大數據稅收征管影響制造業全要素生產率的實證研究

呂靜宜（副教授） 何鄧嬌（副教授）

（廣州軟件學院財經系 廣州城市理工學院財稅系 廣東廣州 510000）

一、問題提出

得益于我國互聯網技術的進步和云端存儲與計算框架的日益成熟，大數據技術開始蓬勃發展，“金稅三期”大數據稅收征管系統是利用信息化技術推動國家治理現代化的重要手段，契合了《關于進一步深化稅收征管改革的意見》中提出的“要充分運用大數據等現代信息技術加快推進智慧稅務建設，深化稅收大數據共享應用，提升國家治理現代化水平”這一重要指導意見。在此背景下，理論界開始研究大數據稅收征管系統所帶來的政策效應。大量研究顯示，大數據稅收征管水平的提升增加了企業稅負（張克中等，2020），能夠提高企業的納稅遵從度（唐博等，2019）；大數據稅收征管還有效改善了企業財務報告的質量，不僅能增強稅收執法力度，還能減少企業的避稅行為（王雪平，2020）。江軒宇（2013）、徐捍軍（2021）實證檢驗了大數據稅收征管能夠顯著抑制上市公司股價崩盤風險。孫雪嬌等（2021）認為大數據稅收征管能夠降低企業盈余管理程度等。

我國經濟要由高速增長轉入高質量發展，需要效率變革、動力變革，提高全要素生產率。多項證據表明，全要素生產率的提高有賴于技術進步、組織創新和資源合理配置（高越、宋述杰，2011）。李廉水等（2020）認為技術進步是全要素生產率增長的主要原因。企業外部環境因素，如產業聚集（范劍勇等，2014；宣燁等，2017）、進出口貿易（陳維濤等，2018；任曙明等，2014）、政府補貼（閆志俊等，2017）、數字經濟（朱喜安等，2022）、環境規制（張鶴等，2022；徐軍委等，2022）也影響著企業全要素生產率。那么，稅收征管作為企業外部環境因素之一，是否也會對企業全要素生產率產生影響，及其作用機理如何，值得關注與討論。

二、理論分析與假設

（一）文獻綜述。

1.大數據稅收征管的經濟后果。近年來，稅收征管的相關研究主要集中在經濟后果研究方面。Lennox 等（2015）研究認為稅收征管抑制了企業避稅。歐陽明（2009）認為稅收征管水平與稅收增長率之間有較強的相關性。呂冰洋和李峰（2007）實證檢驗了稅收征管效率對企業所得稅和增值稅稅收增長的作用，得出稅收征管效率的提高能促進稅收增長。這些研究表明，稅收征管體制下的“人管人”稅收征管模式大大提高了企業的制度性交易成本，給企業營商環境帶來了一定的困擾。大數據時代開啟后，作為信息化技術推動國家治理現代化中的重要組成部分——“金稅三期”稅收征管系統引起了專家學者的廣泛關注，相關研究主要集中在信息在稅收征管中的作用（Ledermam，2010）、大數據稅收征管的經濟后果等方面。比如，唐博等（2019）研究發現“金稅三期”顯著提高了企業納稅遵從度，減少了企業的避稅行為（張克中等，2020）。樊勇、李昊楠（2020）論證了“金稅三期”工程具有雙重效應，一方面通過優化信息系統，提高了企業納稅遵從度，另一方面通過提升納稅服務質量，促進了稅收優惠政策的落實。孫雪嬌等（2021）認為，大數據稅收征管降低了企業的盈余管理程度。李艷等（2020）研究發現，大數據稅收征管遏制了企業經濟活動中不開發票的逃稅行為，提高了企業納稅規范性。

