实证研究中的模型选择与构建

由于本文选用的数据为2008-2017年的时间跨度，而参照的企业有414家，T较小n较大，属于短面板模型，因此适合采用面板数据模型而非时间序列模型。因为面板数据具有两维性，所以应该选择适当的模型以防产生较大的偏误。为了对随机效应模型与固定效应模型进行选择，作者对数据进行了Hausman检验，若结果显著，采用固定效应模型，若不显著，则采用随机效应模型。由于检验结果P值均小于0.05，且截距项显著，最终对环境税与企业研发投入采取双向固定效应模型（详见表7-4）。根据Camero（2005）[192]的观点，专利申请数量属于计数型数据，且波动较大，符合泊松分布，即便是取了对数，也将会产生较大的误差，本文参考他的观点，并为了排除个体效应和时间效应的影响，环境税与专利申请数量的回归则选用泊松双向固定效应回归模型。

由于绿色技术创新由投入与产出两方面来实现，所以本文分别建立环境税与研发投入与专利申请数量的模型。又因环境规制与绿色技术创新之间的关系并非静态（范庆泉、周县华、张同斌，2016）[193]，刚开始收取环境税时企业有可能会进行抵抗，在后期影响才逐渐显露，可能会出现滞后效应，所以本文分别使用环境税的当期、一阶滞后和二阶滞后分别与企业研发投入与专利申请数量做回归分析。

（1）以下建立环境税与企业研发投入的模型：

(www.xing528.com)

其中，RD表示企业研发投入，Tax为环境税，L.Tax表示滞后一期的环境税，下标i，t分别表示企业和时间，α1和βi表示相应变量的系数，而X为控制变量，ui和γt分别表示个体固定效应和时间固定效应，εit代表随机扰动项。

（二）以下建立环境税与专利申请数量的模型

其中，PT表示企业专利申请数量，Tax为环境税，L.Tax表示滞后一期的环境税，下标i，t分别表示企业和时间，α1和βi表示相应变量的系数，而X为控制变量，ui和γt分别表示个体固定效应和时间固定效应，εit代表随机扰动项。