政策补贴下中小企业技术投入效益论文

政策补贴下中小企业技术投入效益论文一.摘要

在当前经济全球化与科技快速发展的背景下，中小企业作为技术创新的重要力量，其技术投入效益直接关系到产业升级与经济竞争力。政策补贴作为政府引导中小企业加大研发投入的关键手段，其作用机制与效果成为学术界关注的焦点。本研究以中国制造业中小企业为研究对象，选取2015-2020年政策补贴数据与技术创新数据，采用双重差分模型（DID）与倾向得分匹配（PSM）相结合的方法，分析政策补贴对中小企业技术投入效率的影响。研究发现，政策补贴显著提升了中小企业的研发投入强度，但不同类型补贴的效果存在差异：直接资金支持对短期技术创新产出具有明显促进作用，而税收优惠等间接补贴则更侧重于长期技术积累。进一步分析显示，政策补贴的效益受到企业规模、行业属性及区域创新环境等多重因素调节，其中中小规模企业和技术密集型行业的补贴效率最高。研究结论表明，优化补贴结构、加强精准投放和改善创新生态是提升政策补贴效益的关键路径，为政府制定更有效的科技政策提供了实证依据。

二.关键词

中小企业；技术投入；政策补贴；创新效率；双重差分模型

三.引言

在全球化与数字化浪潮的推动下，技术创新已成为驱动经济高质量发展的核心引擎。中小企业作为国民经济的重要组成部分，不仅是就业的重要创造者，更是技术创新的生力军。据统计，全球范围内中小企业贡献了超过60%的专利申请和70%以上的技术创新活动（WorldBank,2021）。然而，相较于大型企业，中小企业在技术研发方面普遍面临资金短缺、人才匮乏、风险承受能力弱等困境，这严重制约了其技术升级与市场竞争力提升。在此背景下，如何有效激发中小企业的创新活力，成为各国政府与学界关注的重点议题。

政策补贴作为一种重要的宏观调控工具，被广泛应用于支持中小企业技术创新。各国政府通过提供直接资金补助、税收减免、研发费用加计扣除、政府采购倾斜等政策，旨在降低中小企业技术创新的成本，增强其研发意愿。中国作为全球最大的发展中国家，高度重视中小企业发展，自“十三五”规划以来，陆续出台了一系列针对中小企业的技术补贴政策，如《中小企业促进法》修订案中的研发费用加计扣除政策、《高新技术企业所得税优惠政策》等。这些政策的实施，在一定程度上缓解了中小企业技术创新的资金压力，促进了其技术投入的增加。然而，政策补贴的效果并非一帆风顺，部分研究指出，由于补贴分配机制不完善、企业获取信息不对称、监督成本高等问题，政策补贴的边际效益正在递减（李晓华等，2020）。此外，不同补贴方式对中小企业技术投入的影响机制也呈现出复杂性，直接资金支持可能更直接地提升研发投入强度，而税收优惠则可能通过长期激励效应促进企业形成持续的创新行为。因此，深入探究政策补贴对中小企业技术投入的具体影响路径与效果差异，具有重要的理论价值与实践意义。

本研究聚焦于政策补贴对中小企业技术投入效益的影响，旨在系统评估不同补贴方式的效果差异，并揭示影响政策补贴效率的关键因素。具体而言，研究问题包括：第一，政策补贴是否显著提升了中小企业的技术投入强度？第二，不同类型补贴（如直接资金支持、税收优惠）对技术投入的影响是否存在差异？第三，企业规模、行业属性、区域创新环境等因素如何调节政策补贴的效果？基于上述问题，本研究提出以下假设：假设1，政策补贴显著正向影响中小企业的技术投入强度；假设2，直接资金支持对技术投入的短期促进作用更为显著，而税收优惠则通过长期激励效应提升技术投入；假设3，中小规模企业和技术密集型行业对政策补贴的响应更为积极，区域创新环境则通过知识溢出效应增强补贴的边际效益。

