我國留抵退稅政策對企業(yè)影響的實證分析案例目錄TOC\o"1-3"\h\u20309我國留抵退稅政策對企業(yè)影響的實證分析案例 199101.1研究對象的確定 1262091.2數(shù)據(jù)來源與變量界定 2229541.3分析方法及模型設(shè)定 576541.4實證分析 961721.5研究結(jié)論 20通過對我國總體和地區(qū)留抵稅額情況的分析，可以初步了解留抵退稅政策在降低我國留抵稅額方面的效果。下文將從政策受惠的直接對象——企業(yè)角度對我國留抵退稅政策的影響效應(yīng)進行討論，進而提出更加具體有效的政策建議。1.1研究對象的確定考慮到我國的留抵退稅政策是一系列政策的集合，結(jié)合第二章對我國留抵稅額分布情況的分析，本文選擇我國留抵退稅政策中的一項——《財政部稅務(wù)總局關(guān)于2018年退還部分行業(yè)增值稅留抵稅額有關(guān)稅收政策的通知》（財稅〔2018〕70號），即選擇2018年70號文進行實證分析。具體原因是：除在集成電路重大企業(yè)實施政策離現(xiàn)在有一定的時間間隔，其他幾個政策——2019年39號文、2019年84號文離現(xiàn)在較近，政策效應(yīng)可能還不太明顯，并且各公司2020年報尚未完全報出，缺少2020年度各公司報表數(shù)據(jù)。由此如果選擇用DID方法進行實證分析時，將政策開始實施時間點定位到全行業(yè)開始實行留抵退稅的2019年，觀測時間跨度較短的且缺少數(shù)據(jù)，并且如果將研究對象選擇為全行業(yè)，由于2019年39號文中適用條件限制復(fù)雜，將難以界定全行業(yè)中的某個企業(yè)是否適用政策。為選擇合理研究樣本、延長政策有效觀測分析時間，提高本文分析過程及結(jié)論的科學(xué)性合理性，結(jié)合地域因素、產(chǎn)業(yè)因素，發(fā)現(xiàn)三個沿海綜合區(qū)產(chǎn)業(yè)發(fā)展重點與2018年留抵退稅政策中所提到的裝備制造等先進制造業(yè)、研發(fā)等現(xiàn)代服務(wù)業(yè)匹配程度較高，并且區(qū)域總體留抵稅額規(guī)模巨大。由此可以合理推測出2018年留抵退稅政策在三大沿海地區(qū)應(yīng)用較廣、時間較長，并進一步推測該政策可能在該三大沿海地區(qū)產(chǎn)生了較明顯的政策效應(yīng)。所以本文選取八大經(jīng)濟區(qū)中的全部三個沿海綜合的政策適用企業(yè)為研究對象，以2018年留抵退稅政策對企業(yè)資產(chǎn)投入、盈利能力的影響為研究內(nèi)容，進行具體實證分析。1.2數(shù)據(jù)來源與變量界定1.2.1數(shù)據(jù)來源由于營業(yè)稅改增值稅發(fā)生在2016年5月，開始進行申請退還全行業(yè)的留抵退稅確定在2019年7月，為避免這兩個可能對本文實證研究的結(jié)果產(chǎn)生重大影響的政策因素，本文將實證分析的時間跨度初步選擇為2016年6月-2019年6月。另外，由于本文實證研究部分是對企業(yè)層面的分析，而我國留抵退稅政策有諸多限制，導(dǎo)致目前真正能夠適用政策的、并且可在公開數(shù)據(jù)上觀測到的企業(yè)對象較少，加之政策實施時間離當(dāng)前較近，可觀測的政策時間跨度較短，年度數(shù)據(jù)較少，所以本文選取上市公司的季度數(shù)據(jù)和半年度數(shù)據(jù)進行分析，以獲取明確數(shù)據(jù)、擴充數(shù)據(jù)量，增強實證分析結(jié)果的科學(xué)性、可靠性。本文實證研究數(shù)據(jù)主要來自CSMAR國泰安數(shù)據(jù)庫。以我國股市中處于三個沿海綜合區(qū)的一般企業(yè)上市公司作為初始樣本。根據(jù)研究需要進行如下篩選：（1）剔除ST異常企業(yè)及2016年6月-2019年6月期間內(nèi)公開上市和終止上市的公司。（2）篩選得到財務(wù)報表附注內(nèi)其他流動資產(chǎn)項目中含留抵稅額，且納稅信用等級為A、B的樣本。并剔除特殊樣本數(shù)據(jù)（數(shù)據(jù)披露不完整以及重要變量缺失的上市企業(yè)數(shù)據(jù)）。（3）區(qū)分樣本是否屬于政策適用企業(yè)樣本。根據(jù)2018年70號文附件——2018年留抵退稅行業(yè)目錄，結(jié)合各樣本的上市企業(yè)行業(yè)代碼進行判斷。