四、横向维度的回归结果与分析

（一）基本回归结果

表4为假设1的基本回归结果，即OLS估计结果。对于企业创新的五个度量指标（研发支出比例、产品创新比例、全要素生产率、资本生产率和劳动生产率），VC ^after 的回归系数全部显著为正，表明相对于未获得创业资本支持的企业，有创业资本支持的企业确实具有更高的创新水平（包括创新投入、创新产出和创新效率），假设1获得显著支持。在控制变量中，资产规模[Ln（Assets）]对于不同的因变量具有不同的影响，但负债比例（Leverage）和年龄[Ln（Age）]则有着稳定的负面影响，表明负债比例越高、年龄越长，企业的创新行为越趋于保守。

注：*、**和***分别表示在10%、5%和1%的统计水平下显著；括号内数值为标准差。

表5为假设2的基本回归结果。模型（1）—（6）以投资—增长机会敏感性度量投资质量，其中模型（1）、模型（2）、模型（4）、模型（5）为主效应分析。从中可以看到，不管是非流动资产投资水平（Inv＿NCA），还是固定资产投资水平（Inv＿Fix），增长机会（Growth）的回归系数均显著为正，验证了投资学的托宾q理论：增长机会越多，投资水平越高；VCafter的系数也显著为正，表明获得创业资本支持的企业具有更高的投资水平。这应该属于创业资本融资的应有之意：企业之所以引进创业资本，本意在于借助创业资本支持投资行为。模型（3）和模型（6）为交互效应回归结果，交互项VCafter×Growth的回归系数显著为正，表明获得创业资本支持企业的投资水平和增长机会之间的正相关关系显著更强，这意味着更高的投资质量，假设2获得显著支持。当以已投资本回报率度量投资质量时，模型（7）和（8）表明，有创业资本支持的企业具有显著更高的资产回报率（ROA）和权益回报率（ROE），假设2获得显著支持。

（二）干预效应模型

假设1和假设2采取的是横向视角，其参照系为无创业资本支持的控制组，但这里可能存在由样本选择所带来的内生性问题。例如，企业之所以最终获得创业资本的支持，可能与其自身的特质有关，这意味着在式（1）的模型中，除VCafter之外的其他自变量可能影响VCafter的取值。对此的一种解决办法是采用干预效应模型（treatment effect model）进行估计。该模型与Heckman的样本选择两阶段模型类似，但区别在于：第一，干预变量VCafter直接进入回归方程；第二，干预变量VCafter可明确地观测到实现值0或1。模型涉及回归方程和选择方程的设计，其回归方程为：

其选择方程为：

其中，y _i 为结果变量（outcome variable），包括创新投入、创新产出、创新效率、投资水平与已投资本回报率。x _i 为y _i 的决定向量，即式（1）中的控制变量X或式（3）中的控制变量Z 为干预变量，当企业i得到创业资本支持时，取为1，否则，取值为0。 是隐内生变量（latent endogenous variable），当 大于某个临界值（如0）时，所观测到 取值为1；否则，取值为0。z _i 为影 的外生变量向量。Φ（·）为标准正态分布的累积分布函数，ε _i 和u _i 为相互关联的随机干扰项，服从二元正态分布。对于选择模型中的向量z _i ，我们选择资产规模Ln（Assets） _t-1 、负债比例Leverage _t-1 、企业年数Ln（Age） _t-1 以及年度和行业虚拟变量等指标。我们采用最大似然估计法进行估计，以便对残差项进行稳健性调整并在个体水平上进行聚类，但仅报告回归模型而忽略选择模型，因为后者对不同的因变量具有不同的结果，对之加以报告既占用篇幅又无必要。

假设1的干预效应模型估计结果如表6所示。从表6可以看到，对于所有的因变量，VC ^after 全部显著为正，再次表明得到创业资本支持的企业具有更高的创新投入、创新产出与创新效率，假设1得到显著支持。

注：*、**和***分别表示在10%、5%和1%的统计水平下显著；括号内数值为标准差。

表7的Panel A以投资—增长机会敏感性度量投资质量，交互项VC ^after ×Growth的系数显著为正，表明获得创业资本支持的企业具有更优的投资质量。Panel B以ROA和ROE为因变量，VC ^after 的回归系数显著为正，表明有创业资本支持的企业具有更高的已投资本回报率。这些结果与前文的一致，表明在控制了样本选择偏差之后，假设2仍然得到显著支持。

注：*、**和***分别表示在10%、5%和1%的统计水平下显著；括号内数值为标准差；在模型（1）中，Inv是指Inv＿NCA；在模型（2）中，Inv是指Inv＿Fix。

（三）倾向得分匹配

干预效应模型可以缓解样本选择偏差问题，其控制组是没有获得创业资本支持的全部观测值。由于干预组与控制组的观测值的差距甚大（VC ^all =1的观测值仅占总观测值的0.175%），这种方法的估计精度仍有待提高。作为一种精炼方法，匹配法通过某种程序为干预组寻找一个或若干个配对样本，使得干预组与控制组尽量地相似，从而更能凸显干预变量的作用。为此，我们采用通行的倾向得分匹配（PSM）法，匹配程序如下：