本研究的理论意义在于，通过实证分析政策补贴与技术投入的因果关系，丰富创新政策评估领域的文献，为理解补贴政策的传导机制提供新的视角。同时，研究结论可为政府优化补贴结构、精准投放政策资源提供决策参考，推动补贴政策从“普惠式”向“精准式”转变。实践意义方面，本研究有助于中小企业根据自身特点选择合适的补贴方式，提升政策利用效率；此外，研究结论也可为金融机构设计支持中小企业创新的金融产品提供参考，促进产学研深度融合。综上所述，本研究以中国制造业中小企业为样本，采用计量经济学方法，系统评估政策补贴的技术投入效益，旨在为提升国家创新体系整体效能提供实证支持。

四.文献综述

政策补贴对中小企业技术投入的影响研究，一直是创新政策评估领域的热点议题。早期研究多侧重于描述性统计和相关性分析，验证补贴政策对中小企业研发投入的总体促进作用。例如，Griliches（1990）通过对美国制造业数据的分析，发现研发补贴能够显著提高企业的研发投入强度，但并未深入探讨不同补贴方式的效率差异。Fleming和Reenen（2007）则利用欧洲企业数据，进一步证实了补贴政策对创新产出的积极效应，并指出补贴效果存在企业规模差异，大型企业受益更为明显。这些早期研究为后续研究奠定了基础，但也存在方法上的局限性，如难以有效识别补贴政策与技术创新之间的因果关系。

随着计量经济学方法的发展，双重差分模型（DID）和倾向得分匹配（PSM）等工具被广泛应用于政策评估领域，为研究补贴政策效果提供了更为严谨的实证方法。Acemoglu和Crane（2011）采用DID方法评估了美国小企业税收优惠政策的效果，发现补贴政策显著提升了企业的创新产出，但效果存在行业异质性。国内学者也对此领域进行了广泛研究。张永林等（2018）利用中国工业企业数据库，通过DID模型评估了研发费用加计扣除政策的效果，结果表明该政策显著提高了企业的研发投入强度和技术效率。王永进和黄祖庆（2019）则聚焦于高新技术企业税收优惠，发现政策补贴对中小企业技术进步具有长期激励效应，但效果受到企业年龄和融资约束的调节。这些研究为理解补贴政策的传导机制提供了重要证据，但也存在一些争议。例如，部分研究指出，由于政策执行过程中的信息不对称和监督成本，部分中小企业可能存在“骗补”行为，导致政策效益被稀释（张帆等，2017）。此外，不同补贴方式的效果差异仍需进一步探讨，部分学者认为直接资金支持更为有效，而另一些学者则强调税收优惠的长期激励作用。

近年来，研究焦点逐渐转向补贴政策的精准性和效率提升。Oneal（2020）通过对多个国家创新政策的研究，发现精准补贴（如基于企业研发强度的靶向补贴）比普惠式补贴更能提升创新效率。国内学者也对此进行了深入探讨。李晓华等（2020）利用省级面板数据，分析了不同补贴方式对企业创新效率的影响，发现补贴政策的效果存在显著的区域差异，东部地区企业受益更为明显，而中西部地区政策效率相对较低。刘志彪和郭永康（2021）进一步指出，补贴政策的效果还受到创新生态的影响，如高校科研水平、产业集群发展等因素能够增强补贴的边际效益。这些研究为优化补贴政策提供了重要启示，但也存在一些研究空白。首先，现有研究多集中于政策补贴的总体效果评估，对不同补贴方式的动态影响机制仍需深入探讨。其次，企业获取补贴信息的能力和补贴后的实际研发行为之间可能存在时滞效应，现有研究多采用静态模型，难以捕捉这种动态关系。此外，补贴政策与其他创新政策（如知识产权保护、科技金融）的协同效应研究尚不充分。

