中国新能源车企的政治关联偏好及其对声誉投资的影响_熊勇清.pdf

第 35 卷第 1 期管理评论Vol.35,No.12023 年 1 月Management ReviewJan.,2023中国新能源车企的政治关联偏好及其对声誉投资的影响熊勇清 张志剑(中南大学商学院,长沙 410083)摘要:有效发挥新能源车企声誉机制的作用,对于减少目前中国新能源车企中存在的一些“骗补谋补”等非道德行为有着积极意义。本文关注到了产业政策实施背景下企业与政府之间常见的亲密关系 政治关联,应用倾向得分匹配法分析了中国新能源车企政治关联偏好对于声誉投资的影响及其不同阶段所表现出来的差异性。研究结果表明:中国新能源车企总体上具有建立政治关联的偏好,政治关联偏好对于新能源车企面向政府和社会公众的声誉投资具有促进作用,但对于面向消费者的声誉投资促进作用不明显。然而,伴随着新能源汽车产业的发展,政治关联偏好对于新能源车企声誉投资的正向促进作用逐渐减弱。中国新能源汽车产业应有效发挥政治关联对于新能源车企声誉投资影响的积极作用。关键词:新能源汽车;政治关联偏好;声誉投资;倾向得分匹配法收稿日期:2020-09-11基金项目:国家自然科学基金项目(71874208)。作者简介:熊勇清,中南大学商学院教授,博士生导师,博士;张志剑(通讯作者),中南大学商学院硕士研究生。数据来源:2020 年全球及中国新能源汽车行业市场现状及竞争格局分析,前瞻产业研究院(https:/ 年 9 月 4 日。数据来源:关于地方预决算公开和新能源汽车推广应用补助资金专项检查的通报,财政部(http:/ 年 9 月 8 日。引 言中国近年来依托以政府补贴、税费减免等“财税补贴”为主要形式的新能源汽车产业政策,在短期内显著地促进了新能源汽车市场规模的增长,2019 年中国新能源汽车销售量已占全球市场的 54%。但与此同时,“财税补贴”也引发了一些新能源车企利用政策漏洞骗取补贴的非道德行为,在中国政府有关部门 2016 年组织的专项检查中,5 家新能源汽车生产企业涉嫌骗取国家财政补贴超过 10 亿元,新能源车企的“骗补谋补”行为引发了社会的高度关注。要防止新能源车企这些非道德行为发生,需要从多方面采取有效措施。一方面,需要持续完善新能源汽车产业的相关政策设计;另一方面,需要发挥企业声誉机制等非正式制度的自我约束作用1。声誉机制对于减少企业的非道德行为有着积极作用2,相较于政策、规制等正式制度,非正式制度因具备传染延续性特征,约束力往往更加明显3。因此,深入分析新能源车企声誉机制形成中的影响因素,对于减少和消除目前中国新能源车企中存在的一些“骗补谋补”等非道德行为有着积极意义。中国新能源汽车产业目前主要驱动力来源于产业政策的支持,产业政策的实施通常表现为政府干预并主导一定的资源配置权。由于企业倾向于同控制资源的相关组织建立起亲密关系4,因此政治关联便成为产业政策实施背景下企业与政府之间所建立的最常见的亲密关系。一般而言,政治关联在政府干预程度高的行业更为常见5,具有较高政治关联度的企业通常也可以获得更多的政府支持6。由此引发思考的问题是:新能源车企是否具有建立政治关联的偏好?政治关联偏好是否会影响到新能源车企的声誉投资行为?探寻这些问题的答案,无疑有助于更好地发挥声誉机制在约束并减少新能源车企非道德行为中的积极作用。为此,本研究以中国新能源汽车上市公司作为研究样本,具体考察中国新能源车企是否具有建立政治关联的偏好,以及政治关联偏好是否会影响到企业的声誉投资行为。同时,本研究在分析过程中考虑到了新能源汽车产业不同发展阶段的差异性,以便揭示政治关联偏好影响企业声誉投资行为的动态变化过程。本研究的其余部分安排如下:第二部分指出了已有研究的几点缺憾,在理论分析的基础上提出了研究假设并给出了概念模型图;第三部分根据政治关联分值对研究样本进行了分组,并对本研究的分析模型及相关变量进行了解释说明;第四部分报告了所有变量的描述性统计结果以及实证结果,并进行了稳健性检验;第五部分给出了本研究的主要结论、政策建议及局限与展望。DOI:10.14120/11-5057/f.2023.01.013第 1 期熊勇清,等:中国新能源车企的政治关联偏好及其对声誉投资的影响223 文献综述与理论分析1、已有研究及其缺憾关于企业政治关联的研究,主要包括两个方面:一是研究分析了政治关联与企业价值、企业绩效等之间的关系。