六、进一步的分析

上文的讨论表明，当以无创业资本支持的企业为参照系进行横向比较时，有创业资本支持的企业具有更高的创新投入、创新产出、创新效率和投资质量，但这既可能反映创业资本的甄别效应，也可能反映增值效应；当以创业资本介入之前的情况为参照系进行纵向比较时，除了创新投入，其他创新变量和投资质量在创业资本介入之后并未呈现显著的差异，增值效应没有获得充分支持。至此，我们可以反推：横向比较所获得的正相关关系反映的主要是一种甄别效应。这一判断也符合当前多数文献的结果。例如，Da Rin et al.（2013）在关于创业资本的文献综述中提到，多数实证检验表明的是创业资本的甄别效应。为了进一步验证这一推断，本部分展开进一步的分析。

（一）基于创业资本介入前的检验

首先，在窗口[-5，+5]中剔除窗口[0，+5]，这样余下的观测值没有创业资本的支持，由此可以排除创业资本的作用。

其次，对于获得创业资本支持的企业，当观测值位于窗口[-5，-1]时，VC ^before 取值为1；否则，取值为0。对于没有获得创业资本支持的企业，VC ^before 取值为0。

最后，以VC ^before 为解释变量重新检验假设1和假设2。如果甄别效应成立，那么我们可以预期在创业资本介入之前，假设1和假设2仍然成立，结果如表14和表15所示。 在表14中，所有模型的VC ^before 回归系数均显著为正，表明在创业资本介入之前，干预组的创新指标已经显著高于控制组。

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15利用创业资本介入前的情况检验假设2。模型（1）—（6）以投资水平为因变量，从中可以看到，VC ^before 的回归系数均显著为正，表明在创业资本介入之前，创业资本拟介入的目标企业已经具有更高的投资水平。交互项VC ^before ×Growth的回归系数均不显著，这点有别于表5的发现。在表5中，VC ^after ×Growth的系数均显著为正，表明在创业资本介入后，有创业资本支持的企业的投资质量变得更优，但VC ^before ×Growth的系数则不显著。这一前后比较表明，就投资—增长机会敏感性而言，创业资本具有某种积极作用。但当因变量为已投资本回报率时，模型（7）和模型（8）的回归结果显示VC ^before 的系数显著为正。这些结果与基于VC ^after 所进行的回归结果相一致，表明在创业资本介入之前，被投企业已经具有更高的已投资本回报率。

（二）事件窗口期内的动态变化

根据Robert and Whited（2012）的建议，我们可以通过事件窗口期内的动态变化来考察某个事件如何影响因变量。如果该事件确实对因变量产生显著影响，那么我们将可以观察到在创业资本介入前后的显著差异。借鉴Schoar（2002）、Bertrand and Mullianathan（2003）、Chemmanur（2010）、Chemmanur et al.（2011）和Xavier（2013）的方法，我们设置一系列反映事件前后的时间虚拟变量。为了让因变量的动态变化更真实、更密切地反映事件的影响，我们仅关注VC介入前后各3年的情形，此时的研究样本至少具有1期观测值，但至多具有7期观测值，超出前后各3年的观测值则被剔除。其基本模型为：

其中，Y代表因变量。由于投资—增长机会敏感性无法进行类似检验，因此我们仅考虑R&DExp、ProInnov、TFP、CapProd、LabProd、ROA和ROE。Before[S]和After[T]代表事件期间的一系列虚拟变量。由于这里仅关注创业资本介入前后各3年，因此在时间上可划分为7个时期：-3、-2、-1、0、+1、+2、+3。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。我们据此设置相应的事件时间虚拟变量。Before[S]（S=-3、-2、-1、0）的定义为：当样本在存续期获得创业资本的支持且观测值位于S时期时，Before[S]取值为1；否则，取值为0。After[T]（T=+1、+2、+3）的定义为：当样本在存续期获得创业资本的支持且观测值位于T时期时，After[T]取值为1；否则，取值为0。我们将0时期以Before代表，因为创业资本在介入当年往往尚未实质性地影响企业的创新行为。取-3时期为基准，我们设置6个事件时间虚拟变量。X代表控制变量，内容与式（1）的X相同，包括Ln（Assets）、Lever-age和Ln（Age）。

