【《新能源汽车上市公司研发投入与创新绩效的实证分析案例》5500字】

PAGE18/=NUMPAGES20-119新能源汽车上市公司研发投入与创新绩效的实证分析案例目录TOC\o"1-3"\h\u11528新能源汽车上市公司研发投入与创新绩效的实证分析案例 1761（一）变量定义和关系模型构建 119607（二）样本选取和数据来源 225824（三）研究假设 230283（四）数据分析 3179541、描述性统计分析 3208702、回归分析 626898（五）结果分析 8（一）变量定义和关系模型构建通过对各个其他行业以及新能源汽车行业研发投入对创新绩效的影响进行文献阅读，发现大部分学者在研究时采用了研发费用投入强度和研发人员投入强度作为企业研发投入的指标，同时一些学者还采用了调节变量。如下表所示：表3-1研发投入对创新绩效影响研究的指标综述学者观点李华晶等（2017）解释变量：研发人员投入、研发资金投入被解释变量：企业成长绩效、企业财务绩效调节变量：企业特征、高管持股激励王新红、石欣欣（2016）解释变量：股权激励强度、薪酬激励强度被解释变量：净资产收益率控制变量：企业规模、资本结构蒋卫平等（2016）解释变量：研发投入被解释变量：企业绩效调节变量：沉淀性冗余资源、非沉淀性冗余资源仇云杰等（2016）解释变量：研发投入被解释变量：全要素生产率、利润水平调节变量：企业规模、市场势力、资产流动性、企业所有制、企业年龄、行业集中度、出口、劳均资本在以上学者的研究基础上，本文将研发投入的指标定为研发费用投入强度和研发人员投入强度，其中，研发费用投入强度=研发费用投入/营业收入，用符号RPEI表示，研发人员投入强度=研发人员投入/总职工人数，用符号RPPI表示。因为本文研究的是研发投入与企业创新绩效之间的关系，通过研读文献发现，大部分学者在研究企业的创新绩效时选取了企业专利申请数这一指标，所以本文也是如此，被解释变量为企业专利申请数，用符号（F）表示。同时，本文选取的控制变量为资产总额（SIZE）和资产负债率（LEV），其中资产负债率=负债总额/资产总额，以此来确定其中的因果关系。（二）样本选取和数据来源本文以江苏省新能源汽车企业为研究基础，选取了2017-2019年上市公司的相关数据，但是由于江苏省新能源汽车上市公司中整车企业比较少，所以将电池、零部件等企业的数据也收集起来作为了研究对象，同时因为江苏省新能源汽车产业发展速度较快，其企业数量较多，已上市的企业数量也在逐年增加，但是最终收集了39家上市企业的数据，原因如下：（1）2016年及以前的江苏省新能源汽车上市企业较少，数据也有很多缺失，所以2017年上市公司为基础，剔除2017年以前上市的公司；（2）有些公司的部分相关指标，特别是研发费用投入强度和研发人员投入强度为零，所以予以剔除；（3）一些上市公司规模比较小，数据除了缺失之外，数据本身的可靠性也比较低，所以予以剔除。因此最终选取了39家江苏省新能源汽车企业上市公司为研究样本。样本数据主要来源于国泰安数据库，其余数据来源于中国汽车工业信息网、江苏省统计年鉴以及公司网站。（三）研究假设前文提到，学者们在实证分析时对于研发投入与企业创新绩效之间关系的研究选取了不同的指标，同时在运用不同的方法进行实证分析之后他们也提出了一些结论，但是通过研读文献可以发现，不论是国内还是国外对于这二者之间的关系研究并没有统一的定论，实证分析后的结果大不相同，一部分学者认为研发投入与企业绩效之间存在正效应，例如李华晶（2017）从绿色技术创新出发，研究了新能源汽车企业研发投入与企业成长绩效之间的关系，将企业特征和高管持股比例作为调节变量，最终发现研发投入与企业绩效之间有正效应，随着研发投入不断增加，企业绩效也在上升。Jun-HwanPark（2018）以2007-2015年世界各工业领域的上市公司作为研究样本，采用了CAGR值的方法，以研发投资为解释变量，以上市公司的数量和营业额作为被解释变量，最终发现二者之间呈正相关。