如 Liu 等7采用事件研究法发现政治关联可以为中国企业增加价值,而政治关联的这种价值效应取决于制度因素;Wu 等8利用中国公司的数据证明了 CEO 政治联系对公司绩效和 CEO 薪酬都有积极影响。二是研究分析了政治关联对企业行为的影响。如 Cheng 等9发现政治关联可以使企业更积极地披露环境信息;Li 和 Liang10研究表明政治关联可以影响企业的慈善事业,一方面是出于对政府扶持的回报,另一方面是由于它们受到更有力的政治干预;许玲玲11通过实证发现政治关联能够显著正向调节高新技术企业认定的技术创新激励效应。关于企业声誉的研究,也包括两个方面:一是分析了企业声誉形成中的影响因素。如 Manfred12依据社会期望论学者的研究成果,将影响企业声誉的因素归为四类:责任感、吸引力、质量和公司业绩;Anastasia等13的分析表明,如果公司企业社会责任表现良好,那么企业社会责任披露能够促进专业利益相关者角度的企业声誉;Clara 等14分析了审计委员会特征对企业声誉的影响,研究表明审计委员会的独立性以及独立董事的平均教育水平与企业声誉存在正相关关系;唐贵瑶等15的研究结果表明,道德型领导对企业声誉具有显著的正向影响。二是关于企业声誉所发挥的作用。如 Agarwal 等16指出企业声誉能够对企业绩效产生影响,企业声誉可以为企业创造价值;Gangi 等17研究表明企业声誉对风险调整后的财务表现具有积极影响,企业声誉对企业竞争力能够起到保护作用;管考磊和张蕊18发现拥有良好声誉的企业对外报告了更加稳健的盈余信息,验证了声誉机制的有效契约观。从已有文献来看,存在两点缺憾:一是政治关联是中国企业与政府之间所建立的最常见的亲密关系,鲜有学者将中国企业的政治关联偏好同声誉机制形成问题置于一个研究框架,缺乏从政治关联视角对企业声誉机制形成问题进行分析研究。二是新能源汽车属于中国战略性新兴产业的重要板块,虽然中国新能源汽车产业政策有效地促进了新能源汽车产业的快速发展,但也引发了一些新能源车企利用政策漏洞骗取国家财政补贴的非道德行为,需要积极发挥企业声誉机制等非正式制度的自我约束作用,但是已有研究对于这一问题并没有给予足够的关注。2、理论分析与研究假设针对已有研究的这些缺憾,有必要进一步分析中国新能源车企是否存在政治关联偏好,政治关联偏好与新能源车企的声誉投资存在怎样的关系,在新能源汽车产业的不同发展阶段,政治关联偏好对于新能源车企声誉投资的影响是否存在差异性。这对于有效发挥新能源车企声誉机制的作用,减少和消除目前中国新能源车企中存在的一些“骗补谋补”等非道德行为有着积极意义。从新能源车企的政策资源需求来看,新能源汽车产业作为还处于培育发展时期的新兴产业,在与传统的燃油汽车竞争中的商业优势还没有完全形成,积极发挥产业政策在新能源汽车产业发展中的促进作用,是世界各国发展新能源汽车产业的普遍选择。在中国,政府不仅能够为企业提供生产所需要的土地、资金、政策支持等有用资源19,同时也是企业重要的客户群体之一(如政府采购便是中国政府推广新能源汽车的一项重点政策)。具有政治背景的企业家可以为企业在获取土地供应、政府采购、税收优惠等方面政策支持中争取便利20。中国新能源汽车产业目前主要驱动力来源于产业政策的支持,政府干预程度较高,由于政治关联在政府干预程度高的行业更为常见5。因此,中国新能源车企出于政策资源的需求,可能存在建立政治关联的偏好。从新能源车企的风险规避来看,如果企业存在的不道德行为被发现,具有政治关联的企业所面临的风险会更小,监管惩罚力度也会更小21。因此,中国新能源车企出于风险规避的需求,也可能存在建立政治关联的偏好。(1)政治关联偏好与新能源车企的声誉投资。企业声誉的形成与管理是个长期的过程,需要企业通过声誉投资等手段来实现。学者们关于政治关联对企业声誉管理的影响并未达成一致结论,部分学者研究发现政治关联对企业的声誉管理行为具有“促进”作用。如秦续忠等22实证发现董事长具有政治关联对企业社会责任披露有正面影响;郑登津等23研究表明党组织嵌入能够抑制企业的违规行为,这种抑制作用在高管是党员、高管存在政治关联和处于政治敏感期时更为显著;Li 等24及 Yang 和 Tang25都发现高管的政治联系能够推动企业的慈善捐赠行为。也有部分学者研究发现政治关联对企业的声誉管理行为具有“抑制”作用。如 DeVilliers 等26发现企业拥有的政治资源会促使企业规避环境责任,降低环境绩效;Nasih 等27研究发现,政治224 管理评论第 35 卷联系对企业社会责任具有负向而不显著的影响;Luo 和 Wang28的研究表明,具有政治关联的企业会选择性承担社会责任,有政治关联的企业在慈善捐赠中投入的更多,而在环境实践中投入的更少。