劉景章　陳震

摘要：本文使用傾向得分匹配方法，運用世界銀行2005年的調查數(shù)據(jù)，通過控制代表企業(yè)特征的匹配變量構建與處理組相匹配的對照組，實證研究FDI對內資企業(yè)研發(fā)投入的影響，并比較FDI對處理組的平均處理效應。研究發(fā)現(xiàn)不論FDI對內資企業(yè)參與程度的高低，F(xiàn)DI都對研發(fā)投入有負向影響，但是這種影響并不顯著。

關鍵詞：外商直接投資；研發(fā)投入；傾向得分匹配；自主創(chuàng)新

中圖分類號：F832 文獻標識碼：A

作者簡介：劉景章（1971-），男，遼寧鳳城人，暨南大學經濟學院副教授，研究方向：經濟思想史、國民經濟學；陳震（1989-），男，山東煙臺人，暨南大學經濟學院研究生，研究方向：國外近現(xiàn)代市場經濟理論與實踐。

一、引言

20世紀90年代，中國提出了以市場換技術的戰(zhàn)略思路，目的是通過外商直接投資（FDI）的引入，獲得先進的技術、管理等，以促進經濟的發(fā)展。但是本質上還是希望通過FDI的競爭、示范等效應提高國內企業(yè)的技術水平和自主創(chuàng)新能力，因為只有提高企業(yè)的自主創(chuàng)新能力，才能在殘酷的市場競爭中掌握主動權。經過30多年的發(fā)展，中國經濟發(fā)展取得了重大的成就，但就FDI對國內企業(yè)的創(chuàng)新影響效果而言，學者們并沒有達成一致意見。王紅領等（2006）總結了FDI與自主創(chuàng)新的三種觀點，分別是“抑制論”、“促進論”和“雙刃劍論”。但范承澤等（2008）認為這些討論只是基于某種直觀的判斷，缺乏系統(tǒng)的理論分析和經驗證據(jù)。另一個問題是學者們混淆了FDI溢出效應與FDI對自主創(chuàng)新的影響這兩個概念，F(xiàn)DI溢出效應指的是FDI外部性對內資部門生產率增長或者技術進步的影響，而FDI對自主創(chuàng)新的影響指的是FDI對內資部門自主創(chuàng)新能力的影響（張海洋，2008）。本文要研究的問題就是FDI對自主創(chuàng)新能力的影響。在衡量自主創(chuàng)新能力時，有兩個指標可以使用，即自主創(chuàng)新投入與自主創(chuàng)新產出。本文選用自主創(chuàng)新投入指標，這種做法的合理性是自主創(chuàng)新投入比產出更能反映企業(yè)創(chuàng)新努力的程度（張海洋，2008），同時研發(fā)活動可以提高自身的技術吸收和利用能力（Cohen and Levinthal，1989）。

關于FDI與自主創(chuàng)新的關系，國內學者提出了不少理論模型并進行了實證檢驗。范承澤等（2008）通過建立一個簡單的理論模型分析了FDI對發(fā)展中國家企業(yè)自主研發(fā)投入的補充和替代作用，并通過實證檢驗發(fā)現(xiàn)FDI對國內企業(yè)自主科技研發(fā)的凈影響為負。邢斐等（2009）在累積創(chuàng)新框架下通過建立一個兩階段動態(tài)博弈模型，考察了FDI對我國企業(yè)自主研發(fā)的影響，認為FDI對我國企業(yè)研發(fā)投入存在兩個效應，即產品市場競爭效應以及技術溢出效應，其中產品競爭效應不確定，技術溢出效應為正。然而，他們的實證結果卻顯示FDI的技術溢出效應不明顯。吳永求（2010）利用古諾競爭模型分析了FDI對內資企業(yè)研發(fā)支出的影響作用機制，認為其影響效果與FDI模式的成本高低有關，而實證的結果顯示FDI促進了研發(fā)投入的增加。冉光和等（2013）在此基礎上加入了金融發(fā)展因素，也得出了相同的實證結果，但這種影響存在區(qū)域差異。楊明等（2014）則通過研究發(fā)現(xiàn)，F(xiàn)DI技術溢出對內資企業(yè)研發(fā)投入的促進作用在生產活動中主要存在于后向關聯(lián)中。