通過上述篩選，選取了205家政策適用企業(yè)作為實驗組，721家非政策適用企業(yè)作為控制組。1.2.2變量界定（1）被解釋變量①資產(chǎn)投入的測度：主要資產(chǎn)包括無形資產(chǎn)、固定資產(chǎn)、在建工程等（本文不考慮金融資產(chǎn)），所以資產(chǎn)投入以當(dāng)期購入固定資產(chǎn)、無形資產(chǎn)和其他長期資產(chǎn)支付的現(xiàn)金的自然對數(shù)來衡量。在CSMAR數(shù)據(jù)庫中，我們可以得到各樣本企業(yè)6月末及12月末的資本支出與折舊攤銷比、折舊攤銷兩組數(shù)據(jù)，將兩組數(shù)據(jù)相乘可得到6月末、12月末的累計資本支出。用12月末累計資本支出減去6月末累計資本支出得到7-12月的資本支出，由此得到每半年度的資本支出，即購建固定資產(chǎn)、無形資產(chǎn)、其他長期資產(chǎn)所支付的現(xiàn)金。由于只有半年跨度的資本支出數(shù)據(jù)，本文在研究該解釋變量時只選擇半年度數(shù)據(jù)進行傾向得分匹配和雙重差分。②盈利能力的測度：鑒于本文實證分析部分需選取企業(yè)季度數(shù)據(jù)和半年度數(shù)據(jù)的限制，在分析企業(yè)盈利能力時，大多數(shù)盈利能力分析指標由于包含營業(yè)利潤、營業(yè)收入等，它們的季度數(shù)據(jù)均帶有較強的季節(jié)性影響以及存在季度性波動，如需用以衡量盈利能力，需要利用統(tǒng)計軟件通過時間序列分析來進行季度調(diào)整，但如此一來，將其作為解釋變量就帶有跟政策效應(yīng)無關(guān)的外部因素影響。所以本文經(jīng)過比對，采取營業(yè)成本率對企業(yè)的盈利能力進行衡量，營業(yè)成本率等于營業(yè)成本除以營業(yè)收入，是企業(yè)會計配比原則下的指標，反映企業(yè)在生產(chǎn)經(jīng)營時收入與成本的配比關(guān)系，不帶有季節(jié)性和季度性。營業(yè)成本率越小，代表企業(yè)的盈利能力越強。（2）解釋變量post×treat為本文所設(shè)DID模型的核心解釋變量，該變量可以代表2018年留抵退稅政策對政策適用企業(yè)的影響。①post為時間變量，反映政策實施時間節(jié)點的變化，即當(dāng)年是否處于政策實施時期。2018年6月下旬，2018年留抵退稅政策開始實施。2016年6月-2018年6月留抵退稅政策未實施，post=0；2018年9月-2019年6月，留抵退稅政策正在實施，post=1。②treat是政策變量，反映企業(yè)是否可以享受留抵退稅政策，同時區(qū)分企業(yè)是否屬于政策適用企業(yè)，形成實驗組和控制組。當(dāng)treat=0時，為非政策適用企業(yè)，作為控制組，treat=1時，為政策適用企業(yè)，作為實驗組。（3）控制變量本文重點考察2018年留抵退稅政策對政策適用企業(yè)的效應(yīng)，除政策因素外，考慮到企業(yè)內(nèi)部因素也會對被解釋變量造成影響，所以本文在模型中引入控制變量，以得出更合理、科學(xué)的分析結(jié)論。控制變量的設(shè)置及考慮如下：①現(xiàn)金持有量（Cash）反映企業(yè)原有現(xiàn)金水平，企業(yè)原有現(xiàn)金水平會影響企業(yè)進行投資、發(fā)展決策。為控制內(nèi)源性資金的影響，應(yīng)將現(xiàn)金持有量作為控制變量，以貨幣資金總額的自然對數(shù)來衡量。②資產(chǎn)負債率（Lev）可以反映財務(wù)穩(wěn)健程度，更穩(wěn)健的企業(yè)由于容易以低成本獲取外部資金，會更容易進行資產(chǎn)投入，不穩(wěn)健的企業(yè)由于負債金額高、償債能力弱可能會產(chǎn)生資金使用的約束，從而限制企業(yè)投資、盈利。為控制財務(wù)穩(wěn)健程度的影響，應(yīng)將資產(chǎn)負債率作為控制變量。③企業(yè)規(guī)模（Size）反映總資產(chǎn)水平，企業(yè)規(guī)模大容易形成生產(chǎn)的規(guī)模效應(yīng)，從而對企業(yè)盈利能力有一定影響。為控制總資產(chǎn)水平上的影響，應(yīng)將企業(yè)規(guī)模作為控制變量，以總資產(chǎn)的自然對數(shù)來衡量。④上市年限（Age）反映企業(yè)上市時長，上市時間長可使得企業(yè)在行業(yè)內(nèi)先發(fā)優(yōu)勢較足，影響企業(yè)核心競爭力，可能會使得企業(yè)從資本市場獲得充裕資金的難度降低，進而影響企業(yè)投資、盈利。