綜上所述，大數據稅收征管的相關文獻從直觀上影響企業稅負、納稅遵從行為到影響信息的生產和傳遞等一系列結論開始，延伸至政策溢出效應。

2.全要素生產率的影響因素。全要素生產率（Total Factor Productivity，TFP）是反映企業資源配置效率與質量的重要指標，用于度量給定要素投入情況下產出的總體效率，是企業實現可持續的集約式增長的重要影響因素。目前對全要素生產率的影響因素的研究主要集中在企業自身和外部環境兩個方面。自身因素方面，創新能力、技術進步、資源有效配置、人力資源積累等都是影響全要素生產率的重要因素和促進其提高的動力源泉。技術開發和技術改造的知識資本投入是影響企業全要素生產率提升的兩個重要因素也通過了實證檢驗（程惠芳，2014）。趙宸宇等（2021）認為企業自身的創新能力、人力資本結構、兩業融合程度、成本降低機制等四個方面影響著全要素生產率。趙振智等（2021）通過基本低碳城市試點的準自然實驗發現國家低碳戰略通過緩解企業融資約束、提升企業技術創新水平與企業資本配置效率促進了企業全要素生產率的提高。外部環境方面，現有研究主要從政府補貼、產業聚集、進出口貿易、市場競爭、政府支持力度、稅收優惠強度等角度加以論述。任曙明等（2014）以裝備制造企業為例，討論了政府補貼對企業全要素生產率的影響；白重恩、張瓊（2014）認為政府補貼通過提升企業的技術創新水平提高了全要素生產率；劉帷韞等（2019）認為經濟政策不確定性能在一定程度上影響企業的投資決策，進而影響企業全要素生產率的提升。Crocker、Slemrod（2005）認為企業提升經營效率有賴于稅收征管強度和企業納稅遵從度的提高，因為兩者可以通過改善信息不對稱和代理問題彌補企業內外部治理機制的不足。

以上研究表明，作為企業外部治理環境之一的數字技術也有可能影響企業全要素生產率。因此，大數據稅收征管系統是否能提升企業全要素生產率，以及通過什么機制來提升，亟待開展理論研究和實證檢驗。

（二）研究假設。強稅收征管有效避免了企業的盈余管理動機（孫雪嬌等，2021），同時促使企業為了平滑制度規范所導致的稅負增加而選擇技術創新以應對“征稅效應”（于文超等，2015），從而提升企業全要素生產率。

具體來講，大數據稅收征管作為企業的外部治理環境之一，具有治理效應、征稅效應（于文超等，2015）。從治理效應的視角看，大數據稅收征管有效緩解了上市公司的代理問題和信息不對稱問題（徐捍軍，2021）。廖歆欣、劉運國（2016）研究表明，企業避稅行為和管理層的在職消費活動之間存在的相關關系會隨著企業外部監管力量的加強而受到一定的削弱。曾亞敏、張俊生（2009）同樣發現外部監管力量能遏制上市公司之間的關聯交易、抑制管理層對股東利益的侵占。因此，稅收征管可以使企業自覺規范納稅行為，產生稅法遵從，由此降低的代理成本可以使企業獲得更多的債務融資，為企業創新投入提供了良好的外部支持（謝獲寶等，2020）。有證據顯示，稅收征管通過降低管理者自利，抑制控股股東掏空，從而提升了企業的創新水平（蘭竹虹等，2021）。

從征稅效應角度看，大數據稅收征管對企業避稅行為的約束，增加了企業稅負，從而對企業經營行為產生影響（于文超等，2018）。企業面對大數據稅收征管這一外部監督機制，為了提升自身競爭能力，不斷調整自身行為，尋求合理降低成本的方法，增加技術創新投入不失為一種選擇。因為創新可以引導企業技術進步，長期來看，是經濟增長的引擎（Stokey，1995），由此可以在未來更長時間內彌補稅收負擔增加所帶來的成本壓力。

另外，“金稅三期”可以有效幫助企業落實稅收優惠政策“應享盡享”（樊勇、李昊楠，2020），征稅機關通過優化納稅服務，促進稅收優惠政策的落實，向企業傳遞了一個信號，即稅收征管雖然提高了企業的避稅成本，但企業可以通過更多的創新投入獲取更多的稅收優惠政策，如自行研發無形資產的加計扣除和攤銷優惠政策，不僅可以部分抵銷稅收征管所帶來的稅負增加的影響，還可以獲得創新所帶來的收益。此時，強稅收征管與稅收優惠政策對企業創新投入產生了協同作用。

內生增長理論認為，創新是提升全要素生產率的根本源泉，企業研發創新水平的提高可以直接提高企業全要素生產率。有證據表明，技術創新能夠使企業提高產品的科技含量和附加值，降低企業生產成本，提高企業核心競爭力，進而對企業全要素生產率產生積極作用（樸英愛等，2023）。創新能力、創新模式是影響全要素生產率的主要因素（侯鵬等，2014）；研發投入顯著促進了企業生要素生產率的提升（張廣勝等，2020）。

因此，本文提出假設：大數據稅收征管提升了企業全要素生產率。

三、研究設計與數據分析

（一）數據與樣本。本文的研究樣本為我國滬深A股制造業上市公司，樣本所屬期為2010—2019年。為保障樣本的有效性和穩定性，依次剔除了ST 類公司、有其他特殊情況的公司，以及數據不全的公司，對所有連續變量在上下1%分位進行了縮尾處理，通過篩選最終得到了10 718個有效樣本數據。樣本公司的數據來源于CSMAR 數據庫和WIND數據庫。

