汪 斌

【摘要】本研究基于154家芯片上市企业2015-2024年面板数据，创新性地运用PSM+门槛回归模型，深入探究财政补贴与税收优惠政策对芯片企业研发投入的协同效应及门槛特征。研究发现：第一，财政补贴和税收优惠均对芯片企业研发投入产生显著正向激励，其中税收优惠的平均处理效应（1.96%-2.08%）明显高于财政补贴（1.08%-1.13%），体现出更强的激励效力和持续性；第二，财税政策间存在显著的门槛效应，当税收优惠低于15.2784时财政补贴激励效果显著，而当财政补贴处于双门槛区间时，税收优惠激励系数达到峰值，政策协同效应最优；第三，政策效应呈现明显的非线性特征，超出最优区间后出现边际效应递减甚至“挤出效应”，财政补贴过度时税收优惠激励效果急剧下降。基于门槛效应发现，本研究提出分层分类的政策优化路径：低补贴区间以税收优惠为主导，中等补贴区间实施财税协同最优配置，高补贴区间建立过度补贴风险控制机制。研究结论为构建科学精准的芯片产业财税政策体系提供了重要理论支撑和实践指导，对推动我国芯片产业高质量发展具有重要现实意义。

【关键词】 芯片产业  财税政策  门槛效应  研发投入

一、引言（略）

二、理论基础与研究假设

（一）理论基础

1.双重红利理论：财税政策的直接效应与间接效应

2.信号传递理论：政府支持对市场预期的影响机制

（二）机制分析：财税政策影响芯片企业研发投入的四大传导路径

路径一：直接激励路径——缓解资金约束与降低研发成本

一是财政补贴的直接资金支持机制。二是税收优惠的成本降低机制。

路径二：风险分担路径——降低创新不确定性与提升风险承受能力

一是政府-企业风险共担机制。二是风险偏好改变效应。三是门槛效应机制。

路径三：信号传递路径——重塑市场预期与优化融资环境

一是多层次信号传递体系。二是融资环境优化机制。

路径四：生态系统路径——产业链协同与创新网络重构

一是产业链协同发展机制。二是知识溢出与技术扩散。三是生态系统门槛效应。

（三）研究假设：基于理论分析提出的核心假设

假设1（直接效应假设）：财政补贴和税收优惠均对芯片企业研发投入强度产生显著正向影响，但两者的作用机制和效应强度存在差异。该假设基于资源配置理论和直接激励路径，预期财政补贴的直接资金支持效应更为明显，而税收优惠的激励效应具有更强的持续性和灵活性。

假设2（效应强度假设）：税收优惠对芯片企业研发投入的激励效应强于财政补贴的直接支持效应。该假设源于信号传递理论和国际经验比较。税收优惠不仅降低了企业成本，更重要的是其普惠性特征和长期稳定性向市场传递了更为可信的政策承诺信号，能够更好地满足企业在不同发展阶段的需求。

假设3（门槛效应假设）：财税政策对芯片企业研发投入的影响存在显著的门槛效应，不同政策强度区间内的激励效果呈现非线性变化特征。该假设基于双重红利理论的非线性效应机制。当政策强度适中时，直接效应与间接效应相互促进；但当政策过度时，可能出现边际效应递减甚至负效应，体现为税收优惠存在单一门槛值15.2784，财政补贴存在双门槛值11.7232和14.5241。

三、实证研究设计与数据说明

（一）样本选取及数据来源

本文使用了CSMAR数据库中“芯片概念”企业2015年至2024年的数据进行研究，并进行了手工查找和补充以确保数据的完整性。最终，筛选出了154家数据完备的企业，涵盖了总计1540个数据点。采用了Excel和Stata等工具进行数据分析。

表3.1 变量及计算方法

本研究的核心变量包括财政补贴、税收优惠和研发支出，这些数据来源于国泰安数据库。使用固定效应模型、倾向得分匹配和门限回归模型进行实证分析，并选取了2015年至2024年间中国沪深两市A股上市公司的数据。