王新红等（2016）从创业板高新技术上市公司出发，选取了2011～2014年的相关数据，在研究研发投入与企业绩效关系的同时，也对高管激励对企业绩效之间的关系得出了结论，在研究的过程中还特别注意到了中介效应的影响，最终得出结论：高管激励、研发投入对企业绩效都有正向促进作用。仇云杰等（2016）采用了倾向得分匹配方法，针对中国工业企业展开了研究，最终证明出二者之间也是呈显著正相关。基于上述学者的研究，提出以下假设：H1a：研发费用投入强度与企业创新绩效之间呈显著正效应H1b：研发人员投入强度与企业创新绩效之间呈显著正效应另一部分学者认为研发投入对企业绩效存在负效应。例如：蒋卫平等（2016）选取了创业板上市公司2010～2014年的数据，最终发现研发投入与当期企业绩效呈负向相关。董明放、韩先锋（2016）则运用Hansen面板门槛回归技术，以2011～2014年上市企业的数据为基础，最终得出的结论是研发投入强度对技术效率呈负向门槛效应和边际效率递减的非线性特征。基于上述学者的研究，提出以下假设：H2a：研发费用投入强度与企业创新绩效之间呈显著负效应H2b：研发人员投入强度与企业创新绩效之间呈显著负效应根据提出的四个假设，分别建立如下模型：建立模型：F=α0+α1RPEI+α2SIZE+α3LEV+ɛ（3-1）F=β0+β1RPPI+β2SIZE+β3LEV+ɛ（3-2）其中，α0、β0表示常数项，αi、βi（i=1，2，3）为系数，ɛ代表随机误差项，F表示企业的创新绩效，RPPI、RPEI分别代表研发人员投入强度、研发费用投入强度。（四）数据分析1、描述性统计分析在进行回归分析之前，首先对研发人员投入强度（RPPI）、研发费用投入强度（RPEI）、创新绩效（F）三个变量进行描述性统计分析，通过观察极值、均值和标准差等对原始数据进行简单描述；再通过偏度、峰度和区间划分等对各变量的分布情况进行详细分析。（1）研发人员投入强度(RPPI)表3-2研发人员投入强度(RPPI)描述性统计分析年份201720182019样本数量393939极小值0.00780.00600.0078极大值0.43150.40440.4107全距0.42370.39840.4028均值0.1367800.1499810.156867标准差0.07439650.08002650.0804646由表3-2可知，2017年、2018年、2019年研发人员投入强度范围分别在[0.0078，0.4315]、[0.0060，0.4044]、[0.0078，0.4107]，每年的研发人员投入强度全距分别为0.4237、0.3984、0.4028，每年研发人员投入强度的标准差分别为0.0743、0.0800、0.0804，因此研发人员的投入强度在这三年期间各企业之间的差距由大变小再变大，但是整体起伏不是很强烈。而研发人员的平均投入强度每年都在加强，从2017年的0.1367到2018年的0.1499，再到2019年的0.1568，平均每年增长速度为7.34%。表3-3研发人员投入强度(RPPI)分布形态年份201720182019偏度1.7731.5371.456峰度5.5853.3702.941通过表3-3三年的偏度和峰度对比，发现研发人员投入强度分布的偏度系数每年都在减小，数据右偏程度越来越表小，说明研发人员的投入强度分布逐年往对称分布靠拢。峰度系数也在逐年降低，即研发人员投入强度分布和正态分布相比，分布的陡峭程度逐渐减小。因此各企业的研发人员投入强度在逐渐均匀分散开来，新能源汽车产业的发展越来越成熟。表3-4研发人员投入强度(RPPI)区间分布情况区间范围201720182019样本数量占样本数比例样本数量占样本数比例样本数量占样本数比例0<=RPPI<=10%1025.64%717.95%615.38%10%<RPPI<=20%2358.97%2564.10%2769.23%20%<RPPI<=30%512.82%512.82%37.69%30%<RPPI<=40%00.00%12.56%25.13%RPPI>40%12.56%12.56%12.56%合计39100.00%39100.00%39100.00%通过表3-4对研发人员投入强度的等距分组，发现三年来大部分企业对研发人员的投入强度均在10%至20%之间，并且该区间范围的投入强度占比越来越大，从2017年的59%至2019年的69%，说明企业对于在10%至20%之间的投入强度越来越认可。