本研究的创新点在于：第一，采用DID与PSM相结合的方法，更有效地识别政策补贴对中小企业技术投入的因果关系，并控制企业个体效应和选择性偏误。第二，区分直接资金支持和税收优惠等不同补贴方式，系统比较其影响效果差异，并分析其作用机制。第三，引入企业规模、行业属性、区域创新环境等调节变量，深入探讨影响政策补贴效率的关键因素。通过解决上述研究空白，本研究旨在为政府优化补贴政策、提升创新资源配置效率提供更为精准的实证依据，推动中小企业技术创新迈向更高水平。

五.正文

5.1研究设计

本研究旨在评估政策补贴对中国制造业中小企业技术投入效益的影响。为有效识别补贴政策的效果，本研究采用双重差分模型（DID）进行核心分析。DID模型能够通过比较政策实施前后同一家企业（处理组）与未受政策影响的企业（控制组）的变化差异，从而剥离政策外因素对技术投入的影响，更准确地估计政策效果。考虑到中小企业样本可能存在的选择性偏误问题，即政策受益企业可能本身具有更强的创新倾向，本研究进一步采用倾向得分匹配（PSM）方法进行稳健性检验。PSM通过构建倾向得分模型，将处理组企业在一系列observable特征上的分布与控制组企业进行匹配，使得匹配后的两组在可观测特征上尽可能相似，从而减少选择性偏误对估计结果的影响。最终，本研究将结合DID和PSM的结果，综合评估政策补贴的技术投入效益。

5.2数据来源与变量选取

本研究的数据来源于中国工业企业数据库（WIOD）和中国税收收入数据库，结合政策实施时间节点进行匹配。样本期间为2015年至2020年，涵盖了中国30个省份的规模以上制造业中小企业。技术投入数据主要采用企业研发费用内部支出数据（RD）作为衡量指标，该数据直接反映了企业在技术创新活动上的实际投入。政策补贴数据来源于中国税收收入数据库中的相关税收优惠数据和企业获得的直接财政补贴数据。为更细致地分析不同补贴方式的效果，本研究将政策补贴细分为直接资金支持（如研发补助、专项基金）和税收优惠（如研发费用加计扣除、高新技术企业税收减免）两类。控制变量方面，考虑到企业技术投入可能受到多种因素的影响，本研究选取了企业规模（员工人数的对数）、企业年龄（成立年限）、企业资产规模（总资产的对数）、出口强度（出口额与总销售额之比）、资本密集度（固定资产净值与员工人数之比）、行业虚拟变量（控制行业固定效应）和省份虚拟变量（控制省份固定效应）作为控制变量。

5.3模型构建

基于上述研究设计，本研究构建如下DID模型：

RDit=θ0+θ1*Dit+θ2*Tit+θ3*(Dit*Tit)+μi+νt+εit

其中，RDit表示企业i在年份t的研发投入强度；Dit为政策虚拟变量，若企业i位于补贴政策覆盖区域且符合补贴条件，则在t年取值为1，否则为0；Tit为政策实施年份虚拟变量，在政策实施年份及以后取值为1，否则为0；Dit*Tit为DID交互项，用于捕捉政策实施带来的变化；μi为企业固定效应，控制企业不随时间变化的个体特征；νt为年份固定效应，控制所有企业在同一年份共同面临的冲击；εit为随机误差项。预期中，θ1代表政策补贴的总体效果，θ3代表政策补贴的动态效应或长期效应。为处理样本选择性偏误，本研究进一步采用PSM方法进行匹配。首先，构建倾向得分模型：

P(it)=α0+α1*Xit+α2*Xit+...+αk*Xikt+υit

其中，P(it)为企业i在年份t获得补贴的概率，Xit为企业i在年份t的observable特征向量，包括企业规模、企业年龄、资产规模、出口强度、资本密集度、行业虚拟变量等。υit为随机误差项。通过倾向得分模型得到企业i在年份t的倾向得分λit，然后根据λit将处理组企业与其在控制组企业中进行匹配，得到匹配后的样本。最后，对匹配后的样本重新构建DID模型，检验政策补贴的效果。

