chuàng)新績效影響的動(dòng)態(tài)變化過程，從而發(fā)現(xiàn)R&D投入的理想?yún)^(qū)域。另外，通過研究，還能明確對于同一個(gè)企業(yè)進(jìn)行不同強(qiáng)度的R&D投入與不進(jìn)行R&D投入而言對創(chuàng)新績效的影響具有何種區(qū)別，以幫助企業(yè)管理者們在是否進(jìn)行R&D投入之間該如何做出正確的決策提供實(shí)證經(jīng)驗(yàn)。

二、文獻(xiàn)綜述

眾多國內(nèi)外學(xué)者都對R&D投入對企業(yè)創(chuàng)新績效的影響進(jìn)行過研究，以期企業(yè)能夠通過合理的R&D投入提高技術(shù)成果產(chǎn)出，最終實(shí)現(xiàn)提高企業(yè)生產(chǎn)率的目的。Raymond等[3]使用荷蘭和法國制造業(yè)企業(yè)的數(shù)據(jù)，通過四個(gè)非線性動(dòng)態(tài)聯(lián)立方程描述了從R&D到創(chuàng)新績效，再從創(chuàng)新績效到生產(chǎn)率的轉(zhuǎn)換過程，最終明確了企業(yè)R&D投入對提高生產(chǎn)率所發(fā)揮的關(guān)鍵性作用。余淑秀、盧山冰[4]發(fā)現(xiàn)R&D投入能夠顯著提升我國汽車制造業(yè)的技術(shù)創(chuàng)新能力，并且還能正向調(diào)節(jié)FDI對企業(yè)創(chuàng)新績效的促進(jìn)作用。王素蓮、阮復(fù)寬[5]進(jìn)一步研究發(fā)現(xiàn)，企業(yè)家越偏好承擔(dān)風(fēng)險(xiǎn)，R&D投入與公司績效之間的正相關(guān)關(guān)系越強(qiáng)，這對進(jìn)一步明確R&D投入與企業(yè)績效關(guān)系異質(zhì)性的作用機(jī)理具有重要的理論意義。隨著研究的深入，部分學(xué)者發(fā)現(xiàn)在一些因素對企業(yè)創(chuàng)新績效的影響中R&D投入還起到了中介作用。如丘東等[6]和高雨辰等[7]分別驗(yàn)證了政府的R&D投入和研發(fā)補(bǔ)貼對地方或企業(yè)創(chuàng)新績效的作用是通過企業(yè)R&D實(shí)現(xiàn)的，楊林等[8]發(fā)現(xiàn)高管團(tuán)隊(duì)海外行業(yè)經(jīng)驗(yàn)對企業(yè)創(chuàng)新績效的影響完全是通過R&D投入這一中介變量實(shí)現(xiàn)的，陳巖等[9]認(rèn)為家族所有權(quán)會(huì)通過R&D投入的中介機(jī)制對創(chuàng)新績效產(chǎn)生影響。不過，以上研究卻忽視了R&D投入對創(chuàng)新績效可能并不是簡單的非線性影響。王康、周孝[10]通過實(shí)證檢驗(yàn)發(fā)現(xiàn)，隨著R&D強(qiáng)度或企業(yè)規(guī)模的增大，持續(xù)的R&D投入將對技術(shù)創(chuàng)新績效產(chǎn)生非線性影響，即呈現(xiàn)出“負(fù)向——正向——負(fù)向”的變化趨勢。同樣，周密等[11]、易靖韜等[12]也認(rèn)為R&D投入將對創(chuàng)新績效產(chǎn)生非線性影響。

不過，現(xiàn)實(shí)中創(chuàng)新績效高的企業(yè)往往傾向于更高的R&D投入，也就是創(chuàng)新績效高的企業(yè)本身R&D投入就高，即存在“自選擇效應(yīng)”。而“自選擇效應(yīng)”會(huì)帶來內(nèi)生性問題，以往學(xué)者在研究R&D投入對企業(yè)創(chuàng)新績效的影響時(shí)往往忽略了這一問題。同時(shí)，研究R&D投入對企業(yè)創(chuàng)新績效的影響，應(yīng)當(dāng)排除其他因素對R&D投入和企業(yè)創(chuàng)新績效的影響，如企業(yè)規(guī)模、企業(yè)的償債能力和盈利能力等均會(huì)對R&D投入和企業(yè)創(chuàng)新績效產(chǎn)生影響。只有控制了其他因素的干擾，才能更準(zhǔn)確地研究R&D投入對企業(yè)創(chuàng)新績效的影響。而對于已經(jīng)進(jìn)行一定R&D投入的企業(yè)不能直接驗(yàn)證其不進(jìn)行R&D投入的情況，即“反事實(shí)”。

匹配方法是一種較好地控制“自選擇效應(yīng)”和其他因素影響的方法，可以在“反事實(shí)”分析的框架下，選出主要特征最接近的企業(yè)個(gè)體進(jìn)行比較，從而可以較準(zhǔn)確地分析R&D投入對企業(yè)創(chuàng)新績效的影響，即凈效應(yīng)。但是由Rubin等[13]提出的傾向得分匹配（Propensity Score Matching，PSM）方法只適用于0或1的二值型處理變量，即只能分析R&D投入與否（有為1，沒有為0）對企業(yè)創(chuàng)新績效的影響。值得注意的是，R&D投入對企業(yè)創(chuàng)新績效的影響，不僅取決于企業(yè)是否有R&D投入，而且R&D投入強(qiáng)度的差異對企業(yè)創(chuàng)新績效的影響是有顯著差別的，這就需要進(jìn)一步考慮企業(yè)的R&D投入強(qiáng)度對企業(yè)創(chuàng)新績效的影響。如果僅僅研究是否有R&D投入對企業(yè)創(chuàng)新績效的影響，將會(huì)嚴(yán)重低估R&D投入帶來的效應(yīng)。

Imbens[14]和Hirano等[15]進(jìn)一步拓展了PSM方法，將“反事實(shí)”分析框架處理變量擴(kuò)展到多元變量或者連續(xù)變量的范疇，提出了利用GPS方法來捕捉不同處理強(qiáng)度下潛在結(jié)果的差異，彌補(bǔ)了PSM方法的不足。GPS方法不僅能夠較好地克服“自選擇效應(yīng)”，還能較好地控制其他因素對R&D投入和企業(yè)創(chuàng)新績效的影響。此外，Hirano等[15]還進(jìn)一步建立了劑量反應(yīng)函數(shù)，用以描述不同的處理變量所對應(yīng)結(jié)果變量的條件期望，即可以進(jìn)一步研究處理變量對結(jié)果變量的動(dòng)態(tài)影響，利用該函數(shù)可以在王康、周孝[10]研究的基礎(chǔ)上進(jìn)一步分析和驗(yàn)證R&D投入對企業(yè)創(chuàng)新績效的影響是否是非線性的。

