二、模型構建

本書擬采用微觀數據對企業科技創新投入的財稅政策激勵效果進行實證研究，具體采用廣義空間兩階段最小二乘法（Generalized Spatial Twostage Least Squares，GS2SLS）方法⁽¹⁶⁾來估計模型，原因如下：①企業是兩種政策工具的最終受益者和激勵終端，政府通過稅收優惠和財政補貼支持企業進行技術創新，糾正市場失靈，本書采用企業微觀數據可以更好地評估政策激勵效應，可以直接反映和準確評估企業對兩種政策工具的偏好選擇；②從企業經營和財務角度來看，企業選擇稅收優惠或財政補貼中的一種政策工具，對其自身的生產經營狀況和會計收益是有直接影響的，這一點可以作為選擇模型變量的依據；③稅收優惠具有公平性和統一性等特征，但在全國統一的稅收優惠政策中，受經濟發展水平、信息共享程度、政府管理效率以及思維習慣等方面因素的制約，不同地區落實稅收優惠政策的執行力度存在較大差異，例如，在我國，經濟發展較好的地區更為積極地支持和落實鼓勵企業科技創新的優惠政策，而在經濟發展相對落后的地區則表現得并不理想。而財政補貼政策在不同地區的執行效果和力度也有所差別，補貼政策的“不平衡性”加劇了地方政府橫向間的“標尺競爭”，忽略地區間的相關性會導致參數有偏等問題。因此，兩種政策工具的“空間相關性”是必須要考慮的。

基于上述理論分析和已有的研究成果，我們提出兩個理論假設：

命題1：財政激勵政策間接的“空間效應”會影響企業科技創新投入。

命題2：稅收優惠能激勵企業開展科技創新活動。

為了檢驗命題1和命題2，本書在已有研究的基礎上，選取空間計量模型，具體的實證回歸模型為

被解釋變量Rd_it表示企業i第t年的技術創新投入（R&D費用）（i=1，2，…，m；t=1，2，…，T），在本書中，企業的研發費用包括研發人力資本投入、研發活動直接投入、無形資產攤銷和其他研發費用。

W_it表示空間滯后項，空間權重矩陣W是m×m的常數矩陣，空間矩陣的元素則表示企業所在的地方政府之間的空間關系，這種空間關系既可以是地理空間關系，也可以是經濟等其他方面的聯系。我們對W_it進行標準化處理，對于空間權重矩陣的選取⁽¹⁷⁾，在借鑒現有研究成果的基礎上，我們構建了空間權重矩陣，為了研究的全面和準確性，本書包含兩類空間矩陣⁽¹⁸⁾：一類是以空間地理為基礎的權重矩陣；另一類是以地區之間經濟相關性為基礎的權重矩陣。在處理第一類傳統意義上的地理空間矩陣方面，我們采用的是空間計量經濟學經典方法：企業所在的相鄰省份之間的數字取值為1，不相鄰省份之間的數字取值為0，詳細的設定方法參照Pace（2007）⁽¹⁹⁾。在處理第二類以地區之間經濟相關性為基礎的權重矩陣方面，我們根據所選擇的控制變量進行分析，本書中選取的控制變量用各地區經濟發展水平來表示，相應的經濟空間權重矩陣用Wgdp來表示。

Sub_it表示激勵企業開展R&D活動的財政補貼，以企業營業外收入下的政府補助來衡量。

Tax_it表示財政激勵企業科技創新活動的稅收優惠，這一指標難以直接獲取有效的數據支持⁽²⁰⁾，本書借鑒Warda（1996）設計的B指數來衡量我國企業R&D稅收優惠的激勵強度。

B指數的計算需要滿足3個假設條件：

（1）以OECD國家對R&D投入的平均值比例為基礎，將勞務支出、機器設備、建筑項目及其他經常項目分別定為60%、5%、5%和30%；

（2）企業科技創新所享受的稅收優惠和財政補貼均當期實現，不考慮余額結轉等問題；

（3）僅以企業所得稅為計算依據，不考慮財產稅、增值稅和個人所得稅等。

計算我國企業的B指數⁽²¹⁾，首先需要對B指數的計算公式進行賦值，t的賦值參照稅法的規定，根據上述公式，結合變量賦值，可以得出B指數的值。

控制變量用X_it來表示，包括一組影響企業科技創新活動的環境因素，包括企業總資產、企業資產負債率和企業利潤率，企業利潤率＝利潤總額／主營業務收入，資產負債率＝企業總負債／企業總資產。

e_i表示與時間無關的地理效應；δ_t代表時間效應，變量不隨地區變化，ε_it表示模型的隨機誤差項。

數據選取：本書主要以2011—2015年科技型中小企業數據庫為研究樣本，所有原始數據來源于Wind數據庫。該數據庫有15000多家科技型中小企業數據，我們采取“兩步法”對原始數據進行處理。第一步，我們通過法人代碼識別篩選出2010—2014年均存在于數據庫的企業，并刪除了實收資本、補貼收入、全部職工人數、主營業務收入、研發費用等科目為負數的數據，將資產負債率大于1、企業利潤率絕對值大于1的數據剔除，剔除非正常經營狀態的極端樣本企業；第二步，企業獲得稅收優惠或財政補貼需要一定的申請條件，而且受政策環境變化的影響，企業在個別年份會出現虧損，加之統計過程中的疏漏遺缺，這些因素導致部分樣本企業的個別指標數值出現0值，會影響統計結果，從而對模型的影響較大。如果樣本企業出現某些指標為0的情況較多，我們就選擇刪除該樣本。對于包含0值較少的樣本企業，對模型的影響較小，我們會選擇保留該樣本。

通過對樣本數據進行“兩步法”處理后，樣本數據變成非平衡面板數據，但非平衡面板數據并不會影響計算離差形式的組內估計量，所以固定效應模型依然有效；運用廣義離差變換時可以將差分形式進行轉換，這樣非平衡面板數據不會對隨機效應模型產生實質影響，因此，非平衡面板數據并不會對估計結果產生較大影響。

通過“兩步法”的數據篩選，我們最終選擇12760家科技型中小企業作為實證研究樣本。

為消除量綱的影響，我們對變量進行標準化處理，標準化方法為，標準化處理后，由于資產負債率、企業利潤率等量綱的不同所造成的問題將得到解決。