第一步，根据VC ^all 变量将全体样本分为两组，其中V ^all =1组别构成干预组（treated group），VC ^all =0组别构成控制组（control group）。由于匹配是为了找到创业资本介入当年最为接近的配对企业，同时为了避免控制组样本被选为配对样本，对于VC ^all =1组别，我们仅选出VC ^once =1的观测值，并将这些观测值与VC ^all =0组别一起构成计算倾向得分的观测值。所采用的logit模型为：

其中，X为匹配协变量，与式（1）中的X保持相同；不同的地方是，式（7）中的X采用的是当期值，而式（1）采用的是滞后值。这里之所以采用当期值，是因为倾向得分匹配中的logit模型并非为了寻求因果关系，而是为了寻找倾向得分最为接近的样本。滞后值代表上一期的信息，而当期值代表当前信息，上一期的相似并不意味着当期的相似，而相似的当期值最适合作为今后的比较基础，这正是我们在式（7）中对X采取当期值的原因。

第二步，运行logit模型，计算全部样本的倾向得分，然后分年度和分行业进行匹配，找出在创业资本介入当年与获得创业资本支持企业的倾向值最为接近的配对企业，并为配对企业指定假设的干预年度（创业资本介入的年度）。例如，企业A在2003年获得创业资本融资，则在2003年找到倾向值最为接近的企业B之后，为企业B指定2003年作为假设的干预年度。除倾向值最为接近外，我们还做出以下要求：（1）同一年度；（2）同一行业（两位代码）；（3）匹配时采取1:1无回置匹配；（4）年度之间无回置，即本年度已被选为配对样本的样本，在此后年度的匹配中不再考虑。

第三步，在获得配对组的名单后，我们将配对组和干预组名单合在一起，重新与配对前的原始数据进行合并以获得相关变量的信息。此时配对组被标记为Treat=0（VC ^all =0），而干预组则被标记为Treat=1（VC ^all =1）。由于两组样本都有了干预年度，因此根据自然年度与干预年度差，我们就可以确定事件窗口。

在此基础上，我们对控制组定义类似的After变量为：如果观测值所处期间在指定的干预年度之后，After取值为1；否则，After取值为0。为了使样本更具可比性，我们将样本限制在窗口期[+1，+5]。对于干预组，窗口[+1，+5]是指创业资本介入之后的5年期间；对于控制组，窗口[+1，+5]是指控制组在当年获得创业资本支持之后的5年期间，这是一种反事实。

第四步，我们进行回归分析，考察Treat变量的符号。假设1的结果如表8所示。从表8可以看到，当因变量为R&DExp和ProInnov时，Treat显著为正，表明在配对之后，获得创业资本支持的企业仍然具有更高的创新投入和创新产出；当因变量为TFP、CapProd和LabProd时，Treat的回归系数虽为正但不显著，表明在配对之后，获得创业资本支持的企业在创新效率上并没有显著的优势。相对于配对之前的结果（见表4），在配对之后，有创业资本支持的企业的创新优势在下降（创新效率不再具有优势），表明更加严格的样本选择有助于揭示创业资本更加真实的作用。

注：*、**和***分别表示在10%、5%和1%的统计水平下显著；括号内数值为标准差。

假设2的倾向得分匹配结果如表9所示。Panel A以投资—增长机会敏感性度量投资质量，从中可以看到，Treat系数均显著为正，表明干预组具有更高的投资水平。当因变量为Inv＿NCA时，交互项Treat×Growth的回归系数显著为正，表明干预组相对于控制组具有更优的投资质量；但当因变量为Inv＿Fix，交互项Treat×Growth的回归系数不再显著。Panel B以ROA和ROE为因变量，Treat系数均显著为正，表明干预组相对于控制组具有更高的已投资本回报率。

注：*、**和***分别表示在10%、5%和1%的统计水平下显著；括号内数值为标准差。

让我们对横向维度的回归结果做一小结。在基本分析中，所有的创新变量（创新投入、创新产出、创新效率）和投资质量（投资—增长机会敏感性和已投资本回报率）的回归结果均是显著的。在考虑了样本选择偏差之后，干预效应模型完全支持基本回归结果；而在倾向得分匹配后的回归结果中，只有创新效率和固定资产投资—增长机会敏感性不显著，其他变量均支持基本回归结果。总体而言，假设1和假设2得到良好的支持。这些结果与基于中国上市公司的研究发现相一致，如付雷鸣等（2012）、吴超鹏等（2012）分别发现有创业资本支持的企业具有更高的研发支出和投资—增长机会敏感性。但正如Robert and Whited（2012）所指出的，无论是干预效应模型还是倾向得分匹配，都仅仅是缓解而不是克服内生性的一种方法，匹配方法甚至不触及内生性的实质问题。因此，以控制组为参照系的横向比较仍然无法令人信服地区分创业资本的甄别效应和增值效应。横向比较的类似难题在金融发展与经济增长两者关系的探讨中也曾经出现，以King and Levine（1993）为代表的学者由此转向纵向的时间序列分析，Hirukawa and Ueda（2011）将这种方法引入创新/创业资本优先假设的检验中。 XbjvGGMOiYDtfhlnyO6lK+ujHLIo7az2/0hnOpUwq46oIK2fWrtSWE1o/PTdC7Mc