【《我国留抵退税政策对企业影响的实证分析案例》12000字】

我国留抵退税政策对企业影响的实证分析案例目录TOC\o"1-3"\h\u20309我国留抵退税政策对企业影响的实证分析案例 199101.1研究对象的确定 1262091.2数据来源与变量界定 2229541.3分析方法及模型设定 576541.4实证分析 961721.5研究结论 20通过对我国总体和地区留抵税额情况的分析，可以初步了解留抵退税政策在降低我国留抵税额方面的效果。下文将从政策受惠的直接对象——企业角度对我国留抵退税政策的影响效应进行讨论，进而提出更加具体有效的政策建议。1.1研究对象的确定考虑到我国的留抵退税政策是一系列政策的集合，结合第二章对我国留抵税额分布情况的分析，本文选择我国留抵退税政策中的一项——《财政部税务总局关于2018年退还部分行业增值税留抵税额有关税收政策的通知》（财税〔2018〕70号），即选择2018年70号文进行实证分析。具体原因是：除在集成电路重大企业实施政策离现在有一定的时间间隔，其他几个政策——2019年39号文、2019年84号文离现在较近，政策效应可能还不太明显，并且各公司2020年报尚未完全报出，缺少2020年度各公司报表数据。由此如果选择用DID方法进行实证分析时，将政策开始实施时间点定位到全行业开始实行留抵退税的2019年，观测时间跨度较短的且缺少数据，并且如果将研究对象选择为全行业，由于2019年39号文中适用条件限制复杂，将难以界定全行业中的某个企业是否适用政策。为选择合理研究样本、延长政策有效观测分析时间，提高本文分析过程及结论的科学性合理性，结合地域因素、产业因素，发现三个沿海综合区产业发展重点与2018年留抵退税政策中所提到的装备制造等先进制造业、研发等现代服务业匹配程度较高，并且区域总体留抵税额规模巨大。由此可以合理推测出2018年留抵退税政策在三大沿海地区应用较广、时间较长，并进一步推测该政策可能在该三大沿海地区产生了较明显的政策效应。所以本文选取八大经济区中的全部三个沿海综合的政策适用企业为研究对象，以2018年留抵退税政策对企业资产投入、盈利能力的影响为研究内容，进行具体实证分析。1.2数据来源与变量界定1.2.1数据来源由于营业税改增值税发生在2016年5月，开始进行申请退还全行业的留抵退税确定在2019年7月，为避免这两个可能对本文实证研究的结果产生重大影响的政策因素，本文将实证分析的时间跨度初步选择为2016年6月-2019年6月。另外，由于本文实证研究部分是对企业层面的分析，而我国留抵退税政策有诸多限制，导致目前真正能够适用政策的、并且可在公开数据上观测到的企业对象较少，加之政策实施时间离当前较近，可观测的政策时间跨度较短，年度数据较少，所以本文选取上市公司的季度数据和半年度数据进行分析，以获取明确数据、扩充数据量，增强实证分析结果的科学性、可靠性。本文实证研究数据主要来自CSMAR国泰安数据库。以我国股市中处于三个沿海综合区的一般企业上市公司作为初始样本。根据研究需要进行如下筛选：（1）剔除ST异常企业及2016年6月-2019年6月期间内公开上市和终止上市的公司。（2）筛选得到财务报表附注内其他流动资产项目中含留抵税额，且纳税信用等级为A、B的样本。并剔除特殊样本数据（数据披露不完整以及重要变量缺失的上市企业数据）。（3）区分样本是否属于政策适用企业样本。根据2018年70号文附件——2018年留抵退税行业目录，结合各样本的上市企业行业代码进行判断。通过上述筛选，选取了205家政策适用企业作为实验组，721家非政策适用企业作为控制组。1.2.2变量界定（1）被解释变量①资产投入的测度：主要资产包括无形资产、固定资产、在建工程等（本文不考虑金融资产），所以资产投入以当期购入固定资产、无形资产和其他长期资产支付的现金的自然对数来衡量。在CSMAR数据库中，我们可以得到各样本企业6月末及12月末的资本支出与折旧摊销比、折旧摊销两组数据，将两组数据相乘可得到6月末、12月末的累计资本支出。