下载掌阅APP，畅读海量书库
立即打开
（一）模型与变量
1.横向维度
为了检验假设1，我们设立以下模型：
其中，Y代表企业创新变量，我们从三个维度进行度量。第一维度是创新投入，常用指标是研发支出比例，记为R&DExp，等于研发费用除以总资产（Chemmanur et al.，2014）；第二维度是创新产出，常用指标是专利数量（Kortum and Lerner，2000；Hirukawa and Ueda，2011），但由于中国工业企业数据库难以与国家统计局的专利数据库相匹配，我们转而从产品创新的角度进行度量，记为ProIn-nov，并令其等于新产品产值除以工业总产值（毛其淋和许家云，2015）；第三维度是创新效率，涉及投入与产出的比例关系，包括全要素生产率（TFP）、资本生产率和劳动生产率（Hirukawa and Ueda，2008，2011；Chemmanur et al.，2011；Da Rin et al.，2013）。全要素生产率等于基于式（2）分年度、分行业计算所获得的残差与截距之和（覃家琦和邵新建，2015）。
其中，下标i、j、t分别代表企业、行业和年份。Y为销售收入，K为固定资产净值，L为企业员工人数。Y采用以1998年为基期的年度出厂价格指数进行平滑，K采用以1998年为基期的分省份固定资产投资价格指数进行平滑。在经济学中，全要素生产率通常被解读为技术进步。为了理解这点，可令生产函数为Y=Af（X），其中A代表技术进步；两边取对数并变形，得到lnA=lnY-f（X）。在柯布道格拉斯（Cobb-Douglas）技术假设下，得
，这与基于式（2）所计算的残差与截距之和是等价的。因此，全要素生产率代表了企业的技术进步，我们以此度量企业的创新效率。资本生产率（记为CapProd，等于销售收入除以固定资产净值）和劳动生产率（记为LabProd，等于销售收入除以企业员工人数）属于单要素生产率，作为全要素生产率TFP的构成部分，也可在某种程度上反映企业的创新行为（Hirukawa and Ueda，2008）。
VC after 为虚拟变量，代表是否有创业资本的支持。如果企业获得创业资本的支持，则在创业资本介入之后的所有期间，VC after 等于1；否则等于0。在创业资本介入当年，通常而言，此时的创业资本尚未真正发挥作用，因此我们令VC after 在介入当年等于0。对于始终未获得创业资本支持的企业，在所有期间，VC after 均取值为0。X为控制变量，包括以下三项：（1）Ln（Assets），代表企业规模，等于资产的对数；（2）Leverage，代表企业财务杠杆，等于负债除以资产；
（3）Ln（Age），代表企业年龄，等于企业年龄的对数。
假设2的检验需要对投资质量进行度量，我们采用两种方法。第一种方法为投资—增长机会敏感性。我们在Richardson（2006）模型的基础上加入变量VC after ，重点考察VC after 与增长机会的交互项是否显著，回归方程为：
其中，Investment代表投资水平，有两种度量方法。第一种方法属于宽口径，基于非流动资产计算。记t期的非流动资产为NCA t 、t-1期的非流动资产为NCA t-1 、t-1期的总资产为Assets t-1 、基于非流动资产t期的投资水平为Inv＿NCA t ，则Inv＿NCA t =（NCA t -NCA t-1 ）/Assets t-1 。第二种方法属于窄口径，仅基于固定资产计算。记t期的固定资产为Fix t 、t-1期的固定资产为Fix t-1 、t-1期的总资产为Assets t-1 、基于固定资产t期的投资水平为Inv＿Fix t ，则Inv＿Fix t =（Fix t -Fix t-1 ）/Assets t-1 。
Growth代表增长机会，常用的度量是基于上市公司的托宾q值。由于本文的工业企业在创业资本介入时均为非上市公司，与Asker et al.（2015）一样，我们以年度销售增长率度量增长机会，计算公式为（Sales t -Sales t-1 ）/Sales t-1 ，其中Sales为销售收入。
Z代表控制变量。借鉴投资学的托宾q理论，以及Fazzari et al.（1988）、Richardson（2006）、Gan（2007）和Asker et al.（2015）的投资模型，我们选取Ln（Asset）、Leverage、Ln（Age）、ROA和Investment的上期值作为控制变量。前三个变量的定义与式（1）变量的定义相同；ROA代表资产回报率，等于净利润除以总资产；Investment有两种度量，因此Investment t 和Investment t-1 应保持一致性，要么都是Inv＿Fix，要么都是Inv＿NCA。
