内容提要：本文基于2009—2021年《全球企业绿地投资数据库》，运用多期双重差分法（DID）考察东道国知识产权盒制度（IPBR）对中国数字型绿地投资的影响。研究发现，IPBR的实施对于中国数字型绿地投资具有显著的促进作用，这一结论在考虑了DID模型异质性处理效应等一系列稳健性检验后仍然成立。对投资动机的分析发现，东道国创新环境越好，IPBR实施对于中国数字型绿地投资的吸引作用越强，而税率差额对IPBR实施的效果无显著影响。进一步分析发现，以净收入为税基的IPBR的吸引作用要强于以总收入为税基的IPBR，且只有在税收优惠适用于制度实施之前的知识产权的东道国，IPBR才会产生显著的正效应。此外，“关联法”的实施鼓励了创新动机，减少了避税动机。本文推进了数字经济时代新型税种对跨国投资影响的相关理论和实证研究，为鼓励中国数字企业更好地“走出去”和实现技术创新提供了有益的政策启示。
关键词：知识产权盒制度，数字型绿地投资，创新，避税
一、引言
创新带来技术进步，是长期经济增长的主要驱动力。如何为创新活动提供公共政策支持是政府和学界共同关注的重要话题（Bradley等，2021；Haufler和Schindler，2023）。近年来，与创新活动有关的税收优惠变得愈加普遍。直接影响创新活动的主要税收政策包括两类。其一，利用支出型税收激励措施来降低创新投入的成本，例如缩短无形资产折旧期限或用研发支出作为税收抵免。其二，降低知识产权收入的税率，即通常所说的知识产权盒制度（Intellectual Property Box Regimes，IPBR）。与前者不同的是，除了鼓励创新，IPBR还会诱发跨国企业出于避税目的的投资。具体而言，知识产权本质上是一种具有较高流动性的无形资产，跨国企业很容易将其转移到低税率的国家来减少纳税义务（Dischinger和Riedel，2011）。
数字经济时代，全球数字型投资持续增长（蒋殿春、唐浩丹，2021），IPBR的影响力进一步扩大。与传统商业模式相比，软件和其他数字资产在数字企业中扮演着更重要的角色，IPBR使得数字企业税负远远小于其他行业企业税负。可以说，IPBR在欧盟流行的重要原因是Apple、Google和Microsoft等数字巨头普遍通过投资和知识产权进行避税（肖冰等，2021）。在此情形下，以避税为目的的数字型投资引发了各国对于税基侵蚀和有害税收竞争的关注，国际组织的税收工作也逐渐以完善国际税收治理为重点（曹明星，2022）。例如，2013年G20在圣彼得堡峰会上发布公报，决定实施税基侵蚀和利润转移（Base Erosion and Profit Shifting，BEPS）项目，并委托OECD牵头推进。2019年，OECD发布《研究应对经济数字化税收挑战共识性解决方案的工作计划》。
中国数字经济发展处于全球领先地位，数字型企业也在加快海外布局。一方面，《中国对外投资合作发展报告（2022）》显示，截至2021年，信息传输、软件和信息技术服务业的对外直接投资存量占据中国对外直接投资存量总额的5.8%，与此相关的境外企业数量占据全部境外企业数量的7.1%。另一方面，世界知识产权组织（WIPO）发布的《2022世界知识产权指标》显示，2021年，中国申请人在海外提交专利申请的数量相比2020年增加了16.2%，创下历史新高。2018—2020年，中国计算机技术相关专利申请量占比达10%，是全球计算机技术相关专利申请量最大的国家之一。那么IPBR是否能对中国数字企业产生吸引力，增加其对实施IPBR东道国的数字型绿地投资？增加的投资是出于创新的动机还是避税的动机？
遗憾的是，目前鲜有文献关注到IPBR实施对于数字型绿地投资的影响，尤其是以中国为分析对象的实证研究仍是空白。为此，本文尝试分析IPBR是否影响中国数字型绿地投资，并辨别具体的投资动机。具体而言，参考联合国贸发会议（UNCTAD，2018）的分类标准①，本文从《全球企业绿地投资数据库》筛选出最为相关的数字型行业“Software & IT Services”，并将此行业内企业的绿地投资识别为数字型绿地投资，从而构造出2009—2021年中国数字型绿地投资的面板数据。然后，本文使用多期双重差分法（Difference in Difference，DID）来评估IPBR实施的实际影响。结果显示，中国对实施IPBR国家的数字型绿地投资数量相较于对世界其他国家的数字型绿地投资数量显著增加。这一结论在考虑了遗漏变量检验、DID模型异质性处理效应、变换识别策略、变换样本和证伪检验等一系列可能干扰估计结果的因素后依然成立。对投资动机的分析表明，东道国的创新环境越好，IPBR实施的正面影响越大。相反，中国知识产权相关收入税率与东道国知识产权相关收入税率的差额对IPBR的实施效果无显著影响。这说明东道国IPBR实施会鼓励创新动机发挥积极效应，而不会滋生避税以吸引投资。异质性分析发现，以净收入为税基的IPBR对于中国数字型绿地投资的吸引作用要强于以总收入为税基的IPBR，且IPBR的效应与知识产权相关收入税收优惠的适用范围相关，只有在税收优惠适用于制度实施之前的知识产权的东道国，IPBR才会产生显著正效应。进一步分析发现，“关联法”强化了IPBR的积极效应。这说明，“关联法”发挥了激发企业创新动机，减少避税动机的重要作用。
