推文人 | 朱敏龄

 

原文信息

 

Yanbo Wang, Jizhen Li, Jeffrey L. Furman. Firm performance and state innovation funding: Evidence from China’s Innofund program[J]. Research Policy,2017,46:1142-1161.

 

对于初创期的技术创新企业来说，能够获得金融资源以支撑技术创新和企业发展，关乎企业的生死存亡也关乎国家整体创新能力的提升。但在我国，为初创企业进行融资的项目和机构并不多，大多支持中小企业发展创新的平台和基金都是由政府设立的公共创业基金项目。这些由政府设立以解决市场功能缺失的项目都具有政府干预的性质，考察其有效性对政府转变治理方式和企业的发展都有重要影响。因此，本篇文章提出企业能否通过利用公共创业投资以提高其创新和财务绩效？这个问题具有两个方面的含义。一方面是对企业发展和创新进行公共投资是否有效地提升了企业的创新能力和后续表现，另一方面是哪些企业得到了公共投资，这些公共投资的配置是否公平有效。对于第个一问题的回答，之前的研究由于数据的限制不能选择有效的计量工具，以准确地识别出公共创业投资和企业后续表现是否存在因果关系。因为在选择计量工具分析这个问题的过程中，之前研究利用的数据基本是事后数据，如哪些年份有哪些企业的项目申请上了创新基金，而在实际的基金项目申请和筛选的过程中存在“picking winner”的问题，如那些具有明显的技术和财务优势的企业更有可能获得创新资助从而成为样本数据，从而从可得数据观察到的可能是那些本来就优秀的企业获得了创新基金。在这种情况下我们就很难区分出是创新资金推动了企业的发展使得它有更好的创新和财务表现，还是这些企业本身就具有发展得更好的能力了。也有研究选择用匹配的方法进行估计，如知道每年有哪些企业得到了创新基金，通筛选与这些企业非常相似的企业并计算他们之间的差异来研究获得创新项目资助的企业是否有更好的创新和财务表现。这种方法仍存在的问题是有可能决定获得基金项目的企业具有比同类未获得基金项目的企业有更好表现的因素并不是这些企业获得了创新基金资助而是其它隐性原因，比如获得基金项目的企业比未获得基金项目的同类企业具有更强的政治关联从有更大的概率获得创新基金，而有利的政治关联也使得这些企业比同类企业发展得更好。这两个方面的困难使得之前研究中对公共创业投资和企业后续表现的因果关系识别存在问题。

 

背景及数据

 

本文对以往研究设计得到的结果存有疑议的原因在于：1、新兴发展中国家的国家治理能力较弱，腐败现象通常更为普遍，政治家和国家官员可能会通过利用公共资助项目来增进私人利益。我国作为一个新兴发展中国家，可能存在国家治理能力不足而导致的获得创新基金项目的企业发展得更好只是和他们具有一定的政治关联或者政治权利有关的问题。2、政府与市场之间的信息不对称。政府提供公共创业资助的目的是为了从social planner 的角度提高社会的资源配置效率并促进创新，而评估一项创新型项目是否具有发展潜力并值得投资本身就是一个非常难以判断的问题。政府并非利益相关的市场主体，其项目评估的专业能力也有限，从而更有可能从其他方面而非企业发展潜力来判断项目的可资助性。3、从我个人的理解来说，基金项目评估人在评估项目的时候也有可能为了提高其项目投资的准确性而“pinking winner”，这使得我们事后得到的数据就存在样本选择偏差了，因为这些企业本来就有能力发展得更好。而且私人投资是逐利的，如果政府对这些可以获得短期利益的企业进行投资，在一定程度也可能挤出私人投资，从而不利于社会效益的最大化。

 

为了回答这两个问题，进一步识别公共创业投资和企业后续表现的因果关系，本文利用中国中小型技术创新企业创新基金（the Innofund）的内部数据进行了详细的分析。该项设立于1999年的基金是中国第一个针对初创技术企业设立的创新基金，是国家火炬计划的一部分。基金采用外部专家评审制度，文章指出虽然基金做了很多努力邀请外部企业的高层或专家参与评审，但是大部分的评审人员仍来自公共行政部门。本文使用的数据为2005-2010的项目申请材料、得分以及最后的资助情况。主要包括以下内容：1、所有项目申请者的申请材料；2、项目得分和详细的评估情况；3、项目资金自主情况，即最后哪些企业得到了资助以及资助的金额是多少。本文为衡量企业的后续表现，还利用了中国知识产权局和北京工商行政管理局关于这些企业后续的专利申请数量、企业存活情况以及所有者结构的数据。