由此可以看出,政治关联偏好可能发挥激励或监督的作用,也有可能成为企业的“保护伞”或“寻租工具”。从新能源汽车产业来看,一方面,由于“政府干预”或“政治成本”,新能源车企可能更多地进行声誉投资;另一方面,由于“关系”或“政治权力”,新能源车企可能将政治关联作为寻租工具,减少声誉投资。因此,提出研究假设:H1a:政治关联偏好对于新能源车企的声誉投资具有促进作用;H1b:政治关联偏好对于新能源车企的声誉投资具有抑制作用。(2)政治关联偏好在新能源汽车产业不同阶段影响的差异性。中国新能源汽车于 2009 年被列入战略性新兴产业,目前经历了产业启动(20092012 年)、加速发展(20132015 年)、深化发展(2016 年至今)三个阶段。研究表明,新能源车企处于不同的阶段,其资源禀赋、市场竞争、制度环境是不一样的,这些方面因素的变化都将引起企业政治关联偏好、寻租、社会责任等行为的相应变化。如林润辉等29研究发现政治关联能否影响企业的环境信息披露行为取决于政府能否提供企业所需的资源;唐跃军等30探讨了中国新兴市场中制度环境变迁对公司慈善行为的影响,发现市场化改革可以降低中国企业因“主动配合”或“被动选择”而进行慈善捐赠的动机;Bertomeu 和 Maggie31的研究表明市场竞争程度会影响企业对外释放信息的决策,在竞争压力不大的市场中企业并不愿意主动披露信息;Detomasi32的研究表明制度环境决定了公司与政府间关系的价值,进而可对慈善行为产生影响。基于这些研究,可以推测新能源汽车产业在不同阶段,由于资源禀赋、市场竞争和制度环境不完全相同,政治关联偏好对车企声誉投资的影响也会存在差异。因此,提出研究假设:H2:在新能源汽车产业不同阶段,政治关联偏好对车企声誉投资的影响存在差异。研究样本与模型方法1、样本及分组以 20092018 年期间中国新能源汽车板块 53 家上市公司作为研究样本,并根据这些公司的政治关联情况分为两组。本研究借鉴 Fan 等33和 Chen 等34的做法,如果公司聘任的高管(董事会以上成员,含独立董事)中近 3 年在政府、人大或政协中有过任职情况,则视为该公司存在政治关联。同时,根据国家、省、市、县等职务层次,每个职务层次又分为领导角色和辅助角色两类,共划分为 8 个职务等级,由高到低相应评估为81 分,如国家级正职为 8 分,副职为 7 分,依此类推。新能源车企某年政治关联度总分值为该企业所有高管政治关联度的累计值,如该企业不存在政治关联,则该分值为 0。若某样本企业历年政治关联度的平均分值大于所有样本企业政治关联度分值的平均值,则将该企业归入政治关联度“高”的样本组,否则归入政治关联度“低”的样本组。样本企业及分组情况如表 1 所示。表 1 样本企业的政治关联度分值及分组情况样本分组公司名称(证券代码)政治关联度分值样本组 1:政治关联度“高”潍柴动力(000338)26、海马汽车(000572)7、长安汽车(000625)7、一汽轿车(000800)8、东风汽车(600006)12、上汽集团(600104)7、福田汽车(600166)17、亚星客车(600213)6、江淮汽车(600418)10、中国动力(600482)10、金龙汽车(600686)6、东旭光电(000413)15、科泰电源(300153)15、国机汽车(600335)6、长城汽车(601633)14、力帆股份(601777)18、赣锋锂业(002460)8、国轩高科(002074)7、江苏国泰(002091)7、融捷股份(002192)7、万向钱潮(000559)8、中国宝安(000009)7、众合科技(000925)11、方正电机(002196)6、兴民智通(002355)6、西藏城投(600773)6样本组 2:政治关联度“低”一汽夏利(000927)3、中通客车(000957)4、广汽集团(601238)0、江铃汽车(000550)0、美锦能源(000723)5、安凯客车(000868)1、众泰汽车(000980)2、比亚迪(002594)0、京威股份(002662)0、合康新能(300048)3、汇川技术(300124)0、富瑞特装(300228)0、宇通客车(600066)0、曙光股份(600303)0、北汽蓝谷(600733)2、隆鑫通用(603766)1、沧州明珠(002108)5、德赛电池(000049)0、江特电机(002176)5、洛阳钼业(603993)0、杉杉股份(600884)0、天齐锂业(002466)5、亿纬锂能(300014)0、奥特迅(002227)4、大洋电机(002249)4、西部资源(600139)4、科力远(600478)2注:数据来源于 Wind 数据库、国泰安数据库、巨潮资讯、节能与新能源汽车年鉴(20092018 年)以及相关公司的官网。