上述研究文獻為本文提供了堅實的理論和實證參考。但這些文獻還存在如下問題。第一，實證研究中采用多元回歸方程，雖然模型中考慮了多種控制變量，但模型仍然可能遺漏某些重要變量，這就使得很難分離出導致研發(fā)投入差異的相關因素；另外，方程的內生性問題也可能導致OLS方法的估計是有偏的。盡管可以使用面板數(shù)據(jù)分析解決遺漏變量和內生性問題，但由于面板回歸中使用了較多的二值定性虛擬變量，所以不能給出一致有效估計。有學者使用動態(tài)GMM方法，這是一種較好的估計方法，但在估計過程中會剔除不隨時間變化的二值虛擬變量，這會由于樣本的減少而導致誤估。第二，大都使用基于省級或行業(yè)的面板數(shù)據(jù)對FDI與企業(yè)研發(fā)投入的關系進行研究，只有少量的文獻基于微觀企業(yè)數(shù)據(jù)分析，如范承澤等（2008）的研究采用了世界銀行對中國公司的調查數(shù)據(jù)，但由于技術限制，雖然作者采用了Robust最小二乘法，但也難解決可能存在的內生性和選擇偏誤問題。

針對上述問題，本文將采用傾向得分匹配（Propensity Score Matching，PSM）方法。由于PSM估計可以不預設方程的函數(shù)形式，所以可以盡可能地避免采用非試驗數(shù)據(jù)估計處理效應時的“選擇性偏倚”問題，從而使估計結果更加穩(wěn)健。另外，本文將運用2005年世界銀行對中國12 400家制造業(yè)企業(yè)的調查數(shù)據(jù)，考察FDI對企業(yè)研發(fā)投入的影響。

二、實證設計

（一）PSM的基本思路

本文的研究目的是估計FDI對企業(yè)研發(fā)投入的影響。以企業(yè)的股權中是否有外資持有者，即是否有FDI參與，進行分類，將樣本分為兩組：股權中有外資占比的稱為處理組（Treatment Group）；股權中無外資占比的稱為對照組（Control Group）。如果直接比較FDI參與企業(yè)（處理組）與非FDI參與企業(yè)（對照組）的研發(fā)投入均值差異作為處理效應，會產生偏差（選擇性偏倚），這是因為非試驗數(shù)據(jù)中處理組和對照組的分配并非隨機的，兩組樣本的參與地位以及諸多其他特征都不盡相同。換句話說，F(xiàn)DI與企業(yè)研發(fā)投入受樣本其他特征共同影響，因此不能簡單地認為企業(yè)研發(fā)投入差異僅僅是由于FDI引起的。問題在于無法觀察到FDI參與企業(yè)在沒有引進FDI的情況下，企業(yè)研發(fā)投入會不會也比較多，即“反事實情形”。為了解決這個問題，可以依據(jù)多個可以觀測的特征量將處理組與對照組的企業(yè)進行逐一匹配。匹配后，處理組和對照組只在是否有FDI這方面保持不同，其他方面保持相同或者是相似。這樣就構造了一個與FDI參股企業(yè)相匹配的“反事實情形”，各匹配個體是否接受處理就可以視為隨機的，匹配對象的結果變量（本文中為企業(yè)研發(fā)投入）差異則是接受處理的效應。由于在匹配的過程中使用多個特征變量會導致匹配過程變得復雜，從而落入“維度陷阱”，因此有必要構造一個單一指標，使其包含其他特征變量的所有信息，保證匹配過程的可操作性。本文采用Rosenbaum和Rubin（1983）提出的“傾向匹配得分”（PSM）方法，將傾向得分作為唯一的匹配指標對處理組與對照組進行匹配。

（二）PSM的兩個基本假定

1.條件獨立假定（Conditional Independence Assumption，CIA）

假定處理組和對照組所有相關差異都可以用一系列可觀測匹配變量衡量，在控制了共同影響因素以后，F(xiàn)DI與企業(yè)研發(fā)投入是相互獨立的，可用公式表示為：

（三）PSM操作方法

相對于沒有FDI時的研發(fā)投入水平，企業(yè)FDI對處理組的平均處理效應（the Average effect of Treatment on the Treated，ATT）可用下式表示：

三、實證檢驗與結果分析

（一）數(shù)據(jù)來源與變量選取

本文中用到的數(shù)據(jù)來自于世界銀行2005年對中國12 400家制造業(yè)企業(yè)的投資環(huán)境調查。調查分層取樣了120個代表性城市30個二位碼行業(yè)的數(shù)據(jù)，包括針對企業(yè)管理層取樣的企業(yè)基本信息和針對企業(yè)會計、人力資源經理取樣的企業(yè)財務和人事信息。

本文中對企業(yè)的研發(fā)投入的衡量，以企業(yè)研發(fā)費用支出占全部產品銷售收入的比重來表示，目的是為了剔除企業(yè)規(guī)模對研發(fā)投入的影響，以變量RD表示；對于企業(yè)是否有FDI參與，以企業(yè)股東中外資持有者的持股比重是否大于零來表示，并設置虛擬變量fdi，當有FDI參與時，fdi=1；否則，fdi=0。依據(jù)前文文獻所述，并同時滿足PSM的條件獨立假定，匹配變量X包含企業(yè)滯后一期的生產率水平、企業(yè)規(guī)模、人力資本、企業(yè)年限以及企業(yè)所屬地區(qū)和企業(yè)所有制形式虛擬變量。