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。

如果创业资本的增值效应成立，那么我们预期After[T]显著为正，并且在数值上要大于Before[S]，回归结果如表16所示。遗憾的是，我们发现除了ROA和ROE，鲜有变量具有显著的前后差异。对于ROA, Before[-2]、Before[-1]和Before[0]的回归系数均显著为正，表明在创业资本介入之前，被投企业的ROA显著高于基准时期[-3]；After[+1]、After[+2]的回归系数均为负但不显著，After[+3]则显著为负，表明创业资本介入后的ROA趋于下降。ROE也有类似倾向，稍微有点正面意义的变量是创新投入变量R&DExp。从模型（1）可以看出，虽然在[0]时期，回归系数没有比前期增大，但从[0]时期开始，回归系数逐年增大，并在第3年获得10%的显著性，这种变化趋势与横向和纵向的回归结果相对一致；而其他创新变量则没有明显的变化。这些结果表明，相对于创业资本介入之前，创业资本介入之后的影响并没有获得显著的正面支持，不存在显著的增值效应。

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。

（三）哪些企业会引进创业资本？

上述分析进一步强化了创业资本的甄别效应但抑制了增值效应：创业资本在投资企业时具有选择性，创业资本所投资的企业本身便具有更高的创新水平和更优的投资质量。但是被投企业是否也在选择创业资本呢？哪些企业会引进创业资本？尤其是，本身创新水平较高的企业，是否更倾向于引进创业资本？在当前的研究中，Engel and Keilbach（2007）以德国初创企业为样本，发现拥有更多专利申请数量的企业在获取创业资本方面具有更大的可能性，但在获得创业资本之后，其专利申请数量并未发生显著变化。Mann and Sager（2007）以获得创业资本的企业为样本，发现拥有更多专利的企业获得了更多的创业资本投资。这些发现支持了创新优先假设，同时也为创业资本的甄别效应提供了更多的证据。

在干预效应模型和倾向得分匹配中，我们对是否引进创业资本进行了logit回归分析，但其中的协变量仅考虑了Ln（Assets）、Leverage和Ln（Age），这里尝试进行更完整的讨论。首先，增加增长机会（Growth）、资产回报率（ROA）、固定资产比例（FixAsset）等变量，并以这些变量为解释变量的模型构成基础回归模型；其次，为了单独考察企业创新行为的影响，我们在基础回归模型中依次加入创新效率、创新产出和创新投入变量。

表17的模型（1）是基础回归结果，解释变量中尚未加入创新指标。从表17可以看到，固定资产投资水平 9、增长机会、资产规模、资产回报率、负债比例均与创业资本的引进显著正相关，而固定资产比例、企业年数则与创业资本的引进显著负相关。模型（2）、模型（3）和模型（4）分别在模型（1）的基础上加入TFP、ProInnov和R&DExp，我们可以看到，TFP的回归系数不显著，但ProInnov和R&DExp均显著为正，表明产品创新比例高、研发支出比例高的企业更倾向于引进创业资本，支持Engel and Keilbach（2007）和Mann and Sager（2007）的发现。这些结果与社会共识相一致，即创业资本喜欢投资于高回报率、高增长率、年轻化的、技术密集型 的企业。我们还注意到，R&DExp和ROA的回归系数远远大于其他变量的回归系数，表明这两个变量与创业资本的引进具有非常大的相关性，这一结果也符合社会共识——创业资本喜欢投资于高回报率和高科技的企业。然而，这种解读其实是模棱两可的。这些回归结果究竟是表明了企业对创业资本的选择，还是说明了创业资本对企业的选择？这正是Da Rin et al.（2013）所提出的难题。应该说，这里没有单方的选择，这是一种双向选择。但不管是哪种选择，这些结果均支持创新优先假设。

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。 ye+QOQw2IokCRoaC1ChNPyFDUh1u9uD8F8KEdn26qzSU9qrnc/mb9J2rSYEZKAfu