度量投资质量的第二种方法是采用已投资本回报率（return on invested cap-ital, ROIC）。根据Subramanyam and Wild（2008），已投资本回报率有两种度量。一种是净营业资产回报率（return on net operating assets, RNOA），等于税后净营业利润除以平均净营业资产。由于本文使用的中国工业企业数据库没有提供详细的指标以计算净营业资产，因此我们以常用的资产回报率（ROA）替代净营业资产回报率。另一种是权益回报率，记为ROE，等于利润除以权益。回归模型与式（1）类似，只是其中的因变量Y换成了ROA和ROE，其他变量保持不变。
2.纵向维度
为了检验假设3，我们设立以下模型：
其中，式（4）的设定与式（1）的唯一不同之处在于解释变量不同。式（4）的解释变量After为虚拟变量，代表创业资本介入之后的所有期间。这也意味着式（1）和式（4）在研究样本上的不同：式（1）以所有企业（包括有创业资本支持的企业和无创业资本支持的企业）为研究对象，而式（4）仅以有创业资本支持的企业为研究对象。值得强调的是，创业资本在企业中的存续期间有长有短，过长或过短均无法真实地体现创业资本的作用。借鉴Chemmanur et al.（2011）的做法，本文以5年作为观察期间。为此，我们仅仅截取创业资本介入前后各5年的期间进行比较，可划分为以下11个时间：-5、-4、-3、-2、-1、0、+1、+2、+3、+4、+5。其中，“-”代表创业资本介入之前，“+”代表创业资本介入之后，“0”代表创业资本介入当年。对于-5、-4、-3、-2、-1和0期间，我们令Af-ter等于0；对于+1、+2、+3、+4、+5期间，我们令After等于1。之所以在0时期令After等于0，是因为在创业资本介入当年，企业创新行为往往尚未受到实质性的影响。
假设4的检验模型也与式（1）类似，只是将其中的VC after 替换为After，被解释变量替换为投资质量，同时将样本限定于有创业资本支持的企业。
（二）数据与样本选择
本文关于创业资本的数据来自投中集团的CVSource数据库。截至2014年年底，自该数据库一共获得17922个创业资本融资条目，每一条目包括融资企业名称、融资时间、投资机构、融资性质、发展阶段等信息。融资时间跨越1988年至2014年。
本文的工业企业数据来自国家统计局发布的1998—2009年中国工业企业数据库，全称为“全部国有及规模以上非国有工业企业数据库”
4，其中规模以上是指销售收入超过500万元。为了缓解各年数据之间因企业重组、并购等而导致的法人代码变更进而导致年度间的样本匹配问题，我们改进了Brandt et al.（2012）在线提供的Stata程序，由此建立起企业法人代码在1998年至2009年之间的一致性，再重新整体编码。由于2009年部分企业的法人代码缺失，我们采用1998—2008年的信息进行匹配，无法匹配的企业则被剔除。2002年前后国家统计局使用两种产业分类标准，我们在参考Brandt et al.（2012，2014）的做法基础上进行了调整。
为了获得企业的首次创业资本融资信息，我们先筛选出CVSource数据库中首次获得创业资本融资的企业名单，然后以企业中文名称对CVSource数据库和工业企业数据库进行匹配。由于CVSource数据库提供的是中文名称简称，为了获得更多的匹配，我们先删除CVSource数据库中文名称中可能影响匹配的非实质性字样，这些字样主要包括有限公司、有限责任公司、公司、企业、集团、控股、股份、中国等。然后，将CVSource数据按年度划分，因为工业企业数据库仅有1998—2009年数据，所以匹配从1998年开始截至2009年。例如，对于1998年，以CVSource数据库1998年的首次创业资本融资企业数据与1998年的工业企业数据进行匹配；在匹配后，再手工剔除干扰信息。在剔除时，我们仔细比较工业企业数据中的中文全称与CVSource数据中的中文简称的对应关系，综合利用工业企业数据中的省份、行业等信息及CVSource数据所提供的地区、行业、网址等进行综合判断。
完成上述匹配后，我们获得1998—2009年的观测值共计2955891个。借鉴聂辉华等（2012）的做法，我们按以下顺序进行剔除：一是销售收入（SALES）低于500万元，因为工业企业数据原则上仅统计销售收入大于500万元的企业；二是员工人数少于10人；三是资产、负债、权益小于0或者三者关系异常（如资产负债率大于1）；四是关键变量的异常值，如销售增长率（Growth）、资产回报率（ROA）、权益回报率（ROE）、负债比率（Leverage）、投资水平（Inv＿NCA和Inv＿Fix）大于1
5；五是成立年份早于1949年或晚于2009年或缺失；六是相关变量数据缺失；七是时期[-5]之前及时期[+5]之后的观测值，因为我们主要考察创业资本介入前后各5年的事件窗口。
最后，我们获得的观测值为2215890个。为了控制离群值问题，我们对连续变量分年度在1%和99%水平上进行缩尾调整（Winsorize）。