為避免企業(yè)上市時長的影響，應(yīng)將上市企業(yè)上市時長作為控制變量。⑤資本密集度（CI）一定程度上反映企業(yè)的生產(chǎn)技術(shù)水平，資本密集度高的企業(yè)通常是采用較先進生產(chǎn)技術(shù)和設(shè)備的企業(yè)，而先進生產(chǎn)技術(shù)水平高的企業(yè)為進一步提高勞動生產(chǎn)率，會增加資產(chǎn)投入，進而又影響到企業(yè)的盈利能力。⑥固定資產(chǎn)占比（FR）、無形資產(chǎn)占比（IR）反映固定資產(chǎn)、無形資產(chǎn)的擁有水平，擁有較高占比的企業(yè)，在維護固定資產(chǎn)與無形資產(chǎn)等情況下可能有更多的資產(chǎn)投入，同時，由于這些企業(yè)通常有較高的生產(chǎn)能力水平，所以這兩個指標也影響盈利能力。（4）通過上述討論分析，列示本文各變量及變量定義如表4-1所示表4-1變量定義表變量類型變量名稱變量含義指標計算、說明被解釋變量資本支出反映資產(chǎn)投入ae=ln（資本支出與折舊攤銷比×折舊攤銷）營業(yè)成本率反映盈利能力ocr=營業(yè)成本/營業(yè)收入解釋變量post×treatDID交互項post=0，政策實施節(jié)點前，post=1，政策實施節(jié)點后treat=0，非政策適用企業(yè)，treat=1，政策適用企業(yè)控制變量現(xiàn)金持有量反映原有現(xiàn)金水平Cash=ln（貨幣資金總額）資產(chǎn)負債率反映財務(wù)穩(wěn)健程度Lev=總負債/總資產(chǎn)企業(yè)規(guī)模反映資產(chǎn)水平Size=ln總資產(chǎn)上市年限上市存續(xù)時間長短Age=（當(dāng)前日期-上市日期）/365資本密集度反映企業(yè)生產(chǎn)技術(shù)水平CI=ln（固定資產(chǎn)總額/員工人數(shù)）固定資產(chǎn)占比反映固定資產(chǎn)擁有水平FR=固定資產(chǎn)/總資產(chǎn)無形資產(chǎn)占比反映無形資產(chǎn)擁有水平IR=無形資產(chǎn)/總資產(chǎn)1.3分析方法及模型設(shè)定1.3.1分析方法這項政策無疑可以看作是一項政策實驗，適用政策效應(yīng)評估方法。通過了解，我國學(xué)術(shù)界學(xué)者在評估政策效應(yīng)中主要采用的四種方法分別為傾向得分匹配法(PSM)、雙重差分法（DID）、斷點回歸法(RD)、工作變量法(IV)，本文要分析其效應(yīng)，需要以2018年6月為政策開始實施的時間點，對該政策開始前后的企業(yè)相關(guān)資金投入、盈利能力狀況進行比較，根據(jù)計量分析方式檢驗2018年留抵退稅政策對其適用對象（暫不討論電網(wǎng)企業(yè)，下同）是否具有顯著推動作用。在探究時，較為理想的方法是對比同一企業(yè)在適用留抵退稅政策與不適用留抵退稅政策兩種情況下的資產(chǎn)投入及盈利能力變化的差異，但這在現(xiàn)實中是無法實現(xiàn)的。因此本文考慮通過傾向得分匹配方法來獲取樣本，構(gòu)造“反事實”，再以傾向得分匹配方法匹配后得到的樣本進行雙重差分估計。（1）傾向得分匹配法（PropensityScoreMatching，即PSM）我國對特定行業(yè)實施2018年留抵退稅政策，也就是說在實施政策的企業(yè)選擇上不是隨機的，如果在實證分析時人為隨意選取實驗組和控制組，會產(chǎn)生樣本選擇偏差問題和異質(zhì)性問題，使得實驗組和控制組難以滿足使用雙重差分法的前提條件——滿足共同趨勢假設(shè)。當(dāng)實驗組和控制組不滿足共同趨勢假設(shè)時，僅僅使用雙重差分法來檢驗2018年留抵退稅政策對企業(yè)資產(chǎn)投入以及盈利能力的影響效果，分析結(jié)果會受到實驗組和控制組在可觀測特征上差異的影響，從而無法得到較為準確的政策凈效應(yīng)。通過在雙重差分方法之前加入傾向得分匹配法，可以在一定程度上解決樣本選擇中存在的選擇偏差問題和異質(zhì)性問題。傾向得分匹配法的基本思想是：評估政策效果時，通過計算傾向得分值的方式，找到與實驗組相似的控制組，再通過匹配分析，將控制組中與實驗組個體特征相似的樣本替代為實驗組進行實驗后不可觀測到的沒有進行實驗時的情況，構(gòu)造“反事實”。