用12月末累计资本支出减去6月末累计资本支出得到7-12月的资本支出，由此得到每半年度的资本支出，即购建固定资产、无形资产、其他长期资产所支付的现金。由于只有半年跨度的资本支出数据，本文在研究该解释变量时只选择半年度数据进行倾向得分匹配和双重差分。②盈利能力的测度：鉴于本文实证分析部分需选取企业季度数据和半年度数据的限制，在分析企业盈利能力时，大多数盈利能力分析指标由于包含营业利润、营业收入等，它们的季度数据均带有较强的季节性影响以及存在季度性波动，如需用以衡量盈利能力，需要利用统计软件通过时间序列分析来进行季度调整，但如此一来，将其作为解释变量就带有跟政策效应无关的外部因素影响。所以本文经过比对，采取营业成本率对企业的盈利能力进行衡量，营业成本率等于营业成本除以营业收入，是企业会计配比原则下的指标，反映企业在生产经营时收入与成本的配比关系，不带有季节性和季度性。营业成本率越小，代表企业的盈利能力越强。（2）解释变量post×treat为本文所设DID模型的核心解释变量，该变量可以代表2018年留抵退税政策对政策适用企业的影响。①post为时间变量，反映政策实施时间节点的变化，即当年是否处于政策实施时期。2018年6月下旬，2018年留抵退税政策开始实施。2016年6月-2018年6月留抵退税政策未实施，post=0；2018年9月-2019年6月，留抵退税政策正在实施，post=1。②treat是政策变量，反映企业是否可以享受留抵退税政策，同时区分企业是否属于政策适用企业，形成实验组和控制组。当treat=0时，为非政策适用企业，作为控制组，treat=1时，为政策适用企业，作为实验组。（3）控制变量本文重点考察2018年留抵退税政策对政策适用企业的效应，除政策因素外，考虑到企业内部因素也会对被解释变量造成影响，所以本文在模型中引入控制变量，以得出更合理、科学的分析结论。控制变量的设置及考虑如下：①现金持有量（Cash）反映企业原有现金水平，企业原有现金水平会影响企业进行投资、发展决策。为控制内源性资金的影响，应将现金持有量作为控制变量，以货币资金总额的自然对数来衡量。②资产负债率（Lev）可以反映财务稳健程度，更稳健的企业由于容易以低成本获取外部资金，会更容易进行资产投入，不稳健的企业由于负债金额高、偿债能力弱可能会产生资金使用的约束，从而限制企业投资、盈利。为控制财务稳健程度的影响，应将资产负债率作为控制变量。③企业规模（Size）反映总资产水平，企业规模大容易形成生产的规模效应，从而对企业盈利能力有一定影响。为控制总资产水平上的影响，应将企业规模作为控制变量，以总资产的自然对数来衡量。④上市年限（Age）反映企业上市时长，上市时间长可使得企业在行业内先发优势较足，影响企业核心竞争力，可能会使得企业从资本市场获得充裕资金的难度降低，进而影响企业投资、盈利。为避免企业上市时长的影响，应将上市企业上市时长作为控制变量。⑤资本密集度（CI）一定程度上反映企业的生产技术水平，资本密集度高的企业通常是采用较先进生产技术和设备的企业，而先进生产技术水平高的企业为进一步提高劳动生产率，会增加资产投入，进而又影响到企业的盈利能力。⑥固定资产占比（FR）、无形资产占比（IR）反映固定资产、无形资产的拥有水平，拥有较高占比的企业，在维护固定资产与无形资产等情况下可能有更多的资产投入，同时，由于这些企业通常有较高的生产能力水平，所以这两个指标也影响盈利能力。（4）通过上述讨论分析，列示本文各变量及变量定义如表4-1所示表4-1变量定义表变量类型变量名称变量含义指标计算、说明被解释变量资本支出反映资产投入ae=ln（资本支出与折旧摊销比×折旧摊销）营业成本率反映盈利能力ocr=营业成本/营业收入解释变量post×treatDID交互项post=0，政策实施节点前，post=1，政策实施节点后treat=0，非政策适用企业，treat=1，政策适用企业控制变量现金持有量反映原有现金水平Cash=ln（货币资金总额）资产负债率反映财务稳健程度Lev=总负债/总资产企业规模反映资产水平Size=ln总资产上市年限上市存续时间长短Age=（当前日期-上市日期）/365资本密集度反映企业生产技术水平CI=ln（固定资产总额/员工人数）固定资产占比反映固定资产拥有水平FR=固定资产/总资产无形资产占比反映无形资产拥有水平IR=无形资产/总资产1.3分析方法及模型设定1.3.1分析方法这项政策无疑可以看作是一项政策实验，适用政策效应评估方法。