被解释变量、核心解释变量（处理变量）、控制变量见表3.1。

（二）固定效应回归模型

本文建立了一个回归模型，将研发投入比率（R&D）作为解释变量，将企业所得到的财政补贴和税收优惠作为核心解释变量：

表示企业研发投入比率，是通过企业企业研发投入占营业收入之比计算得出；

表示财政补贴，表示税收优惠，表示控制变量，表示财政补贴和税收优惠的交乘项，代表财税政策的组合作用， 表示个体（企业）固定效应，表示时间固定效应，表示随机扰动项。

（三）倾向性得分匹配

倾向性得分匹配（Propensity Score Matching,PSM）是一种统计方法，用于处理观察数据中的选择性偏倚或非随机分组。旨在通过将具有相似倾向得分的处理组和对照组进行匹配，从而减少选择性偏倚，使得处理组和对照组在除处理因素外的其他方面更加相似。详细步骤如下：

1.降维并计算倾向得分（PS)

本文采用Logistic回归模型来计算倾向得分。Logistic回归模型的建模与转换公式如下所示：

式中， PS 表示样本被处理的概率，即企业获得财税政策的概率，也称为倾向得分。表示常数项，表示协变量， 表示系数估计值。

2.选择匹配方法进行匹配

本文半径匹配、核匹配、最近邻匹配等匹配方法，确保匹配之后的实验组与对照组之间仅受处理变量影响，消除协变量等其他因素对被解释变量的影响。具体公式如下：

式中，、分别表示两个样本集合，、分别表示来自样本集合  和样本集合  的两个待匹配检验样本， 表示匹配容差阈值，表示新样本集合。当待匹配样本差距低于  时，两个样本配对成功，可从原样本集合中移出，并存入C类样本集合。

3.假设检验

在进行倾向得分匹配（PSM）时，需要特别注意两个基本假设的满足程度，以确保结果的准确性和可靠性。首先，共同支撑假设要求两组样本之间存在一定的特征重叠。其次，平衡性假设是倾向得分匹配成功应用的关键。

4.计算平均处理效应（ATT)

基于共同支撑假设和平衡性假设，计算处理组和对照组样本均值差异，该差异的存在使得算法可以准确地追溯到处理变量的影响。为解决这一问题，学者们提出了计算平均处理效应（ATT）的方法，这种方法在统计学中被广泛应用，具体公式如下：

、分别表示处理组企业研发投入比率和对照组企业研发投入比率，表示取期望值。

（四）门限回归模型

1.门限回归模型公式

门限回归模型通过引入门限变量，将整体非线性关系划分为多个线性关系，使得对复杂问题的分析更加直观和可行。门限回归模型构建如下：

式（2.8）、（2.9）中，表示财政补贴，作为模型中核心解释变量，表示税收优惠，作为模型中门限变量。此外，涵盖多个控制变量，如企业规模（Size）、现金资产比率（car）、财务杠杆（Debt）、利润率（ROA）等，它们对企业研发投入产生影响。

2.门限回归相关检验

在构建门限回归模型时，需要先确定门槛值γ。可以假设在原假设下不存在门槛值。若无法拒绝该原假设，则说明没有门槛值存在，建模到此结束；反之，若拒绝了原假设，则表明存在门槛值，可以继续进行下一步的参数估计。采用LR检验，LR统计量的表达式如下：

式（2.10）中，表示扰动项方差的一致估计，表示H0约束下的残差平方和。若存在门槛值，拒绝原假设，则要对门槛值系数及其置信区间估计。设定门槛值，提出原假设H0 = ，然后通过似然比检验统计量进行估计：

如果模型门槛值与设定值相同，可用LR（γ）渐进分布，即计算其临界值，作为门槛的估计。

四、财税政策对芯片企业研发投入的实证分析

本研究运用2015年至2024年的芯片企业相关数据，采用固定效应模型、倾向得分匹配（PSM）以及门限回归模型，对财税政策对芯片企业研发投入的影响进行实证分析。

（一）变量处理与描述性统计

通过将芯片行业的股票代码，与国泰安数据库中上市公司的财务数据进行了匹配，获取相应企业的面板数据。为确保数据的有效性，本研究排除了年度数据缺失的企业。最终，得到了154家企业的面板数据，样本企业数量为1540。见表4.1。

（二）财税政策对芯片企业研发投入的初始回归

1.模型的检验与选择

为避免多重共线性问题，对模型中各变量之间的相关性进行了检验。结果见表4.2。各变量之间不存在明显的多重共线性问题，财政补贴、税收优惠与研发投入均呈现正相关关系。

表4.1变量描述性统计

表4.2 变量之间的相关系数矩阵

表4.3 多重共线性VIF检验

本文在进行面板数据回归分析之前，对各变量进行了平稳性检验，采用了单位根检验。表4.4的结果显示，各变量的P值均小于0.05，这表明变量不存在单位根问题。

表4.4 单位根检验结果

本研究在进行面板数据回归分析时，采用了Hausman检验，确定使用随机效应还是固定效应模型。根据图表4.5的结果显示，卡方统计量为70.74,P值为0.0000，因此拒绝了原假设。基于此，最终选择了固定效应模型进行分析。

