五、 实 证 结 果

(一) 描述性统计

表2是主要变量的描述性统计结果，其中有73. 2%的观测值来自IPO暂停后高进入威胁行业。其他控制变量与前人文献结果基本保持一致。

(二) 相关性分析

表3汇报了各变量间的相关系数，其中对角线左下方是皮尔森相关系数，右上方是斯皮尔曼相关系数。从中可以看出，Post×Treat与R&D_asset和R&D_sale都呈现显著的正相关关系。同时，各个控制变量间的相关系数均小于0. 6，且方差膨胀系数( VIF)平均仅为1. 31，远小于10，说明各变量不存在严重的多重共线性问题。

(三) 主回归结果

表4汇报了模型(1)的回归结果，第(1)列和第(2)列中Post×Treat的回归系数分别为0. 002( t=4. 18)和0. 004( t=5. 55)，均在1%的统计水平上显著，说明在IPO暂停期间面临较高进入威胁企业的创新投入显著增加，支持了假设1a，表明新股上市所带来的进入威胁显著促进了已上市公司的创新活动。

(四) 稳健性检验

1． 平行趋势检验

在主回归分析中，我们使用了双重差分估计方法，这种估计方法在使用时必须满足的一个前提条件是处理组企业与控制组企业在IPO暂停实施之前具有相似的变化趋势，否则主回归结果就是有偏的。借鉴Serfling(2016) 、陈胜蓝和马慧(2017)针对错层发生事件形成的准自然实验进行平行趋势检验的方法，根据观测值所在年份区分样本并设置对应的虚拟变量。若观测值属于IPO暂停实施前一年，则Before1取值为1，否则取值为0；若观测值属于IPO暂停实施后一年，则Post1取值为1，否则取值为0。进一步地，我们将这些虚拟变量与Treat相乘来检验平均处理效应的时间趋势。⁴表5报告了平行趋势检验的估计结果。从中可以看到，处理组与控制组的创新投入水平在IPO暂停实施前并无显著差异；但在IPO暂停之后，较控制组而言，处理组企业的研发投入显著增加，这为主回归结果的有效性提供了证据。

2． 安慰剂检验

为了避免主回归结果由某些偶然因素所导致，本文参照刘畅等(2020)，采取随机生成的虚拟处理组进行安慰剂检验。⁵在本文样本中，2008年暂停事件涉及39个行业，其中22个行业属于处理组；2012年暂停事件涉及44个行业，其中22个行业属于处理组。因此，本文从2008年(2012年)事件涉及的39个(44个)行业中随机抽出22个(22个)行业，并构造对应虚拟解释变量按模型(1)的设定进行回归，得到相应的交乘项系数。我们利用蒙特卡洛模拟重复上述步骤1 000次，并将所得系数的分布情况绘制在图2和图3中，图中虚线是真实回归中的交乘项系数(双尾)。当被解释变量为R&D_asset和R&D_sale时，分别有43次和22次模拟生成的虚假交乘项系数的绝对值大于真实回归中交乘项系数的绝对值，对应p值均小于0. 05；而且，模拟中所得系数大致以0为中心呈正态分布。由此，我们可以认为主回归结果并不是由某些偶然因素所导致的。

3． 倾向得分匹配( PSM)

双重差分模型要求处理组和控制组的选择是随机的，为了排除处理组企业与控制组企业的固有差异所带来的干扰，我们采用倾向得分匹配( PSM)法重新为样本中的处理组匹配控制组。借鉴李春涛等(2018)的做法，我们使用IPO暂停前一年的财务信息建立Logit模型，分别拟合两次IPO暂停事件中样本公司进入处理组的概率。具体地，我们选取模型(1)中的控制变量加入Logit回归，根据得到的倾向得分，采用最近邻、无放回、卡尺值为0. 01的方法对2008年及2012年事件中的处理组与同一事件中的控制组进行1 ∶ 1匹配，并保留配对公司观测值相同的样本，从而产生新的匹配样本。匹配后，在2008年事件中得到242组(484家)公司，在2012年事件中得到251组(502家)公司。表6报告了PSM前后处理组与控制组间所有用于匹配的控制变量的组间差异情况。可以看到，在匹配后，处理组与控制组间各变量的均值偏差的绝对值(|%bias|)均小于10%，并且不存在显著的组间差异，这意味着匹配效果较好。更直观地，通过对比匹配前(图4)和匹配后(图5)倾向得分的核密度函数，我们可以发现，在匹配前，处理组和控制组在倾向得分上的分布状况存在较大差异；而在匹配后，处理组与控制组在倾向得分上的分布状况基本一致，表明匹配效果较好。

表7报告了在PSM后的双重差分估计结果。第(1)列和第(2)列中Post× Treat的回归系数分别为0. 002和0. 003，均在1%( t=3. 09、3. 62)的统计水平上显著，这表明IPO暂停期间，高进入威胁行业中已上市公司显著增加了创新投入，即在对处理组通过PSM法进行匹配后，本文的主要结果并没有改变。

4． 剔除研发投入数据缺失的观测

为了排除研发投入数据缺失对结果产生的影响，我们剔除了研发投入数据缺失的观测值，重新对模型(1)进行回归，虽然样本量大幅减少且可能存在样本选择偏误，但本文的主要结果依然不变。

5． 控制如期上市IPO公司所产生的冲击

在IPO暂停开始时点附近，高进入威胁行业中的IPO活动可能更加频繁，这类行业中可能同时存在大量如期上市IPO公司以及即将上市公司。因此，本文的结果也可能是由于如期上市IPO公司的上市直接加剧了行业内部的竞争( Hsu et al.,2010;Spiegel and Tookes,2020)，进而改变了已上市公司的创新行为( Aghion et al.,2005；何玉润等，2015)，而不是由进入威胁增加所导致。为了排除这一替代性解释，本文构建了List变量，定义为行业中如期上市IPO公司在IPO暂停实施前一年的总资产之和占行业已上市公司总资产之和的比例，并将List与Post交乘加入模型(1)中重新进行回归，结果如表9所示。从中可以发现，在控制如期上市公司的影响后，Post×Treat的回归系数基本不变，依然在1%的统计水平上显著，说明本文的主回归结果并不是由如期上市公司所导致。

6． 改变Treat的构造方式

本文将Treat重新定义为行业中延迟上市公司在IPO暂停实施前一年的总资产之和占行业已上市公司总资产之和的比例，并重新进行模型(1)的回归。回归结果如表10所示，可以发现Post×Treat的回归系数均在1%的统计水平上显著为正，说明本文的结果较为稳健。