從而在可觀測的控制變量上降低樣本選擇偏差，得到較為真實的政策效應(yīng)影響。（2）雙重差分法（differenceindifferences，即DID）雙重差分法是一種估計因果效應(yīng)的計量分析方法。以面板數(shù)據(jù)為基礎(chǔ)，將樣本數(shù)據(jù)分為兩組，并通過將模型二次差分以消除其他影響從而評估出政策實施凈效應(yīng)的方法，本質(zhì)是面板數(shù)據(jù)固定效應(yīng)估計。由于雙重差分法對于研究的普遍適用性較高，近年來在政策評估研究領(lǐng)域中得到了廣泛的應(yīng)用。雙重差分法是本文將用到的主要計量分析模型。選擇DID方法的理由主要是：DID方法對政策評估的條件比較放松，表現(xiàn)在它允許不可觀測因素的存在，允許不可觀測因素對實驗樣本個體產(chǎn)生政策沖擊外的影響，并且在模型中能夠很好的消除這些影響。但DID方法也有一些局限性，表現(xiàn)在對數(shù)據(jù)要求嚴苛、環(huán)境因素考慮不嚴格、未控制個體時點效應(yīng)。所以在本文的實證分析過程中，將通過PSM方法篩選匹配樣本的方式來減少適用DID方法所固有的局限性。本文研究2018年留抵退稅政策對其政策適用企業(yè)相關(guān)資產(chǎn)投入、盈利能力的影響，可通過比較其適用對象在2018年留抵退稅政策實施之前及之后的兩個時間段的資金投入、效益狀況，即單差法。這種辦法看似簡單便捷，但得出的結(jié)論可能是不準確的，因為存在許多政策之外的不確定因素。主要表現(xiàn)在：政策適用企業(yè)在適用政策時，還存在很多可能導(dǎo)致其資產(chǎn)投入、盈利能力變化的其他因素，比如時間因素、個體因素。此外在同時期實施的其他政策舉措也可能導(dǎo)致其資金投入、效益狀況變化，比如研發(fā)費用加計扣除政策。鑒于上述事實，本文使用與單差法相比更為科學(xué)的雙重差分法（DID），控制時間固定效應(yīng)和個體固定效應(yīng)來進行相關(guān)實證分析。1.3.2模型設(shè)定（1）傾向得分匹配法模型在查閱了相關(guān)學(xué)者對傾向得分匹配法運用的文獻后，本文借鑒Heckmanetal（1997）的做法設(shè)定PSM模型，采用logit回歸估計模型，對兩組對象的控制變量（PSM中也稱為協(xié)變量）進行評分，獲取傾向得分值。以此將每一個樣本的多個考察維度統(tǒng)一到單個考察維度，便于進行實驗組和控制組的精準匹配。具體步驟如下：對企業(yè)樣本進行分組。將屬于2018年留抵退稅政策的18類留抵退稅行業(yè)的企業(yè)（下文稱為政策適用企業(yè)）劃分為實驗組，不屬于18類2018年留抵退稅政策的18類留抵退稅行業(yè)的企業(yè)（下文稱為非政策適用企業(yè)）劃分為控制組。選擇匹配協(xié)變量。本文選取了以下幾個協(xié)變量，具體選擇理由如下。先進制造業(yè)以及研發(fā)等現(xiàn)代服務(wù)業(yè)都屬于技術(shù)密集型行業(yè)，均依賴高科技產(chǎn)品、固定資產(chǎn)等的運用。Caliendo和Kopeinig（2008）提出，匹配協(xié)變量的選擇應(yīng)當(dāng)盡量滿足同時影響結(jié)果變量（即實證分析的因變量）和影響樣本能否進入可能適用政策范圍的條件。鑒于此，本文選擇了以下協(xié)變量，它們均能在一定程度上影響企業(yè)能否邁入先進制造業(yè)以及研發(fā)等現(xiàn)代服務(wù)業(yè)以適用2018年留抵退稅政策，以及能在一定程度上影響企業(yè)資產(chǎn)投入的程度和盈利能力的水平。選擇的協(xié)變量有：①資產(chǎn)負債率（Lev）：由于行業(yè)的特殊性，先進制造業(yè)和研發(fā)等現(xiàn)代服務(wù)業(yè)通常具有較高的財務(wù)杠桿。②企業(yè)規(guī)模（Size）：先進制造業(yè)以及研發(fā)等現(xiàn)代服務(wù)業(yè)，特別是先進制造業(yè)通常都有較大的企業(yè)規(guī)模。③資本密集度（CI）：資本密集度大小直接反映為企業(yè)每個員工占有的固定資產(chǎn)多少，資本密集程度越高，企業(yè)生產(chǎn)技術(shù)水平可能越先進。④固定資產(chǎn)占比：先進制造業(yè)和研發(fā)等現(xiàn)代服務(wù)業(yè)的核心生產(chǎn)能力來源于產(chǎn)品、服務(wù)的生產(chǎn)和銷售，固定資產(chǎn)不可避免地占有較大比重。