2、模型方法与变量说明(1)模型方法及主要步骤考虑到企业政治关联度受到多方面因素的影响,存在一定程度的非随机性,可能导致样本“选择偏差”第 1 期熊勇清,等:中国新能源车企的政治关联偏好及其对声誉投资的影响225 并导致变量之间存在内生关联。因此,本研究采用倾向得分匹配法(propensity score matching,PSM)处理样本选择性偏差,将样本的多维特征数据映射到一维的倾向得分值上,计量结果将更为可靠。具体步骤和思路是:第一,选择匹配变量并估计倾向得分。首先构建一个 Probit 模型,把影响政治关联偏好的因素都包含进来,估计企业进入高政治关联样本组的概率,并估计倾向得分。Probit(PCij=1)=0+1Xij+ij(1)式(1)中,PCij为政治关联程度高低的虚拟变量,Xij为影响政治关联偏好的协变量。第二,样本企业的匹配。依据倾向得分情况,为高政治关联组中的每个样本企业,在低政治关联组样本企业中寻找合适的匹配对象,从而形成本研究的处理组和控制组,并进行平衡性检验和共同支撑假设检验。本研究应用倾向得分匹配法中的最近邻匹配(k-nearest neighbors matching)、半径匹配(radius matching)和核匹配(kernelmatching)三种匹配分析方法,对高政治关联的企业和低政治关联的企业进行匹配。最近邻匹配的规则是c(i)=minp(Xi)-p(Xj),高政治关联组为处理组,记为 i;低政治关联组为控制组,记为 j。将控制组中找到的与处理组个体倾向得分差异最小的个体作为比较对象,c(i)即为与高政治关联企业 i 成功匹配的低政治关联企业 j 的集合。半径匹配的规则是 c(i)=p(Xi)-p(Xj)r,r 为搜索半径,高政治关联组的样本企业记为 i,低政治关联组的样本企业记为 j,寻找所有设定半径范围内的单位圆中的低政治关联组样本企业 j,作为高政治关联组样本企业 i 的匹配对象。核匹配是构造一个虚拟对象与高政治关联组样本企业匹配,构造的原则是对现有的控制变量做加权平均,权重 w(i,j)为 K(Xj-Xi)/h/k:Dk=0K(Xk-Xi)/h,K()为核函数,Xi和 Xj分别是处理组和控制组的倾向得分,h 为带宽。第三,检验政治关联偏好对声誉投资的影响。构建新能源车企政治关联偏好对声誉投资的影响模型,运用平均处理效应(ATT)来检验政治关联偏好对企业声誉投资的影响。ATTPSM=E(RIit|PCit=1)-E(RIit|PCit=0)(2)其中:E(RIit)=0+1PCit+2Sizeit+3Levit+4Roait+5Stait+it(3)式(3)中,i 为新能源汽车上市公司,t 为年份,it为随机误差项,其他变量及变量说明见表 2。(2)变量说明被解释变量。以声誉投资 RI(reputation investments)作为被解释变量,新能源车企的最主要利益相关者是政府、用户和社会公众35,本研究分别采用资产纳税率(APR)、主营业务成本率(CGSR)和社会捐赠支出率(SDR)作为新能源车企对政府、消费者和社会公众的声誉投资的代理变量。解释变量。以政治关联 PC(political connection)作为解释变量,若政治关联度高,则 PC 赋值为 1,否则为 0。表 2 变量说明变量类型变量名称(代码)变量定义及计算被解释变量声誉投资(RI)资产纳税率(APR)(所得税+营业税金及附加)/总资产主营业务成本率(CGSR)主营业务成本/主营业务收入社会捐赠支出率(SDR)社会捐赠支出/主营业务收入解释变量政治关联(PC)政治关联度高,赋值为“1”,否则为“0”控制变量企业规模(Size)期末总资产的自然对数资产负债率(Lev)总负债/总资产盈利状况(Roa)净利润/总资产产权性质(Sta)国有企业,赋值为“1”,否则为“0”控制变量。在考察政治关联对于企业声誉投资的影响机理过程中,需要控制其他因素可能产生的影响。