表4.5 豪斯曼检验结果

Hausman检验的P值为0.0000，支持选择固定效应模型。鉴于芯片行业的高科技要求，新技术开发可能需要时间，公司的研究投入强度可能存在滞后性。进行了LM检验，表4.6结果表明，F统计量为93.938,P值为0.0000，拒绝原假设，表明研发强度存在一阶序列自相关。因此，最终采用加入RD一阶滞后项及控制变量的固定效应模型进行分析。

表4.6 RD一阶序列自相关检验结果

由表4.7，其中财政补贴与税收优惠作为核心解释变量，企业研发投入作为被解释变量，并添加了滞后项和控制变量。整体模型拟合度良好，线性关系显著。

从第四列中可以看到，增加财政补贴，税收优惠与财税组合变量之间的固定效应回归表明：单一财政补贴与税收优惠对企业研发强度均呈正相关并且显著，财税组合不显著，显示财税组合不存在明显的交互作用。

表4.7整体样本的固定效应回归分析结果

（三）基于倾向得分匹配的芯片行业企业研发投入分析

1.财政补贴对芯片行业企业研发投入的实证分析

（1）匹配检验

在倾向得分匹配的框架下，为了确保结果的稳健性，进行了最近邻匹配（1:4），以减小样本选择性偏误。共同支撑检验结果如表4.8所示。在1540个样本中，有670个样本获得了财政补贴。所有870个样本的匹配得分在共同取值范围内，确保了匹配过程的有效性。

表4.8财政补贴共同支撑检验结果

通过表4.9中的协变量平衡性检验，采用1对4的匹配方法，观察匹配前后的T值和P值。在匹配前，两组样本在协变量上存在显著差异，但通过匹配后，除了变量Size外，其他变量的差异显著减小，匹配后的偏差在10%之内，P值均大于0.10，表明在10%的显著性水平下两组之间无差异。此时，匹配过程有效地减小了协变量之间的不平衡性，协变量之间的平衡性可以得到比较好的保证。

图4.2可见，匹配后的处理组和对照组在研发投入上的核密度曲线更为重叠，表明它们在协变量上的特征基本相似。这一结果确保了政策工具的净效应能够被分离出来。

表4.9 匹配后的处理组和对照组的协变量平衡性检验结果

图4.1 匹配前核密度曲线

（2）平均处理效应分析

为更准确评估财政补贴对芯片企业研发投入的实际效应，本文采用了五种不同的匹配方法，并将其结果与1对4的近邻匹配进行了比较。匹配结果的ATT值如表4.10所示。

图4.2 匹配后核密度曲线

表4.10 财政补贴ATT估计结果

首先最近邻匹配（1:4）、核匹配、半径匹配的ATT值，均在1%的显著性水平下，表明获得财政补贴的企业在研发投入强度方面明显优于未获得补贴的企业。

其次观察五种匹配方法的ATT值，发现最近邻匹配（1:4）、核匹配、半径匹配的ATT值均明显高于传统的OLS回归估计结果。最大的ATT估计值为0.0113，而最小值为0.0108。这表明获得财政补贴的企业，相较于未获得补贴的企业，在研发投入占主营业务收入的比例上增加了约1.08%至1.113%。证实了财政补贴对企业研发的积极影响。

上文采用了五种不同的匹配，并分别计算了五个ATT值，这些数值反映了财政补贴对企业研发强度的整体平均影响。为了更深入地理解控制变量的作用，在匹配完成后对样本进行了抽取，并对面板数据进行了固定效应回归分析，随后将结果与未匹配的完整样本进行了比较。通过1对4的近邻匹配，得到1262个样本数据，并与1386个完整样本（包括滞后RD）进行了面板数据的固定效应回归分析，结果见表4.11。

回归分析结果显示，两种模型的显著性水平分别为P=0.05和P=0.1，这表明本研究的模型设置相对合理。同时，财政补贴作为处理变量，在10%和5%的显著性水平下均大于0，这表明模型结果的稳健性。而且，匹配后再进行回归的系数相较于纯粹的全样本回归小很多，这意味着纯粹的全样本面板回归高估了财政补贴对研发投入的实际效应。