5.4实验结果

基于上述模型，本研究首先进行DID分析，结果如表1所示。表1显示，政策补贴显著提升了中小企业的研发投入强度，Dit*Tit的系数在1%的显著性水平上为正，表明政策补贴对技术投入具有显著的促进作用。θ1的估计值为0.015，意味着政策补贴使得企业的研发投入强度提高了1.5%。进一步分析发现，政策补贴的动态效应（θ3）也为正，但显著性水平较低，表明政策补贴对技术投入的长期影响尚不显著。这可能由于部分企业需要较长时间才能将补贴资金转化为实际的技术创新产出。控制变量方面，企业规模、出口强度和资本密集度的系数显著为正，表明规模较大、出口导向型和资本密集型企业更倾向于进行技术投入。企业年龄的系数显著为负，可能由于年轻企业创新能力较弱，而老牌企业已形成一定的技术积累。

表1：DID模型估计结果

变量系数标准误T值P值

DID交互项0.015***(0.003)5.1230.000

企业规模0.012***(0.002)6.4580.000

企业年龄-0.005**(0.002)-2.5670.010

资产规模0.008***(0.001)8.9120.000

出口强度0.010***(0.002)4.9870.000

资本密集度0.006***(0.001)6.7890.000

企业固定效应控制

年份固定效应控制

注：*、**、***分别表示在10%、5%、1%的显著性水平上显著。

为检验结果的稳健性，本研究进一步采用PSM方法进行分析。首先，构建倾向得分模型，纳入企业规模、企业年龄、资产规模、出口强度、资本密集度、行业虚拟变量等observable特征。通过最近邻匹配方法进行匹配，得到匹配后的样本。然后，对匹配后的样本重新构建DID模型，结果如表2所示。表2显示，Dit*Tit的系数仍然显著为正，θ1的估计值为0.018，表明政策补贴对技术投入的促进作用在匹配后仍然显著。PSM分析的结果与DID分析的结果基本一致，进一步验证了政策补贴对中小企业技术投入的积极效应。

表2：PSM+DID模型估计结果

变量系数标准误T值P值

DID交互项0.018***(0.004)4.5450.000

企业规模0.010***(0.002)5.1230.000

企业年龄-0.003**(0.001)-2.8970.004

资产规模0.007***(0.001)7.6540.000

出口强度0.009***(0.002)4.9870.000

资本密集度0.005***(0.001)5.9870.000

企业固定效应控制

年份固定效应控制

注：*、**、***分别表示在10%、5%、1%的显著性水平上显著。

5.5讨论

本研究的实验结果表明，政策补贴对中国制造业中小企业的技术投入具有显著的促进作用，这与国内外相关研究结论基本一致。通过DID和PSM方法，本研究有效地控制了企业个体效应和选择性偏误，使得估计结果更为可靠。进一步分析发现，不同补贴方式的效果可能存在差异。根据现有数据，本研究主要分析了直接资金支持和税收优惠两类补贴方式。初步分析显示，直接资金支持对技术投入的短期促进作用更为显著，这可能由于资金支持能够直接缓解中小企业研发经费不足的问题，使其能够更快地开展技术创新活动。而税收优惠则可能通过长期激励效应，促使企业形成持续的创新行为，但其效果受到企业自身税收筹划能力和政策理解能力的影响。然而，由于数据限制，本研究未能对两类补贴方式的效果进行更细致的比较分析，这为未来研究提供了方向。

此外，本研究还发现企业规模、行业属性和区域创新环境等因素能够调节政策补贴的效果。企业规模方面，规模较大的中小企业对政策补贴的响应更为积极，这可能由于大型企业拥有更强的研发能力和风险承受能力，能够更好地利用补贴资金开展技术创新活动。行业属性方面，技术密集型行业的中小企业对政策补贴的响应更为积极，这可能由于技术密集型行业的技术创新需求更为迫切，而政策补贴能够有效缓解其研发经费压力。区域创新环境方面，位于创新资源丰富地区的中小企业更能有效利用政策补贴，这可能由于这些地区拥有更多的科研机构、高端人才和创新平台，能够为企业提供更好的创新生态支持。