借鉴 Waddock 和 Graves36、杜兴强等37的研究,选取企业规模、企业风险及财务绩效作为控制变量。另外,考虑到国有企业与非国有企业在政治关联方面可能存在的差异,引入产权性质(Sta)作为控制变量。其中,企业规模(Size)采用公司期末总资产的自然对数表示;企业风险采用资产负债率(Lev)表示,取值为总负债与总资产的比值;财务绩效采用盈利状况(Roa)表示,取值为净利润与总资产的比值。226 管理评论第 35 卷实证结果与分析讨论1、描述性统计与平稳性检验(1)描述性统计。描述性统计结果如表 3 所示。表 3 描述性统计结果分组变量样本量最大值最小值均值标准差高政治关联度APR2600.142591-0.0276210.0188260.023199CGSR2601.0283640.3003040.8067120.111714SDR2600.6171191.34E-070.0093460.060505Size26027.38610519.51953922.8645911.673345Lev2600.9560450.0003210.5304030.199991Roa2600.219296-0.1549740.0381260.050208Sta260100.5384620.498519低政治关联度APR2700.112392-0.0116750.0172120.016604CGSR2701.4818040.2875220.7621790.160028SDR2700.29034000.0026070.020403Size27025.99406317.78511222.2615981.408767Lev2700.9819780.0486070.4593980.195228Roa2700.565812-0.3346450.0509310.074196Sta270100.2592590.438228全样本政治关联分值532605.7226425.441324A.新能源车企具有建立政治关联的偏好,并且总体上处于较高水平,但是不同的企业存在较大差异。表1 数据显示,41 家样本企业的政治关联度分值均大于 0,即存在政治关联,占全部样本企业的 77%,同时表 3数据显示,政治关联度均值为 5.722642,处于较高水平,表明绝大多数新能源车企都具有建立政治关联的偏好,并且这种偏好处于较高水平。此外,表 3 数据还显示,政治关联度分值的最大值为 26,最小值为 0,标准差为 5.441324,表明新能源车企的政治关联度存在较大差异。B.高政治关联度样本组的新能源车企多数为国有企业,低政治关联度样本组的企业多数为非国有企业。表 3 中,高政治关联度组的企业产权性质(Sta)平均值为 0.538462,大于 0.5;低政治关联度组的企业产权性质(Sta)平均值为 0.259259,小于 0.5。表明处理组的国有企业居多,而控制组的非国有企业居多,也就是说,相较于非国有企业,国有企业的政治关联度相对更高。(2)平稳性检验。为避免伪相关,同时选择 LLC、ADF 和 PP 三种面板数据单位根检验方法进行平稳性检验。这三种检验方法中的原假设都是面板数据是含有单位根的(非平稳),如果检验的结果表明拒绝,就可以认定该面板数据变量是平稳的。检验结果见表 4。表 4 面板数据单位根检验变量政治关联度高的企业变量政治关联度低的企业LLCADFPPLLCADFPPAPR-18.025 113.521 214.997 APR-9.143 121.294 226.346 CGSR-11.219 128.665 238.678 CGSR-11.558 126.481 152.087 SDR-19.069 77.058 194.510 SDR-27.923 99.064 209.551 Size-6.204 71.285 150.811 Size-2.404 71.875195.968 Lev-4.708 81.876 198.964 Lev-10.283 119.665 238.776 Roa-13.260 107.811 205.771 Roa-5.306 113.079 259.112 注:、分别表示在 10%、5%和 1%的显著性水平上显著。下同。从表 4 结果可以看出,三种方法检验结果一致,高政治关联度组和低政治关联度组在经过一阶差分后所有变量均平稳,表明样本面板数据为一阶单整。