 

基于创新基金提供的信息，本文可以利用模糊断点回归来对公共创新投资是否提高了企业的创新和财务绩效进行因果识别，在方法上是对该方向研究的一个创新。

 

模型&统计分析

 

本文首先用ols估计企业特征和企业评估得分的关系，并用logit 方法来估算申请企业的得分和他们申请成功的概率。再用仔细分析那些没有得分的申请企业的数据，分析行政干预对企业补贴金的分配的影响。最后，用ols和fuzzy RD对基金项目资助是否促进了企业后续的创新和财务绩效进行了分析。分析中将数据分为三个时间段：2005-2007,2008-2010,以及2005-2010。

 

从对企业特征和企业评估得分的估计中，文章发现那些财务表现好、专利申请多以及该公司的创始人或最高管理团队收到国家级或省（部级）级重大奖励的企业得分更高，而并且2008-2010的评估有所放松，那些可以观察到的如企业财务表现好、专利申请多的优点对评估分数的作用在降低。从申请企业得分和项目申请成功概率的角度看，分数越高的企业申请成功的机率越高。而从数据统计分析上看，有51个样本企业的项目评估分数高于可申请的门槛但是没有获得项目基金资助，而有7个样本企业的评估得分低于申请的分数门槛但是获得了项目资助，并且在样本中有111个企业没有留下评估分数的记录但是这些没有分数的企业申请上创新基金项目的机率确很大，因此文章提出有理由怀疑行政干预在项目申请的过程起到了作用，并且可能影响FUZZY RD 中对创新基金是否能利于企业的后续表现的结果。

 

之后，文章对创新基金是否能利于企业的后续表现进行了分析，构建OLS模型如下：

            

 

再看Fuzzy RD的结果。因为数据样本中有部分企业的项目评分高于门槛但是没有得到项目资助而有些企业的项目评分低于门槛但是却得到了项目资助，因此本文使用Fuzzy RD。从结果看，当我们将局部线性和局部二次线性在资助金门槛值正负5的范围内拟合的时候，没有发现企业存活率出现明显的间断，而这个结果对其他衡量企业后续表现的指标来说，除国有企业和社会企业对其进行股权投资这个后续指标（图3），其他没有发现有大的跳跃。

结论与小议

 

在被推送的这篇文章中，最大的也是作者在文中多次提及的可借鉴之处是可以尽可能地利用内部资料和数据进行研究，虽然笔者认为其实已经不容易了。推送的这篇文章的分析和主要发现都基于其可获得的数据。可以知道，本文的第一个问题：影响创新项目评分的因素是什么？作者给出的回答是在财务和技术创新上表现更好的企业更易获得资助，而作者认为在这个过程中存在“pinking winner”而不是“create winner”的问题，因而作者认为通过OLS得到的结果并不能识别出因果关系。第二个问题关于公共创新资助是否影响了企业的后续表现，文章通过Fuzzy RD的方法得到的结果在阈值附近的多个窗口都没有明显的跳跃，以证明创新资助金的获得者能表现得更好，因此本文认为创新资助金并不是导致创新型企业表现得更好的原因。最后，正如文中提出的，这项创新资助金的资助对象只涉及北京中关村内的创新型企业，其结果是否具有外部性有效性还值得考证。而在线性回归中得到的相关关系是否只是由于pinking winner 的影响，而可以完全排除公共创新资助和受资助企业后续表现之间的因果关联也需要进一步验证。

 

Abstract

 

We develop a signaling model in which imperfectly competitive firms signal quality through expenditures in segmented markets. Separation in this model results in high-quality firms selling their products in a high-demand, and highly quality elastic, period. Low-quality firms sell their product in a low demand but less quality-sensitive period. A dataset including 1697 US theatrical releases between 1998 and 2008 is compiled and explored for evidence of this separating equilibrium. We find that our measures of signal intensity and realized quality (budgets and critical ratings, respectively) are both significantly greater during high-demand periods. Ticket sales are also shown to be more sensitive to expected quality as measured by budgets during the high-demand season. Other seasonal differences and implications are explored.