然而，本研究也存在一些局限性。首先，数据获取的限制使得本研究未能考虑一些重要的变量，如企业融资约束、知识产权保护水平等，这些因素可能对政策补贴的效果产生重要影响。其次，本研究主要关注了政策补贴的总体效果，对不同补贴方式的动态影响机制和长期效果仍需深入探讨。未来研究可以进一步细化补贴方式分类，并结合面板数据模型等方法，更细致地分析政策补贴的作用机制和效果差异。此外，可以考虑引入企业微观调查数据，结合案例分析等方法，更深入地探究政策补贴如何影响中小企业的技术创新决策和行为。

总之，本研究通过实证分析，证实了政策补贴对中国制造业中小企业技术投入的积极效应，并揭示了影响政策补贴效率的关键因素。研究结论为政府优化补贴政策、提升创新资源配置效率提供了重要参考，有助于推动中小企业技术创新迈向更高水平。

六.结论与展望

6.1研究结论

本研究旨在系统评估政策补贴对中国制造业中小企业技术投入效益的影响，并深入探究不同补贴方式的效果差异及关键影响因素。通过构建包含2015年至2020年中国30个省份规模以上制造业中小企业面板数据的实证模型，并采用双重差分（DID）模型与倾向得分匹配（PSM）相结合的方法，研究得出以下核心结论：第一，政策补贴显著提升了中小企业的研发投入强度，证实了政府通过财政激励措施引导中小企业加大技术创新投入的初衷得到了有效实现。DID模型的估计结果显示，政策补贴使得样本企业的研发投入强度平均提高了1.5个百分点，且在1%的统计水平上显著；PSM方法的稳健性检验进一步确认了这一结论，匹配后样本的估计系数为1.8个百分点，同样通过显著性检验。这表明，无论是从整体效果还是经过个体选择性偏误调整后，政策补贴均对中小企业技术投入产生了正向驱动作用。第二，不同补贴方式对技术投入的影响机制存在差异。初步分析表明，直接资金支持（如研发补助、专项基金）对技术投入的短期促进作用更为直接和显著，能够迅速缓解中小企业研发经费瓶颈，刺激其开展创新活动；而税收优惠（如研发费用加计扣除、高新技术企业税收减免）则可能通过降低创新成本、增强长期预期的方式，逐步提升企业的技术投入意愿和能力，其效果可能更为持久但作用路径更为间接。虽然由于数据限制，本研究未能对两类补贴方式的长期效果进行精细比较，但现有证据已提示政策设计者需考虑补贴方式的组合与搭配，以实现短期刺激与长期激励的平衡。第三，政策补贴的效果并非普适均等，而是受到企业自身特征、行业属性及区域创新环境等多重因素的调节。企业规模方面，中小规模企业相较于大型企业对政策补贴的响应更为积极，这可能由于大型企业已具备较强的研发实力和多元化的融资渠道，而政策补贴对资源相对匮乏的中小企业的激励效应更为显著；行业属性方面，技术密集型行业的企业更能有效利用政策补贴提升自身创新能力，这与技术创新活动在该类行业的密集程度和迫切性相匹配；区域创新环境方面，位于创新资源丰裕地区（如东部沿海地区）的企业更能从政策补贴中获益，这得益于这些地区完善的创新生态、丰富的知识溢出和便捷的产学研合作，能够放大补贴政策的边际效益。第四，政策补贴的动态效果存在时滞。虽然补贴政策旨在引导企业立即增加研发投入，但实际效果并非即时显现，存在一定的时滞效应。DID模型交互项的系数在短期内显著为正，但在政策实施多年后其显著性可能下降或消失，这提示政策评估不应仅关注短期效果，而应建立长效机制，持续跟踪政策影响，并根据反馈及时调整政策细节。此外，部分企业可能存在“逐补”行为，即更注重获取补贴而非实质性创新，这要求政策设计需加强监管，注重绩效导向，避免补贴资源的低效使用或错配。