（二）模型構建與變量定義。

1.被解釋變量。全要素生產率是衡量經濟主體利用資源（如資本、勞動）生產產品和提供服務的效率的指標，是總產量與全部要素投入量之比。本文參考郭慶旺、賈俊雪（2005），王兵瑞、顏鵬飛（2010）等的做法，利用LP法進行基礎回歸測算，利用OP法進行穩健性檢驗。

2.解釋變量?！敖鸲惾凇贝髷祿愂照鞴芟到y于2013年首次在重慶、山東和山西上線后；2014 年在除深圳外的廣東、河南和內蒙古上線；2015年又在河北、寧夏等14個?。ㄗ灾螀^、直轄市）上線運行，2016 年實現全國覆蓋。本文借鑒徐捍軍（2021）的做法，定義大數據稅收征管實施變量，構建Treat_Dumei，t虛擬變量，公司i 所在?。ㄗ灾螀^、直轄市）在第t年上線“金稅三期”大數據稅收征管系統，則虛擬變量Treat_Dumei，t取值為1，否則為0。

3.控制變量。參考目前對企業全要素生產率影響因素的研究成果，本文選取了相關控制變量。具體變量定義如表1所示。

4.模型構建?！敖鸲惾凇贝髷祿愂照鞴芟到y是分批次分時間在全國范圍內實施的，因此，本文采用多期雙重差分法構建模型（1），檢驗大數據稅收征管對制造業企業全要素生產率的影響：

其中，i表示公司，t表示時間，TFPi，t表示第i個公司第t年的全要素生產率；當樣本i 公司處于某?。ㄗ灾螀^、直轄市）上線了“金稅三期”大數據稅收征管系統，則公司i 第t年及以后年度取值為1，否則取0；Control 表示系列控制變量的集合，μt和Vi表示不可觀測的時間固定效應和城市固定效應，εi，t為隨機誤差項，α0表示常數項。

（三）描述性統計。本文主要研究變量的描述性統計結果如表2 所示。樣本全要素生產率均值為6.7927，標準差為2.1603，與胡日東等（2021）基于我國滬深A 股制造業上市公司測算的全要素生產率的結果相近，最大值為10.4316，最小值為3.7199，波動范圍較大，說明樣本企業之間的全要素生產率存在顯著差異；核心解釋變量Treat_Dumei，t與徐捍軍（2021）等的描述性統計結果基本一致且均處于合理的范圍之內。

表2 變量描述性統計

（四）實證結果分析。

1.基準回歸檢驗結果。模型（1）效應回歸檢驗結果如表3所示。其中第（1）列結果顯示，LP法下“金稅三期”大數據稅收征管系統實施系數為0.080，且在1%的水平上顯著，這表明大數據稅收征管系統的上線提高了企業的全要素生產率，即已經實施“金稅三期”大數據稅收征管系統的制造業上市公司全要素生產率比未實施“金稅三期”的公司要高。這說明，大數據稅收征管系統充分發揮了治理效應（于文超等，2015），顯著提高了企業全要素生產率，實證結果驗證了本文的研究假設，其他控制變量的結果也顯示與全要素生產率顯著相關。

表3 “金稅三期”的實施對企業全要素生產率的影響

為了確保實證結果的穩健性，本文采用了Hausman 檢驗，第（2）列報告了固定效應模型更優，結果顯示“金稅三期”大數據稅收征管系統與全要素生產率存在1%的正向相關；第（3）列報告了采用隨機效應檢驗，在控制時間和城市效應的相關變量后，結果顯示“金稅三期”大數據稅收征管系統對全要素生產率仍然在1%的水平上正向相關，研究結果與上文基本一致。

2.進一步分析。因為不同?。ㄗ灾螀^、直轄市）在地理位置、產業結構與經濟發展狀況等方面存在差異，“金稅三期”大數據稅收征管系統的實施對全要素生產率的影響可能在空間維度上存在地區差異，所以，本文對東中西部地區的樣本數據分別進行回歸，具體異質性分析結果如表4所示。

表4 異質性檢驗：實施“金稅三期”對企業 全要素生產率的影響

異質性回歸結果表明，“金稅三期”大數據稅收征管系統的實施對不同地區的企業全要素生產率的影響存在差異。其對制造業全要素生產率的促進效果主要存在于我國東部地區企業，對西部地區的企業促進效果不顯著，對中部地區的企業影響顯著為負。