表4.11 匹配前后财政补贴对企业研发投入强度产生影响的估计结果对比

2. 税收优惠对芯片行业企业研发投入实证分析

（1）匹配检验

采用倾向得分匹配后，通过Logistic回归，并使用半径匹配方法对税收优惠进行了研究，随后进行了共同支撑检验以验证匹配的有效性。在总共1540个样本数据中，720家企业得到了税务减免，而其中的718家企业的匹配分数都在一个共同的范围之内。同理，在那820家没有享受税收优惠的企业里，同样有820家的匹配分数也处于一个共同的取值区间之内。这意味着在进行匹配的时候，我们保留了大量的样本，确保满足了共同支撑检验的标准，进而保障了匹配的准确性。

表4.12不同分组税收优惠政策共同支撑检验对比结果

表4.13展示了匹配后处理组与对照组在协变量平衡性检验上的结果，这是基于1对4的匹配。在匹配前，观察到两组样本在协变量方面存在明显的不同，这表明720家获得税收优惠的企业与820家未获得税收优惠的企业之间有着显著的区别。如果直接对这两组样本进行实证建模，可能会导致样本选择的偏差，从而无法准确研究税收优惠对芯片行业企业研发投入的净效应。

但是，在执行倾向得分匹配之后，观察到除了Cr这个变量之外，其他变量在两组间的差距显著缩小。匹配完成后，除了age的偏差为10.5%，所有的偏差都控制在10%以内，P值都超过了0.10，在10%的显著性水平上，两组之间没有差异的原假设并未被拒绝。因此，能够在一定程度上确保协变量间的均衡关系。在图4.4中，处理组与对照组的核密度曲线经过协变量匹配处理后有更多的重叠，这意味着配对样本在协变量特性中具有很高的相似性，证明匹配过程的有效性。表明匹配后的样本能够更好地反映税收优惠对企业研发投入的净效应，因为这些差异主要由税收优惠引起。

（2）平均处理效应分析

表4.13展示了平均处理效果的估算结果。经过对五种不同的匹配进行对比分析，观察到平均处理效应值（ATT）在1%的显著性水平下均超过0，这说明那些获得税收优惠的企业在研发经费投入上与那些没有获得税收优惠的企业存在明显差异。

在企业研发投入强度上，处理组中获得税收优惠的样品，与对照组相比，呈现出明显的正向促进效应。实验数据表明，无论采用哪种匹配方式，其所产生的ATT值都明显高于财政补贴所产生的相同匹配方式下的ATT值。这进一步证实了税收优惠在激励企业进行研发投资方面比财政补贴具有更高的有效性。

表4.13 匹配后不同分组的协变量平衡性检验结果

图4.3 匹配前核密度曲线

图4.4匹配后核密度曲线

表4.14显示，与没有获得税收优惠的企业相比，获得税收优惠的企业在其研发投资占主营业务收益的比率上，可以增加1.96%到2.08%的区间。这进一步凸显了税收优惠政策所带来的积极激励作用。

表4.14 税收ATT估计结果

在前文研究中，一共采用了五种不同的匹配方法，分析了税收优惠政策对企业研发强度的作用，并采用平均处理效应（ATT）作为评估其效果的指标。为了对控制变量的影响有更深入的认识，从倾向得分匹配的样本中筛选出1383家企业，并对其进行了面板数据的固定效应回归分析，之后将这些数据与1386家未匹配企业的完整样本进行比较。如表4.15所示，在显著性水平P=0.05的条件下，两种模型都通过了，这证明了模型是合理的。当显著性水平为5%时，税后优惠的处理变量明显超过0，这意味着研究结果具有较高的稳定性。而且，匹配后进行回归的系数相较于传统面板数据固定效应回归更大，这说明纯粹的面板数据固定效应回归可能低估了税收优惠对研发投入的效果。

表4.15匹配前后税收优惠政策对企业研发投入强度影响的估计结果对比

3.财税组合对芯片行业企业研发投入实证分析

（1）匹配检验

在这项研究中，通过倾向得分匹配的Logistic回归，进一步采用了最近邻匹配（1:1）方法，探讨同时获得财政补贴和税收优惠的企业，并进行了有关财税组合的研究。在对财税组合进行共同支撑的检验之后，研究结果显示，1540个样本中294家企业同时得到了财政补贴和税收优惠。而在那些未获得这两项优惠的1246家企业中，同样有1246家的匹配分数处于共同的取值区间之内。这意味着在匹配的过程中，所有的样本都得到了保存，从而满足了共同支撑检验的标准。

