论文部分内容阅读
摘要：基于数据包络分析（DEA）的BCC模型，测度中国房地产业上市公司在“营改增”前后时期的企业综合财务效率，同时以在2016年5月1日后没有新开工项目的房地产业企业为对照组，通过双重差分模型衡量2016年国家对房地产业施行“营改增”对企业财务效率的政策效果。研究表明：针对房地产业的“营改增”政策对企业财务效率有显著的促进作用，政策效果初步显现。但相关部门仍需要不断完善和调整政策，也需要跟踪研究“营改增”对相关行业的长期政策效应。
关键词：营改增；房地产业；税收政策效果；DEA模型；双重差分模型
文章编号：2095-5960（2018）06-0072-09；中图分类号：F230；文献标识码：A
一 、问题提出
“十三五”时期，我国推行“营业税改征增值税”，是税收制度的重大变革。2016年5月1日开始，“营业税改征增值税”政策开始推广至房地产等行业。“营改增”主要目的是减轻企业税收负担，通过税收制度调整，激发市场活力，从制度层面解决“道道征收，全额征收”的重复征税问题。而作为2016年“营改增”改革重点之一的房地产业，其兴衰关乎人民生活质量，是民生问题之重。那么，2016年5月1日开始施行的房地产业“营业税改征增值税”政策是否达到了改革要求？是否能够真正促进企业财务绩效增长？
近年来，有学者提出中国赋税过重，可能会引发企业倒闭的质疑。事实上，中国宏观税负近年来一直稳中有降，而“营改增”正是管理部门对企业减负做出的努力。当然，减负并不是“营改增”效果的唯一评价标准。相关管理部门希望借“营改增”减税之力，推动税制改革与完善，为政府精准调控提供前提。“营改增”在推动供给侧改革、税制完善以及倒逼企业管理创新、供应链监管等方面的作用更是功在千秋。基于此，本文在“营改增”对企业财务绩效和财务效率的影响效果方面进行尝试性探索。
随着“营改增”政策深入推进，学术界相关研究也逐渐增多，但大多集中于“营改增”政策的定性描述及政策设计，具体包括如下几个方面：①定性分析“营改增”的制度设计。例如郭月梅（2013）[1]探索“营改增”背景下地方税体系的完善思路，他提出抓住“营改增”契机，从短期缓解地方财政压力、中期完善地方主体税种以及长期地方税重构三方面进行建议；张炜（2014）[2]定性分析“营改增”改革过程中的摩擦成本、规划成本、实施成本和其他成本。他认为应该从补偿纳税人以解决营改增“投入”与“产出”的时滞问题、化解中央与地方财政压力、解决税收征管缺位等方面进行成本控制。以上研究对完善“营业税改征增值税”政策以及税收政策体系提供了很多思路。②营改增对中央及地方财政、中国宏观经济发展的影响。田志伟和胡怡建（2014）[3]采用可计算一般均衡（CGE）模型，研究“营改增”的综合宏观经济效应，结果发现“1+7”扩围后国家宏观税负下降，而且“营改增”在服务业内的改革直接或间接拉动工业的发展；姜竹和马文强（2013）[4]研究发现试点地区的“营改增”政策对地方财政长期稳定性有促进作用，并提出财力扩容、确立地方主体税种等要求。③“营改增”对相关行业企业的影响。这类研究大多通过定性分析和定量描述进行分析。例如李永友和严岑（2018）[5]分析发现针对服务业的“营改增政策”能够带动制造业的产业转型，实现制造业的行业减税效应；王桂军和曹平（2018）[6]发现，“营改增”政策的实施，降低了制造业企业的自主创新意愿，提高了企业技术引进水平，在一定程度上促进了专业化分工。当然，也有学者采用双重差分模型进行“营改增”政策效果分析，例如王珮等（2014）[7]以双重差分法检验交通运输业的“营改增”政策效果，发现政策降低了相应税负，且行业规模有所扩张，但样本企业的业绩水平并未有显著改变。④实务层面的政策应对方案及“营改增”效果分析。例如王甲国（2016）[8]分析了税收征管实务中发票管理机制不完善、增值税抵扣鏈条不完整、会计核算难度大以及行业“潜规则”的影响等问题，进而提出建筑业企业做好衔接工作、合理确定服务价格、梳理供应商等建议。由于建筑行业与房地产业关联较密切，其建议亦能够为企业适应房地产业“营改增”所用。上述几类研究，大部分结果能够证明“营改增”对结构调整、产业转型、企业减负等方面的积极作用（许晖，岳树民，2018）[9]。但前人研究关于房地产业“营改增”的定性及定量分析相对较少，研究内容也多局限于“营改增”对房地产行业企业利润和行业整体税负的影响，或是在实务层面对房地产行业“营改增”效果进行分析，很少涉及房地产业实行“营改增”的政策效果、“营改增”对企业发展综合效应的数据验证、实证分析。