這是因為，我國東部地區較西部地區市場化程度更高，制造業更發達，更容易適應“金稅三期”大數據稅收征管系統這種規范的稅收征管行為，且健全的產權保護制度為創新產出轉化生產力提供了保護機制（張廣勝，2020），因為完善的市場機制是維護企業研發的必要條件（雷欽禮，2017）。企業的創新意識和動力隨著稅收征管水平的提高進一步被激發出來，因此其作用更明顯，出現了全要素生產率顯著提高的結果。而我國西部地區企業全要素生產率平均每年增長9.2%（李廉水，2019），遠遠高于中東部地區，特別是2012—2016年，我國制造業全要素生產率重心由于西北地區承接東部、西部地區制造業轉移的技術溢出效果明顯，技術創新和轉化應用能力得到顯著增強從而快速提升（王澤宇等，2021）。因此，稅收征管系統的規范化對企業全要素生產率的影響在其本身增長比較大的基數上顯示不出效果。

而“金稅三期”大數據稅收征管系統的實施對中部地區全要素生產率的影響在10%的水平上顯著為負，可能的原因是，中部地區制造業發展較東部地區欠發達，企業在快速發展期間有大量的資金需求，“金稅三期”大數據稅收征管系統的實施形成的“征稅效應”相較于其“治理效應”更明顯，可能導致企業暫時處于融資約束的狀態（于文超等，2018），因此，企業全要素生產率會受到負向影響。

總體比較東中西部地區的回歸結果可以發現，“金稅三期”大數據稅收征管系統的實施對東部地區全要素生產率的影響系數最大，中部地區二者負相關，西部地區二者不明顯。說明大數據稅收征管對制造業全要素生產率的影響效果在區域間存在異質性，東部地區影響效果更顯著。

3.作用機制檢驗。根據前文的理論分析可知，大數據稅收征管影響企業全要素生產率，主要是以企業創新作為中介，因此，以下檢驗創新投入的機制作用，采用實用新型與外觀設計的自然對數和發明數量的自然對數作為創新投入的衡量指標。

一般認為，稅收征管可以降低管理者自利行為，抑制控股股東掏空從而提升企業創新水平（蘭竹虹等，2021），而企業創新的直接結果是全要素生產率的提高。由表5 可知，第（1）列顯示Treat_Dumei，t對TFP 的總效應是0.076，加入IN1（實用新型和外觀設計）后，Treat_Dumei，t的系數由0.076下降到0.063，且在1%的水平上顯著，說明實用新型和外觀設計在稅收征管與全要素生產率之間存在部分中介效應。將IN1 替換成發明數量時，Treat_Dumei，t對TFP 的影響由0.076 下降到0.060，同樣在1%的水平上顯著。無論是IN1還是IN2 均通過了Sobel 檢驗，前者的中介效應占比20.74%，后者的中介效應占比26.67%。這說明大數據稅收征管系統使企業主動收縮各種避稅活動，通過提升企業創新水平提高了企業全要素生產率。這與前文的假設是一致的。

表5 企業創新的中介效應檢驗結果（全樣本檢驗）

4.穩健性檢驗。上文采用LP 法估算企業全要素生產率（TFP），為檢驗研究的穩健性，本文采用OP 法重新測量企業全要素生產率。下頁表6 顯示，“金稅三期”大數據稅收征管系統的實施對企業全要素生產率的影響結果依然不變，在1%的水平上顯著正相關。因此，本文所采用的模型和結論相對比較穩健。

四、結論與建議

本文基于在全國范圍內陸續實施的“金稅三期”大數據稅收征管系統這一準自然實驗，綜合運用多重差分與中介效應等方法，分析了大數據稅收征管系統對制造業全要素生產率的影響。研究發現：大數據稅收征管系統顯著提高了企業的全要素生產率。作用機理檢驗發現：大數據稅收征管系統的征管效應和對企業避稅行為的約束，增加了企業稅負，反過來會倒逼企業通過技術創新、強化企業資本配置等方式提高企業全要素生產率。異質性檢驗結果顯示，相對于中部和西部地區的企業，大數據稅收征管的全面實施對東部地區企業全要素生產率的促進作用更明顯。

基于以上結論，本文提出以下政策建議：第一，企業的發展既受到公司治理和自身條件的影響，也受到外部監督機制的影響。企業面對外部治理環境的不斷完善，即功能較“金稅三期”更為強大的“金稅四期”征管系統上線時，應進一步增加企業創新投入，以獲取更多合法的稅收優惠政策，來彌補強稅收征管給企業帶來的稅收成本和遵從成本的增加。第二，大數據稅收征管系統有利于提升企業全要素生產率的結論也提示政府應不斷完善稅收監管，充分發揮公司治理效應，提升企業全要素生產率。