2、政治关联偏好与企业声誉投资的实证分析(1)选择匹配变量并估计倾向得分新能源车企政治关联的高低程度,与企业规模、资产负债率、盈利状况和产权性质等因素可能存在关系。第 1 期熊勇清,等:中国新能源车企的政治关联偏好及其对声誉投资的影响227 为找到合适的匹配变量,本研究尝试在 Probit 模型基础上应用四种回归模型选择匹配变量并估计倾向得分,结果如表 5 所示。表 5 倾向得分 Probit 回归结果变量(1)(2)(3)(4)Size0.113 (2.86)0.109 (2.90)0.099(2.55)0.116 (3.09)Sta0.636 (5.10)0.669 (5.66)0.627 (5.04)0.646 (5.44)Lev0.093(0.28)0.328(1.06)Roa-1.832(-1.83)-1.937(-2.08)_CONS-2.788 (-3.30)-2.735 (-3.27)-2.653 (-3.16)-2.816 (-3.36)在模型(1)和模型(3)中,Lev 均不显著;在模型(4)中,三个控制变量对政治关联度的作用均显著。因此,选择模型(4)中的变量作为后续的匹配支撑。(2)样本匹配及效果分析采用最近邻匹配、半径匹配和核匹配三种匹配方式,进一步对匹配结果开展平衡性检验和共同支撑假设检验,以考察匹配的效果。倾向得分匹配的平衡性检验结果见表 6 和表 7,各变量在匹配前后的标准偏差情况见图 1,共同支撑假设检验如图 2 所示。表 6 倾向得分匹配平衡性检验结果 1变量Mean%ReductT-Test处理组控制组%bias|bias|tP|t|V(T)/V(C)Size匹配前22.17421.53344.43.240.0011.45匹配后22.17422.23-3.991.3-0.270.7911.16Sta匹配前0.5380.25959.24.310.000匹配后0.5380.558-4.193.1-0.280.782Roa匹配前0.0470.072-35.6-2.580.0100.41匹配后0.0470.052-6.881.0-0.680.4971.29表 7 倾向得分匹配平衡性检验结果 2样本PS R2LR chi2Pchi2MeanbiasMedbiasBR%Var匹配前0.10831.790.00046.444.477.00.6850匹配后0.0020.550.9074.94.110.31.360图 1 各变量在匹配前后标准偏差情况图 2 处理组与控制组匹配结果 表 6 显示,在匹配后标准误差(%bias)明显减小,并且 T 检验的 P 值在匹配后均大于 0.05,即各匹配变量在处理组和控制组之间无显著差异。并且表 7 中的 PS R2、LR chi2、Meanbias 值均在匹配后明显下降,Pchi2值为 0.907,同样很好地检验了平衡性假设。此外,从图 1 可以看出,经过匹配后,处理组和控制组三个变量的标准偏差都落在了坐标 0 的垂直线左228 管理评论第 35 卷右,表明通过了平衡性检验。图 2 显示,处理组和控制组的重叠部分较多,通过了共同支撑假设检验,说明匹配效果较好。(3)政治关联偏好对企业声誉投资的影响效果经过上述匹配后,高政治关联组与低政治关联组的企业在其他特征上已基本一致,仅仅是政治关联偏好上存在不同,因此可以考察政治关联偏好对企业声誉投资的影响效果。采用平均处理效应(ATT)估计新能源车企政治关联偏好对声誉投资的影响,只需要比较这两类企业在声誉投资上的差异即可。全样本及不同发展阶段的最近邻匹配结果如表 8 所示。表 8 基于最近邻匹配的倾向得分匹配结果类别变量样本处理组控制组ATT 效应标准误T 检验全样本APRCGSRSDR匹配前0.01870.01620.00250.00181.41匹配后0.01870.01510.00360.00211.73匹配前0.80550.76270.04280.01293.32 匹配后0.80550.8247-0.01920.0233-0.82匹配前0.00930.00260.00670.00421.61匹配后0.00930.00130.00800.00421.92产业启动阶段(20092012 年)APRCGSRSDR匹配前0.02290.01570.00710.00371.92匹配后0.02290.01220.01070.00422.52 