GPS方法已經(jīng)得到了廣泛應(yīng)用。Kluve等[16]用GPS方法以德國的官方數(shù)據(jù)為樣本研究培訓(xùn)時(shí)間的長短對員工再就業(yè)的影響，發(fā)現(xiàn)培訓(xùn)時(shí)間在100天之內(nèi)再就業(yè)率呈上升趨勢，100天之后再就業(yè)率無明顯變化。Sheldon、DeShazo[17]研究了2010 ～ 2013年間美國加利福尼亞州允許使用插電式電動(dòng)汽車免費(fèi)占用高擁堵車道的政策效果，發(fā)現(xiàn)該政策導(dǎo)致了插電式電動(dòng)汽車購買登記數(shù)量的增加。國內(nèi)學(xué)者近些年來也開始使用GPS方法研究企業(yè)出口的經(jīng)濟(jì)后果，正是因?yàn)樵摲椒ǖ氖褂?，學(xué)者們才能更加方便地研究非線性因果關(guān)系。史青[18]研究發(fā)現(xiàn)企業(yè)出口確實(shí)能顯著提高員工工資，但是這一因果關(guān)系只在樣本的某些子區(qū)間成立，并且企業(yè)的出口強(qiáng)度與員工工資呈現(xiàn)“倒U型”的非線性關(guān)系。陳勇兵等[19，20]發(fā)現(xiàn)企業(yè)出口強(qiáng)度與企業(yè)生產(chǎn)率和銷售額增長率之間也呈現(xiàn)“倒U型”的關(guān)系。除企業(yè)出口經(jīng)濟(jì)后果的研究之外，湯學(xué)良等[21]、陳梅等[22]使用GPS方法研究發(fā)現(xiàn)，培訓(xùn)投入、進(jìn)口中間產(chǎn)品質(zhì)量分別與企業(yè)生產(chǎn)率呈“倒N型”“U型”關(guān)系。

以上學(xué)者對GPS方法的探討為本文奠定了計(jì)量基礎(chǔ)，以往學(xué)者在使用GPS方法時(shí)還或多或少存在一定的缺陷：其一是忽視了GPS方法使用后對匹配變量的平衡性質(zhì)假定的檢驗(yàn)；其二是GPS方法同PSM方法一樣，均需要滿足共同支撐假定，但是目前的文獻(xiàn)卻極少提及GPS方法的共同支撐假定該如何檢驗(yàn)。因此，本文結(jié)合國內(nèi)外學(xué)者的相關(guān)研究，試圖給出一個(gè)規(guī)范的GPS方法的使用框架。

三、數(shù)據(jù)來源與變量設(shè)定

（一）數(shù)據(jù)來源

本文從國泰安數(shù)據(jù)庫選取2010 ～ 2017年中小板企業(yè)作為研究樣本。之所以選擇中小板企業(yè)，主要是考慮到中小板企業(yè)大多處于生命周期的初創(chuàng)期或者成長期，其科研創(chuàng)新能力較強(qiáng)，中小板企業(yè)在創(chuàng)新和研發(fā)支出方面披露的信息最為完整。為了研究結(jié)果的穩(wěn)健性和準(zhǔn)確性，本文對樣本進(jìn)行如下處理：

首先，考慮到金融類企業(yè)本身的特殊性，按照證監(jiān)會(huì)2012版行業(yè)分類代碼，將行業(yè)代碼以J開頭的樣本企業(yè)剔除；然后，為了研究結(jié)果更加穩(wěn)健，剔除ST和？ST類企業(yè)；最后，本文還剔除了專利申請數(shù)量、R&D投入出現(xiàn)缺失值的樣本。最終，共得到4325個(gè)樣本。樣本具體分布情況如表1所示。

同時(shí)，為了使研究結(jié)果更加穩(wěn)健，本文還進(jìn)一步對所有的連續(xù)變量在1%分位數(shù)以下和99%分位數(shù)以上進(jìn)行了縮尾處理，以消除異常值帶來的影響。

（二）變量設(shè)定

1.處理變量。學(xué)者們主要采用兩種方式衡量企業(yè)的R&D投入：一種是絕對指標(biāo)，即R&D的支出總額；另一種是相對指標(biāo)，即R&D支出/營業(yè)收入，亦稱R&D投入強(qiáng)度。為了避免企業(yè)規(guī)模帶來的影響，本文采用相對指標(biāo)，記為RD。由于不同企業(yè) R&D投入存在顯著差異，且多數(shù)企業(yè)R&D投入較低，導(dǎo)致R&D投入分布是嚴(yán)重有偏的，如圖1所示。借助分?jǐn)?shù)對數(shù)模型進(jìn)行調(diào)整，由此需要將處理變量的取值限定在0～1之間，因此本文在對變量RD進(jìn)行縮尾處理的前提下，將RD的最大值標(biāo)準(zhǔn)化為1，然后用其他RD除以該最大的RD值，這樣就保證了RD的取值在0～1之間。

2.結(jié)果變量。現(xiàn)有研究對企業(yè)創(chuàng)新績效的衡量主要包括凈資產(chǎn)收益率、專利申請數(shù)、新產(chǎn)品的銷售收入等。考慮到專利更能反映一個(gè)企業(yè)的創(chuàng)新成果，且專利申請數(shù)可以在很大程度上克服不同企業(yè)之間創(chuàng)新成果受到工作效率、偏好等方面因素的影響，更具有一致性和公正性，本文借鑒張信東等[23]、徐維祥等[24]的研究方法，采用專利申請數(shù)來衡量企業(yè)創(chuàng)新績效，記為APP。

3.匹配變量?？紤]到匹配變量應(yīng)該既要與處理變量相關(guān)，也要與結(jié)果變量相關(guān)，以更好地滿足條件獨(dú)立性假設(shè)[20，21]。對此，本文借鑒現(xiàn)有研究[1，25-28]選取以下變量作為匹配變量：

