朱寶森

(貴州財經(jīng)大學 貴州貴陽 550025)

1 引言

黨的二十大報告提出，要“完善科技創(chuàng)新體系，堅持創(chuàng)新在我國現(xiàn)代化建設(shè)全局中的核心地位”，但企業(yè)在創(chuàng)新過程中伴隨的技術(shù)研發(fā)、科技應用具有外部性，使得個人收益小于社會收益，付出的成本大于社會成本。在外部性下，企業(yè)研發(fā)低于社會最優(yōu)水平，導致市場失靈和資源錯配(李子姮、姚潔，2018)。同時，企業(yè)創(chuàng)新風險較高、回報不確定、收益具有滯后性、研發(fā)項目周期一般較長，在長期內(nèi)會對企業(yè)現(xiàn)金流造成沖擊，提高企業(yè)陷入財務困境的可能性，也會極大地打擊企業(yè)創(chuàng)新的積極性。

為了修正市場失靈，同時降低企業(yè)研發(fā)風險，我國政府先后出臺了一系列稅收優(yōu)惠政策。研發(fā)費用加計扣除作為重要政策，不僅有助于政府宏觀調(diào)控市場資源配置，還能引導企業(yè)進行創(chuàng)新活動。部分研究通過實證分析等方法，從不同方向出發(fā)，驗證了加計扣除政策的有效性，并分析了其作用機理。然而，經(jīng)濟系統(tǒng)總是處于時刻變化中，加計扣除政策與創(chuàng)新產(chǎn)出呈現(xiàn)時變趨勢，兩者之間的互動關(guān)系可能存在時滯性或不穩(wěn)定性，現(xiàn)有文獻尚未對兩者之間的動態(tài)關(guān)系與時滯進行深入研究。

鑒于此，本文在吸收既有文獻研究的基礎(chǔ)上，選取2012—2021年滬深A股高新技術(shù)企業(yè)為研究樣本，構(gòu)建面板向量自回歸(PVAR)模型，并運用Granger因果檢驗、脈沖響應函數(shù)與方差分解，探究加計扣除政策與創(chuàng)新產(chǎn)出之間的動態(tài)關(guān)系與時滯。本文的貢獻主要為：運用PVAR模型實證探究加計扣除政策和創(chuàng)新產(chǎn)出之間的時滯與動態(tài)關(guān)系，為加計扣除政策效果分析提供新視角，深化相關(guān)領(lǐng)域研究。

2 文獻綜述

相較功能性產(chǎn)業(yè)政策而言，選擇性產(chǎn)業(yè)政策無論是在理論基礎(chǔ)方面還是具體實施效果認識上都存在激烈的爭論(江飛濤、李曉萍，2010)，研發(fā)費用加計扣除作為一種選擇性稅收政策，其作用效果一直是國內(nèi)外學者的研究重點。

在創(chuàng)新產(chǎn)出與創(chuàng)新收益上，企業(yè)增加投入的最終目的是產(chǎn)生研究成果和經(jīng)濟收益，能否激勵企業(yè)有效創(chuàng)新、提高企業(yè)創(chuàng)新收益，是分析加計扣除政策是否有效的重點。研究表明，從規(guī)模上來看，加計扣除能夠顯著提高創(chuàng)新產(chǎn)出與創(chuàng)新收益(鞠時珍，2022；Fulvio，2015)；從強度上來看，加計扣除政策對產(chǎn)出強度無顯著影響，對收益強度有明顯提升(馮澤等，2019)。從激勵效果來看，加計扣除政策的激勵效應在產(chǎn)出端與收益端明顯優(yōu)于稅率優(yōu)惠、直接補貼等其他政策(白旭云等，2019；程瑤、閆慧慧，2018)。此外，加計扣除政策對于創(chuàng)新產(chǎn)出和創(chuàng)新效益的激勵效應具有明顯的區(qū)域異質(zhì)性與企業(yè)異質(zhì)性(賀康等，2020)。也有學者對這種激勵效果存疑。認為公司專利產(chǎn)出會明顯增加，但只是非發(fā)明專利顯著增加，增加的是“創(chuàng)新數(shù)量”而非創(chuàng)新“質(zhì)量”(黎文靖、鄭晏妮，2016)。同時，企業(yè)為了迎合政策、享受抵減，可能存在研發(fā)操縱行為，政策會激勵公司進行研發(fā)操縱，最終導致公司研發(fā)績效下降，尤其是在民營企業(yè)、盈利企業(yè)及位于稅收征管力度較弱地區(qū)的企業(yè)(楊國超等，2017；萬源星等，2020)。部分企業(yè)還會進行費用類歸類操控，加計扣除強度越大，研發(fā)費用歸類操控情況就越嚴重，進而效率就越低(吳秋生、馮藝，2020)。