匹配前0.80080.76610.03470.02241.55匹配后0.80080.78160.01920.03650.53匹配前0.02400.00580.01820.01091.67匹配后0.02400.01390.01020.01340.76加速发展阶段(20132015 年)APRCGSRSDR匹配前0.01620.0166-0.00040.0026-0.16匹配后0.01620.0237-0.00750.0039-1.94匹配前0.81470.75590.05880.02052.87 匹配后0.81470.76880.04590.03011.82匹配前0.00060.00050.00010.00020.18匹配后0.00060.00040.00020.00030.21深化发展阶段(20162018 年)APRCGSRSDR匹配前0.01610.0162-0.00010.0024-0.05匹配后0.01610.00780.00830.00421.59匹配前0.80240.76540.03700.02371.56匹配后0.80240.77330.02910.06430.45匹配前0.00030.0009-0.00060.0004-1.35匹配后0.00030.0008-0.00050.0006-1.89第一,总体来看,政治关联度高的新能源车企更注重企业声誉,并且是以针对政府和社会公众的声誉投资为主,针对消费者的声誉投资并不显著。表 8 数据显示,资产纳税率(APR)和社会捐赠支出率(SDR)在匹配后的 ATT 值分别为 0.0036 和 0.0080,表明相较于政治关联度低的车企,政治关联度高的新能源车企增加资产纳税率(APR)和社会捐赠支出率(SDR)的概率将相应地提高 0.36%和 0.8%,政治关联偏好对社会捐赠支出率的促进效果要优于资产纳税率。全样本的实证结果表明,政治关联偏好对新能源车企的声誉投资具有促进作用,没有表现出抑制作用,研究假设 H1a 得到支持。政治关联偏好对新能源车企的声誉投资并没有表现出抑制作用,其原因可能是新能源汽车产业作为战略性新兴产业,目前实施的是以“政府补贴”为主要形式的产业支持政策,相对于其他产业来说政府干预程度相对更高,政府较高的干预无形中也成为一种监督,促使新能源车企增加声誉投资。另外,新能源车企在承担了更多的责任后,同样可能获得较多的政府补贴。因此,从整体上来看,新能源车企政治关联偏好对其声誉投资表现出更多的监督和激励作用。然而,政治关联偏好能够促进新能源车企的声誉投资,但这种促进作用是否持续存在,是值得进一步思考的问题。第二,分产业阶段来看,政治关联偏好对企业声誉投资的影响存在差异性。新能源汽车产业启动阶段(20092012 年),政治关联度高的车企更注重企业声誉,而且主要是针对政府的声誉投资。表 8 数据显示,在新能源汽车产业的启动阶段,资产纳税率(APR)在匹配后的 ATT 值为0.0107,说明相较于政治关联度低的车企,政治关联度高的新能源车企增加资产纳税率(APR)的概率将提高 1.07%。第 1 期熊勇清,等:中国新能源车企的政治关联偏好及其对声誉投资的影响229 新能源汽车产业加速发展阶段(20132015 年),政治关联度高的车企更注重针对消费者的声誉投资,而政治关联度低的车企更注重针对政府的声誉投资。表 8 数据显示,在新能源汽车产业的加速发展阶段,主营业务成本率(CGSR)和资产纳税率(APR)在匹配后的 ATT 值分别为 0.0459 和-0.0075,说明相较于政治关联度低的车企,政治关联度高的新能源车企增加主营业务成本率(CGSR)的概率将提高 4.59%;而相较于政治关联度高的车企,政治关联度低的新能源车企增加资产纳税率(APR)的概率将提高 0.75%。新能源汽车产业深化发展阶段(20162018 年),政治关联度低的车企更注重企业声誉,而且主要是针对社会公众的声誉投资。表 8 数据显示,在新能源汽车产业的深化发展阶段,社会捐赠支出率(SDR)在匹配后的 ATT 值为-0.0005,说明相较于政治关联度高的车企,政治关联度低的新能源车企增加社会捐赠支出率(SDR)的概率将提高 0.05%。由此可见,在新能源汽车产业的不同发展阶段,新能源车企的政治关联偏好对声誉投资的影响存在差异,研究假设 H2 获得支持。第三,匹配前后,政治关联偏好对企业声誉投资的影响可能存在差异。总体来看,新能源车企政治关联偏好对资产纳税率(APR)和社会捐赠支出率(SDR)的作用有可能会被低估,对主营业务成本率(CGSR)的作用有可能会被高估。