⑤無形資產(chǎn)占比：先進制造業(yè)和研發(fā)等現(xiàn)代服務(wù)業(yè)的主要行業(yè)特征即強調(diào)技術(shù)的先進性，而技術(shù)的先進性主要體現(xiàn)在無形資產(chǎn)的持有水平上。計算傾向得分。選取資產(chǎn)負債率（Lev）、企業(yè)規(guī)模（Size）、資本密集度（CI）、固定資產(chǎn)占比（FR）、無形資產(chǎn)占比（IR）作為協(xié)變量，建立Logit回歸模型。logit實驗組與控制組匹配。以傾向得分為基礎(chǔ)，采取近鄰卡尺匹配方法，對實驗組和控制組進行可放回的1：1配比，對無法滿足匹配的樣本進行舍棄，得到滿足共同趨勢假設(shè)的實驗組與控制組樣本。（2）雙重差分法模型本文選取季度時間跨度為2016年6月至2019年6月、三個沿海綜合區(qū)存在留抵稅額的各上市公司的面板數(shù)據(jù)樣本。將存在留抵稅額的上市企業(yè)中的政策適用企業(yè)設(shè)置成這項實驗的實驗組（treat=1），將剩下的存在留抵稅額的非政策適用企業(yè)設(shè)置成該項實驗的控制組（treat=0）。將政策出臺日——2018年6月27日為界限對所有樣本劃分為政策實施前（post=0），以及政策實施后（post=1）。參考劉金科、鄧明歡、肖翊陽（2020）的模型設(shè)計，本文構(gòu)建以下基準回歸計量模型來進行研究：Y上述模型各變量的下標i和t分別表示第i個存在留抵稅額的上市公司和第t季度。在模型中，Yi，t為被解釋變量，本文中選取為可反映主要資產(chǎn)投入的資本支出（ae），以及可反映盈利能力的營業(yè)成本率（ocr）來衡量。post×treat為主要解釋變量，是post和treat的交互項。Xi，t本文重點關(guān)注該模型的β1的估計值，β1為交互項的回歸系數(shù)，度量了2018年留抵退稅政策實施對三個沿海綜合區(qū)中政策適用企業(yè)的資產(chǎn)投入和盈利能力的政策效應(yīng)。若2018年留抵退稅政策的實施的確推動了這些企業(yè)的資產(chǎn)投入和盈利能力的增加，那么在各自的DID回歸結(jié)果中表4-2DID模型主要參數(shù)含義及計算結(jié)果政策實施前，post=0政策實施后，post=1Difference政策適用企業(yè)，treat=1β0+β0+β1?非政策使用企，treat=0ββ0+?DID??Y=1.4實證分析1.1.1變量的描述性統(tǒng)計在進行實證分析前，就初步篩選出的全樣本進行描述性統(tǒng)計分析。幫助我們初步判斷樣本的分布、偏度情況。經(jīng)過分別對全樣本、實驗組、控制組的簡單描述性統(tǒng)計，得到變量描述性統(tǒng)計表4-3、表4-4、表4-5。表4-3全樣本描述性統(tǒng)計分析表(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實驗組描述性統(tǒng)計分析表(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控制組描述性統(tǒng)計分析表(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依據(jù)上述表，可以觀察到，總體樣本的資本支出（ae）均值為18.10，標準差為2.303，營業(yè)成本率（ocr）均值為0.723，標準差為0.247。通過對比發(fā)現(xiàn)，未經(jīng)過匹配的控制組的資本支出、營業(yè)成本率的均值都高于實驗組，原因可能是未經(jīng)過匹配的控制組與實驗組的樣本量不一致，且在控制變量上存在較大差異，另外，控制組未經(jīng)過匹配的樣本中可能存在一部分極端值。1.1.2傾向得分匹配效果檢驗將數(shù)據(jù)按是否是適用行業(yè)劃分實驗組和控制組，采用logit模型參數(shù)估計法，以資產(chǎn)負債率（Lev）、企業(yè)規(guī)模（Size）、資本密集度（CI）、固定資產(chǎn)占比（FR）、無形資產(chǎn)占比（IR）為協(xié)變量，對樣本進行以0.05為卡尺距離、1：1為配對比的近鄰卡尺匹配，使實驗組和控制組在較精確的范圍內(nèi)實現(xiàn)一比一配比。使用PSM方法匹配后，需要對結(jié)果的匹配效果進行可靠性檢驗，以確保匹配的有效性。檢驗PSM匹配的結(jié)果是否有效，通常需要滿足兩個假設(shè)條件：平衡性假設(shè)和共同支撐假設(shè)。