政府補(bǔ)助，該項(xiàng)目主要包括財(cái)政撥款、稅收返還和各種財(cái)政補(bǔ)貼（比如研究開發(fā)補(bǔ)貼、財(cái)政貼息和政策性補(bǔ)貼等），該數(shù)據(jù)主要披露于上市公司財(cái)務(wù)報(bào)表附注，本文以政府補(bǔ)助總額的對數(shù)值來衡量，記為SUB；高管激勵(lì)，該項(xiàng)目主要包括企業(yè)對高管的薪酬激勵(lì)和股權(quán)激勵(lì)，本文借鑒尹美群等[28]和苗淑娟等[29]的做法，用董監(jiān)高持股總數(shù)與公司總股數(shù)的比值來衡量，記為MHSR；股權(quán)集中度，以第一大股東持股總數(shù)與公司總股數(shù)的比值來衡量，記為FHSR；企業(yè)規(guī)模，以企業(yè)總資產(chǎn)的對數(shù)值來衡量，記為SIZE；資本密度，即企業(yè)固定資產(chǎn)總額除以員工人數(shù)，然后取對數(shù)，記為CD；償債能力，以企業(yè)的資產(chǎn)負(fù)債率來衡量，即企業(yè)的總負(fù)債除以總資產(chǎn)，記為LEV；盈利能力，以企業(yè)的資產(chǎn)收益率來衡量，即企業(yè)的凈利潤除以總資產(chǎn)，記為ROA。以上所有的變量設(shè)定情況如表2所示。

四、實(shí)證分析

（一）描述性統(tǒng)計(jì)

為了初步統(tǒng)計(jì)分析R&D投入對企業(yè)創(chuàng)新績效的影響，測算出各年度不同R&D投入在樣本中所占的比例及其對應(yīng)的企業(yè)創(chuàng)新績效的信息，并匯總列出全樣本的信息（詳見表3）。表3顯示，隨著R&D投入的增加，企業(yè)創(chuàng)新績效均值呈現(xiàn)出先增大后減小的趨勢，最后在（0.8，1]區(qū)間又突然增大。在（0.8，1]區(qū)間的是少數(shù)在樣本中所占比例較小的新型高新技術(shù)企業(yè)，這類企業(yè)創(chuàng)新需求和動(dòng)力十分巨大，R&D投入較多，同時(shí)在國家政策的引領(lǐng)下不斷創(chuàng)新，取得的成果顯著。可見，R&D投入達(dá)到一定程度之后可能又會(huì)促進(jìn)企業(yè)創(chuàng)新績效提高。

為了驗(yàn)證上述猜測，本文將全樣本R&D投入在（0.8，1]區(qū)間的樣本篩選出來，共有74家企業(yè)，幾乎都是新型高新技術(shù)企業(yè)，如表4所示（表中只列示了部分企業(yè)，其中所占比例指的是在74家企業(yè)中所占的比例）。表4中樣本企業(yè)占74家企業(yè)的七成左右，都是軟件、信息技術(shù)和電子設(shè)備等高新技術(shù)企業(yè)，與人工智能、互聯(lián)網(wǎng)密切相關(guān)。

若忽略這類新型高新技術(shù)企業(yè)帶來的影響，隨著R&D投入的不斷增大，企業(yè)創(chuàng)新績效均值呈現(xiàn)出先增大后減小的走勢，因此初步判斷R&D投入對企業(yè)創(chuàng)新績效的影響為“倒U型”。

表5給出了變量的描述性統(tǒng)計(jì)結(jié)果。可以看出，處理變量RD最小值為0.0038，最大值為1.0000，這是前文為了確保R&D投入取值在[0，1]之間特別處理過的結(jié)果。結(jié)合RD的均值和中位數(shù)來看，R&D投入的分布是嚴(yán)重有偏的，且為正偏峰分布（右偏），說明我國中小板企業(yè)R&D投入大部分處于中低水平。如2012年我國高技術(shù)R&D投入僅占工業(yè)總產(chǎn)值的1.69%，遠(yuǎn)遠(yuǎn)低于同期的日本和美國[30]。結(jié)果變量專利申請數(shù)量反映了企業(yè)的創(chuàng)新績效，由于本文對專利申請數(shù)量進(jìn)行了對數(shù)處理，所以出現(xiàn)最小值為0的原因是該企業(yè)專利申請數(shù)為1。從均值3.0222來看，我國中小企業(yè)創(chuàng)新績效總體水平并不低，并保持了良好的發(fā)展勢頭，這與我國“創(chuàng)新驅(qū)動(dòng)發(fā)展戰(zhàn)略”密切相關(guān)。從統(tǒng)計(jì)量來看，政府補(bǔ)助基本符合正態(tài)分布，可以看出政府對我國中小企業(yè)的補(bǔ)助還是相對合理公平的；高管激勵(lì)，即高管持股比例最小值為0，最大值為72.5850%，表明我國中小企業(yè)高管持股存在很大差異；股權(quán)集中度均值為34.1988%，最小值為9.5900%，最大值為70.5300%，我國中小板企業(yè)股權(quán)集中度極差較大，但是平均水平處于30%～40%區(qū)間，說明既有股權(quán)分散企業(yè)，又有股權(quán)集中企業(yè)；企業(yè)規(guī)模最小值20.0930，最大值24.0550，顯示我國中小板企業(yè)資產(chǎn)規(guī)模差距并不大，這主要是由中小板掛牌企業(yè)的規(guī)定所限制；資本密度的均值為12.3691，可以看出我國中小板企業(yè)資本密度較高，即人均固定資產(chǎn)處于較高水平；償債能力均值為0.3530，說明我國中小板企業(yè)總體來說，平均負(fù)債尚處于合理水平；盈利能力最小值為-0.1063，最大值為0.2235，盈利能力具有較大差異性，這可能是當(dāng)前經(jīng)濟(jì)形勢下部分中小企業(yè)融資難、融資貴問題所致。

（二）R&D投入對企業(yè)創(chuàng)新績效的影響

運(yùn)用GPS方法估計(jì)R&D投入對企業(yè)創(chuàng)新績效的影響分為三步：估計(jì)處理變量R&D投入的條件分布并計(jì)算GPS得分、估計(jì)結(jié)果變量企業(yè)績效的條件分布、估計(jì)劑量反應(yīng)函數(shù)和處理效應(yīng)函數(shù)。