通过了解，我国学术界学者在评估政策效应中主要采用的四种方法分别为倾向得分匹配法(PSM)、双重差分法（DID）、断点回归法(RD)、工作变量法(IV)，本文要分析其效应，需要以2018年6月为政策开始实施的时间点，对该政策开始前后的企业相关资金投入、盈利能力状况进行比较，根据计量分析方式检验2018年留抵退税政策对其适用对象（暂不讨论电网企业，下同）是否具有显著推动作用。在探究时，较为理想的方法是对比同一企业在适用留抵退税政策与不适用留抵退税政策两种情况下的资产投入及盈利能力变化的差异，但这在现实中是无法实现的。因此本文考虑通过倾向得分匹配方法来获取样本，构造“反事实”，再以倾向得分匹配方法匹配后得到的样本进行双重差分估计。（1）倾向得分匹配法（PropensityScoreMatching，即PSM）我国对特定行业实施2018年留抵退税政策，也就是说在实施政策的企业选择上不是随机的，如果在实证分析时人为随意选取实验组和控制组，会产生样本选择偏差问题和异质性问题，使得实验组和控制组难以满足使用双重差分法的前提条件——满足共同趋势假设。当实验组和控制组不满足共同趋势假设时，仅仅使用双重差分法来检验2018年留抵退税政策对企业资产投入以及盈利能力的影响效果，分析结果会受到实验组和控制组在可观测特征上差异的影响，从而无法得到较为准确的政策净效应。通过在双重差分方法之前加入倾向得分匹配法，可以在一定程度上解决样本选择中存在的选择偏差问题和异质性问题。倾向得分匹配法的基本思想是：评估政策效果时，通过计算倾向得分值的方式，找到与实验组相似的控制组，再通过匹配分析，将控制组中与实验组个体特征相似的样本替代为实验组进行实验后不可观测到的没有进行实验时的情况，构造“反事实”。从而在可观测的控制变量上降低样本选择偏差，得到较为真实的政策效应影响。（2）双重差分法（differenceindifferences，即DID）双重差分法是一种估计因果效应的计量分析方法。以面板数据为基础，将样本数据分为两组，并通过将模型二次差分以消除其他影响从而评估出政策实施净效应的方法，本质是面板数据固定效应估计。由于双重差分法对于研究的普遍适用性较高，近年来在政策评估研究领域中得到了广泛的应用。双重差分法是本文将用到的主要计量分析模型。选择DID方法的理由主要是：DID方法对政策评估的条件比较放松，表现在它允许不可观测因素的存在，允许不可观测因素对实验样本个体产生政策冲击外的影响，并且在模型中能够很好的消除这些影响。但DID方法也有一些局限性，表现在对数据要求严苛、环境因素考虑不严格、未控制个体时点效应。所以在本文的实证分析过程中，将通过PSM方法筛选匹配样本的方式来减少适用DID方法所固有的局限性。本文研究2018年留抵退税政策对其政策适用企业相关资产投入、盈利能力的影响，可通过比较其适用对象在2018年留抵退税政策实施之前及之后的两个时间段的资金投入、效益状况，即单差法。这种办法看似简单便捷，但得出的结论可能是不准确的，因为存在许多政策之外的不确定因素。主要表现在：政策适用企业在适用政策时，还存在很多可能导致其资产投入、盈利能力变化的其他因素，比如时间因素、个体因素。此外在同时期实施的其他政策举措也可能导致其资金投入、效益状况变化，比如研发费用加计扣除政策。鉴于上述事实，本文使用与单差法相比更为科学的双重差分法（DID），控制时间固定效应和个体固定效应来进行相关实证分析。1.3.2模型设定（1）倾向得分匹配法模型在查阅了相关学者对倾向得分匹配法运用的文献后，本文借鉴Heckmanetal（1997）的做法设定PSM模型，采用logit回归估计模型，对两组对象的控制变量（PSM中也称为协变量）进行评分，获取倾向得分值。