表 8(全样本)中,资产纳税率(APR)和社会捐赠支出率(SDR)在匹配前 T 检验均不显著,匹配后显著;而主营业务成本率(CGSR)在匹配前的 T 检验显著,匹配后则不显著。这一结果表明,政治关联偏好对于主营业务成本率(CGSR)的影响可能只是假象,高政治关联度的车企对消费者的声誉投资并非表面上那么好,但对政府和社会公众的声誉投资要比表面上做得好。在新能源汽车产业启动阶段,政治关联偏好对资产纳税率(APR)的作用有可能会被低估,对社会捐赠支出率(SDR)的作用有可能会被高估。在表 8(产业启动阶段)中,政治关联偏好对资产纳税率(APR)的平均处理效应 ATT 值在匹配前后分别是 0.0071 和 0.0107,匹配后的 ATT 效应值增大,说明对资产纳税率(APR)的影响被过低估计;而社会捐赠支出率(SDR)在匹配前的 T 检验显著,匹配后则不显著,很显然过高估计了政治关联偏好对其的影响。这一结果进一步表明,政治关联度产生的影响要视情况而定,其在产业启动阶段针对社会公众的声誉投资并非看到的那么好,反而针对政府的声誉投资要比表面上做得好。在加速发展阶段,政治关联偏好对于资产纳税率(APR)的负向作用有可能被低估,对于主营业务成本率(CGSR)的正向作用有可能被高估。在表 8(加速发展阶段)中,政治关联偏好对资产纳税率(APR)的 T 检验在匹配前不显著,匹配后显著,显然低估了政治关联对其的作用;政治关联偏好对主营业务成本率(CGSR)的ATT 值在匹配前后分别是 0.0588 和 0.0459,匹配后的 ATT 效应值减小。这一结果进一步说明,在新能源汽车产业加速发展阶段,高政治关联度产生的作用可能被夸大,而低政治关联度的企业可能比表面做得更好。在深化发展阶段,政治关联偏好对于社会捐赠支出率(SDR)的负向作用有可能被低估。在表 8(深化发展阶段)中,社会捐赠支出率(SDR)在匹配前的 T 检验不显著,匹配后则显著,很显然低估了政治关联偏好对其的影响。3、研究结果的稳健性检验为了验证研究结果的可靠性,在最近邻匹配分析后,进一步采用半径匹配和核匹配的方法做稳健性检验,检验结果见表 9。(1)当采用半径匹配法时,结果与最近邻匹配基本一致。从全样本来看,政治关联偏好对资产纳税率(APR)和社会捐赠支出率(SDR)的作用显著为正,说明政治关联偏好促进了企业对政府和社会公众的声誉投资;在产业启动阶段,政治关联偏好对资产纳税率(APR)的作用显著为正,说明政治关联偏好促进了企业对政府的声誉投资;在加速发展阶段,政治关联偏好对资产纳税率(APR)的作用显著为负,对主营业务成本率(CGSR)作用显著为正,说明政治关联偏好促进了企业对消费者的声誉投资,但抑制了企业对政府的声誉投资;在深化发展阶段,政治关联偏好对社会捐赠支出率(SDR)的作用显著为负,说明政治关联偏好抑制了企业对社会公众的声誉投资。(2)当采用核匹配法时,结果与最近邻匹配在关键指标上保持整体一致。从全样本来看,政治关联偏好对主营业务成本率(CGSR)和社会捐赠支出率(SDR)的作用显著为正,说明政治关联偏好促进了企业对消费者和社会公众的声誉投资;在产业启动阶段,政治关联偏好对资产纳税率(APR)、主营业务成本率(CGSR)和社会捐赠支出率(SDR)的作用均显著为正,说明政治关联偏好促进了企业对政府、消费者和社会公众的声誉投资;在加速发展阶段,政治关联偏好对主营业务成本率(CGSR)作用显著为正,说明政治关联偏好促进了企业对消费者的声誉投资;在深化发展阶段,政治关联偏好对主营业务成本率(CGSR)的作用显著为正,对社会230 管理评论第 35 卷捐赠支出率(SDR)的作用显著为负,说明政治关联偏好促进了企业对消费者的声誉投资,但抑制了对社会公众的声誉投资。整体来看,实证结果通过了稳健性检验。表 9 基于半径匹配与核匹配的稳健性检验结果类别变量样本半径匹配核匹配ATT 效应T 检验ATT 效应T 检验全样本APRCGSRSDR匹配前0.00251.410.00251.41匹配后0.00171.850.00251.60匹配前0.04283.320.04283.32匹配后-0.0140-0.820.00674.93 匹配前0.00671.610.00671.61匹配后0.00731.660.00811.68产业启动阶段(20092012 年)APRCGSRSDR匹配前0.00711.920.00711.92匹配后0.00701.880.0