1.估計(jì)處理變量R&D投入的條件分布。

（1）R&D投入的條件分布。Hirano、Imbens[15]提出的GPS方法要求處理變量必須是正態(tài)分布。但是根據(jù)前文分析，R&D投入是嚴(yán)重有偏的（如圖1所示），因此需要采用分?jǐn)?shù)對數(shù)模型來估計(jì)R&D投入的條件密度函數(shù)。

本文選取財(cái)政補(bǔ)助（SUB）、高管激勵(lì)（MHSR）、股權(quán)集中度（FHSR）、企業(yè)規(guī)模（SIZE）、資本密度（CD）、償債能力（LEV）和盈利能力（ROA）作為匹配變量。表6分別列出了2010 ～ 2017年各年以及2010～2017年整體的分?jǐn)?shù)對數(shù)模型的估計(jì)結(jié)果。

從分?jǐn)?shù)對數(shù)模型回歸的擬合優(yōu)度AIC指標(biāo)可以看出，該模型擬合效果很好。政府補(bǔ)助與R&D投入顯著正相關(guān)，這和多數(shù)學(xué)者的研究結(jié)論是一致的，即政府補(bǔ)助有利于企業(yè)獲得外部專項(xiàng)資金以提高研發(fā)支出強(qiáng)度。高管激勵(lì)與R&D投入只在模型（1）和模型（3）中顯著負(fù)相關(guān)，一方面說明高管持股水平過高，并不利于企業(yè)R&D投入。苗淑娟等[29]、徐寧等[31]研究發(fā)現(xiàn)，高管激勵(lì)與企業(yè)R&D投入呈現(xiàn)“倒U型”關(guān)系，本文前述分析發(fā)現(xiàn)中小板企業(yè)高管持股比例普遍過高，正是呈現(xiàn)出“倒U型”的后半程關(guān)系。另一方面從單一年份看，高管激勵(lì)與R&D投入并沒有顯著關(guān)系。從長期看，這兩者之間的相關(guān)關(guān)系是顯著的，但是通過回歸系數(shù)，可以看出兩者之間的相關(guān)程度較弱。除了模型（2），股權(quán)集中度與R&D投入顯著負(fù)相關(guān)，說明對于中小板企業(yè)而言，股權(quán)集中會(huì)抑制企業(yè)研發(fā)投入，原因可能是研發(fā)是一項(xiàng)高風(fēng)險(xiǎn)、長周期的活動(dòng)，中小企業(yè)控制性股東更傾向于盡快將企業(yè)發(fā)展壯大而非冒險(xiǎn)投資，同樣從回歸系數(shù)來看，兩者之間的相關(guān)程度也不大。除了模型（3）和模型（5），企業(yè)規(guī)模與R&D投入顯著負(fù)相關(guān)，說明企業(yè)規(guī)模越大，越傾向于規(guī)避風(fēng)險(xiǎn)，減少類似于研發(fā)創(chuàng)新等高風(fēng)險(xiǎn)活動(dòng)的投入。資本密度與R&D投入顯著負(fù)相關(guān)，說明人均資本高的企業(yè)限制了企業(yè)的R&D投入。償債能力與R&D投入顯著負(fù)相關(guān)，說明企業(yè)負(fù)債水平越高，越不利于企業(yè)研發(fā)投入，高負(fù)債率企業(yè)風(fēng)險(xiǎn)較大，難以再進(jìn)行高風(fēng)險(xiǎn)投資。值得注意的是，除了模型（2），其余回歸結(jié)果均顯示盈利能力與R&D投入顯著負(fù)相關(guān)，這是因?yàn)楸疚倪x取的R&D投入指標(biāo)是R&D支出/營業(yè)收入，盈利能力指標(biāo)是凈利潤/總資產(chǎn)。當(dāng)營業(yè)收入越高時(shí)，企業(yè)的凈利潤也就越高，營業(yè)收入作為R&D投入指標(biāo)的分母，凈利潤作為盈利能力指標(biāo)的分子，回歸結(jié)果顯示盈利能力與R&D投入顯著負(fù)相關(guān)。

估計(jì)出R&D投入的條件分布之后，便可計(jì)算GPS?；诒?的回歸結(jié)果，計(jì)算各樣本的GPS如表7所示。

（2）共同支撐假定檢驗(yàn)。Heckman、Vytlacil[32]指出，非參數(shù)的匹配方法只有在共同支撐領(lǐng)域才是有效的，以保證處理組和對照組能夠找到各自的匹配對象。共同支撐指在傾向得分匹配法中處理組和對照組要有足夠的重疊區(qū)域。當(dāng)處理變量是二元變量時(shí)，使用PSM方法可以把傾向得分位于尾端的個(gè)體刪除，使得處理組和對照組中各自的最大值和最小值相等，以確保有足夠的重疊領(lǐng)域。然而對于處理變量是連續(xù)變量的情形，處理變量不能像二元變量那樣分為處理組和對照組。為了比較“無限數(shù)量”的處理變量和對應(yīng)的GPS得分，借鑒Flores等[33]、Sheldon等[17]的做法，本文將處理變量劃分為兩個(gè)區(qū)間作為兩組，并將GPS得分也劃分為區(qū)間，如圖2所示。

根據(jù)圖2可以看出，不管是2010 ～ 2017年的總樣本，還是2010～2017年各年的樣本都有足夠的共同支撐領(lǐng)域。因此在接下來的分析中可以確保在GPS得分相同的情況下，不同R&D投入強(qiáng)度的個(gè)體可以找到與之對應(yīng)的匹配對象。

（3）平衡性質(zhì)假定檢驗(yàn)。傾向得分匹配法在滿足平衡條件之后，才能更好地消除不同對象匹配變量之間的差異。因?yàn)樘幚碜兞渴沁B續(xù)變量，本文借鑒Hirano、Imbens[15]的做法將處理變量R&D投入按照區(qū)間分成兩組，檢驗(yàn)兩組樣本在匹配后各個(gè)匹配變量的均值差異是否能夠被削弱。由于版面的限制，表8只列示了2010～2017年總樣本的平衡性質(zhì)假定的檢驗(yàn)。