綜上所述，國內(nèi)外學者對加計扣除政策與企業(yè)創(chuàng)新行為的理論與經(jīng)驗做了很多有深入研究，并取得了大量有價值的成果，但加計扣除政策效果與創(chuàng)新產(chǎn)出均為長期過程，兩者之間的關(guān)系可能存在動態(tài)性與時滯性。為此，在吸收既有文獻研究的基礎(chǔ)上，本文選取2012—2021年滬深A股高新技術(shù)企業(yè)為研究樣本，構(gòu)建面板向量自回歸(PVAR)模型，分析加計扣除政策與企業(yè)創(chuàng)新產(chǎn)出的動態(tài)關(guān)系與時滯，并為加計扣除政策未來的改進方向提供建議。

3 研究設(shè)計

3.1 模型構(gòu)建

面板向量自回歸(PVAR)模型對變量之間的關(guān)系不帶有任何事先約束條件，可把所有變量看成一個內(nèi)生系統(tǒng)來處理，將各變量的滯后項均考慮在內(nèi)，估計聯(lián)合內(nèi)生變量的動態(tài)影響，可以很好地反映變量間復雜的相互關(guān)系。該方法可以解決變量內(nèi)生性問題，且能有效刻畫系統(tǒng)變量間的沖擊反應和方差分解。本文參考love I等(2006)的研究，構(gòu)建PVAR模型來研究加計扣除政策與企業(yè)創(chuàng)新之間的動態(tài)關(guān)系與時滯，數(shù)學模型如下：

3.2 變量選取與數(shù)據(jù)來源

3.2.1 數(shù)據(jù)來源

本文選取2012—2021年滬深A股高新技術(shù)企業(yè)面板數(shù)據(jù)，并進行了以下篩選與處理：(1)剔除加計扣除政策負面清單行業(yè)企業(yè)，金融業(yè)由于行業(yè)特殊性也一并剔除；(2)剔除樣本內(nèi)曾被ST或ST*的公司；(3)剔除連續(xù)3年數(shù)據(jù)缺失的樣本公司；(4)為剔除極端值對數(shù)據(jù)進行5%和95%水平縮尾處理；(5)部分缺失值使用線性插值法進行填充。最終得到943個企業(yè)、9430個觀察值，本文研究數(shù)據(jù)均來源于CSMAR數(shù)據(jù)庫。

3.2.2 變量選取

(1)加計扣除強度。研發(fā)費用加計扣除政策的優(yōu)惠強度，借鑒鄭禮明等(2021)的研究，先計算企業(yè)研發(fā)支出稅前扣除帶來的研發(fā)投資成本減少，再將其除以總資產(chǎn)進行標準化，從而獲取研發(fā)支出加計扣除優(yōu)惠強度。此外，為方便顯示，本文對研發(fā)投資成本減少額乘100以擴大綱量。

(2)創(chuàng)新產(chǎn)出。企業(yè)進行創(chuàng)新活動所得到的研究成果有多種衡量方式，包括新產(chǎn)品開發(fā)數(shù)量、獲得科技獎勵數(shù)量、專利申請數(shù)及授權(quán)數(shù)等。受數(shù)據(jù)獲取渠道的限制，本文用專利申請數(shù)量代表創(chuàng)新產(chǎn)出，并參考黎文靖、鄭晏妮(2016)的研究，選取非發(fā)明專利申請數(shù)與發(fā)明專利申請數(shù)取對數(shù)作為創(chuàng)新產(chǎn)出衡量指標(見表1)。

表1 變量名稱及說明

4 實證分析

面板數(shù)據(jù)帶有時間序列數(shù)據(jù)性質(zhì)的時間趨勢，為確保模型估計的準確性和防止出現(xiàn)偽回歸，本文在模型前先對每個變量進行平穩(wěn)性檢驗，分別采用四種檢驗方法對變量進行平穩(wěn)性檢驗，檢驗結(jié)果如表2所示。檢驗結(jié)果表明，模型中所有變量在1%的顯著性水平上拒絕了存在單位根的假設(shè)，由此可以判斷各序列是平穩(wěn)序列，可以建立PVAR模型。

表2 面板數(shù)據(jù)單位根檢驗

在各階數(shù)下，分別對模型進行AIC、BIC、HQIC信息準則的計算，并進行比較，結(jié)果如表3所示。依據(jù)準則，本文選擇1階最優(yōu)滯后階數(shù)構(gòu)建PVAR模型。

表3 PVAR模型最優(yōu)滯后階數(shù)