以此将每一个样本的多个考察维度统一到单个考察维度，便于进行实验组和控制组的精准匹配。具体步骤如下：对企业样本进行分组。将属于2018年留抵退税政策的18类留抵退税行业的企业（下文称为政策适用企业）划分为实验组，不属于18类2018年留抵退税政策的18类留抵退税行业的企业（下文称为非政策适用企业）划分为控制组。选择匹配协变量。本文选取了以下几个协变量，具体选择理由如下。先进制造业以及研发等现代服务业都属于技术密集型行业，均依赖高科技产品、固定资产等的运用。Caliendo和Kopeinig（2008）提出，匹配协变量的选择应当尽量满足同时影响结果变量（即实证分析的因变量）和影响样本能否进入可能适用政策范围的条件。鉴于此，本文选择了以下协变量，它们均能在一定程度上影响企业能否迈入先进制造业以及研发等现代服务业以适用2018年留抵退税政策，以及能在一定程度上影响企业资产投入的程度和盈利能力的水平。选择的协变量有：①资产负债率（Lev）：由于行业的特殊性，先进制造业和研发等现代服务业通常具有较高的财务杠杆。②企业规模（Size）：先进制造业以及研发等现代服务业，特别是先进制造业通常都有较大的企业规模。③资本密集度（CI）：资本密集度大小直接反映为企业每个员工占有的固定资产多少，资本密集程度越高，企业生产技术水平可能越先进。④固定资产占比：先进制造业和研发等现代服务业的核心生产能力来源于产品、服务的生产和销售，固定资产不可避免地占有较大比重。⑤无形资产占比：先进制造业和研发等现代服务业的主要行业特征即强调技术的先进性，而技术的先进性主要体现在无形资产的持有水平上。计算倾向得分。选取资产负债率（Lev）、企业规模（Size）、资本密集度（CI）、固定资产占比（FR）、无形资产占比（IR）作为协变量，建立Logit回归模型。logit实验组与控制组匹配。以倾向得分为基础，采取近邻卡尺匹配方法，对实验组和控制组进行可放回的1：1配比，对无法满足匹配的样本进行舍弃，得到满足共同趋势假设的实验组与控制组样本。（2）双重差分法模型本文选取季度时间跨度为2016年6月至2019年6月、三个沿海综合区存在留抵税额的各上市公司的面板数据样本。将存在留抵税额的上市企业中的政策适用企业设置成这项实验的实验组（treat=1），将剩下的存在留抵税额的非政策适用企业设置成该项实验的控制组（treat=0）。将政策出台日——2018年6月27日为界限对所有样本划分为政策实施前（post=0），以及政策实施后（post=1）。参考刘金科、邓明欢、肖翊阳（2020）的模型设计，本文构建以下基准回归计量模型来进行研究：Y上述模型各变量的下标i和t分别表示第i个存在留抵税额的上市公司和第t季度。在模型中，Yi，t为被解释变量，本文中选取为可反映主要资产投入的资本支出（ae），以及可反映盈利能力的营业成本率（ocr）来衡量。post×treat为主要解释变量，是post和treat的交互项。Xi，t本文重点关注该模型的β1的估计值，β1为交互项的回归系数，度量了2018年留抵退税政策实施对三个沿海综合区中政策适用企业的资产投入和盈利能力的政策效应。若2018年留抵退税政策的实施的确推动了这些企业的资产投入和盈利能力的增加，那么在各自的DID回归结果中表4-2DID模型主要参数含义及计算结果政策实施前，post=0政策实施后，post=1Difference政策适用企业，treat=1β0+β0+β1∆非政策使用企，treat=0ββ0+∆DID∆∆Y=1.4实证分析1.1.1变量的描述性统计在进行实证分析前，就初步筛选出的全样本进行描述性统计分析。帮助我们初步判断样本的分布、偏度情况。经过分别对全样本、实验组、控制组的简单描述性统计，得到变量描述性统计表4-3、表4-4、表4-5。