可以看到，在GPS調(diào)整之前，各個(gè)匹配變量均值都存在顯著差異。經(jīng)過GPS調(diào)整之后絕大多數(shù)不再存在顯著差異，只有高管激勵(lì)、企業(yè)規(guī)模、償債能力和盈利能力的第二組均值之間還存在顯著差異。而這四個(gè)匹配變量均值差異都有了大幅度降低，并且顯著性也有所下降。從各年的平衡性檢驗(yàn)來看，在5%的顯著性水平上，只有2012年、2014年和2017年個(gè)別匹配變量在經(jīng)過GPS調(diào)整之后均值還存在差異，但是均值差額的絕對值和顯著性有了大幅度降低。對此，可以認(rèn)為GPS較好地滿足了平衡條件，即前文提到的第二個(gè)假定，因此可進(jìn)行后續(xù)研究。根據(jù)GPS方法的第一個(gè)假定，即條件獨(dú)立性假定，本文在給定GPS得分之后，R&D投入與企業(yè)創(chuàng)新績效相互獨(dú)立。

2.估計(jì)結(jié)果變量企業(yè)創(chuàng)新績效的條件分布。根據(jù)計(jì)算的GPS和RD，可以進(jìn)一步估計(jì)企業(yè)績效的條件分布。由于假定主效應(yīng)（RD和GPS）不能從估計(jì)結(jié)果變量的方程中剔除[34]，因此本文根據(jù)具體情況對企業(yè)績效進(jìn)行了估計(jì)，即優(yōu)先保證RD和GPS保留并顯著，然后逐步加入二次項(xiàng)和交互項(xiàng)。當(dāng)主效應(yīng)都不顯著，且加入二次項(xiàng)和交互項(xiàng)不會(huì)改善這一情形時(shí)則不再加入二次項(xiàng)和交互項(xiàng)，當(dāng)主效應(yīng)其中一個(gè)顯著且加入二次項(xiàng)和交互項(xiàng)不會(huì)惡化這一情況時(shí)則視情況酌情加入二次項(xiàng)或交互項(xiàng)。具體回歸結(jié)果如表9所示。

模型（1）是2010 ～ 2017年總體樣本的回歸結(jié)果，從各個(gè)系數(shù)的顯著性來看，該模型能夠較好地估計(jì)企業(yè)創(chuàng)新績效的條件分布。從2010～2013年各年份回歸結(jié)果來看，GPS均沒有通過10%顯著性水平上的t檢驗(yàn)。但是GPS不顯著只能說明經(jīng)過調(diào)整后的匹配變量（或者稱之為控制變量）對企業(yè)績效的影響不顯著，而且僅僅局限于2010～2013年各年的樣本，并不影響R&D投入對企業(yè)創(chuàng)新績效影響的分析。且導(dǎo)致這種結(jié)果的一個(gè)重要原因是2010～2013年各年的回歸樣本過少，而使用傾向得分匹配方法的一個(gè)重要前提就是具有一定數(shù)量的樣本數(shù)以實(shí)現(xiàn)觀測值之間的匹配。各個(gè)模型均顯示R&D投入顯著不等于0，這與多數(shù)學(xué)者的結(jié)論一致。本文認(rèn)為R&D投入對企業(yè)創(chuàng)新具有顯著正向影響，但是除了模型（3），R&D投入的二次項(xiàng)系數(shù)也同樣顯著不等于0，并且其系數(shù)都是負(fù)值，因此R&D投入對企業(yè)創(chuàng)新績效的影響更加符合“倒U型”趨勢，這與描述性統(tǒng)計(jì)的結(jié)論是一致的。加入GPS的二次項(xiàng)均會(huì)導(dǎo)致主效應(yīng)不再顯著，因此模型（1）～（9）不再加入GPS的二次項(xiàng)。同理，加入交互項(xiàng)后除了模型（7），其余模型的主效應(yīng)也不再顯著，因此除模型（7），其余模型不再加入交互項(xiàng)。

由于模型（3）樣本量的限制，無法繼續(xù)使用GPS方法研究2011年企業(yè)的樣本。為研究“倒U型”關(guān)系在2011年是否成立，使用最小二乘法檢驗(yàn)R&D投入的二次項(xiàng)是否顯著，計(jì)算結(jié)果見表10。結(jié)果顯示R&D投入的二次項(xiàng)為負(fù)，且在5%的顯著性水平上通過了t檢驗(yàn)，說明對于2011年的樣本，R&D投入與創(chuàng)新績效的“倒U型”關(guān)系依然成立。具體結(jié)果如表10所示。

3.估計(jì)劑量反應(yīng)函數(shù)和處理效應(yīng)函數(shù)。

（1）劑量反應(yīng)函數(shù)。將R&D投入劃分為多個(gè)子區(qū)間，然后在每個(gè)子區(qū)間估計(jì)出R&D投入對企業(yè)創(chuàng)新績效的因果效應(yīng)，將這些因果效應(yīng)用串聯(lián)起來便是劑量反應(yīng)函數(shù)。本文根據(jù)前述對企業(yè)創(chuàng)新績效的估計(jì)，將R&D投入在[0，1]的范圍內(nèi)劃分成100個(gè)子區(qū)間，劑量反應(yīng)函數(shù)如圖3所示。

圖3顯示，2010～2017年間R&D投入與企業(yè)創(chuàng)新績效呈“倒U型”關(guān)系。即當(dāng)企業(yè)的R&D投入小于某一臨界值時(shí)，隨著R&D投入的增加，企業(yè)的創(chuàng)新績效也隨之增加；但是當(dāng)企業(yè)的R&D投入大于這一臨界值時(shí)，隨著R&D投入的增加，企業(yè)的創(chuàng)新績效不增反降。因此R&D投入并不是越多越好，這一結(jié)論也支撐了孫曉華、辛夢依[35]的觀點(diǎn)。