表4.16 财税组合共同支撑检验结果

经过匹配的处理组与对照组在协变量平衡性检验上的结果，如表4.17所示。通过对比匹配前的T值与P值，我们观察到两组样本的平均值有明显的不同，这暗示了潜在的选择偏差。对这两组样本进行直接的实证建模可能会妨碍财税组合对芯片企业研发投资的实际影响的准确研究。然而，在进行倾向得分匹配之后，所有变量的差异显著缩小了。匹配完成后，所有的偏差都控制在10%以内，P值都超过了0.10，在10%的显著性水平下，两组之间没有差异的原假设不会被拒绝。这意味着在匹配过程中，协变量间的均衡性得到了良好的确保。

通过观察图4.6，在对协变量进行匹配之后，处理组和对照组的核密度曲线变得更加重叠。这一发现显示了配对样本在协变量特性上具有基本的相似性，证明了匹配过程的有效性。在此背景下，处理组与对照组在研发资金投入上的不同（ATT）主要是由财政和税收的组合导致的，同时政策工具的实际效果也被有效地区分了出来。

表4.17 匹配后不同分组的协变量平衡性检验结果

图4.5 匹配前核密度曲线

图4.6匹配后核密度曲线

（2）平均处理效应分析

对于同时享受财政补贴和税收优惠的情况，本研究着重关注了这一财税组合对芯片行业企业研发投入的平均处理效应（ATT）。通过采用五种不同的匹配方法，得到了在1%的显著性水平下均大于0的ATT值，这意味着这种财税组合能够对芯片行业企业的研发投入产生正向的激励效应。

然而，需要注意的是，这些效应均低于传统OLS估计的结果。这可能表明当企业同时享受财政补贴和税收优惠时，这两种政策工具之间存在相互阻碍的情况。

此外，研究对比了财税政策组合的ATT值与仅获得财政补贴和税收优惠的ATT值，结果显示财税政策组合的ATT值更为显著。这表明，当同时采用财税政策工具时，可以带来更为显著的正向刺激效果。

通过采用五种不同的匹配方法，本文得到了对应的五个平均处理效应（ATT）值，分别反映政府财税组合政策对企业研发投入的整体影响趋势。

接着，我们从经过PSM匹配的样本中筛选出639家企业，并对其进行了面板数据固定效应回归。这种分析不仅提供了对整体平均效应的补充，还揭示了财税组合对研发投入的效应在匹配后的情况下的表现。结果表明，两个模型分别在P=0.05和P=0.1显著性水平上通过，说明模型设置合理，可见结果平稳。

匹配后回归的系数相较于全样本回归更大，这可能意味着纯粹的全样本面板回归可能低估了财税组合对研发投入的效果。

表4.18 财税组合ATT估计结果

表4.19 匹配前后财税组合政策对企业研发投入强度影响的估计结果对比

（四）基于门限回归的芯片行业企业研发投入分析

因过多的财政补贴可能会在一定程度上削弱税收优惠的激励效果，所以应该更深入地探讨这两种政策之间的相互作用，而不是仅仅将这两种政策同时视为分析的变量。

在进行门限回归分析时，需要使用处理前的财税变量数据，并重点关注对数处理的税费返还值（记为变量Tax）和政府补助值（记为变量Sub）。

1. 财政补贴门槛效应研究

为了更深入地理解财政补贴和税收优惠对企业研发投入的影响是否呈现非线性突变关系，本研究进行了门槛效应的自抽样检验。通过对模型进行100次自主抽样，得到了一系列F值和P值，用于评估模型是否存在门槛效应。结果见表4.20，呈现了单门槛效应。

具体来说，当研究中将税收优惠变量（Tax）作为门槛变量，将财政补贴变量（Sub）作为核心解释变量时，能够观察到财政补贴的效应在税收门槛出现时发生了非线性变化。

表4.21展示了门槛值的估计结果，其中门槛值为15.0969。这一数值表明，当税收优惠的水平超过或低于这个门槛值时，财政补贴的效应会发生显著变化。模型的调整如下：

在此模型公式中，税收优惠的门槛值设为15.0969，根据门槛值的不同，可以将税收优惠划分为两类：中低税收优惠和中高税收优惠。

表4.20 门槛效果自抽样检验

表4.21 门槛值估计结果

表4.22 门槛回归结果

根据表4.22的结果，当税收优惠水平低于门槛值15.0969时，即在中等偏低税收优惠情况下，财政补贴对研发投入强度具有正向的激励效应。当税收优惠超过门槛值15.0969时，能够观察到财政补贴的激励效果减弱。具体而言，财政补贴的激励效果从0.0021降至0.00039，并在统计上显著性水平达到5%。

