四、数据与模型设定

1.变量与回归模型

本文研究的数据窗口选择2007-2015年，9年的年度数据。选择2007年作为研究的开始，是因为2007年开始采用新会计准则。新准则对上市公司R&D投入数据的披露做出了全新规定，并且在这之后上市公司对研发活动的信息披露才开始增多。经筛选，最终获得1673家企业、7532个观测值的非平衡面板数据。本文实证研究采用的数据主要来源于国泰安（CSMAR）数据库、Wind数据库、巨潮网披露的上市公司年报等，主要涉及公司研究系列数据中的财务报表以及财务报表附注、上市公司研发创新等子库。本文使用的计量分析软件为Stata15.0。

根据前文对交易费用理论的分析，债务契约可分为交易型债务（transactional debt）与关系型债务（relational debt）。对应现实的债务融资方式，银行贷款是典型的关系型债务，债券与商业票据则被认为是交易型债务。根据企业资产负债表中的负债明细科目，对关系型债务与交易型债务的定义见表3。 INF 代表内源融资， EXF 代表外源融资。加入同期销售收入 SALE 控制企业需求因素，避免销售收入与内源融资（内部现金流）之间的相关性对估计的遗漏变量造成偏误。同样，所有变量都除以期初总资产，控制企业规模的影响。

借鉴Brown等（2009）的研究，将基于欧拉方程的投资模型应用到融资结构对研发投入的影响的研究中。为研究企业债务融资对研发投入的影响，在一般融资方程基础上，加入交易型债务（ Transdebt ）与关系型债务（ Reldebt ）变量，得到回归方程。

回归方程用于对本文假设进行检验。回归时，所有变量均除以期初总资产，控制企业规模。回归方程中 Reldebt 的系数 α ₇ 、 Transdebt 的系数 α ₉ 是本文研究对象，分别表示关系型债务融资与交易型债务融资对企业研发投入强度的影响。

2.拓展分析

信息披露程度（ info ），不同企业的信息披露程度不同，常用衡量指标是企业被分析师或者研报的关注程度。财务分析师能够承担信息披露功能，会跟踪企业研发活动，打开R&D活动“黑箱”（ 徐欣 、 唐清泉 ，2010）。企业被分析师关注的程度越高，信息披露越充分。具体指标包括：被分析师关注度（ Ana Attention ），即在一年内有多少个分析师（团队）对该公司进行过跟踪分析，一个团队数量为1，不单独列出其成员计算数量。被研报关注度（ Report Attention ），即在一年内有多少份研报对该公司进行过跟踪分析。相应地，信息披露程度用被分析师（研报）关注度加1的自然对数表示。这里采用被分析师关注度作为信息披露衡量变量，被研报关注度用于稳健性检验。

企业行业类型（ industry ）。按照所属行业技术密集程度，将企业分为高技术企业与非高技术企业。这里通过对比证监会行业分类（2012年）与高技术产业（制造业）分类（2013年），将样本中的制造业企业分为高技术企业与非高技术企业。根据高技术产业（制造业）分类（2013年），高技术制造业有六大类。而证监会行业分类（2012年）参照《国民经济行业分类》，将上市公司经济活动分为门类、大类两级。制造业门类代码为C，大类代码为两位阿拉伯数字。因此，在证监会行业分类中的制造业大类中，对照高技术制造业的6个大类，最终筛选出9个大类属于高技术行业。按照该标准将上市制造业企业分为高技术企业与非高技术企业两类。经分类，最终得到高技术企业940家，非高技术企业549家（见表4）。