表4-3全样本描述性统计分析表(1)(2)(3)(4)(5)VariableObsMeanStd.dev.minmaxae6,48318.102.3037.74926.34ocr12,0380.7230.2470.0005579.288cash12,03820.581.53913.9726.49lev12,0380.4380.2080.01671.237size12,03822.681.45318.2428.60age12,03813.087.3960.23328.55CI12,03812.611.3348.22017.94FR12,0380.1910.1690.0001160.878IR12,0380.04600.067900.781表4-4实验组描述性统计分析表(1)(2)(3)(4)(5)treat=1VariableObsMeanStd.dev.minmaxae1,43518.051.63310.7623.94ocr2,6650.6830.1700.02061.311cash2,66520.171.26316.1225.57lev2,6650.3770.1740.01720.910size2,66522.221.07420.1327.39age2,6659.7446.0490.55928.55CI2,66512.571.0088.92615.60FR2,6650.2000.1180.003390.585IR2,6650.04430.03670.0002690.346表4-5控制组描述性统计分析表(1)(2)(3)(4)(5)treat=0VariableObsMeanStd.dev.minmaxae5,04818.122.4617.74926.34ocr9,3730.7350.2640.0005579.288cash9,37320.691.59013.9726.49lev9,3730.4560.2130.01671.237size9,37322.811.51818.2428.60age9,37311.037.4690.23328.44CI9,37312.621.4138.22017.94FR9,3730.1880.1810.0001160.878IR9,3730.04650.074400.781依据上述表，可以观察到，总体样本的资本支出（ae）均值为18.10，标准差为2.303，营业成本率（ocr）均值为0.723，标准差为0.247。通过对比发现，未经过匹配的控制组的资本支出、营业成本率的均值都高于实验组，原因可能是未经过匹配的控制组与实验组的样本量不一致，且在控制变量上存在较大差异，另外，控制组未经过匹配的样本中可能存在一部分极端值。1.1.2倾向得分匹配效果检验将数据按是否是适用行业划分实验组和控制组，采用logit模型参数估计法，以资产负债率（Lev）、企业规模（Size）、资本密集度（CI）、固定资产占比（FR）、无形资产占比（IR）为协变量，对样本进行以0.05为卡尺距离、1：1为配对比的近邻卡尺匹配，使实验组和控制组在较精确的范围内实现一比一配比。使用PSM方法匹配后，需要对结果的匹配效果进行可靠性检验，以确保匹配的有效性。检验PSM匹配的结果是否有效，通常需要满足两个假设条件：平衡性假设和共同支撑假设。由于本文对以资产投入为被解释变量的实证分析部分选取的是半年度数据，以盈利能力为被解释变量的实证分析部分选取的是季度数据，在进行倾向得分匹配时两者面板数据稍有不同，运用PSM方法匹配样本时结果也稍有不同。但由于匹配前的样本均来源于同一套数据，所以在检验匹配效果时差异只体现在ATT的计算、平衡假设检验部分，而匹配前后的概率密度、共同趋势检验结果在图表呈现上是一致的。故本文只在ATT和平衡假设检验中分两部分进行倾向得分匹配的结果分析。（1）估计ATT及匹配平衡假设检验①资产投入为结果变量的样本匹配经倾向得分匹配后，以资本支出(ae)为结果变量计算出的ATT所对应的t值绝对值为1.41，大于t0通过倾向得分匹配检验得到平衡性检验表如下，依据表格数据，可发现经过匹配后的资产负债率（Lev）、企业规模（Size）、资本密集度（CI）、固定资产占比（FR）、无形资产占比（IR）的标准化偏差的绝对值均有所缩小。并且除资本密集度（CI）、固定资产占比（FR）外，匹配后其他协变量的t检验结果均不拒绝两组数据无系统性差异的原假设。