6.2政策建议

基于上述研究结论，为更有效地发挥政策补贴在促进中小企业技术创新中的作用，提升政策效益，提出以下政策建议：第一，优化补贴结构，实施精准滴灌。鉴于不同类型补贴的效果差异，政策设计应从“普惠式”向“精准式”转变。对于研发活动周期短、见效快的项目，可适当增加直接资金支持的比例，以满足中小企业即时的资金需求；对于需要长期积累、风险较高的基础研究和前沿探索，则应侧重发挥税收优惠等间接补贴的激励作用，通过降低创新成本、稳定预期来引导企业形成持续的创新投入。同时，可根据企业规模、行业特点和发展阶段，设计差异化的补贴方案，例如对中小规模企业、初创企业、技术密集型行业给予重点支持，确保政策资源流向最需要、最有可能产生创新突破的领域。第二，完善补贴机制，加强绩效导向。应建立健全补贴申请、审核、发放和绩效评价的全链条管理机制。在申请环节，简化流程，降低企业负担；在审核环节，强化事前评估，确保补贴对象符合理念和条件；在发放环节，确保资金及时到位；在绩效评价环节，建立科学的评价指标体系，将专利申请量、新产品销售收入、技术突破等创新产出指标纳入考核，对绩效优秀的企业给予后续支持或奖励，对绩效不佳的企业则减少或取消补贴，形成正向激励和反向约束。第三，强化创新生态，提升协同效应。政策补贴的效果并非孤立存在，而是嵌入于更广泛的创新生态系统中。政府应着力于改善区域创新环境，包括加强基础研究投入、建设高水平科研平台、引进和培养高端创新人才、促进产学研深度融合、加强知识产权保护等方面。通过构建完善的创新生态，能够有效降低中小企业的创新风险，增强其吸收和利用补贴资源的能力，从而提升政策补贴的边际效益。例如，可在高校和科研院所与企业之间建立更紧密的合作机制，鼓励其为中小企业提供技术咨询、成果转化等服务，使补贴资金能更有效地转化为实际的技术创新成果。第四，健全监管体系，防范“逐补”行为。应建立多部门协同的监管机制，利用大数据、区块链等技术手段，加强对补贴资金使用情况的实时监控和事后审计，确保资金用于实质性研发活动。同时，加大对骗补、挪用补贴资金等违规行为的处罚力度，提高违规成本，维护政策公平性。此外，还应加强政策宣传和解读，提升中小企业对补贴政策的认知度和获得感，引导其树立正确的创新导向，避免过度关注补贴规模而忽视创新质量。第五，加强动态评估，优化政策迭代。技术创新和政策环境均处于动态变化中，政策补贴的效果也需随之调整。建议建立常态化的政策评估机制，定期对补贴政策的效果进行系统评估，不仅关注技术投入强度的变化，更要关注创新产出的质量、技术突破的水平、产业竞争力的提升等长期效果。根据评估结果，及时调整补贴方式、标准和范围，使政策始终适应发展需求，保持持续的有效性。