表1为样本的分布情况。Panel A为样本的年度分布。为了标识企业是否获得创业资本支持，我们设置三个虚拟变量。第一个记为VC once ，若样本在某个年度获得创业资本的首次融资，则VC once 等于1；在其他年度，VC once 等于0；若样本从未获得创业资本的支持，则VC once 也等于0。第二个记为VC after ，若某样本在某年度获得创业资本的首次融资，则在该年度之后的所有存续期间，VC after 等于1，否则等于0；若样本从未获得创业资本的支持，则VC after 也等于0。第三个记为VCall，若某样本在某年度获得创业资本的首次融资，则在该样本的所有存续期间，VCall等于1；若样本从未获得创业资本的支持，则VCall等于0。在此基础上，记N1为给定年度中VC once 等于1的企业个数、N2为给定年度中VC after 等于1的企业个数、N3为给定年度中VCall等于1的企业个数，表1 Panel A表明，N1等于713，即共有713家企业获得首次创业资本融资；N2等于1172，即713家企业所对应的在创业资本介入后的观测值有1172个；N3等于3886，即713家企业所对应的全部观测值有3886个，占总观测值（2215890）的比例仅为0.175%。这一比例低于Chemmanur et al.（2011）所分析的美国的情况：N3为16824，总观测值为788654，N3占比为2%。
表1 样本的年度和行业分布
注：行业代码6为煤炭开采业，7为石油与天然气业，8为黑色金属矿采选业，9为有色金属矿采选业，10为非金属矿采选业，13为农副食品加工业，14为食品制造业，15为饮料制造业，16为烟草制品业，17为纺织业，18为纺织服装、鞋帽制造业，19为皮革、毛皮、羽毛及其制品业，20为木材加工及木、竹等制造业，21为家具业，22为造纸及纸制品业，23为印刷业，24为文教体育用品制造业，25为石油加工业，26为化学原料及化学制品业，27为医药制造业，28为化学纤维制造业，29为橡胶制造业，30为塑料制品业，31为非金属矿物制品业，32为黑色金属冶炼及压延加工业，33为有色金属冶炼及压延加工业，34为金属制品业，35为通用设备制造业，36为专用设备制造业，37为交通运输设备制造业，39为电气机械及器材业，40为通信设备、计算机及其他，41为仪器仪表及文化、办公用机械制造业，42为工艺品及其他制造业，43为废弃资源和废旧材料回收加工业，44为电热生产与供应业，45为燃气生产和供应业，46为水的生产和供应业。
表1的Panel B为样本基于两位行业代码的分布。其中，N1排名前五的行业分别为：行业26，即化学原料及化学制品业（89家）；行业41，即仪器仪表及文化、办公用机械制造业（71家）；行业39，即电气机械及器材业（59家）；行业27，即医药制造业（58家）；行业35，即通用设备制造业（53家）。根据2008年科技部颁布的《高新技术企业认定管理办法》及其附件《国家重点支持的高新技术领域》，这五大行业均属于高新技术业，这与中国政府倡导创业资本支持高新技术企业的政策相符。
（三）初步统计分析
表2为相关变量的描述性统计，报告了观测值、均值、标准差、最小值、1/4分位数、中位数、3/4分位数和最大值。如表1所示，本文的最大观测值为2215890，这是在要求样本具有基本变量[Ln（Assets）、Leverage、Ln（Age）]信息的前提下获得的，而基本变量在本文的所有检验模型中均用到。但对于每一个具体的检验模型，由于所需的全部模型变量的缺失程度不同，因此各个因变量对应的观测值也不同。例如，对于研发比例R&DExp，由于中国工业企业数据库仅在2001年、2005年、2006年、2007年披露该数据，而且我们剔除了大于1及小于等于0的样本，因此最终的观测值只有95407。产品创新比例ProInnov也是如此，由于中国工业企业的披露年份只有1998—2003年和2005—2007年，因此观测值也有所不同。其他变量的观测值均取决于全部模型变量的缺失程度。我们之所以没有采用统一的观测值，是为了最大限度地反映样本的真实情况。
表2 样本的描述性统计
表3为单变量分析。Panel A以VC after 为分类变量，目的是比较有创业资本支持和无创业资本支持的观测值之间的差异。结果表明，相对于没有获得创业资本支持的观测值，有创业资本支持的观测值具有更大的资产规模，更长的年龄，更高的研发支出比例、产品创新比例、全要素生产率、劳动生产率、非流动资产投资水平、固定资产投资水平、资产回报率和权益回报率，以及更低的负债比例和资本生产率。在增长机会方面，均值比较没有显著的结果，但中位数比较表明有创业资本支持的观测值具有更多的增长机会。这些结果与假设1和假设2的预测基本一致。Panel B以After为分类变量，结果表明，相对于After=0期间，企业在After=1期间具有更大的资产规模，更长的年龄，更高的研发支出比例、产品创新比例和劳动生产率，以及更低的负债比例、全要素生产率、资本生产率、非流动资产投资水平、固定资产投资水平、增长机会、资产回报率和权益回报率。这些结果表明假设3和假设4的预测存在正反面的证据。
表3 单变量分析
注：*、**和***分别表示在10%、5%和1%的统计水平下显著。