相较于现有文献，本文的边际贡献体现在以下几个方面。第一，考察了知识产权相关的税收优惠政策对数字型绿地投资的影响，拓展了数字经济时代国际投资的研究边界。近年来，经济数字化一直是国际税收研究的焦点。尽管已有大量文献分析了国际税收对投资的影响，但主要是关于公司一般所得税的分析，鲜有文献关注到知识产权相关税收政策的影响。本文以IPBR为分析对象，在多期DID模型的基础上实证检验了其对数字型绿地投资的影响，是对这类文献的有益补充。第二，以中国为研究背景，首次分析了IPBR对数字型绿地投资的影响。尽管对IPBR的研究越来越丰富，但多数文献主要是对欧洲的研究，且局限于分析IPBR对一般性专利的影响，鲜有文献讨论IPBR的跨境效应，也很少关注到数字行业。本文丰富了探讨IPBR经济影响的文献。第三，判别数字型绿地投资的具体动机，具有明确的政策含义。本文研究发现，IPBR实施通过鼓励创新发挥积极效应，而不会滋生避税以吸引投资，且这可能与IPBR的“关联法”要求相关。因此实施IPBR的国家应该贯彻落实“关联法”，中国也应配以相适宜的政策支持。
二、文献综述
与本文直接相关的第一支文献探索的是税收政策如何影响投资。这类研究涵盖了不同的税种（如个人税、企业税等）和不同类型的投资（如国内投资、国际投资等）（Goolsbee，1998；House和Shapiro，2008）。国际投资包括跨境并购和绿地投资两类。在跨境并购的研究中，Xie等（2017）提出，目标公司所在国的法定税率越高，并购的可能性就越低。Arulampalam等（2019）证实，目标公司所在国的法定公司税率每提高1%，跨境并购发生的概率平均会降低1.2%～1.7%。在绿地投资的研究中，Ohrn（2018）估算了美国企业所得税税率变化对投资的影响，发现税率每降低1%，投资就会增加4.7%。刘志阔等（2019）发现，相对于在非避税地进行直接投资的企业，在避税天堂进行直接投资的企业母公司利润总额显著降低12%～14%，说明中国企业在利用避税天堂进行利润转移，从而造成了税基侵蚀问题。综合上述文献可知，税率与投资的负相关关系已经是学界的共识。
与本文直接相关的第二支文献探索了税收政策如何影响知识产权所在地。Karkinsky和Riedel（2012）认为，专利是跨国企业之间利润转移机会的主要来源。跨国企业有动力将专利设置在低税率的关联公司，从而降低企业税负。Griffith等（2014）表明，与其他形式的资本相比，知识产权的流动性更强，企业可以利用知识产权将收入转移到低税率地区，从而降低自身税负。Bilicka等（2023）指出，开曼群岛等避税地的人均专利数量远高于中美两个专利大国，欧洲市场5%的专利由避税地持有，跨国企业30%的全球跨境专利交易的买家位于避税地。综合上述文献可知，跨国企业倾向于将知识产权等无形资产置于低税率地区。
与本文直接相关的第三支文献探索了IPBR产生的经济影响。Alstadsæter等（2018）、Davies等（2020）、Gaessler等（2021）、Haufler和Schindler（2023）等都研究了IPBR对创新活动的影响。其中Haufler和Schindler（2023）通过理论模型对比分析了研发补贴政策和IPBR产生的效果，从而为各国如何制定最优政策提出建议。Alstadsæter等（2018）发现，IPBR会对专利产生吸引作用，尤其是对高收益潜力的专利吸引力更强。Gaessler等（2021）考虑了IPBR的跨境效应，并发现IPBR的跨境影响取决于其是否要求知识产权和相关研发活动位于同一地点。Davies等（2020）使用1978—2017年欧洲专利局的专利申请数据，发现IPBR的引入使申请的平均成功率提高了4.4%，并指出如果IPBR仅适用于新的知识产权，并且存在需要在本地从事研发活动才能获得税收减免的要求时，这种影响会更大。这表明IPBR可能确实鼓励了创新。除了研究IPBR对创新活动的影响，Chen等（2023）还研究了IPBR是否和就业增加相关。他们发现IPBR对总就业人数或总薪酬没有明显影响。但在实施IPBR后，尤其是在IPBR更严格、税收优惠更多的国家，企业通常拥有报酬更高的员工队伍。Bradley等（2021）考察了IPBR的激励措施对并购交易量和并购概率的影响。他们发现，由于可能失去税收优惠资格，严格“关联要求”削弱了并购的积极性。相反，在没有“关联要求”的国家，IPBR会对并购产生积极影响。
三、制度背景与理论分析
（一）制度背景
在新一轮产业革命和科技革命的背景下，世界各国积极出台鼓励创新的税收政策，其中就包括IPBR。由于企业必须在纳税申报表的一个空格里打钩才能享受这一优惠税率（Chen等，2023），因此这种税收优惠政策被称为知识产权盒，又被称为专利盒（Patent Box）、创新盒（Innovation Box）或知识发展盒（Knowledge Development Box）。
与传统的前端（Front-end）税收激励政策不同，IPBR是一项作用于创新活动后端（Back-end），以收入为基础而非以支出为基础的税收激励措施（肖冰等，2021），其收益仅限于成功产生知识产权的研发项目。除此之外，前端税收激励政策与IPBR之间更实质性的区别还体现在覆盖范围上。具体而言，研发活动是一类特定的创新活动，而一些成功的创新很可能来自其他活动，例如在干中学中对生产流程改进而形成的知识产权（Gaessler等，2021）。那么这些活动无法享受前端的税收激励政策，但产生的知识产权收入能获得IPBR的税收减免。
前文已述，IPBR会吸引来自知识产权收入的税基，由此可能引发有害税收竞争和税基侵蚀问题。OECD发布的《BEPS行动计划》第5项行动报告将IPBR视为重点打击对象之一（Bradley等，2021），并要求各国依照“关联法”对IPBR进行修订。“关联法”要求知识产权相关收入必须与企业在当地的研发活动相关联，其采用比例法的形式，即知识产权所产生的收入与知识产权所有者的研发支出成正比，或与外包研发的非关联公司的研发支出成正比。