基于此，本文从定量分析的角度进行研究，旨在求证2016年5月1日后“营业税改征增值税”对房地产行业财务效率的影响，为中国完善“营改增”政策提供数据支持。具体来说，本文从企业微观视角出发，构建理论分析框架，尝试性探索房地产业营改增政策效果分析的逻辑思路，提出分析假设；在此基础上，以中国2015—2017年间国有房地产业的财务指标为条件，构建以投入-产出关系为主要框架的DEA数据包络模型，将计算得到的企业财务效率作为刻画企业综合经营效果的主要变量，并通过双重差分模型（DID）探索2016年中国房地产业“营业税改征增值税”对企业财务投入产出效率的影响，进而对本文的假说进行实证检验。
相比现有研究成果，本文有以下几点特色：①借用科学的效率分析模型，借鉴Charnes、Cooper和Rhodes等学者提出的数据包络分析（Data Envelopment Analysis，简化为DEA）模型，综合测算房地产业以及双重差分模型分析对照组的财务效率；②紧跟时代热点，通过分析房地产业的财务数据，使用双重差分方法测算“营改增”的政策效果，为税收制度调整和房地产业“营改增”向纵深推进提供资料和证据。
二、理论分析与研究假设
（一）“营改增”政策效果的理论分析 进入21世纪以来，国家出台了众多宏观调控的政策措施（杨庆育，2016）[10]，“营改增”是结构性减税政策的重要一环，对相关企业有较强的减税作用，也能够促进企业发展和经营，实现较好的财务绩效。原因如下：①减少重复征税，降低企业税负。例如，营业税时期，房地产行业按照5%的税率及销售金额缴纳营业税，房地产转让次数多，重复纳税也多。但增值税与营业税之间存在很大的核算差别。增值税作为价外税，计税依据为纳税人生产经营活动产生的法定增值额，纳税人购买增值税应税项目（产品）时缴纳的增值税可以在销售应税项目（产品）时全额抵扣，而只针对本环节增加值缴纳增值税。由此来看，增值税更能避免重复纳税，减少企业税负；②助推结构优化，完善上下游链条。“营改增”完善增值税征收体系，通过统一税制，消除重复征税，能够对抵扣项目扩围。长期来看，“营改增”既能保证各行业服务链条的完整，保证国家对其税收监督，又能完善企业增值税的抵扣链条，助推企业结构优化；③提高企业管理水平，助推企业绩效。企业为适应“营改增”政策，会重构内部控制制度及管理方案，完善企业的合同管理、票据管理、核算方法及核算工具。
（二）研究假设
前文理论分析表明，“营改增”政策对房地产业的发展存在促进作用，能够减轻企业税负压力，提高企业经营效率和财务绩效。本文预期“营改增”政策对房地产业企业财务效率的影响系数为正。据此，本文提出以下假设：
H1：房地产业“营改增”政策能够促进企业财务效率的提升。
三、数据来源及说明
为验证本文假设，探究“营业税改征增值税”的政策效果，本文使用国泰安数据库（CSMAR数据库）作为DEA模型和双重差分模型原始财务数据的来源。该数据库能够较为详细地提供相关行业各季度的财务数据，也能够保证原始数据的准确可靠。
