我国上市公司研发投入对公司绩效影响的滞后效应研究

摘要：研发投入是企业技术创新的重要途径，对提升公司绩效有着重要的作用。文章选取2007-2011年我国沪深两市制造业91家上市公司持续5年的面板数据作为研究对象，采用双向固定效应模型实证分析了上市公司研发投入对公司绩效的滞后效应。研究发现，我国上市公司的研发投入对公司绩效存在着显著的滞后效应，且滞后两年的效果最为显著。

关键词：研发投入；公司绩效；面板数据；双向固定效应模型

一、 引言

科技研发在经济增长中一直发挥着突出的作用，众多的经济学家将经济持续增长的根源归咎为研发活动，即有组织的知识创造、生产、扩散和应用的过程（Wang，2007）。我国正处于经济转轨时期，从2005年至今研发经费和研发强度都不断增加。根据2007年世界经合组织的报告《主要科学技术指标》，我国的研发支出水平已经位居世界第四。虽然我国的研发支出水平已有较大的提升，但是研发投入强度仅为1.4%，仍远低于西方发达国家的2.68%，这说明我国研发活动带来的产出效应仍较低。企业作为研发活动的执行主体、资金的投入主体和科技转化为生产率和产品的直接承担者，在国家科技研发体系中占有重要的地位，而上市公司则是重中之重。加强上市公司的研发能力，可以有效的提升企业的核心竞争力，进而提高企业的绩效。

现有关于研发投入的文献大多集中于地区、国家等宏观层面的研究，较少的关注上市公司的研发行为对公司绩效的影响。由于受到数据无法获取的约束，学者们研究企业的研发行为均选取小样本进行分析，这使得研究结果的可靠性令人怀疑，更鲜有文献能针对研发投入对公司绩效滞后效应做专门的探讨。针对现有研究中存在的问题，本文选取2007年～2011年我国沪深两市制造业91家上市公司持续5年的面板数据作为研究对象，采用双向固定效应模型实证分析了上市公司研发投入对公司绩效的滞后效应。

本文其余部分安排如下：第二部分为文献回顾，对国内外文献进行了梳理和分析；第三部分为研究设计，重点阐述了双向固定效应模型的设计；第四部分为实证结果与分析；第五部分为本文的结论与展望。

二、 文献回顾

国外关于研发投入对公司绩效影响的研究开展的较早，取得了丰硕的研究成果。Young和Byrne等（2000）则证实了研究投入会对企业未来的价值有明显的促进作用。Gamer等（2002）研究发现，研发投入会对企业价值产生重要的影响。Brown和Petersen（2011）的后续研究也发现研发投入对企业价值的发挥着巨大的积极作用。Markides （1999）提出了研发投入的“加速化陷阱”，即长期加速研发投入可能会给企业带来高成本风险和不可预知的后果。然而，Li（2011）则认为研发投入可以降低技术密集型企业的风险，增强企业股票的收益率。Aboody和Lev（2001）研究了研发投入对化工企业绩效的影响，发现这种影响具有显著的滞后性，且滞后三年的效果最显著。

国内关于研发投入的研究起步较晚，学者们主要是沿袭国外学者的研究思路，并以中国的数据进行检验。何伟（2003）研究发现，我国研发投入仅在3年内对企业的绩效产生正向影响，存在较为明显的短视性。梁莱歆和张焕凤（2005）对150家高新技术上市公司的实证分析，结果发现研发投入存在一定的滞后性，但未明确指出滞后期。王玉春和郭媛嫣（2008）研究发现，仅有前一期研发投入、前两期研发投入与本期产出均有正相关关系。其中，前两期研发投入与本期产出的正相关关系比前一期研发投入与本期产出的正相关关系更加明显，这说明公司研发投入产出具有滞后性，且滞后性两年的效果比滞后性一年的效果显著。然而，任海云和师萍（2009）以沪市71家制造业上市公司为研究对象，发现研发投入并未表现出滞后性。

国内外学者关于研发投入对公司绩效影响的研究已经取得了较多的成果，但西方发达国家的经验能否适用于我国上市公司，一定程度上令人质疑。国内学者检验研发投入对公司绩效的滞后效应时研究样本为混合截面数据，采用的检验方法为简单的OLS回归，这样得出的结论能否具有代表性也值得商榷。

三、 研究设计

1. 样本选择与数据来源。本文选取了2007年～2011年我国年沪深两市的制造业上市公司为研究对象，样本的筛选过程如下：首先，剔除在财务报表中未公布研发支出的上市公司；其次，考虑到研发投入对公司绩效的滞后效应影响，本文剔除了上市不足四年的上市公司；再次，剔除了被ST和*ST的上市公司；最后剔除财务数据不全的上市公司。经过对样本的平衡处理后，我们共获得91家制造业上市公司2007年～2011年的面板数据本文主要通过手工收集上市公司相关报表中的研发投入信息，研究所采用的上市公司财务数据均来自于锐思金融数据库。

2. 变量定义与模型设定。

（1）变量定义。被解释变量：衡量企业绩效的指标主要有净资产收益率（ROE）、托宾Q等。由于我国资本市场尚不健全，采用托宾Q作为企业绩效的变量会存在数据难以获取、非流通股权市值难以计量等问题。所以，本文采用ROE作为企业绩效的变量。解释变量：目前，国内外学者主要采用研发水平和研发强度来计量研发投入。研发水平为R&D支出的自然对数，采用研发水平的学者主要有王玉春和郭媛嫣（2008）、康艳玲等（2011）。研发强度为研发支出与主营业务收入的比率，采用研发强度的学者主要有Keizer等（2002）、Sher和Yang（2005）。本文综合考虑现有研究的成果，拟分别采用研发水平和研发强度作为企业研发投入的变量。控制变量：为了控制公司其他特征对企业绩效的影响，本文选用的控制变量主要有：企业的资本结构（Lev）为企业期末的资产负债率，企业规模（Size）为企业总资产的自然对数，企业成长性（Growth）为企业主营业务收入的增长率，自由现金流（CFO）为企业自由现金流量与总资产的比率。

（2）模型设定。面板数据（Panel Data）可以从时间和截面两维度挖掘模型中存在的潜在信息，已被广泛的运用于实证研究中。现有研究主要采用的面板数据中的固定效应模型进行分析，即只考虑了个体效应，且未调整不同时期不同公司的残差相关关系，这样得出的结论往往带有较大的偏误。在对面板数据分析时，如果仅使用考虑个体效应的面板数据模型，此时估计出来的结果会有较大的偏差，且这个偏误会随着时间效应的增加而不断增大。所以，本文在设定研究模型时不仅考虑了个体效应的影响，还考虑时间效应的影响。在处理面板数据时，为了确定是选择固定效应模型还是随机效应模型，本文采用Hausman检验进行了分析。Hausman检验的结果显示，p值为0.000，故拒绝原假设“H0”：，即应使用固定效应模型，而非随机效应模型。