此外，该模型匹配后标准偏差基本都小于5%，这表明倾向得分匹配检验基本可以通过。综上，以上均可表明本次倾向得分匹配方法的样本匹配效果比较良好，也表明下文中基于本次倾向得分匹配所进行的双重差分法的分析结果具有一定程度的可靠性。表4-6匹配结果平衡假设检验协变量状态均值标准偏差（%）标准偏差减少幅度（%）t统计量t检验实验组控制组P＞t资产负债率（Lev）匹配前.37958.45777 -40.391.7-12.770.000匹配后.37958.38606-3.3-0.960.337企业规模（Size）匹配前22.21822.811-45.098.6-13.830.000匹配后22.21822.210.60.210.833资本密集度（CI）匹配前12.56312.619-1.630.4-1.410.158匹配后12.56312.602-3.2-0.900.371固定资产占比（FR）匹配前.20141.18997.521.62.260.024匹配后.20141.2101-5.6-1.560.118无形资产占比（IR）匹配前.0447 .04673-3.451.3-0.990.320匹配后.0447.043771.60.530.597将上表可视化，得到匹配结果平衡假设检验图如图4-1，观察该图，可以发现匹配后各协变量差异明显缩小，这表明匹配结果满足平衡假设.图4-1匹配结果平衡假设检验图②盈利能力为结果变量的样本匹配以营业成本率（ocr）为结果变量计算出的ATT，所对应t值的绝对值为7.53，大于t1通过倾向得分匹配检验得到平衡性检验表如下，依据表格数据，从偏差相关栏，可发现经过匹配后的资产负债率（Lev）、企业规模（Size）、资本密集度（CI）、固定资产占比（FR）、无形资产占比（IR）的标准化偏差绝对值均有所缩小，匹配后标准偏差都接近于0%；从t统计量栏，可看到匹配后各协变量的t检验结果均不拒绝两组数据无系统性差异的原假设；从t检验栏，可看到各协变量在匹配后P值均明显变大，表明匹配后减小了实验组和控制组组间差异的显著性程度。以上可表明本次倾向得分匹配方法的样本匹配效果比较良好，也表明下文中基于本次倾向得分匹配所进行的双重差分法的分析结果具有一定程度的可靠性。表4-7PSM匹配结果平衡性检验协变量时间均值标准偏差（%）标准偏差减少幅度（%）t统计量t检验实验组控制组P＞t资产负债率（Lev）匹配前.37659.45584 -40.797.7-17.600.000匹配后.37659.37844-1.0-0.380.705企业规模（Size）匹配前22.2222.814-45.298.9-18.890.000匹配后22.2222.2130.50.230.816资本密集度（CI）匹配前12.56712.624-1.671.0-1.920.055匹配后12.56712.5511.30.500.617固定资产占比（FR）匹配前.19957.188487.399.52.990.003匹配后.19957.199510.00.010.989无形资产占比（IR）匹配前.0443 .04646-3.789.7-1.450.147匹配后.0443.044080.40.170.867将上表可视化，得到匹配结果平衡假设检验图如下，观察该图，可以显著发现匹配后各协变量差异明显缩小并接近0，这表明匹配结果满足平衡假设。图4-2匹配结果平衡假设检验图（2）概率密度前后对比满足共同支撑假设要求时，实验组和控制组中协变量的取值范围会尽可能出现重叠。若呈现在图形上，会表现为两者密度曲线经过匹配后变得贴近，越贴近则表示匹配效果越好。图1和图2为匹配前后概率分布密度函数图，由图可以看出，在匹配前，由于样本选择误差，实验组和控制组在趋势上呈现出较为明显的偏误，经过匹配后，实验组和控制组偏误下降甚至呈现共同趋势，说明匹配效果比较理想，匹配后样本比原样本有更好的解释能力。