由于本文對以資產(chǎn)投入為被解釋變量的實證分析部分選取的是半年度數(shù)據(jù)，以盈利能力為被解釋變量的實證分析部分選取的是季度數(shù)據(jù)，在進行傾向得分匹配時兩者面板數(shù)據(jù)稍有不同，運用PSM方法匹配樣本時結(jié)果也稍有不同。但由于匹配前的樣本均來源于同一套數(shù)據(jù)，所以在檢驗匹配效果時差異只體現(xiàn)在ATT的計算、平衡假設(shè)檢驗部分，而匹配前后的概率密度、共同趨勢檢驗結(jié)果在圖表呈現(xiàn)上是一致的。故本文只在ATT和平衡假設(shè)檢驗中分兩部分進行傾向得分匹配的結(jié)果分析。（1）估計ATT及匹配平衡假設(shè)檢驗①資產(chǎn)投入為結(jié)果變量的樣本匹配經(jīng)傾向得分匹配后，以資本支出(ae)為結(jié)果變量計算出的ATT所對應(yīng)的t值絕對值為1.41，大于t0通過傾向得分匹配檢驗得到平衡性檢驗表如下，依據(jù)表格數(shù)據(jù)，可發(fā)現(xiàn)經(jīng)過匹配后的資產(chǎn)負債率（Lev）、企業(yè)規(guī)模（Size）、資本密集度（CI）、固定資產(chǎn)占比（FR）、無形資產(chǎn)占比（IR）的標準化偏差的絕對值均有所縮小。并且除資本密集度（CI）、固定資產(chǎn)占比（FR）外，匹配后其他協(xié)變量的t檢驗結(jié)果均不拒絕兩組數(shù)據(jù)無系統(tǒng)性差異的原假設(shè)。此外，該模型匹配后標準偏差基本都小于5%，這表明傾向得分匹配檢驗基本可以通過。綜上，以上均可表明本次傾向得分匹配方法的樣本匹配效果比較良好，也表明下文中基于本次傾向得分匹配所進行的雙重差分法的分析結(jié)果具有一定程度的可靠性。表4-6匹配結(jié)果平衡假設(shè)檢驗協(xié)變量狀態(tài)均值標準偏差（%）標準偏差減少幅度（%）t統(tǒng)計量t檢驗實驗組控制組P＞t資產(chǎn)負債率（Lev）匹配前.37958.45777 -40.391.7-12.770.000匹配后.37958.38606-3.3-0.960.337企業(yè)規(guī)模（Size）匹配前22.21822.811-45.098.6-13.830.000匹配后22.21822.210.60.210.833資本密集度（CI）匹配前12.56312.619-1.630.4-1.410.158匹配后12.56312.602-3.2-0.900.371固定資產(chǎn)占比（FR）匹配前.20141.18997.521.62.260.024匹配后.20141.2101-5.6-1.560.118無形資產(chǎn)占比（IR）匹配前.0447 .04673-3.451.3-0.990.320匹配后.0447.043771.60.530.597將上表可視化，得到匹配結(jié)果平衡假設(shè)檢驗圖如圖4-1，觀察該圖，可以發(fā)現(xiàn)匹配后各協(xié)變量差異明顯縮小，這表明匹配結(jié)果滿足平衡假設(shè).圖4-1匹配結(jié)果平衡假設(shè)檢驗圖②盈利能力為結(jié)果變量的樣本匹配以營業(yè)成本率（ocr）為結(jié)果變量計算出的ATT，所對應(yīng)t值的絕對值為7.53，大于t1通過傾向得分匹配檢驗得到平衡性檢驗表如下，依據(jù)表格數(shù)據(jù)，從偏差相關(guān)欄，可發(fā)現(xiàn)經(jīng)過匹配后的資產(chǎn)負債率（Lev）、企業(yè)規(guī)模（Size）、資本密集度（CI）、固定資產(chǎn)占比（FR）、無形資產(chǎn)占比（IR）的標準化偏差絕對值均有所縮小，匹配后標準偏差都接近于0%；從t統(tǒng)計量欄，可看到匹配后各協(xié)變量的t檢驗結(jié)果均不拒絕兩組數(shù)據(jù)無系統(tǒng)性差異的原假設(shè)；從t檢驗欄，可看到各協(xié)變量在匹配后P值均明顯變大，表明匹配后減小了實驗組和控制組組間差異的顯著性程度。以上可表明本次傾向得分匹配方法的樣本匹配效果比較良好，也表明下文中基于本次傾向得分匹配所進行的雙重差分法的分析結(jié)果具有一定程度的可靠性。