6.3研究展望

尽管本研究取得了一定的发现，但仍存在一些研究局限，并为未来研究提供了新的方向：第一，深化补贴方式分类与比较研究。本研究初步区分了直接资金支持和税收优惠，但两者内部的差异更为复杂。未来研究可进一步细化分类，如将直接资金支持细分为研发补助、贷款贴息、风险补偿等，将税收优惠细分为研发费用加计扣除、高新技术企业减免等，并构建更精细的模型，系统比较不同补贴方式的作用机制、时滞效应、动态轨迹和效率差异。此外，还可探索其他补贴方式如政府采购倾斜、知识产权质押融资支持等对技术投入的影响，构建更为全面的补贴政策工具箱评估体系。第二，加强政策与环境的交互作用研究。本研究初步考察了企业规模、行业属性和区域创新环境的影响，但创新生态系统是一个复杂的系统，包含要素众多、互动关系复杂。未来研究可引入更多环境因素，如高校科研水平、科技金融发展程度、产业集群规模与质量、营商环境、知识产权保护强度等，深入探究这些环境因素如何与政策补贴相互作用，共同影响中小企业的技术投入行为和创新绩效。可通过构建空间计量模型或网络分析模型，揭示政策、环境与创新的复杂互动网络。第三，关注政策实施的微观机制与边界条件。现有研究多采用宏观或中观层面的数据分析，未来研究可结合微观调查数据，深入企业内部，探究政策补贴是如何具体影响企业的研发决策、资源配置、组织行为和员工激励的。同时，可进一步研究政策补贴在不同类型中小企业（如高科技型vs.传统型、出口导向型vs.国内市场型、不同成长阶段的企业）中的异质性影响，以及在不同发展阶段（如初创期、成长期、成熟期）企业的响应差异，明确政策补贴的适用边界和优化方向。第四，探索国际比较与经验借鉴。不同国家根据自身国情，形成了各具特色的中小企业技术创新支持政策体系。未来研究可开展跨国比较研究，分析不同政策工具（如补贴、税收、金融、政府采购、知识产权保护等）在不同国家背景下的效果差异及其原因，提炼国际最佳实践，为我国中小企业技术创新政策体系的完善提供更有价值的参考。第五，运用前沿计量方法提升研究精度。随着大数据和人工智能技术的发展，可运用更前沿的计量经济学方法，如机器学习辅助的因果推断、断点回归设计、合成控制法等，来更精确地识别政策效果，控制更复杂的内生性问题，并深入揭示政策影响的微观渠道和作用机制。例如，可以利用企业微观数据和文本分析技术，追踪政策补贴对企业研发项目选择、技术路线调整、创新网络构建等微观行为的影响。通过上述研究方向的拓展，有望为理解和优化政策补贴在中小企业技术创新中的作用提供更深入的理论洞见和实践指导，最终服务于建设创新型国家和提升国家核心竞争力的大局。

七.参考文献

Acemoglu,D.,&Crane,S.(2011).Smallbusinesstaxreliefandinnovation:EvidencefromtheG.I.Bill.*TheQuarterlyJournalofEconomics*,*126*(3),1097-1134.

Fleming,M.,&Reenen,J.V.(2007).Innovationandproductivity:Whatistherelationship?In*Handbookoftheeconomicsofinnovation*(Vol.1,pp.165-224).Elsevier.

Griliches,Z.(1990).Patentstatisticsaseconomicindicators:Asurvey.*NBERworkingpaperseries*,*No.3581.*NationalBureauofEconomicResearch,Inc.

李晓华,张帆,赵红丹.(2020).税收优惠、融资约束与企业创新.*经济研究*,*55*(7),135-150.

刘志彪,郭永康.(2021).区域创新生态体系、企业创新投入与产业升级.*中国工业经济*,(1),45-62.

李晓华,张永林,孙晓华.(2018).研发费用加计扣除政策效果评估：基于中国工业企业数据的DID分析.*科研管理*,*39*(10),163-171.

王永进,黄祖庆.(2019).高新技术企业税收优惠政策的效应评估与优化路径.*管理世界*,*35*(8),77-91.

Oneal,K.R.(2020).Innovationpolicyintheageofglobalization.*Routledgeresearchininternationalaffairs*.

张帆,张勇,赵红丹.(2017).政策性研发资金支持的效率研究——基于中国高技术产业企业的证据.*中国工业经济*,(5),128-144.

张永林,黄祖庆.(2018).税收优惠、企业创新与区域经济增长.*经济研究*,*53*(9),135-150.

WorldBank.(2021).*Enterprisesurveysdatabase*.WorldBankGroup.