虽然BEPS得到了多数国家的响应②，但实施IPBR的国家数量和税制项数始终保持增长态势，且绝大多数国家已经将税收优惠对象从软件版权转为有版权的软件。各国IPBR的结构和细节各不相同（Chen等，2023），主要体现在以下方面。（1）优惠税率不同。IPBR对知识产权相关收入的税率减免不同。例如，塞浦路斯税率减免为10%，而马耳他则超过30%。（2）“合格资产”的认定范围不同。例如，在荷兰，IPBR规定符合条件的知识产权仅为专利和技术研发活动产生的知识产权；卢森堡则包括专利、外观设计和商标等。（3）知识产权收入认定的范围不同。知识产权收入中普遍的是特许权使用费，但部分IPBR的认定范围还包括版税、许可费以及出售知识产权的收益等。（4）优惠的计税基础不同。大部分国家的知识产权收入以净收入作为计税基础，例如爱尔兰、意大利等。少数国家以收入总额为基础，如马耳他、匈牙利、比利时等。（5）不同国家对于是否实施“关联法”和“关联法”的具体要求并不相同。Alstadsæter等（2018）指出，实施IPBR但不要求纳税公司进行任何研发工作的国家超过一半。而在荷兰、比利时等国家，IPBR中都包含了与基础研发活动相关的条款。但是这些条款的定义和强度各不相同。例如，比利时的IPBR规定，符合条件的专利应全部或部分由纳税企业在比利时的研发中心开发，而荷兰的IPBR仅适用于企业自行研发的无形资产。
（二）理论分析
1.创新动机
世界各国普遍使用支出型税收激励政策来鼓励创新，但是这类政策主要存在两方面缺点。一方面，有针对性的补贴，特别是选择特定项目进行支持的补贴，往往会产生较高的评估和审计成本。另一方面，当项目不成功时，政治支持可能会使规模较大、创造就业较多的项目难以终止。而IPBR是针对收入的税收优惠，避免了支出型税收激励政策的上述缺点，并且IPBR可以通过降低知识产权收入的税率，吸引中国对实施IPBR东道国的数字型投资。其一，IPBR能够增加企业知识产权税后收入（Davies等，2020），并因此提高中国数字企业研发投资的回报预期，进而增加企业创新积极性，促进研发投资和知识产权研发。其二，IPBR对知识产权收入认定范围的多样化会鼓励中国数字企业将创新成果商业化，通过知识流动和溢出促进创新，激励其在当地开展研发活动。其三，IPBR会留住拥有大量数字资产的企业，同时吸引其他企业，通过集聚效应，扩大数字型绿地投资和创新活动。基于上述分析，本文提出假说1。
假说1：IPBR实施对于中国以创新为动机的数字型绿地投资有吸引作用。
2.避税动机
IPBR如果仅仅吸引知识产权所有权，那么就有可能无法促进当地的研发活动。有许多文献表明，IPBR并不一定起到了鼓励创新的作用。首先，与以费用为基础的支出型税收激励措施不同，IPBR不对企业无法获得社会效益的创新成果进行奖励，只对已经享有知识产权保护的成功创新给予额外的税收优惠。其次，受到覆盖范围、目标定位和组织实践的限制，IPBR的创新激励效果可能不如其他税收激励措施（Alstadsæter等，2018）。相反，IPBR可能会滋生避税，吸引中国对实施IPBR东道国的数字型投资。跨国企业将利润转移到低税率地区的主要方式有三种：转让定价、债务转移和改变知识产权所在地（Stantcheva，2021）。《OECD税收协定范本》第12（1）条规定，因使用知识产权而产生的特许权使用费只在居住国征税，条件是收款人是付款的实际所有人。如果特许权使用费的实际所有人是跨国公司设在避税地的子公司等，就会出现避税机会。在这种情况下，知识产权产生的收入很可能主要在避税地以低税率甚至零税率征税。与其他形式的资产相比，知识产权的流动性更强，将有版权的软件所有权转移到拥有更优惠税收待遇的国家是一个简单且成本相对较低的程序（Gaessler等，2021），因此数字企业可以轻易将知识产权相关收入转移到海外，从而降低企业所得税税负（Griffith等，2014）。具体转移知识产权的方式有以下几种。其一，软件等知识产权可以以远低于市场的价格（转让定价）出售给子公司，从而掩盖知识产权的真实价值。其二，企业也可以将软件等所有权许可给低税率所在国的子公司，使得未来的收入适用子公司所在国的低税率。其三，利用成本分摊协议（Cost Contribution Arrangements），即母国的企业以虚假的低价提供软件等知识产权，而子公司则为知识产权的改进提供资金，从而保证来自母国以外的收入不被母国征税（De Simone和Sansing，2019）。基于上述分析，本文提出假说2。
假说2：IPBR实施对于中国以避税为动机的数字型绿地投资有吸引作用。
四、模型设定、变量与数据
（一）模型设定
本文的研究目的是探索IPBR对中国数字型绿地投资的影响。参考已有的研究，本文使用DID方法来对IPBR的实施效果进行评估（Bertrand等，2004），具体模型设定如下：
（1）
其中，t表示年份，c表示东道国。因变量DOFDIct表示t年中国对c国家数字型绿地投资的数量。IPBRct是一个虚拟变量，由Treatc和Postt相乘得到。其中Treatc为区分处理组和对照组的虚拟变量，若c国家实施了IPBR则为1，否则为0。Postt为时间虚拟变量，IPBR实施当年及之后的年份为1，之前的年份为0。Z是一系列国家层面的控制变量，参考已有研究（马述忠等，2023），具体包括：东道国人均GDP（PGDP）、东道国GDP增长率（Growth）、东道国实际汇率（RER）、双边地理距离（Distance）、共同语言（Comlan）、共同宗教（Comrelig）、东道国营商环境指数（Ease）。εct表示残差项。在后续的回归中，本文进一步加入了国家固定效应（λc）和年份固定效应（λt）。系数β1确定了IPBR实施的影响。为控制潜在的序列相关和异方差问题，本文将后续所有回归估计都聚类在国家层面。