但每年也总会有个别企业的研发人员投入过强，投入强度超过40%的企业包括云意电气、哈工智能。从各区间的角度来看，0到10%之间，企业数量逐年下降，10%到20%之间的企业数量逐年上升。20%到30%之间的企业，由5家减少到3家，30%到40%之间的企业，每年增加一家，因此投入强度在20%以上的企业数量基本没有变化，小部分企业保持加强新能源汽车产业投入力度的态度。（2）研发费用投入强度(RPEI)表3-5研发费用投入强度(RPEI)描述性统计分析年份201720182019样本数量393939极小值0.00160.00140.0018极大值0.08270.09640.1136全距0.08110.09500.1118均值0.0406410.0443820.048081标准差0.01696870.01867890.225206根据对表3-5各个企业研发费用投入强度（RPEI）的描述性统计分析，和研发人员投入强度不同的地方在于，研发费用的投入范围在逐年扩大。2017至2019年的投入范围分别为[0.0016，0.0827]、[0.0014，0.0964]、[0.0018，0.1136]，全距分别为0.0811、0.0950、0.1118，标准差分别为0.0169、0.0186、0.2252。研发费用投入的平均强度逐年增加，平均每年增加613.59%，因此各企业的研发费用增速明显，企业资金投入研发的比重越来越大，对于研发的资金支持非常重视。表3-6研发费用投入强度(RPEI)分布形态年份201720182019偏度0.1780.3581.204峰度0.9111.5743.305通过表3-6对研发费用投入强度的分布形态观察，研发费用投入的右偏程度越来越大，研发费用投入强度的分布越来越不对称，说明有一部分企业对于研发资金的投入与以往正常水平已经越来越偏离。研发费用投入强度的分布越来越陡峭，在这些偏离正常水平的企业中，对于费用投入的力度越来越强。表3-7研发费用投入强度(RPEI)区间分布情况区间范围201720182019样本数量占样本数比例样本数量占样本数比例样本数量占样本数比例0<=RPEI<=3%820.51%512.82%512.82%3%<RPEI<=6%2769.23%2871.79%2871.79%6%<RPEI<=9%410.26%512.82%37.69%RPEI>9%00.00%12.56%37.69%合计39100.00%39100.00%39100.00%对表3-7研发费用投入力度（RPEI）进行等距分组，发现各企业对于研发费用的投入强度大多数在3%至6%之间，并且每年的投入强度在该区间的企业数量比重基本保持不变，为70%左右。费用投入强度超过9%的企业数量在逐渐增加，而0至3%之间企业数量小幅减少，6%至9%之间企业数量波动不大。（3）企业创新绩效(F)表3-8企业创新绩效(F)描述性统计分析年份201720182019样本393939极小值000极大值285371235全距285371235均值59.307779.743629.6154标准差79.6991690.6821345.62814根据表3-8的描述性统计结果，新能源汽车企业的绩效范围先增大再缩小，但整体是下降的，企业创新绩效的分散程度也是如此。三年以来的企业创新绩效极小值都为0，且极大值整体趋势在减小，这说明江苏省新能源汽车上市公司整体绩效都在下降。2017年至2019年的绩效全距分别为285、371、235，绩效标准差分别为79.69916、90.68213、45.62814，整体趋势在下降。2017年至2019年的企业创新绩效平均水平分别为59.3077、79.7436、29.6154，平均绩效先增大再减小，但总体是下降的。