二、模型构建

本书拟采用微观数据对企业科技创新投入的财税政策激励效果进行实证研究，具体采用广义空间两阶段最小二乘法（Generalized Spatial Twostage Least Squares，GS2SLS）方法⁽¹⁶⁾来估计模型，原因如下：①企业是两种政策工具的最终受益者和激励终端，政府通过税收优惠和财政补贴支持企业进行技术创新，纠正市场失灵，本书采用企业微观数据可以更好地评估政策激励效应，可以直接反映和准确评估企业对两种政策工具的偏好选择；②从企业经营和财务角度来看，企业选择税收优惠或财政补贴中的一种政策工具，对其自身的生产经营状况和会计收益是有直接影响的，这一点可以作为选择模型变量的依据；③税收优惠具有公平性和统一性等特征，但在全国统一的税收优惠政策中，受经济发展水平、信息共享程度、政府管理效率以及思维习惯等方面因素的制约，不同地区落实税收优惠政策的执行力度存在较大差异，例如，在我国，经济发展较好的地区更为积极地支持和落实鼓励企业科技创新的优惠政策，而在经济发展相对落后的地区则表现得并不理想。而财政补贴政策在不同地区的执行效果和力度也有所差别，补贴政策的“不平衡性”加剧了地方政府横向间的“标尺竞争”，忽略地区间的相关性会导致参数有偏等问题。因此，两种政策工具的“空间相关性”是必须要考虑的。

基于上述理论分析和已有的研究成果，我们提出两个理论假设：

命题1：财政激励政策间接的“空间效应”会影响企业科技创新投入。

命题2：税收优惠能激励企业开展科技创新活动。

为了检验命题1和命题2，本书在已有研究的基础上，选取空间计量模型，具体的实证回归模型为

被解释变量Rd_it表示企业i第t年的技术创新投入（R&D费用）（i=1，2，…，m；t=1，2，…，T），在本书中，企业的研发费用包括研发人力资本投入、研发活动直接投入、无形资产摊销和其他研发费用。

W_it表示空间滞后项，空间权重矩阵W是m×m的常数矩阵，空间矩阵的元素则表示企业所在的地方政府之间的空间关系，这种空间关系既可以是地理空间关系，也可以是经济等其他方面的联系。我们对W_it进行标准化处理，对于空间权重矩阵的选取⁽¹⁷⁾，在借鉴现有研究成果的基础上，我们构建了空间权重矩阵，为了研究的全面和准确性，本书包含两类空间矩阵⁽¹⁸⁾：一类是以空间地理为基础的权重矩阵；另一类是以地区之间经济相关性为基础的权重矩阵。在处理第一类传统意义上的地理空间矩阵方面，我们采用的是空间计量经济学经典方法：企业所在的相邻省份之间的数字取值为1，不相邻省份之间的数字取值为0，详细的设定方法参照Pace（2007）⁽¹⁹⁾。在处理第二类以地区之间经济相关性为基础的权重矩阵方面，我们根据所选择的控制变量进行分析，本书中选取的控制变量用各地区经济发展水平来表示，相应的经济空间权重矩阵用Wgdp来表示。

Sub_it表示激励企业开展R&D活动的财政补贴，以企业营业外收入下的政府补助来衡量。

Tax_it表示财政激励企业科技创新活动的税收优惠，这一指标难以直接获取有效的数据支持⁽²⁰⁾，本书借鉴Warda（1996）设计的B指数来衡量我国企业R&D税收优惠的激励强度。

B指数的计算需要满足3个假设条件：

（1）以OECD国家对R&D投入的平均值比例为基础，将劳务支出、机器设备、建筑项目及其他经常项目分别定为60%、5%、5%和30%；

（2）企业科技创新所享受的税收优惠和财政补贴均当期实现，不考虑余额结转等问题；

（3）仅以企业所得税为计算依据，不考虑财产税、增值税和个人所得税等。

计算我国企业的B指数⁽²¹⁾，首先需要对B指数的计算公式进行赋值，t的赋值参照税法的规定，根据上述公式，结合变量赋值，可以得出B指数的值。

控制变量用X_it来表示，包括一组影响企业科技创新活动的环境因素，包括企业总资产、企业资产负债率和企业利润率，企业利润率＝利润总额／主营业务收入，资产负债率＝企业总负债／企业总资产。

e_i表示与时间无关的地理效应；δ_t代表时间效应，变量不随地区变化，ε_it表示模型的随机误差项。

数据选取：本书主要以2011—2015年科技型中小企业数据库为研究样本，所有原始数据来源于Wind数据库。该数据库有15000多家科技型中小企业数据，我们采取“两步法”对原始数据进行处理。第一步，我们通过法人代码识别筛选出2010—2014年均存在于数据库的企业，并删除了实收资本、补贴收入、全部职工人数、主营业务收入、研发费用等科目为负数的数据，将资产负债率大于1、企业利润率绝对值大于1的数据剔除，剔除非正常经营状态的极端样本企业；第二步，企业获得税收优惠或财政补贴需要一定的申请条件，而且受政策环境变化的影响，企业在个别年份会出现亏损，加之统计过程中的疏漏遗缺，这些因素导致部分样本企业的个别指标数值出现0值，会影响统计结果，从而对模型的影响较大。如果样本企业出现某些指标为0的情况较多，我们就选择删除该样本。对于包含0值较少的样本企业，对模型的影响较小，我们会选择保留该样本。

通过对样本数据进行“两步法”处理后，样本数据变成非平衡面板数据，但非平衡面板数据并不会影响计算离差形式的组内估计量，所以固定效应模型依然有效；运用广义离差变换时可以将差分形式进行转换，这样非平衡面板数据不会对随机效应模型产生实质影响，因此，非平衡面板数据并不会对估计结果产生较大影响。

通过“两步法”的数据筛选，我们最终选择12760家科技型中小企业作为实证研究样本。

为消除量纲的影响，我们对变量进行标准化处理，标准化方法为，标准化处理后，由于资产负债率、企业利润率等量纲的不同所造成的问题将得到解决。