（二）变量与数据
1.因变量
DOFDI的数据来源于fDi Markets提供的2009—2021年《全球企业绿地投资数据库》。该数据库汇集了全球企业海外绿地投资业务的最全信息，涵盖了全球范围内所有国家和地区的绿地投资项目。基于该数据库，可较为全面地考察中国当前海外投资项目情况（吕越等，2019）。fDi Markets提供了行业分类（sector）的中英文名称，共包括37个大类行业。本文将最为相关的软件和IT服务（Software & IT Services）定义为数字行业，其涉及的绿地投资定义为DOFDI，并在此基础上统计DOFDI数量。表1汇报了软件和IT服务包含的7个子行业的中英文名称，可以发现，其与UNCTAD（2018）的数字企业分类标准相一致。我们对DOFDI采用加1取对数的形式。同时，参考已有的研究（蒋殿春、唐浩丹，2021），我们将中国有绿地投资的东道国视为投资选择集合，若中国对集合中的国家（地区）在某年份未观测到已完成的数字型绿地投资，则该变量赋值为0。
2.自变量
需要注意的是，不同文献统计的实施IPBR的国家存在差异。为尽可能客观统计实施该制度的国家具体信息，本文采用如下步骤。第一，本文根据Faulhaber（2017）、Haufler和Schindler（2023）等文献梳理了实施IPBR的国家名单，并依据OECD发布的“Intellectual Property Regimes”③文件进行补充。具体而言，本文根据制度名称（Regime Name）将实施“Innovation Box”“Knowledge Development Box”等制度的国家也计为实施IPBR的国家。第二，由于本文样本的时间范围为2009—2021年，因此进一步剔除了实施时间在2009年之前的国家，包括比利时、库拉索、法国、匈牙利、卢森堡、荷兰和西班牙。第三，本文剔除了制度实施需取决于其他法案的国家或者实施时间不确定的国家，包括新加坡和毛里求斯。第四，本文剔除了中国未对其进行任何绿地投资的国家，包括安道尔、列支敦士登和圣马力诺。最终得到本文的处理组国家为：塞浦路斯、印度、爱尔兰、以色列、意大利、立陶宛、马耳他、波兰、葡萄牙、塞尔维亚、斯洛伐克、瑞士、土耳其和英国。表2展示了这些国家的具体信息，包括制度实施年份、知识产权盒税收优惠制度下的税率、法定企业所得税税率、研发活动的税基是净收入还是总收入、税收优惠是否适用于制度实施之前的知识产权，以及2016年④及之前和2016年之后是否有“关联法”要求。数据来源于OECD和税基网（Tax Foundation）。
3.控制变量
PGDP、Growth、RER和Ease的数据来自世界银行。其中，PGDP和Growth以2015年不变美元计算。Distance为两国人口最多城市的距离。Distance、Comlan和Comrelig的数据来自CEPII数据库。为了防止异方差问题导致回归结果偏误，我们对PGDP、RER和Distance进行了对数化处理。表3展示了变量描述性统计的结果。
五、估计结果与分析
（一）基准分析
表4汇报了IPBR对中国数字型绿地投资影响的基准回归结果。其中，第（1）列只加入了自变量IPBR，系数为0.309，并在5%水平显著。第（2）列和第（3）列在此基础上分别加入了国家和年份的固定效应（FE），IPBR的系数分别为0.239和0.294，并分别在1%和5%的水平下显著。第（4）列则控制了国家和年份的固定效应，并进一步加入了控制变量。IPBR的系数为0.269，并在1%水平显著。不难发现，IPBR的系数均显著为正，表明在实施IPBR后，相较于未实施IPBR的国家，中国的数字型绿地投资数量显著增加。
（二）识别假定检验⑤
1.平行趋势检验
采用DID方法的前提是在IPBR实施前，中国对于处理组和对照组的数字型绿地投资具有相同的变化趋势。因此本文参考Beck等（2010）的方法，构建如下动态模型：
（2）
其中，IPBRc（t＋a）为基准年份前置或者后置的交互项。其余控制变量设置与基准回归模型一致。若IPBR前置年份的交互项系数不显著，则满足平行趋势假设。
结果显示，在IPBR实施前，估计系数在0值附近波动，且均不显著；在IPBR实施后，所有系数均大于0，且存在明显的上升趋势，表明IPBR对于中国数字型绿地投资的影响存在持续性。同时我们也观测到，IPBR实施后，回归系数的大小和显著性呈现出一定的周期性波动，这可能与知识产权研发活动的周期性相关。我们的发现与李庭竹等（2023）的研究是可比的，他们发现海外研发绿地投资总体呈非线性、不平稳的增长态势，并伴有周期性波动的阶段特征。对于企业而言，IPBR产生的效果伴随着不确定性。在企业增加对东道国的投资后，IPBR所产生的实际效果取决于企业创新活动是否成功，只有成功产生知识产权并带来经济收益的研发项目才能获得税收减免。因此从长期来看，IPBR对数字型绿地投资的正向影响呈现衰减趋势。总体来看，平行趋势的假设成立。
2.置换检验