图4-3匹配前概率密度图图4-4匹配后概率密度图（3）共同支撑假设检验图4-5为实验组和对照组的共同取值范围图像呈现，由图可以看出，实验组与控制组的取值范围分布比较集中，几乎都在共同范围内，仅有小部分在共同范围之外。这说明采用倾向得分匹配法进行匹配是合适的，可以得到比较理想的匹配效果。图4-5共同趋势假设检验图1.1.3双重差分模型实证分析通过PSM卡尺近邻1：1匹配到适合的实验组和控制组，筛选出匹配后的样本，形成新的样本集合，进一步采用DID模型进行回归，研究2018年留抵退税政策实施后对企业的政策效应。（1）2018年留抵退税政策对企业资产投入的影响对数据进行双重差分，以检验2018年留抵退税政策对企业资产投入的影响。具体做法为：对全部样本以资本支出（ae）为被解释变量分别适用DID模型和PSM-DID模型，且在两种模型中分别应用不加入控制变量、加入控制变量两种数据处理方式。计算的回归结果整理后得到下表。表4-82018年留抵退税政策对企业资产投入的效应变量未经过PSM处理经过PSM处理未加入控制变量加入控制变量未加入控制变量加入控制变量Treat×Post0.0136-0.0062 0.1898**0.1454**(0.23)(-0.11)(1.97)(2.50)Cash-0.0671**-0.1187**-(2.29)-(2.10)Lev--0.2978*-0.0797-(-1.67)-(0.24)Size-1.3147***-0.7880***-(21.52)-(6.94)Age--0.0814***--0.0890**-(-5.37)- (-2.58)CI-0.0404-0.0585-(1.24)-(0.76)FR-0.3155--0.9389*-(1.14)-(-1.66)IR-2.2937***-5.4136***-(1.95)-(1.28)Constant17.5696***-12.9255***17.5329***-2.1193(589.05)(-11.57)(325.06)(-0.96)时间效应控制控制控制控制个体效应控制控制控制控制Observations6,4836,48323112311R0.2040.3070.1140.180注：***、**、*分别表示系数估值在10%、5%、1%的水平上显著。依据该表，从整体上我们可以观察到，未经过倾向得分匹配的样本组，在单独使用DID模型过程中忽视共同趋势假设，实验组和控制组可能存在样本选择误差，使得交互项系数较小，关系不显著，可能无法观测到政策对企业资产投入的真正效应。而在经过倾向得分匹配后的样本组，使用DID模型回归后，交互项系数均在5%的显著性水平下显著为正，即2018年留抵退税政策与政策适用企业的资产投入强度存在显著的正相关关系。说明适用2018年留抵退税政策的企业比未能适用2018年留抵退税政策的企业对于加大资产投入倾向性更强。实施留抵退税政策可以刺激适用企业增加对固定资产、无形资产等资产的购买，也即增加适用企业的资产投入。（2）2018年留抵退税政策对企业盈利能力的影响同上，对数据进行双重差分，以检验2018年留抵退税政策对企业盈利能力的影响。具体做法为：对全部样本以营业成本率（ocr）为被解释变量分别适用DID模型和PSM-DID模型，且在两种模型中分别应用不加入控制变量、加入控制变量两种数据处理方式。计算的回归结果整理后得到下表。表4-92018年留抵退税政策对企业盈利能力的效应变量未经过PSM处理经过PSM处理未加入控制变量加入控制变量未加入控制变量加入控制变量Treat×Post-0.0015-0.0021 0.0092**0.0105**(-0.22)(-0.32)(2.05)(2.35)Cash-0.0001-0.0021-(0.03)-(0.75)Lev-0.0582***-0.0843***-(2.62)-(1.74)Size--0.0431***--0.0378***-(-5.69)-(-6.26)Age-0.0076***-0.0006-(3.22)-(0.32)CI-0.0148***--0.0002-(3.81)-(-0.04)FR-0.0085-0.0762***-(0.26)-(2.66)IR-0.9005***--0.1859***-(15.81)-(-3.30)Constant0.7168***1.3407***0.7076***1.4551***(151.81)(9.47)(193.02)(12.30)时间效应控制控制控制控制个体效应控制控制控制控制Observations12,03812,0384,2824,282R0.0010.0290.0030.025注：***、**、*分别表示系数估值在10%、5%、1%的水平上显著。