表4-7PSM匹配結(jié)果平衡性檢驗協(xié)變量時間均值標準偏差（%）標準偏差減少幅度（%）t統(tǒng)計量t檢驗實驗組控制組P＞t資產(chǎn)負債率（Lev）匹配前.37659.45584 -40.797.7-17.600.000匹配后.37659.37844-1.0-0.380.705企業(yè)規(guī)模（Size）匹配前22.2222.814-45.298.9-18.890.000匹配后22.2222.2130.50.230.816資本密集度（CI）匹配前12.56712.624-1.671.0-1.920.055匹配后12.56712.5511.30.500.617固定資產(chǎn)占比（FR）匹配前.19957.188487.399.52.990.003匹配后.19957.199510.00.010.989無形資產(chǎn)占比（IR）匹配前.0443 .04646-3.789.7-1.450.147匹配后.0443.044080.40.170.867將上表可視化，得到匹配結(jié)果平衡假設(shè)檢驗圖如下，觀察該圖，可以顯著發(fā)現(xiàn)匹配后各協(xié)變量差異明顯縮小并接近0，這表明匹配結(jié)果滿足平衡假設(shè)。圖4-2匹配結(jié)果平衡假設(shè)檢驗圖（2）概率密度前后對比滿足共同支撐假設(shè)要求時，實驗組和控制組中協(xié)變量的取值范圍會盡可能出現(xiàn)重疊。若呈現(xiàn)在圖形上，會表現(xiàn)為兩者密度曲線經(jīng)過匹配后變得貼近，越貼近則表示匹配效果越好。圖1和圖2為匹配前后概率分布密度函數(shù)圖，由圖可以看出，在匹配前，由于樣本選擇誤差，實驗組和控制組在趨勢上呈現(xiàn)出較為明顯的偏誤，經(jīng)過匹配后，實驗組和控制組偏誤下降甚至呈現(xiàn)共同趨勢，說明匹配效果比較理想，匹配后樣本比原樣本有更好的解釋能力。圖4-3匹配前概率密度圖圖4-4匹配后概率密度圖（3）共同支撐假設(shè)檢驗圖4-5為實驗組和對照組的共同取值范圍圖像呈現(xiàn)，由圖可以看出，實驗組與控制組的取值范圍分布比較集中，幾乎都在共同范圍內(nèi)，僅有小部分在共同范圍之外。這說明采用傾向得分匹配法進行匹配是合適的，可以得到比較理想的匹配效果。圖4-5共同趨勢假設(shè)檢驗圖1.1.3雙重差分模型實證分析通過PSM卡尺近鄰1：1匹配到適合的實驗組和控制組，篩選出匹配后的樣本，形成新的樣本集合，進一步采用DID模型進行回歸，研究2018年留抵退稅政策實施后對企業(yè)的政策效應(yīng)。（1）2018年留抵退稅政策對企業(yè)資產(chǎn)投入的影響對數(shù)據(jù)進行雙重差分，以檢驗2018年留抵退稅政策對企業(yè)資產(chǎn)投入的影響。具體做法為：對全部樣本以資本支出（ae）為被解釋變量分別適用DID模型和PSM-DID模型，且在兩種模型中分別應(yīng)用不加入控制變量、加入控制變量兩種數(shù)據(jù)處理方式。計算的回歸結(jié)果整理后得到下表。表4-82018年留抵退稅政策對企業(yè)資產(chǎn)投入的效應(yīng)變量未經(jīng)過PSM處理經(jīng)過PSM處理未加入控制變量加入控制變量未加入控制變量加入控制變量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)時間效應(yīng)控制控制控制控制個體效應(yīng)控制控制控制控制Observations6,4836,48323112311R0.2040.3070.1140.180注：***、**、*分別表示系數(shù)估值在10%、5%、1%的水平上顯著。依據(jù)該表，從整體上我們可以觀察到，未經(jīng)過傾向得分匹配的樣本組，在單獨使用DID模型過程中忽視共同趨勢假設(shè)，實驗組和控制組可能存在樣本選擇誤差，使得交互項系數(shù)較小，關(guān)系不顯著，可能無法觀測到政策對企業(yè)資產(chǎn)投入的真正效應(yīng)。而在經(jīng)過傾向得分匹配后的樣本組，使用DID模型回歸后，交互項系數(shù)均在5%的顯著性水平下顯著為正，即2018年留抵退稅政策與政策適用企業(yè)的資產(chǎn)投入強度存在顯著的正相關(guān)關(guān)系。說明適用2018年留抵退稅政策的企業(yè)比未能適用2018年留抵退稅政策的企業(yè)對于加大資產(chǎn)投入傾向性更強。實施留抵退稅政策可以刺激適用企業(yè)增加對固定資產(chǎn)、無形資產(chǎn)等資產(chǎn)的購買，也即增加適用企業(yè)的資產(chǎn)投入。（2）2018年留抵退稅政策對企業(yè)盈利能力的影響同上，對數(shù)據(jù)進行雙重差分，以檢驗2018年留抵退稅政策對企業(yè)盈利能力的影響。