参考Tang等（2020），本文采用置换检验来辨别估计的结果是有统计学意义还是随机产生的。原假设是IPBR实施对中国数字型绿地投资没有显著影响，因而来自真实数据的估计系数被认为是包络分布的随机样本，可以基于置换检验估计系数的包络分布进行统计推断。本文将IPBR实施年份随机分配给东道国，同时随机设定东道国的处理组，并采用间接安慰剂检验（Ferrara等，2012；周茂等，2018；马述忠等，2023）。根据式（1），IPBR的估计系数
为：
（3）
其中，W为其他所有控制变量和固定效应，γ为非观测因素对中国数字型绿地投资的影响，如果γ＝0，则非观测因素不会影响估计结果，即证明
是无偏的。由于无法对γ是否为0进行直接验证，本文采用间接安慰剂检验，其逻辑是让中国数字型绿地投资的决策变得随机，即找到一个理论上不会对结果变量产生影响的错误变量Treat′和Post′替代Treat和Post。在此前提下，如果估计出的不为0，则说明γ不为0，即本文估计结果是有偏的。具体地，本文随机产生一个实施IPBR的国家名单和实施年份，从而产生一个错误的估计
，再将这个过程重复500次，并画出500个的分布。结果显示，集中分布在0值附近，服从正态分布，且实际估计系数明显属于异常值，符合安慰剂检验的预期。
（三）其他稳健性检验⑥
1.遗漏变量检验
本文借鉴Oster（2019）的方法进行遗漏变量检验，具体而言，本文将包含所有变量回归的R2max设置为基准回归R2的1.3倍，且假定未观测到的变量对被解释变量的影响和已观测到变量的影响至少相同，即δ≥1。结果显示：（1）真实的β边界并不包括0，且处于已观测到变量回归的99.5%置信区间内；（2）未观测到变量产生的影响至少要1.18154倍于已经观测到的变量才能够使得β＝0。综上所述，基准回归给出的估计结果是稳健的，不太可能被未观察到的特征严重混淆。
2.异质性处理效应检验
多期DID的估计量本质是一个加权平均值，即先对所有经历不同时间政策影响的处理组与控制组分别计算双重差分估计量，再以某一权重进行加权平均（Baker等，2022）。由于不同年份的IPBR对处理组的影响可能不同，即在组别和时间维度上的处理效应存在异质性（Heterogeneous Treatment Effects），故即使满足平行趋势假设，处理效应的估计结果也会存在偏误（De Chaisemartin和D’Haultfoeuille，2020）。本文采用最新文献提出的3种应对异质性处理效应的稳健估计量对基准回归中可能存在的异质性处理效应进行检验。（1）Gardner（2022）提出的两阶段双重差分（did2s）法。该方法的基本原理是在第一阶段识别组群处理效应和时期处理效应的异质性，在第二阶段再将异质性处理效应剔除。估计结果显示，IPBR的系数为0.194，且在5%水平上显著。（2）De Chaisemartin和D’Haultfoeuille（2020）提出的多期多个体倍分模型和对应的估计量（did_multiplegt）。结果表明，IPBR的系数仍在5%水平上显著为正。（3）Goodman-Bacon（2021）的DID估计量分解法。该方法考察双向固定效应下多期DID估计的偏误程度。根据分解结果可以发现，不合适的处理效应Later Treatment vs. Early Control的估计值为－0.206，权重仅为1.3%，可以认为本文核心结论较为稳健。
3.变换识别策略
为了排除模型中识别策略和变量设定问题带来的估计偏误，本文采取不同识别策略以增强实证结论的稳健性。（1）本文定义是否进行数字型绿地投资的虚拟变量（是取1，否取0），并以该变量作为因变量进行稳健性检验。（2）数字型绿地投资数量是计数形式的变量，更适合泊松回归。本文使用零膨胀泊松回归进行稳健性检验。（3）服从泊松分布，需要假定事件的发生是独立的，且计数值的平均数等于方差。但对于过离散数据，其平均值远小于方差，使用泊松回归会导致模型参数估计值的标准误偏小，宜选用负二项回归模型（Ramaswamy等，1994）。（4）虽然ln（1＋x）的转换形式被广泛使用，但可能会影响估计系数及其标准误差，产生偏误。参考Bellemare和Wichman（2020）、Congiu等（2022）的研究，本文对数字型绿地投资数量应用反双曲正弦变换（Asinh）重新估计。回归结果显示，在经过上述的稳健性检验后，本文的基本结论仍然成立。
4.变换样本
（1）本文参考蒋殿春和唐浩丹（2021）的研究，剔除东道国为“避税天堂”的样本，具体为开曼群岛。（2）疫情的冲击可能会影响中国绿地投资，本文去掉2020年和2021年的样本进行稳健性检验。（3）偶发的绿地投资可能对估计结果产生影响，参考马述忠等（2023），本文保留了总投资数量大于1的国家样本，这样做还有利于从样本中减去0值来提高估计结果的准确性。实证结果均发现，IPBR的系数仍显著为正，表明本文的基准回归结果稳健。
5.证伪检验
IPBR可能会对其他类型的投资，尤其是知识产权密集度较高行业的投资产生影响。为此，本文将除数字型绿地投资以外的其他投资数量进行加总，并作为因变量重新回归，从而考察IPBR对除数字型绿地投资以外总投资的平均效应。回归结果显示，IPBR的系数不显著，说明IPBR对除数字型绿地投资以外总投资的平均效应不显著，进一步证明回归结果是稳健的。
（四）投资动机分析
本文的理论分析部分提到，IPBR可能从创新和避税两个方面促进中国数字型绿地投资。前文的分析已经证实IPBR对于中国数字型绿地投资的促进作用，本节进一步从创新和避税两个动机展开分析，验证其中的理论逻辑。
1.创新动机