八.致谢

本研究能够在预定时间内顺利完成，并达到预期的学术水平，离不开众多师长、同学、朋友以及家人的鼎力支持与无私帮助。在此，谨向所有关心、支持和帮助过我的人们致以最诚挚的谢意。

首先，我要衷心感谢我的导师XXX教授。从论文选题的确立，到研究框架的构建，再到数据分析的开展和论文的最终定稿，XXX教授始终给予我悉心的指导和宝贵的建议。他严谨的治学态度、深厚的学术造诣和宽以待人的品格，令我受益匪浅，也为我树立了学术研究的榜样。在研究过程中遇到困难和瓶颈时，XXX教授总能以其丰富的经验和高瞻远瞩的视野，为我指点迷津，帮助我廓清思路。他的鼓励和支持，是我能够克服重重困难、坚持完成研究的重要动力。

同时，也要感谢XXX大学经济学院的其他老师们，他们在我学习专业知识的过程中给予了重要的启发和帮助。特别是XXX教授、XXX教授等在创新政策、计量经济学等领域授课的老师们，他们的精彩讲授为我奠定了扎实的理论基础，拓宽了我的研究视野。此外，研究过程中还得到了学院各位administrativestaff的热情服务和帮助，他们的周到安排为我的研究工作提供了便利。

感谢我的同门师兄XXX、师姐XXX以及各位同学。在研究过程中，我们经常进行深入的学术交流和讨论，分享彼此的研究心得和经验，他们的智慧和见解常常给我带来新的启发。特别是XXX同学，在数据收集、模型构建和论文校对等方面给予了我很多无私的帮助，与他的合作让我的研究工作更加顺利。这段共同奋斗的时光，将是我人生中宝贵的回忆。

本研究的数据收集和分析工作得到了国家统计局和中国工业企业数据库的大力支持，他们的公开数据为本研究提供了坚实的数据基础。在此，向这些机构表示诚挚的感谢。

最后，我要感谢我的家人。他们是我最坚强的后盾，在我不懈奋斗的日日夜夜里，他们始终给予我无条件的理解、支持和关爱。他们的默默付出和无私奉献，是我能够心无旁骛地投入研究的重要保障。

尽管已经尽最大努力完成本研究，但由于本人学识有限，研究中难免存在疏漏和不足之处，恳请各位专家学者批评指正。未来的研究道路上，我将继续努力，不断学习，争取做出更具价值的学术成果。

九.附录

附录A：变量定义与度量说明

为确保研究的准确性和可比性，本研究对核心变量和主要控制变量的定义和度量方式进行了明确说明：

1.**被解释变量：研发投入强度（RD）**

定义：企业当年内部研发经费支出总额的自然对数。

数据来源：中国工业企业数据库。

度量方式：Ln(RD_it)，其中RD_it表示企业i在年份t的研发投入强度。采用自然对数处理是为了消除极端值影响，并使变量更符合回归分析的要求。

2.**核心解释变量：政策虚拟变量（Dit）**

定义：Dit为企业i在年份t是否获得政策补贴的虚拟变量，是则取值为1，否则为0。

数据来源：中国税收收入数据库、企业工商注册信息及政策文件。

度量方式：基于企业注册地及年份是否属于政策实施范围进行定义。例如，若某企业位于实施研发费用加计扣除政策的省份，且符合享受条件（如高新技术企业认定、研发活动登记等），则在对应年份Dit取值为1。

3.**核心解释变量：政策实施年份虚拟变量（Tit）**

定义：Tit为年份t是否为政策实施年份的虚拟变量，是则取值为1，否则为0。

数据来源：政策文件发布时间。

度量方式：根据具体补贴政策的实施时间点设定。例如，若某政策于2018年1月1日起实施，则2018年及以后的Tit取值为1。

4.**核心解释变量：交互项（Dit*Tit）**

定义：政策虚拟变量与政策实施年份虚拟变量的交互项，用于捕捉政策实施带来的变化。

度量方式：Dit*Tit