對于R&D投入與企業(yè)創(chuàng)新績效呈“倒U型”關(guān)系的原因，可以解釋為：在拐點(diǎn)之前，隨著R&D投入的增加，企業(yè)的知識儲(chǔ)備會(huì)增加，對新知識的學(xué)習(xí)能力、吸收能力也會(huì)不斷增加，這就會(huì)提高企業(yè)自身的知識水平和創(chuàng)新能力，從而促進(jìn)創(chuàng)新績效的提升。除此之外，隨著R&D投入的不斷增加，企業(yè)中就會(huì)產(chǎn)生一種知識資本的規(guī)模效應(yīng)，促使企業(yè)有能力引進(jìn)更多先進(jìn)的技術(shù)、人才和知識，不斷實(shí)現(xiàn)創(chuàng)新，帶來創(chuàng)新績效的不斷提升。企業(yè)的生產(chǎn)、銷售等各個(gè)環(huán)節(jié)也會(huì)因?yàn)橐?guī)模效應(yīng)變得高度集成化，從而提高創(chuàng)新速度，增加企業(yè)創(chuàng)新產(chǎn)出[36]。但是R&D投入也是要素資本的一種，也會(huì)存在邊際報(bào)酬遞減的規(guī)律，當(dāng)R&D投入超過拐點(diǎn)之后，R&D投入的邊際成本就會(huì)大于邊際收益，此時(shí)繼續(xù)增加R&D投入反而降低了企業(yè)的創(chuàng)新績效。R&D投入的邊際報(bào)酬遞減已經(jīng)在瑞典、日本和美國等工業(yè)化國家得到了證實(shí)[35]。另一種解釋是，目前我國的創(chuàng)新體系還不健全，可能存在著系統(tǒng)性失靈，也就是說創(chuàng)新政策和創(chuàng)新激勵(lì)體制沒有很好地促進(jìn)企業(yè)的研發(fā)投入轉(zhuǎn)化為專利成果[37]。

如圖3顯示，除2011年外所有年份的R&D投入與企業(yè)創(chuàng)新績效同樣呈“倒U型”關(guān)系。2011年顯示二者呈正相關(guān)關(guān)系，對企業(yè)創(chuàng)新績效分布進(jìn)行估計(jì)時(shí)，R&D投入的二次項(xiàng)并不顯著，這主要是因樣本量過少導(dǎo)致使用傾向得分匹配受到了一定的限制。2011年所顯示的結(jié)果也恰好是部分學(xué)者研究發(fā)現(xiàn)R&D投入與企業(yè)創(chuàng)新績效呈正相關(guān)關(guān)系的一個(gè)體現(xiàn)，這也說明實(shí)證研究中，最好選擇面板數(shù)據(jù)，以盡可能避免估計(jì)結(jié)果的偶然性。

（2）處理效應(yīng)函數(shù)。為研究企業(yè)進(jìn)行R&D投入相對于不進(jìn)行R&D投入對企業(yè)創(chuàng)新績效的影響，圖4給出了根據(jù)劑量反應(yīng)函數(shù)后續(xù)得到的處理效應(yīng)函數(shù)。

2010～2017年的處理效應(yīng)顯示，R&D投入與企業(yè)創(chuàng)新績效呈現(xiàn)線性負(fù)相關(guān)關(guān)系。這表明對于一個(gè)企業(yè)而言，其R&D投入強(qiáng)度的增加相對不進(jìn)行R&D投入而言，對創(chuàng)新績效的凈效應(yīng)是逐漸遞減的。如果把R&D投入的取值劃分成兩部分（以圖4中虛線與X軸的交點(diǎn)為界）可以發(fā)現(xiàn)：在交點(diǎn)之前，隨著R&D投入的增加，相對于不進(jìn)行投入而言，企業(yè)進(jìn)行R&D投入更能提升企業(yè)的創(chuàng)新績效。但是隨著R&D投入的增加，這種相對優(yōu)勢會(huì)有所下降，不過交點(diǎn)之前企業(yè)理性的做法還應(yīng)該是增加R&D投入，交點(diǎn)之前的區(qū)域稱之為有效區(qū)域；在交點(diǎn)之后，R&D投入強(qiáng)度的增加相對于不進(jìn)行R&D投入而言，對企業(yè)創(chuàng)新績效的效應(yīng)是負(fù)的，增加R&D投入變得不再理性，稱之為無效區(qū)域。導(dǎo)致出現(xiàn)無效區(qū)域的原因可能是繼續(xù)增加的R&D投入已經(jīng)超過了企業(yè)現(xiàn)時(shí)所需，甚至造成了企業(yè)資源的浪費(fèi)。這時(shí)增加R&D投入給企業(yè)帶來的效益彌補(bǔ)不了企業(yè)資源的浪費(fèi)，或者說此時(shí)R&D投入的邊際收益已經(jīng)遠(yuǎn)遠(yuǎn)小于R&D投入和其他資源的邊際成本。

圖4顯示，除了2011年，其余年份R&D投入與企業(yè)創(chuàng)新績效的處理效應(yīng)函數(shù)沒有本質(zhì)區(qū)別，2011年出現(xiàn)企業(yè)創(chuàng)新績效的凈效應(yīng)不隨R&D投入變化的原因就是前文發(fā)現(xiàn)2011年R&D投入與企業(yè)創(chuàng)新績效線性正相關(guān)。

表11給出了進(jìn)一步計(jì)算得到的劑量反應(yīng)函數(shù)“倒U型”關(guān)系的拐點(diǎn)區(qū)間和處理效應(yīng)函數(shù)的無效區(qū)域點(diǎn)區(qū)間。

表11顯示，2010 ～ 2017年整個(gè)樣本和2010 ～ 2017年各年份樣本的無效區(qū)域點(diǎn)均在拐點(diǎn)右側(cè)，這表明R&D投入的強(qiáng)度在達(dá)到無效區(qū)域點(diǎn)之后的一小段區(qū)間還能繼續(xù)增加企業(yè)的創(chuàng)新績效。將劑量反應(yīng)函數(shù)和處理效應(yīng)函數(shù)結(jié)合起來，得到圖5。OA即是有效區(qū)域，在有效區(qū)域內(nèi)，增加R&D投入對企業(yè)創(chuàng)新績效絕對有益。如圖5（1）所示，在AB階段，企業(yè)增加R&D投入可以進(jìn)一步提升企業(yè)的創(chuàng)新績效，但需要付出較大的代價(jià)，甚至?xí)霈F(xiàn)R&D投入已超過企業(yè)現(xiàn)時(shí)所需的情況，造成資源的浪費(fèi)。此時(shí)與其繼續(xù)增加R&D投入，不如通過其他手段提升企業(yè)創(chuàng)新績效。為解決這個(gè)問題，一種方法是實(shí)現(xiàn)無效區(qū)域點(diǎn)的右移，20世紀(jì)30年代數(shù)學(xué)家Cobb和經(jīng)濟(jì)學(xué)家Douglas提出來的Cobb-Douglas生產(chǎn)函數(shù)很好地詮釋了這一點(diǎn)。企業(yè)可以通過提高技術(shù)來提升企業(yè)績效，因此企業(yè)可以引進(jìn)更高科技含量的設(shè)備，提升企業(yè)的生產(chǎn)效率，從而支撐起大強(qiáng)度的R&D投入，縮小AB之間的距離；另外還可以通過健全國家創(chuàng)新體系，完善法律制度，給予企業(yè)更多便利，不斷提升企業(yè)的成果轉(zhuǎn)化效率，最終實(shí)現(xiàn)劑量反應(yīng)函數(shù)的拐點(diǎn)和處理效應(yīng)函數(shù)的無效區(qū)域點(diǎn)重合，如圖5（2）所示。