本文从两个维度检验中国数字型绿地投资的创新动机。一个维度是东道国创新指数（EII），数据收集于欧盟委员会；另一个维度是东道国购买基于新技术的机器、设备或软件的企业数量（Purchase），数据收集于欧洲统计局。⑦理论上东道国创新指数越高，其创新环境越好，中国对其进行数字型绿地投资的创新收益越大。本文通过构建交互项检验创新环境的调节效应，判别中国数字型绿地投资是否出于创新动机。为使交互项相对外生，本文使用2007年的EII截面数据，结果汇报于表5第（1）列。可知IPBR×EII显著为正，说明在创新指数越高的东道国，IPBR实施的正面影响越大。同理，东道国购买基于新技术的机器、设备或软件企业数量越多，中国对其进行数字型绿地投资的创新收益越大。由于欧盟统计局只统计了2018年的Purchase数据，受限于此，本文使用2018年的截面数据，并进行对数化处理，结果汇报于表5第（2）列。不难发现IPBR×Purchase的系数显著为正，说明东道国购买基于新技术的机器、设备或软件的企业数量越多，IPBR实施的正面影响越大。综合上述结果，本文认为，在创新环境越好的国家，实施IPBR对中国数字型绿地投资的吸引作用越强。这表明，IPBR实施对于中国以创新为动机的数字型绿地投资有吸引作用。
2.避税动机
本文从两个维度检验中国数字型绿地投资的避税动机。一个维度是两国企业所得税税率差额（Cut），即（中国企业所得税税率25%＋中国知识产权相关收入税率15%）－（东道国企业所得税税率＋东道国知识产权相关收入税率）；另一个维度是知识产权相关收入税率差额（IPCut），即（中国知识产权相关收入税率15%－东道国知识产权相关收入税率）。理论上，税收差额越大，中国对相应国家数字型绿色投资的避税动机越强。其中，在IPBR实施前，东道国知识产权相关收入税率等于其企业所得税税率；在IPBR实施后，东道国知识产权相关收入税率等于优惠税率。中国和东道国企业所得税税率数据均来源于税基网。中国知识产权相关收入税率即高新技术企业所得税优惠税率，来自国家税务总局。本文通过构建交互项检验税率差额的调节效应，判别中国数字型绿地投资是否出于避税动机。为使交互项相对外生，本文同样使用截面数据进行回归检验。表5第（3）列中IPBR×Cut的系数为－0.010，且未通过显著性检验。表5第（4）列中IPBR×IPCut的系数为－0.016，且未通过显著性检验。综合上述结果，本文认为IPBR没有在税收差额更大的国家产生更大的积极影响。这表明，IPBR实施对于中国以避税为动机的数字型绿地投资没有吸引作用。
（五）异质性分析
根据表2可知，不同国家实施的IPBR对研发活动的税基有所区别，对税收优惠是否适用于制度实施前的知识产权也有区别。那么，这些是否会影响中国对东道国的数字型绿地投资？基于此，本文进行了如下的异质性分析。（1）本文以研发活动的税基类型为依据设置虚拟变量Tax Foundation，若税基为净收入则为1，否则为0，并通过引入交互项的方式进行异质性检验。由表6第（1）列的结果可知，交互项的系数显著为正，表明相对于研发活动税基为总收入的东道国，税基为净收入的东道国对于中国数字型绿地投资的吸引作用更强。这可能是因为企业的净收入往往远小于总收入，以净收入为计税基础，可以减少实际所需缴纳的税金，降低企业的税收成本，从而使得企业具有更多的资金用于研发活动。（2）本文以知识产权相关收入税收优惠政策的适用范围为标准设置虚拟变量Exist，若适用于制度实施前的知识产权则为1，否则为0，并通过引入交互项的方式进行异质性检验。由表6第（2）列的结果可知，IPBR的系数不显著，且交互项的系数显著为正，因此只有在税收优惠适用于制度实施之前的知识产权的东道国，IPBR才会对中国的数字型绿地投资产生积极影响。这一结果是符合逻辑的，因为IPBR是针对知识产权所产生收入的税收优惠，而非针对研发活动的补贴，企业如果在东道国已经有专利和软件等知识产权所带来的收入，它无须采取进一步行动，在该国的税后收入就会增加，这对企业来说是一笔意外之财（Alstadsæter等，2018）。因此IPBR产生的正面影响是直接的，企业更有动机从事新的研发活动，从而加大对东道国数字型绿地投资。相反，如果企业尚未在东道国有任何知识产权，所带来的收入为零，IPBR便不会产生影响，这可能与“关联法”对于知识产权收入和研发所在地的关联要求有关。如果企业在东道国没有知识产权收入，企业则无法享受到IPBR带来的直接收益。这一结果也从侧面印证了“关联法”下，IPBR通过鼓励创新发挥积极效应，而不是滋生避税来吸引投资。
（六）进一步分析：考虑“关联法”的影响
IPBR鼓励了创新动机很可能与“关联法”相关。参考Chen等（2023）的研究，本文设置虚拟变量Nexus来考察“关联法”的作用。Nexus表示东道国的IPBR关联要求的规定是否在OECD《考虑透明度与实质性因素更有效地打击有害税收实践》文件出台后发生改变。在本文包含的实施IPBR的国家中，除葡萄牙外，其余国家在2016年前均未涉及关联要求。若2016年前未涉及关联要求，且2016年后涉及关联要求，则Nexus为1，否则为0。表7展示了回归结果，IPBR×Nexus的系数显著为正，可知“关联法”显著加强了IPBR的正效应。这进一步证明了IPBR通过鼓励创新吸引投资与“关联法”相关。
六、结论与启示