观察该表，发现与上表一样，未经过倾向得分匹配的样本组，在单独使用DID模型过程中忽视共同趋势假设，实验组和控制组可能存在样本选择误差，交互项系数呈现负值，且关系不显著，导致可能无法观测到政策对企业盈利能力的真正效应。而在经过倾向得分匹配后的样本组，使用DID模型回归后，交互项系数均在5%的显著性水平下显著为正，即2018年留抵退税政策与政策适用企业的营业成本率存在显著的正相关关系，但由于企业的营业成本率与企业的盈利能力是反比例关系，说明在以营业成本率为企业盈利能力的衡量指标时，适用2018年留抵退税政策的企业比适用2018年留抵退税政策的企业盈利能力有所减弱。1.1.4稳健性检验（1）基于时间的安慰剂检验利用基于时间的安慰剂检验，检验政策适用企业和非政策适用企业资产投入和盈利能力的影响在以另一个时间点为政策冲击点时是否有类似的显著差异，以对政策适用企业资产投入的提升和盈利能力的减弱是否确实是由2018年留抵退税政策引起的而非其他因素进行验证。在此我们借鉴刘瑞明和赵仁杰（2015）的安慰剂检验方法——虚构政策时间。结合本文样本数据，我们假设该项留抵退税政策试点实施的时间节点提前一年，即设定为2017年6月，并去掉2018年6月及以后的样本，用双重差分方法进行回归。表4-10显示了虚构政策时间后的回归结果。依据安慰剂检验结果，可以发现两个指标中的资本支出（ae）的交互项回归系数在5%的显著性水平上显著为负，而在基准回归模型中则为在5%的显著性水平上显著为正。营业成本率（Ocr）的交互项回归系数不显著，而在基准回归模型中在5%的显著性水平上显著为正。安慰剂检验结果与基准模型回归的结果存在明显差异，意味着安慰剂效应不存在。即该项留抵退税政策对企业资产投入、盈利能力的影响效应通过了安慰剂检验，基准回归模型的回归估计结果是稳健的。表4-10基于时间的安慰剂检验结果（1）Ae（2）OcrTreat×post-0.2590**(-2.54)0.0047(0.99)Cash0.0994(1.45)-0.0010(-0.30)Lev0.4961(1.15)0.0960***(1.32)Size0.7460***(5.16)-0.0188**(-2.44)Age0.1056**(2.01)-0.0001(-0.03)CI0.1290(1.21)-0.0201***(-1.27)FR-1.8426**(-2.43)0.1145***(3.05)IR6.4333***(1.08)-0.2049**(-2.55)Constant-3.6981(-1.28)1.3428***(8.84)时间效应控制控制个体效应控制控制R-squared0.2520.028注：***、**、*分别表示系数估值在10%、5%、1%的水平上显著。（2）基于行业的安慰剂检验为排除实验组和控制组的变化是受到同时期其他政策的影响，参照陈刚（2012）的安慰剂检验方法——虚构实验组方法，即选取已知的不受政策影响的样本作为实验组进行回归分析。我们随机从基准回归模型的控制组中随机选取一半不受2018年留抵退税政策影响的行业企业形成新的实验组，以剩下的控制组为新的控制组，保持2018年6月为留抵退税政策实施时间，构造双重差分模型，进行回归检验。回归结果如表4-11，由下表我们可以看出，资产投入（ae）、营业成本率（Ocr）两个指标的交互项的回归系数均不显著，而在基准回归模型中均在5%的显著性水平上显著为正。意味着2018年留抵退税政策的试点实施对非适用