五、研究結(jié)論和建議

R&D投入對企業(yè)創(chuàng)新績效的影響一直是學(xué)術(shù)界和實(shí)務(wù)界關(guān)注的重要問題，但是相關(guān)研究還存在一定的局限性，本文借助GPS方法，利用2010～2017年中小板企業(yè)的數(shù)據(jù)，深入細(xì)致地探討了R&D投入對企業(yè)創(chuàng)新績效的影響。

研究表明R&D投入與企業(yè)創(chuàng)新績效是一種“倒U型”關(guān)系，且一個(gè)企業(yè)增加R&D投入與不進(jìn)行R&D投入相比，獲得的相對優(yōu)勢是逐漸下降的。隨著R&D投入的增加，可能會(huì)導(dǎo)致企業(yè)資源的浪費(fèi)，陷入一種繼續(xù)增加R&D投入的無效區(qū)域。并且無效區(qū)域總是先于“倒U型”的拐點(diǎn)出現(xiàn)，說明在“倒U型”前半程的后期，繼續(xù)增加R&D投入固然能夠提升企業(yè)創(chuàng)新績效，但是這種提升會(huì)讓企業(yè)付出很大的代價(jià)和多倍的努力。在使用2011年的企業(yè)數(shù)據(jù)時(shí)，由于數(shù)據(jù)量的限制，使用普通最小二乘法同樣驗(yàn)證了R&D投入與企業(yè)創(chuàng)新績效的“倒U型”關(guān)系依然成立。本文使用的GPS方法的第一個(gè)假設(shè)是在給定匹配變量之后，處理變量與結(jié)果變量相互獨(dú)立，但是沒有觀測到全部的潛在影響處理變量和結(jié)果變量的匹配變量。這也是本文需要后續(xù)深入研究之處。

基于以上研究結(jié)論，本文提出以下建議。第一，我國中小企業(yè)目前仍然存在R&D投入不足的問題。對企業(yè)而言，要積極響應(yīng)國家創(chuàng)新號召，加大R&D投入，大膽創(chuàng)新；同時(shí)還要注重R&D資源的優(yōu)化配置，根據(jù)企業(yè)所處的不同階段控制過度的R&D投入。企業(yè)應(yīng)該根據(jù)自身情況，保證R&D投入占營業(yè)收入的比例最高不超過50% ～ 60%，在進(jìn)行R&D投入或者引進(jìn)相關(guān)技術(shù)設(shè)備時(shí)，應(yīng)該優(yōu)先考慮基礎(chǔ)設(shè)施投入，提高生產(chǎn)效率，不能讓無效區(qū)域過早出現(xiàn)。第二，對于政府而言，應(yīng)該鼓勵(lì)創(chuàng)新，加大投入扶持力度，給予企業(yè)更多的政策支持，以提高企業(yè)的成果轉(zhuǎn)化效率。同時(shí)還要不斷優(yōu)化創(chuàng)新發(fā)展環(huán)境，加大對知識產(chǎn)權(quán)的保護(hù)，完善創(chuàng)新體系。

主要參考文獻(xiàn)：

[1]王素蓮..R&D投資與企業(yè)創(chuàng)新績效：企業(yè)家冒險(xiǎn)傾向和學(xué)歷水平的影響——基于深滬中小板上市公司的實(shí)證研究[J]..東岳論叢，2018（4）：50～60..

[2]李四海，高麗..企業(yè)家社會(huì)資本與研發(fā)投入及其績效研究——基于社會(huì)資本工具效用異質(zhì)性視角[J]..科學(xué)學(xué)與科學(xué)技術(shù)管理，2014（10）：105～115..

[3] Raymond W.，Mairesse J.，Mohnen P.，et al.. Dynamic models of R&D，innovation and produc？ tivity：Panel data evidence for Dutch and French manufacturing[J]..European Economic Review，2015（78）：285～306..

[4]余淑秀，盧山冰..FDI、R&D對中國汽車制造業(yè)技術(shù)創(chuàng)新能力的影響——加入滯后效應(yīng)的考量[J]..科研管理，2018（11）：1～6..

[5]王素蓮，阮復(fù)寬..企業(yè)家風(fēng)險(xiǎn)偏好對R&D投入與績效關(guān)系的調(diào)節(jié)效應(yīng)——基于中小企業(yè)板上市公司的實(shí)證研究[J]..經(jīng)濟(jì)問題，2015（6）：80～83..

[6]丘東，王維才，謝宗曉..R&D投入對地區(qū)創(chuàng)新績效的影響——企業(yè)R&D投入的中介效應(yīng)[J]..科技進(jìn)步與對策，2016（8）：41～48..

[7]高雨辰，柳卸林，馬永浩，張華..政府研發(fā)補(bǔ)貼對企業(yè)研發(fā)產(chǎn)出的影響機(jī)制研究——基于江蘇省的實(shí)證分析[J]..科學(xué)學(xué)與科學(xué)技術(shù)管理，2018（10）：51～67..

[8]楊林，段牡鈺，劉娟，徐臣午..高管團(tuán)隊(duì)海外經(jīng)驗(yàn)、研發(fā)投入強(qiáng)度與企業(yè)創(chuàng)新績效[J]..科研管理，2018（6）：9～21..

[9]陳巖，湛楊灝，王麗霞，李毅，翟瑞瑞..研發(fā)投入、獨(dú)立董事結(jié)構(gòu)與創(chuàng)新績效——基于中國上市家族企業(yè)的實(shí)證檢驗(yàn)[J]..科研管理，2018（1）：95～107..

[10]王康，周孝..企業(yè)R&D投入對技術(shù)創(chuàng)新績效的非線性影響——基于微觀數(shù)據(jù)的實(shí)證分析[J]..統(tǒng)計(jì)與信息論壇，2017（12）：86～93..

[11]周密，申婉君..研發(fā)投入對區(qū)域創(chuàng)新能力作用機(jī)制研究——基于知識產(chǎn)權(quán)的實(shí)證證據(jù)[J]..科學(xué)學(xué)與科學(xué)技術(shù)管理，2018（8）：26～39..