东道国实施IPBR可能会从鼓励创新和滋生避税两个渠道对中国数字型绿地投资产生影响。本文基于《全球企业绿地投资数据库》识别数字型绿地投资，构造了2009—2021年中国数字型绿地投资的面板数据。本文利用多期DID方法，通过将实施IPBR的国家设为处理组，其他国家设为对照组，评估IPBR实施的实际影响。结果显示，中国对实施IPBR国家的数字型绿地投资数量相较于对世界其他国家的数字型绿地投资数量显著增加。这一结论在考虑一系列可能干扰估计结果的因素后依然成立。本文进一步从鼓励创新和滋生避税两个渠道检验投资动机。分析表明，东道国IPBR实施是通过鼓励创新发挥积极效应，而不是通过滋生避税。异质性分析发现，以净收入为税基的IPBR对于中国数字型绿地投资的吸引作用要强于以总收入为税基的IPBR，且只有在税收优惠适用于制度实施之前的知识产权的东道国，IPBR才会产生显著正效应。进一步分析发现，“关联法”显著加强了IPBR的正效应。这说明，“关联法”强化了IPBR鼓励创新的动机。
结合理论分析和实证结果，本文提出以下两方面的政策建议。一方面，本文的研究发现，中国企业增加对实施IPBR国家的数字型绿地投资主要出于创新动机，因此相关部门应完善政策与服务体系，加大对“走出去”企业的支持，促进开放创新与国际合作，助力企业提升国际经营水平。首先，相关部门应建立有效的资格认定、创新评估和跟踪监管机制，确保资金的有效利用。其次，应向企业提供各国IPBR的具体信息，帮助企业处理繁琐的海外法律流程和应对文化差异，减少企业国际合作的难度和成本。最后，应通过财务补助或经济奖励的形式，鼓励企业自主追求国际专利保护和加快创新成果的商业化，以便在全球范围内保护其知识产权并获得竞争优势。另一方面，本文的研究发现，IPBR的正面效应与“关联法”的约束相关。由于IPBR可能带来全球税基损失和税制恶性竞争等不良后果，为确保IPBR能够真正起到激励创新的效果，应推动实施IPBR的国家贯彻落实“关联法”的要求，统一“符合条件的支出”范围。同时，也应推动各国统一“合格资产”范围，避免跨国企业滥用IPBR，营造相对公平的国际税收环境。另外，中国于2017年签署《实施税收协定相关措施以防止税基侵蚀和利润转移的多边公约》，也是《BEPS行动计划》的参与方，在考虑借鉴甚至实施IPBR时，必须考虑到国际规则方面的影响。同时，应完善IPBR，吸引海外企业在中国申请知识产权，并与支出型税收激励措施相结合，共同组成覆盖创新全流程的税收优惠政策体系。
注释：
①联合国贸发会议（UNCTAD，2018）发布的《全球数字与ICT跨国公司百强名单》提供了数字企业名录及分类标准，即电子商务企业、数字解决方案企业、数字内容企业、数字平台企业以及IT企业。
②自2016年12月31日向全球开放签署以来，已有包括中国在内的100个国家和地区加入了《BEPS多边公约》，资料来源：https：//www.oecd.org/tax/beps/beps-mli-signatories-and-parties.pdf。
③资料来源：OECD Dataset Intellectual Property Regimes，https：//qdd.oecd.org/data/IP_Regimes。
④2015年10月，OECD发布了BEPS项目的第五项行动计划。参考Chen等（2023）的做法，本文以2016年为时间节点。
⑤限于篇幅，此部分的实证结果未展示，留存备索。
⑥限于篇幅，此部分的实证结果未展示，留存备索。
⑦资料来源：欧洲统计局（Eurostat），https：//ec.europa.eu/eurostat/web/main/home。受限于数据可得性缺陷，本文无法完善统计所有实施IPBR国家的相关指标，但实施国家大部分为欧盟国家，故而从欧洲统计局收集数据。
参考文献：
1.曹明星：《数字经济国际税收改革：理论探源、方案评析与中国抉择》，《财贸经济》2022年第1期。
2.蒋殿春、唐浩丹：《数字型跨国并购：特征及驱动力》，《财贸经济》2021年第9期。
3.李庭竹、杜德斌、杨文龙、黄晓东：《跨国公司海外R&D绿地投资的时空动态及影响因素》，《地理研究》2023年第11期。
4.刘志阔、陈钊、吴辉航、张瑶：《中国企业的税基侵蚀和利润转移——国际税收治理体系重构下的中国经验》，《经济研究》2019年第2期。
5.吕越、陆毅、吴嵩博、王勇：《“一带一路”倡议的对外投资促进效应——基于2005—2016年中国企业绿地投资的双重差分检验》，《经济研究》2019年第9期。
6.马述忠、吴鹏、房超：《东道国数据保护是否会抑制中国电商跨境并购》，《中国工业经济》2023年第2期。
7.肖冰、何丽敏、许可：《“创新之策”或“避税之道”——英国“专利盒”政策实践与启示》，《科研管理》2021年第1期。
8.周茂、陆毅、杜艳、姚星：《开发区设立与地区制造业升级》，《中国工业经济》2018年第3期。
9.Alstadsæter，A.，Barrios，S.，Nicodeme，G.，Skonieczna，A.M.，& Vezzani，A.，Patent Boxes Design，Patents Location，and Local R&D. Economic Policy，Vol.33，No.93，2018，pp.131-177.
10.Arulampalam，W.，Devereux，M.P.，& Liberini，F.，Taxes and the Location of Targets. Journal of Public Economics，Vol.176，2019，pp.161-178.
11.Baker，A.C.，Larcker，D.F.，& Wang，C.C.，How Much Should We Trust Staggered Difference-in-Differences Estimates？.Journal of Financial Economics，Vol.144，No.2，2022，pp.370-395.