表3-9企业绩效(F)分布形态年份201720182019偏度1.741.813.006峰度1.8852.83110.611从表3-9企业绩效分布的偏度来看，企业创新绩效的分布右偏程度越来越大。从峰度方面来看，企业创新绩效的峰度不断增大，对于正态分布来说陡峭程度越来越大，说明企业创新绩效分散的分散程度越来越大。2、回归分析接下来以研发人员投入强度（RPPI）和研发费用投入强度（RPEI）为解释变量，以同期的企业资产总计（SIZE）和资产负债率（LEV）为控制变量，以同期的企业创新绩效（F）为被解释变量，进行回归分析。在对面板数据进行回归分析之前，需要对面板数据的回归模型的形式进行检验。回归模型的影响模型有固定效应和随机效应两种形式，利用Hausman进行检验，确定运用哪种形式的回归模型，Hausman检验的原假设为：随机效应模型成立。所以，首先建立随机效应回归模型，即yi=αi++Xiβ+Ui（1）研发人员投入回归模型用Hausman检验该模型是否接受原假设，Hausman检验结果如表3-10所示：表3-10Hausman检验结果TestSummaryChi-Sq.StatisticChi-Sq.d.fProb.Cross-sectionrandom38.53789830.0000从Hausman检验结果可知，检验P值为0.0000，小于0.05的显著性水平，拒绝原假设，建立固定效应模型。表3-11固定效应模型估计结果DependentVariableVariableCoefficientStd.Errort-StatisticProb.FC2.90386218.452080.1573730.8752RPPI?203.930181.496152.5023280.0138SIZE?4.15E-097.54E-105.4965000.0000LEV?-4.72128735.78476-0.1319360.8953由表3-11所示，可以看出研发人员投入强度与企业创新绩效之间具有相关性，其回归系数为203.9301，P值为0.0138，呈显著性正相关；控制变量资产负债率与企业创新绩效在0.01水平下呈负相关，但不显著，P值为0.8953。综上所述，得到回归方程，即：F=2.903862+203.9301*RPPI-4.721287*LEV+4.15E-09*SIZE+ε（3-3）（2）研发费用投入强度回归模型用Hausman检验该模型是否接受原假设，Hausman检验结果如表3-12所示：表3-12Hausman检验结果TestSummaryChi-Sq.StatisticChi-Sq.d.fProb.Cross-sectionrandom43.43516930.0000从Hausman检验结果可知，检验P值为0.0000，小于0.05的显著性水平，拒绝原假设，建立固定效应模型。表3-13固定效应模型估计结果DependentVariableVariableCoefficientStd.Errort-StatisticProb.FC-27.2658322.40411-1.2170010.2261RPEI?1159.508339.90463.4112740.0009SIZE?4.54E-097.57E-105.9994150.0000LEV?13.5127435.463020.3810370.7039研发费用投入强度（RPEI）对企业绩效有呈正相关，且具有显著性，检验P值为0.0009。控制变量资产总计（SIZE）对企业绩效有正向影响，而且具有显著性，其回归系数为4.54E-09，检验P值为0.0000。综上得出最终固定效应模型：F=-27.26583+1159.508*RPEI+13.51274*LEV+4.54E-09*SIZE+ε（3-4）（五）结果分析表3-14实证分析结果汇总序号研究假设结果H1a研发费用投入强度与企业创新绩效之间呈显著正效应显著正效应通过H1b研发人员投入强度与企业创新绩效之间呈显著正效应显著正效应通过H2a研发费用投入强度与企业创新绩效之间呈显著负效应显著负效应不通过H2b研发人员投入强度与企业创新绩效之间呈显著负效应显著负效应不通过基于以上分析，得出