2.税收优惠门槛效应研究

为深入研究财政补贴和税收优惠之间的非线性关系，本研究采用模型的自主抽样（100次）来进行门槛效果的检验。

首先，通过表4.23的自抽样模型分析结果，得到F值和P值，进一步证明了模型的门槛效应。进一步地，将财政补贴变量作为门槛变量时，能够发现存在双门槛效应。这表明，当财政门槛出现时，税收优惠的激励效果不仅随着税收门槛的变化而呈现非线性变化，而且这种变化因财政补贴存在变得更加复杂。

其次，表4.24中的门槛值估计结果提供了更为详细的信息。第一门槛值为11.5129，第二门槛值为12.2061，这两个门槛值的出现标志着税收优惠激励效果的非线性变化。

最后，为进一步了解这一非线性变化的机制，研究进行了模型调整。这一调整包括对门槛值的精确估计，以及对不同阶段的效应变化进行更为细致的分析。

表4.23 门槛效果自抽样检验

表4.24 门槛估计结果

在此模型中，财政补贴的第一门槛值为11.5129，第二门槛值为12.2061，根据门槛值的不同，划分为三类：低补贴、中补贴和高补贴。

表4.25 门槛回归结果

如表4.25，在低财政补贴水平（小于门槛值11.5129）下，税收优惠对研发投入的激励效果显著。其次，当财政补贴介于门槛值11.5129和12.2061之间时，税收优惠的激励效果增强。此时，财税政策组合对企业研发投入的积极作用更为显著。然而，当财政补贴超过门槛值12.2061时，税收优惠的激励效果开始减弱。这可能是因为高额财政补贴使企业过度依赖政府支持，导致其在研发方面的积极性下降。此时，高额财政补贴反而可能成为负面因素。

最后，对道德风险的讨论突显了政府在设定补贴政策时需要权衡的问题。过高的财政补贴可能导致一些企业滥用补贴资金，甚至不符合政府的初衷。

五、结论与政策建议

（一）主要结论

本文聚焦于我国芯片产业的研发创新活动，得出以下几点结论：

财政补贴和税收优惠作为促进芯片企业研发投入的政策工具，发挥着至关重要的作用。财政补贴的作用在于直接向企业提供资金支持，鼓励其增加研发投入。然而，财政补贴往往受到政府财政收入的限制，在实施时可能会有一定的局限性。相比之下，税收优惠政策虽然不直接提供资金，但通过降低企业的税负，间接地增加了其资金流动性，为其提供了更多的自主权和灵活性，能够更好地满足企业在不同发展阶段的需求。

然而，单一使用财政补贴或税收优惠往往难以达到最佳效果。研究表明，两种优惠政策的组合使用能够更好地激发企业的研发积极性，但也存在一定的门槛效应。例如，当财政补贴达到一定程度时，可能会出现税收优惠政策的挤出效应，降低其激励作用。这是因为企业在获得了足够的财政补贴后，可能不再感受到税收优惠的吸引力，从而减少了研发投入。相反，如果财政补贴过低，则可能无法有效刺激企业的研发活动，导致税收优惠政策的激励效果不显著。

除了门槛效应外，还需要注意到双门槛效应可能带来的影响。当财政补贴和税收优惠同时处于某一区间时，两者的激励效果最强，能够最大程度地促进企业的研发活动。然而，一旦财政补贴低于或高于该区间，就可能会出现政策的挤出效应，降低税收优惠政策的效果。这种双门槛效应需要在政策设计和执行中予以充分考虑。

（二）政策建议：基于门槛效应的政策优化路径

1.构建基于门槛效应的分层政策配置体系

第一，低补贴区间：税收优惠主导的基础激励模式。

第二，中等补贴区间：财税协同的黄金配置方案。

第三，高补贴区间：过度补贴的风险预警与控制。

2.实施分类精准的差异化支持策略

第一，基于企业生命周期的差异化政策组合。

第二，基于技术领域特点的专项政策创新。

3.建立动态协调的政策实施机制

第一，构建政策动态调整机制。

第二，优化政策协同联动机制。

4.强化政策监督与调整机制

（作者单位：国家税务总局闽侯县税务局）

【参考文献】（略）