12.Beck，T.，Levine，R.，& Levkov，A.，Big Bad Banks？The Winners and Losers from Bank Deregulation in the United States. Journal of Finance，Vol.65，No.5，2010，pp.1637-1667.
13.Bellemare，M.F.，& Wichman，C.J.，Elasticities and the Inverse Hyperbolic Sine Transformation. Oxford Bulletin of Economics and Statistics，Vol.82，No.1，2020，pp.50-61.
14.Bertrand，M.，Duflo，E.，& Mullainathan，S.，How Much Should We Trust Differences-in-Differences Estimates？. Quarterly Journal of Economics，Vol.119，No.1，2004，pp.249-275.
15.Bilicka，K.，Devereux，M.，& Güçeri，I.，Tax-Avoidance Networks and the Push for a “Historic” Global Tax Reform. Tax Policy and the Economy，Vol.37，No.1，2023，pp.57-108.
16.Bradley，S.，Robinson，L.，& Ruf，M.，The Impact of IP Box Regimes on the M&A Market. Journal of Accounting and Economics，Vol.72，No.2-3，2021，101448.
17.Chen，S.，De Simone，L.，Hanlon，M.，& Lester，R.，The Effect of Innovation Box Regimes on Investment and Employment Activity. The Accounting Review，Vol.98，No.5，2023，pp.187-214.
18.Congiu，R.，Sabatino，L.，& Sapi，G.，The Impact of Privacy Regulation on Web Traffic：Evidence From the GDPR. Information Economics and Policy，Vol.61，2022，101003.
19.Davies，R.B.，Kogler，D.F.，& Hynes，R.，Patent Boxes and the Success Rate of Applications. SSRN Working Paper，2020.
20.De Chaisemartin，C.，& D’Haultfoeuille，X.，Two-way Fixed Effects Estimators with Heterogeneous Treatment Effects. American Economic Review，Vol.110，No.9，2020，pp.2964-2996.
21.De Simone，L.，& Sansing，R.C.，Income Shifting Using a Cost-Sharing Arrangement. Journal of the American Taxation Association，Vol.41，No.1，2019，pp.123-136.
22.Dischinger，M.，& Riedel，N.，Corporate Taxes and the Location of Intangible Assets within Multinational Firms. Journal of Public Economics，Vol.95，No.7-8，2011，pp.691-707.
23.Faulhaber，L.V.，The Luxembourg Effect：Patent Boxes and the Limits of International Cooperation. Minnesota Law Review，Vol.101，No.4，2017，pp.1641-1702.
24.Ferrara，E.L.，Chong，A.，& Duryea，S.，Soap Operas and Fertility：Evidence from Brazil. American Economic Journal：Applied Economics，Vol.4，No.4，2012，pp.1-31.
25.Gaessler，F.，Hall，B.H.，& Harhoff，D.，Should There Be Lower Taxes on Patent Income？. Research Policy，Vol.50，No.1，2021，p.104129.
26.Gardner，J.，Two-Stage Differences in Differences. arXiv preprint arXiv，Vol.2207，2022，05943.
27.Goodman-Bacon，A.，Difference-in-Differences with Variation in Treatment Timing. Journal of Econometrics，Vol.225，No.2，2021，pp.254-277.
28.Goolsbee，A.，Investment Tax Incentives，Prices，and the Supply of Capital Goods. Quarterly Journal of Economics，Vol.113，No.1，1998，pp.121-148.
29.Griffith，R.，Miller，H.，& O’Connell，M.，Ownership of Intellectual Property and Corporate Taxation. Journal of Public Economics，Vol.112，2014，pp.12-23.
30.Haufler，A.，& Schindler，D.，Attracting Profit Shifting or Fostering Innovation？On Patent Boxes and R&D Subsidies. European Economic Review，Vol.155，2023，104446.
31.House，C.L.，& Shapiro，M.D.，Temporary Investment Tax Incentives：Theory with Evidence from Bonus Depreciation. American Economic Review，Vol.98，No.3，2008，pp.737-768.
32.Karkinsky，T.，& Riedel，N.，Corporate Taxation and the Choice of Patent Location within Multinational Firms. Journal of International Economics，Vol.88，No.1，2012，pp.176-185.
33.Ohrn，E.，The Effect of Corporate Taxation on Investment and Financial Policy：Evidence from the DPAD. American Economic Journal：Economic Policy，Vol.10，No.2，2018，pp.272-301.
34.Oster，E.，Unobservable Selection and Coefficient Stability：Theory and Evidence. Journal of Business & Economic Statistics，Vol.37，No.2，2019，pp.187-204.
35.Ramaswamy，V.，Anderson， E.W.，& DeSarbo，W.S.，A Disaggregate Negative Binomial Regression Procedure for Count Data Analysis. Management Science，Vol.40，No.3，1994，pp.405-417.
36.Stantcheva，S.，The Effects of Taxes on Innovation：Theory and Empirical Evidence. NBER Working Paper，No.w29359，2021.
37.Tang，C.，Zhao，L.，& Zhao，Z.，Does Free Education Help Combat Child Labor？The Effect of a Free Compulsory Education Reform in Rural China. Journal of Population Economics，Vol.33，No.2，2020，pp.601-631.
38.Xie，E.，Reddy，K.S.，& Liang，J.，Country-specific Determinants of Cross-border Mergers and Acquisitions：A Comprehensive Review and Future Research Directions. Journal of World Business，Vol.52，No.2，2017，pp.127-183.
39.UNCTAD，The Top 100 Digital MNEs 2017. New York，2018.
作者简介：马述忠，浙江大学中国数字贸易研究院院长、教授，310058；刘锴，浙江大学中国数字贸易研究院博士研究生，310058；吴鹏（通讯作者），浙江财经大学经济学院讲师、博士，310018。