為考察滯后項對變量的影響，根據(jù)對變量及面板數(shù)據(jù)的相關(guān)檢測和處理情況，本文以kcqd、ffm、fm為變量，按照1階最優(yōu)滯后階數(shù)，構(gòu)建PVAR模型的系統(tǒng)GMM估計，PVAR模型滯后一階回歸結(jié)果見表4。由表4可知，以加計扣除政策強度為被解釋變量，滯后一期的加計扣除政策對自身影響系數(shù)為0.815，且通過1%顯著水平檢驗。這表明加計扣除政策發(fā)展存在一定的慣性特征，滯后一期的非發(fā)明專利申請對加計扣除政策存在反饋效應；以非發(fā)明專利申請、發(fā)明專利申請為被解釋變量，加計扣除政策對非發(fā)明專利申請在1%的顯著水平上具有正向影響，系數(shù)為0.574，但對發(fā)明專利申請的影響并不顯著。這在一定程度上佐證了市場上存在“投機性”創(chuàng)新行為，與非發(fā)明專利相比，發(fā)明專利研發(fā)周期較長，同時受到市場環(huán)境與企業(yè)長期規(guī)劃的約束，加計扣除所帶來的短期可預見的收益使得企業(yè)更偏向非發(fā)明專利，而減少對“高質(zhì)量”發(fā)明的開發(fā)。滯后一期的非發(fā)明專利申請與發(fā)明專利申請相互之間均具有不同程度的正向影響，表明科研成果具有擴散效應與加強效應。由于PVAR模型參數(shù)的廣義矩估計只能較為宏觀地反映變量間的動態(tài)模擬過程，無法具體刻畫變量之間的因果關(guān)系、動態(tài)傳導機制，需要通過Granger因果關(guān)系、脈沖響應函數(shù)進一步分析。

表4 GMM估計結(jié)果

本文對系統(tǒng)內(nèi)變量進行Granger因果關(guān)系檢驗。結(jié)果顯示，在5%的顯著水平上，政策強度與非發(fā)明專利存在雙向因果關(guān)系，與發(fā)明專利存在單向因果關(guān)系，即加計扣除政策能夠?qū)ζ髽I(yè)創(chuàng)新產(chǎn)出產(chǎn)生影響，但加計扣除政策對“高質(zhì)量”發(fā)明專利的激勵作用還不明顯。

本文給予每個變量一個標準差的沖擊，并進行1000次蒙特卡洛模擬(Monte-Carlo)，得到每個變量的沖擊對各變量0～20期的作用，依據(jù)本文研究目標及前文分析結(jié)論，本文選取部分脈沖響應，如圖2所示，其中，橫軸表示響應期數(shù)，縱軸表示響應程度，上下線表示95%的置信區(qū)間。

圖1 顯示了變量kcqd變動一個標準差時對ffm形成的沖擊反應。非發(fā)明專利在面對加計扣除政策的沖擊時，先呈現(xiàn)正向效應并逐漸上升，在第4期時響應值達到最大，之后逐漸降低，在第20期之后趨于平緩，響應曲線整體呈先升后降的倒U型特征。加計扣除政策在促進高水平研發(fā)投入的同時，要求企業(yè)能夠準確歸集研發(fā)費用和一定水準的企業(yè)科研管理能力，對科研產(chǎn)出具有直接的正向作用，能夠明顯提升企業(yè)非發(fā)明專利產(chǎn)出，其作用效果具有長期性與時滯性特點。

圖1 脈沖響應圖

5 結(jié)語

本文在梳理已有研究的基礎(chǔ)上，結(jié)合滬深A股943個高新技術(shù)企業(yè)2012—2021年的面板數(shù)據(jù)，使用PVAR模型分析研發(fā)費用加計扣除政策對企業(yè)創(chuàng)新的動態(tài)影響及時滯，得出以下主要結(jié)論：

(1)Granger因果檢驗與系統(tǒng)GMM分析結(jié)果顯示：研發(fā)費用加計扣除政策、專利產(chǎn)出存在不同程度的短期慣性特征；加計扣除政策與非發(fā)明專利申請存在因果關(guān)系，能夠顯著提升非發(fā)明專利的產(chǎn)出，與發(fā)明專利沒有顯著的因果關(guān)系，對發(fā)明專利的影響不明顯。

(2)脈沖響應分析結(jié)果顯示：受加計扣除政策沖擊時，非發(fā)明專利申請在前期快速上升，第3年激勵效應達到最大，之后隨時間緩慢遞減，響應曲線整體表現(xiàn)為先升后降的倒U型特征。加計扣除政策需要約3年才能對非發(fā)明專利產(chǎn)生顯著的激勵效應，約5年內(nèi)效果較為明顯，遠期效果略有降低。

根據(jù)以上主要結(jié)論，本文提出以下建議：提高政策精準性，區(qū)分專利申請，加大發(fā)明專利支持力度。與非發(fā)明研究相比，發(fā)明研究風險更大、資金占用更大、科研周期更強，在短期內(nèi)更偏向劣勢，但同非發(fā)明研究有一樣的優(yōu)惠力度，違背了“風險-收益”原則，企業(yè)無疑更偏向非發(fā)明研究。因此，在政策制定時對兩種科研行為進行甄別，大幅加大發(fā)明項目的優(yōu)惠力度，與非發(fā)明研究優(yōu)惠力度產(chǎn)生明顯區(qū)分，有助于推動企業(yè)進行高質(zhì)量創(chuàng)新行為、減少投機性科研行為。