在衡量企業(yè)的生產率水平時，雖然OP和LP方法能夠較好地解決OLS可能存在的內生性問題，但是由于數(shù)據(jù)限制，本文仍然用勞動生產率來表示企業(yè)的生產率水平，以變量lnpd表示，具體以產品的年度銷售收入與公司總雇傭人數(shù)之比來表示，其中銷售收入為主營業(yè)務收入與其他業(yè)務收入之和。企業(yè)規(guī)模（scale）的衡量指標主要有企業(yè)產品銷售收入、雇傭人數(shù)或資本存量。由于勞動生產率實質上是前兩個企業(yè)規(guī)模指標之比，所以為了最大限度地利用樣本數(shù)據(jù)進行估計，選用固定資產凈值作為企業(yè)規(guī)模變量。人力資本（H）以完成高等教育的總雇傭人數(shù)表示，其值為總雇傭人數(shù)與完成高等教育比例之積。前述變量均取對數(shù)形式。企業(yè)年限（age）根據(jù)企業(yè)的成立時間計算得出。地區(qū)虛擬變量以中西部地區(qū)為基準，設置東部地區(qū)虛擬變量（east）。所有制形式虛擬變量dum1、dum2分別在企業(yè)所有制為國有和私營時取值為1，其他情況取值為0，其中國有形式包括調查中的國有（SOE）、集體（Collective-owned）等兩種形式；私營形式包括股份合作（Share joint-owned units）、股份有限（Limited liability corporation）、聯(lián)營（Shareholding corporation）、私營（private-owned）等四種形式。

由于樣本中存在異常值，所以在進行匹配平衡性檢驗之前要對數(shù)據(jù)進行清洗，剔除如固定資產凈值、主營業(yè)務收入小于等于零和其他業(yè)務收入小于零的樣本值以及企業(yè)成立時間異常的樣本。另外，由于本文考查的是FDI對內資企業(yè)研發(fā)投入的影響，所以去除所有制形式為外資的樣本，包括港澳臺投資與外商投資。對于外商股權比例為100%，而又未登記為外資的樣本，也予以剔除。經過數(shù)據(jù)篩選以后，保留9 919家樣本數(shù)據(jù)。

（二）實證檢驗

首先，使用Logit模型估計傾向得分，即在控制匹配變量X的情況下，估計樣本企業(yè)中有FDI的概率預測值。表2中第（a）列用來判斷匹配變量對FDI的影響方向，其中勞動生產率、規(guī)模、人力資本和東部地區(qū)虛擬變量都對FDI有正的影響，說明勞動生產率高、規(guī)模大并且有人力資本優(yōu)勢的企業(yè)更容易獲得FDI；相反，企業(yè)年限和所有制虛擬變量都對FDI有反向影響，可能的原因是年限長的企業(yè)會因為管理、技術方面成熟而不需要通過對FDI的引進實現(xiàn)自身增長和技術進步。第（b）列為各變量對FDI影響的邊際效應，可以更直觀地讀出變量變動對FDI大小的影響，其中勞動生產率每提高1%，將使FDI增加0.004%。

從圖1中可以看出，處理組的核密度最高值位于對照組的最高值的右側，處理組的總體分布偏右，而對照組的總體偏左。在核密度較低、傾向得分較高的部分，處理組和對照組有較大的重合。

在測得傾向得分以后，就可以進行樣本匹配。使用PSM估計FDI對研發(fā)投入的處理效應時，有一個前提條件就是：有無FDI參與不再取決于各匹配變量，也就是要滿足條件獨立假定。可以通過檢驗各個匹配變量在FDI企業(yè)與非FDI企業(yè)間分布差異或者平衡性檢驗來判斷其是否成立。本文主要依據(jù)Smith和Todd（2005）的方法，通過計算配對后處理組企業(yè)與對照組企業(yè)基于各匹配變量的標準偏差（Standardized Bias）進行匹配平衡性檢驗。處理組與對照組基于匹配變量X的標準偏差為：

標準偏差的值越小則模型匹配效果越好，只要標準偏差的絕對值小于20%就不會引起匹配的失效。由于表2中各匹配變量的顯著性水平較好，可以對FDI概率有較為準確的預測，且由圖1可以看出對照組樣本主要集中于低傾向得分區(qū)域，使用核匹配反而會因為使用過多的低傾向得分樣本而使匹配失效，所以本文采用最近鄰一對一匹配方法。表3給出了各個匹配變量的平衡性檢驗結果。