[12]易靖韜，蒙雙，蔡菲瑩..外部R&D、技術(shù)距離、市場距離與企業(yè)創(chuàng)新績效[J]..中國軟科學(xué)，2017（4）：141～151..

[13]Rubin D. B.，Rosenbaum P.，Rubin D. B.，et al.. The central role of the propensity score in ob？ servational studies for causal effects[J]..Biometrika，1983（1）：41～55..

[14] Imbens G. W.. The role of the propensity score in estimating dose-response functions[J]..Biometrika，2000（3）：706～710..

[15]Hirano K.，Imbens G. W.. The propensity score with continuous treatments[M]..John Wiley&Sons，Ltd：Applied Bayesian Modeling and Causal Infer？ ence from Incomplete Data Perspectives，2005：73～84..

[16] Kluve J.，Schneider H.，Uhlendorff A.，et al.. Evaluating continuous training programmes by using the generalized propensity score[J]..Journal of the Royal Statistical Society，2012（2）：587～617..

[17] Sheldon T. L.，DeShazo J. R.. How does the presence of HOV lanes affect plug-in electric vehi？ cle adoption in California？A generalized propensi？ ty score approach[J]..Journal of Environmental Economics and Management，2017（85）：146～170..

[18]史青..企業(yè)出口對員工工資影響的再分析——基于廣義傾向得分法的經(jīng)驗(yàn)研究[J]..數(shù)量經(jīng)濟(jì)技術(shù)經(jīng)濟(jì)研究，2013（3）：3～21..

[19]陳勇兵，王曉偉，符大海，李冬陽..出口真的是多多益善嗎？——基于廣義傾向得分匹配的再估計(jì)[J]..財(cái)經(jīng)研究，2014（5）：100～111..

[20]陳勇兵，譚桑，李夢珊，康吉紅..中國企業(yè)出口增收不增利嗎？——基于廣義傾向得分匹配的經(jīng)驗(yàn)研究[J]..中南財(cái)經(jīng)政法大學(xué)學(xué)報(bào)，2014（3）：131～ 139..

[21]湯學(xué)良，吳萬宗，宗大偉..員工培訓(xùn)投入對企業(yè)生產(chǎn)率的作用評估——基于廣義傾向得分匹配模型的分析[J]..當(dāng)代經(jīng)濟(jì)科學(xué)，2016（1）：97～107..

[22]陳梅，周申..進(jìn)口中間產(chǎn)品質(zhì)量與企業(yè)生產(chǎn)率——基于廣義傾向得分匹配的經(jīng)驗(yàn)分析[J]..經(jīng)濟(jì)經(jīng)緯，2017（4）：62～67..

[23]張信東，武俊俊..政府R&D資助強(qiáng)度、企業(yè)R&D能力與創(chuàng)新績效——基于創(chuàng)業(yè)板上市公司的經(jīng)驗(yàn)證據(jù)[J]..科技進(jìn)步與對策，2014（22）：7～13..

[24]徐維祥，黃明均，李露，鐘琴..財(cái)政補(bǔ)貼、企業(yè)研發(fā)對企業(yè)創(chuàng)新績效的影響[J]..華東經(jīng)濟(jì)管理， 2018（8）：129～134..

[25]林木西，張紫薇，和軍..研發(fā)支持政策、制度環(huán)境與企業(yè)研發(fā)投入[J]..上海經(jīng)濟(jì)研究，2018（9）：35～48..

[26]王薇，艾華..政府補(bǔ)助、研發(fā)投入與企業(yè)全要素生產(chǎn)率——基于創(chuàng)業(yè)板上市公司的實(shí)證分析[J]..中南財(cái)經(jīng)政法大學(xué)學(xué)報(bào)，2018（5）：88～96..

[27]張玉娟，湯湘希..股權(quán)結(jié)構(gòu)、高管激勵(lì)與企業(yè)創(chuàng)新——基于不同產(chǎn)權(quán)性質(zhì)A股上市公司的數(shù)據(jù)[J]..山西財(cái)經(jīng)大學(xué)學(xué)報(bào)，2018（9）：76～93..

[28]尹美群，盛磊，李文博..高管激勵(lì)、創(chuàng)新投入與公司績效——基于內(nèi)生性視角的分行業(yè)實(shí)證研究[J]..南開管理評論，2018（1）：109～117..

[29]苗淑娟，夏朦，孟慶順..高管激勵(lì)對研發(fā)投入影響研究——終極控制權(quán)的調(diào)節(jié)作用[J]..工業(yè)技術(shù)經(jīng)濟(jì)，2018（1）：41～48..

[30]劉振，劉博..股權(quán)集中度、管理者薪酬組合與自主創(chuàng)新投資[J]..科研管理，2018（12）：95～102..

[31]徐寧，吳創(chuàng)..高管激勵(lì)契約、技術(shù)創(chuàng)新動(dòng)力與路徑選擇——來自民營中小上市公司的經(jīng)驗(yàn)證據(jù)[J]..科技進(jìn)步與對策，2015（4）：71～76..

[32]Heckman J. J.，Vytlacil E.. Structural equations，treatment effects，and econometric policy evaluation[J]..Econometrica，2005（3）：669～738..

[33] Flores C. A.，F(xiàn)lores-Lagunes A.，Gonzalez A.，et al.. Estimating the effects of length of exposure to instruction in a training program：The case of job corps[J]..Review of Economics and Statistics，2012（1）：153～171..

[34] Bia M.，Mattei A.. A stata package for the estimation of the dose-response function through ad？ justment for the generalized propensity score[J].. The Stata Journal，2008（3）：354～373..

[35]孫曉華，辛夢依..R&D投資越多越好嗎？——基于中國工業(yè)部門面板數(shù)據(jù)的門限回歸分析[J]..科學(xué)學(xué)研究，2013（3）：377～385..

[36]石麗靜..研發(fā)強(qiáng)度與企業(yè)創(chuàng)新績效——政府資源與知識產(chǎn)權(quán)保護(hù)的調(diào)節(jié)作用[J]..經(jīng)濟(jì)與管理評論，2017（6）：144～152..

[37] Sjogren H.. Institutions and economic change：New perspectives on markets，firms and technology[J]..Business History，1999（2）：171～173..

作者單位：山東科技大學(xué)經(jīng)濟(jì)管理學(xué)院，青島266590