具體做法為：對全部樣本以營業(yè)成本率（ocr）為被解釋變量分別適用DID模型和PSM-DID模型，且在兩種模型中分別應(yīng)用不加入控制變量、加入控制變量兩種數(shù)據(jù)處理方式。計算的回歸結(jié)果整理后得到下表。表4-92018年留抵退稅政策對企業(yè)盈利能力的效應(yīng)變量未經(jīng)過PSM處理經(jīng)過PSM處理未加入控制變量加入控制變量未加入控制變量加入控制變量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)時間效應(yīng)控制控制控制控制個體效應(yīng)控制控制控制控制Observations12,03812,0384,2824,282R0.0010.0290.0030.025注：***、**、*分別表示系數(shù)估值在10%、5%、1%的水平上顯著。觀察該表，發(fā)現(xiàn)與上表一樣，未經(jīng)過傾向得分匹配的樣本組，在單獨使用DID模型過程中忽視共同趨勢假設(shè)，實驗組和控制組可能存在樣本選擇誤差，交互項系數(shù)呈現(xiàn)負值，且關(guān)系不顯著，導(dǎo)致可能無法觀測到政策對企業(yè)盈利能力的真正效應(yīng)。而在經(jīng)過傾向得分匹配后的樣本組，使用DID模型回歸后，交互項系數(shù)均在5%的顯著性水平下顯著為正，即2018年留抵退稅政策與政策適用企業(yè)的營業(yè)成本率存在顯著的正相關(guān)關(guān)系，但由于企業(yè)的營業(yè)成本率與企業(yè)的盈利能力是反比例關(guān)系，說明在以營業(yè)成本率為企業(yè)盈利能力的衡量指標時，適用2018年留抵退稅政策的企業(yè)比適用2018年留抵退稅政策的企業(yè)盈利能力有所減弱。1.1.4穩(wěn)健性檢驗（1）基于時間的安慰劑檢驗利用基于時間的安慰劑檢驗，檢驗政策適用企業(yè)和非政策適用企業(yè)資產(chǎn)投入和盈利能力的影響在以另一個時間點為政策沖擊點時是否有類似的顯著差異，以對政策適用企業(yè)資產(chǎn)投入的提升和盈利能力的減弱是否確實是由2018年留抵退稅政策引起的而非其他因素進行驗證。在此我們借鑒劉瑞明和趙仁杰（2015）的安慰劑檢驗方法——虛構(gòu)政策時間。結(jié)合本文樣本數(shù)據(jù)，我們假設(shè)該項留抵退稅政策試點實施的時間節(jié)點提前一年，即設(shè)定為2017年6月，并去掉2018年6月及以后的樣本，用雙重差分方法進行回歸。表4-10顯示了虛構(gòu)政策時間后的回歸結(jié)果。依據(jù)安慰劑檢驗結(jié)果，可以發(fā)現(xiàn)兩個指標中的資本支出（ae）的交互項回歸系數(shù)在5%的顯著性水平上顯著為負，而在基準回歸模型中則為在5%的顯著性水平上顯著為正。營業(yè)成本率（Ocr）的交互項回歸系數(shù)不顯著，而在基準回歸模型中在5%的顯著性水平上顯著為正。安慰劑檢驗結(jié)果與基準模型回歸的結(jié)果存在明顯差異，意味著安慰劑效應(yīng)不存在。即該項留抵退稅政策對企業(yè)資產(chǎn)投入、盈利能力的影響效應(yīng)通過了安慰劑檢驗，基準回歸模型的回歸估計結(jié)果是穩(wěn)健的。表4-10基于時間的安慰劑檢驗結(jié)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)時間效應(yīng)控制控制個體效應(yīng)控制控制R-squared0.2520.028注：***、**、*分別表示系數(shù)估值在10%、5%、1%的水平上顯著。（2）基于行業(yè)的安慰劑檢驗為排除實驗組和控制組的變化是受到同時期其他政策的影響，參照陳剛（2012）的安慰劑檢驗方法——虛構(gòu)實驗組方法，即選取已知的不受政策影響的樣本作為實驗組進行回歸分析。我們隨機從基準回歸模型的控制組中隨機選取一半不受2018年留抵退稅政策影響的行業(yè)企業(yè)形成新的實驗組，以剩下的控制組為新的控制組，保持2018年6月為留抵退稅政策實施時間，構(gòu)造雙重差分模型，進行回歸檢驗?；貧w結(jié)果如表4-11，由下表我們可以看出，資產(chǎn)投入（ae）、營業(yè)成本率（Ocr）兩個指標的交互項的回歸系數(shù)均不顯著，而在基準回歸模型中均在5%的顯著性水平上顯著為正。意味著2018年留抵退稅政策的試點實施對非適用