從表3中可以看出，首先各匹配變量的標準偏差絕對值都小于20%，說明匹配過程有效；其次，各匹配變量的T檢驗p值都大于0.1，即各匹配變量的差異都在10%的水平上不顯著，說明經過匹配以后，各變量之間不存在顯著的組間差異。以上兩點都表明匹配過程滿足傾向得分匹配的基本假定，保證了匹配的有效性。圖2給出了匹配以后處理組與對照組傾向得分的核密度圖。從圖2可以看出，處理組與對照組幾乎完全重合，進一步說明了匹配過程的有效性。

本文以FDI參與企業(yè)的股權占比中位數(shù)，將處理組企業(yè)分為兩組：FDI高參與度企業(yè)和FDI低參與度企業(yè)。兩組都以無FDI參與企業(yè)作為對照組實施傾向得分匹配過程。兩組估計結果及總體估計結果見表4。

從表4可以看出，經過匹配以后，總體樣本的ATT仍然在10%的顯著性水平下不明顯，但是經過匹配以后，ATT的方向發(fā)生了變化。將總體樣本分為FDI高參與度與低參與度兩個子樣本之后，ATT的方向都如總體樣本一樣發(fā)生了改變，即FDI對研發(fā)投入可能存在負向影響，而不是原來的正向影響。分組之后，T檢驗的p值變大，說明總體樣本的顯著性水平不明顯與FDI的參與程度無關。但是在綜合了兩組子樣本之后，總體樣本的T檢驗p值減少，說明可能隨著樣本數(shù)的增加會使T檢驗的顯著性增加，在以后的研究中可以使用更大的樣本來改進本文的結論。

四、結論

本文運用世界銀行2005年對中國12 400家制造業(yè)行業(yè)的企業(yè)調查數(shù)據(jù)，基于傾向得分匹配方法，實證分析了FDI對內資企業(yè)研發(fā)投入的影響。通過構造與處理相匹配的對照組，可以在一定程度上減少樣本的選擇性偏倚。在控制了企業(yè)的匹配變量以后，再考察FDI對研發(fā)投入的影響發(fā)現(xiàn)，F(xiàn)DI對內資企業(yè)的參與度不論高低，都對研發(fā)投入的影響為負，這與范承澤等（2008）的研究一致。雖然這種影響并不明顯，但隨著樣本數(shù)據(jù)的增大，其p值有變小的趨勢，將來可以在研究中納入更多的FDI企業(yè)數(shù)據(jù)來擴展本文。

從本文的研究結論可以看出，不能過分迷信FDI給企業(yè)帶來的創(chuàng)新影響，過多的引入FDI并不能從本質上提高企業(yè)的創(chuàng)新能力，反而可能由于FDI的進入，對內資企業(yè)產生沖擊，從而減少研發(fā)投入，使內資漸漸喪失自主創(chuàng)新能力。因此，應鼓勵內資企業(yè)的自主創(chuàng)新，加大對企業(yè)創(chuàng)新的扶持，而不是寄希望于FDI。

參考文獻：

[1] 王紅領，李稻葵，馮俊新. FDI與自主研發(fā)：基于行業(yè)數(shù)據(jù)的經驗研究[J].經濟研究，2006（2）：44-56.

[2] 范承澤，胡一帆，鄭紅亮.FDI對國內企業(yè)技術創(chuàng)新影響的理論與實證研究[J].經濟研究，2008（1）：89-102.

[3] 張海洋. 外國直接投資對我國工業(yè)自主創(chuàng)新能力的影響——兼論自主創(chuàng)新的決定因素[J].國際貿易問題，2008（1）：72-81.

[4] COHEN W M， LEVINTHAL D A. Innovation and learning： the two faces of R&D[J].Economic Journal， 1989，99（397）：568-596.

[5] 邢斐，張建華.外商技術轉移對我國自主研發(fā)的影響[J].經濟研究，2009（6）：94-104.

[6] 吳永求. FDI對國內企業(yè)研發(fā)行為的影響——理論模型與中國的經驗[J].世界經濟研究，2010（1）：82-86.

[7] 冉光和，張冰，龐新軍.金融發(fā)展、外商直接投資與企業(yè)研發(fā)投入——基于我國省級面板數(shù)據(jù)的實證研究[J].經濟經緯，2013（2）：121-126.

[8] 楊明，李春艷.FDI對內資企業(yè)R&D投入的影響機制研究[J].甘肅理論學刊，2014（1）：152-156.

[9] ROSENBAUM P， RUBIN D. The central role of the propensity score in observation studies for causal effect [J]. Biometrika， 1983， 70（1）：41-55.

[10]SMITH J， TODD P. Does matching overcome Lalonde′s critique of nonexperimental estimators？[J].Journal of Econometrics， 2005， 125（1-2）：305-353.

（責任編輯：張曦）