为确保数据质量和研究设计质量，增强实证分析的可靠性，本文对原始数据进行如下筛选：①在进行研究之前，本文先剔除原始数据中存在数据缺失严重、缺少相关指标、研究期间内被评为ST、ST*的企业；②进行DEA模型数据计算的前提条件为所有输入数据为非负数，故本文剔除投入指标（企业总资产、营业总成本）和产出指标（净利润、营业总收入）为负值的样本；③除以上两点外，本文重点考虑上海证券交易所、深圳证券交易所主板上市的企业。这是因为本文旨在验证房地产业“营业税改征增值税”的政策效果，而其他版块上市企业在“营改增”之前由于享受地方政策优惠、纳税流程不规范和征管不到位等原因，可能会因为“营改增”政策的实施加大调整成本，而这些成本并非“营改增”本身带来的负面作用，故房地产业整体情况只作为辅助参考，而本文实证重点为研究有政策代表性的主板上市样本；④本文通过企业2016年年报及半年报统计该企业是否在2016年5月1日后有新开工的项目，执行增值税政策。经过筛选，本文得到观测样本为843个、时间跨度为2015-2017年（部分季度）的面板数据。
四、研究设计
（一）数据包络分析（DEA）
数据包络分析（DEA理论）是评价决策单元相对有效性的方法（魏权龄，2004）[11]，是系统分析最常用的工具之一。该理论所构建出的相对效率决策方法，已广泛用于业绩评价。例如梅昌新（2017）[12]以DEA模型评价吉林省“营改增”的政策效果；朱南和谭德彬（2015）[13]以DEA模型探索公司财务绩效水平和财务治理效率。本文借鉴前人研究思路，采用此方法对财务效率进行衡量。由于DEA模型本身有计算和规划权重，能够尽可能避免人为干扰，保证科学合理的进行政策效果分析。
1978年，Charnes 等人（1987）[14]提出CCR模型（数据包络分析方法的第一个模型），假设存在N个样本（决策单元），且每一个样本（决策单元）的综合效率都有m种投入指标（人力、资金等）和s種产出指标（产品、效果、获得的资金等）来衡量。该模型的等价数据包络形式如下。其中，θ是一个标量，计算后的θ值是第i个决策单元的效率值（根据Farrell的定义，θ≦1），λ是N×1的常数向量，X为投入矩阵（m×N），Y为产出矩阵（s×N），用以表示N个决策单元的数据。最终计算结果越大，则该样本的决策越有效，效率最优。
S.t. minθ，λθ
-yi+Yλ≥0
θxi-Xλ≥0
λ≥0，i=1，2，…N（1）
由于规模报酬不变（CRS）的严格假设不能满足①①假设要求企业规模大小不影响其投入产出效率，但实际上政策限制、经济环境等因素都可能影响样本企业的运行。这会影响模型的测算。Banker（1984）等人提出CRS模型的改进方案，即规模报酬可变的BCC模型。 ，通过学者的不断修正，DEA模型在衡量效率时，基于帕累托有效观念，衍生出规模报酬不变、规模报酬可变和规模报酬非增三种类型。本文在研究设计时，参考朱南和谭德彬（2015）[13]的研究思路，选择规模报酬可变（VRS）模型（BCC）来计算综合财务效率。通过BCC模型，可分离出企业财务数据的纯技术效率与规模效率，进而可计算出该公司财务绩效的综合效率。其综合效率（又称为技术效率）值为纯技术效率值与规模效率值的乘积。根据上文DEA基本模型，本文构建财务绩效综合效率DEA模型。在满足DEA模型基本假设的前提下，得到如下BCC计算公式：
S.t.minθ - ε∑mi = 1S-i + ∑sr = 1S + r
∑nj = 1xij λj + s-i = θxij0 ，i∈（1，2，...m）
∑nj = 1yrj λj -s + r = yrj0 ，r∈（1，2，...s）
∑nj = 1λj = 1
θ，λj ，s-i ，s + r ≥0，j = 1，2，...n （2） 其中，m为DEA模型中投入指标的个数，s为DEA模型中产出指标的个数（本文设定m=2，s=2），xij0和yrj0表示j0企業的输入指标i和输出指标r，sr和si为松弛变量。合理的定义投入与产出指标是正确利用DEA考核企业绩效的关键。由于BCC模型的投入产出指标设定具有主观性，且考虑到各项财务指标计算误差，为保证分析的准确，故本文在拟定BCC模型投入产出指标时，参考Kumar等人（2016）[15]的研究，选择资产负债表及利润表中的原始财务数据作为投入和产出指标进行设定如下：①投入指标。总资产能够反映企业规模大小，又能反映企业为经营活动进行的投入，该指标从整体反映不动产行业企业经营基础。营业总成本反映相关企业为进行经营活动所花费的成本代价，其高低决定经营效率高低，该指标反映企业的资产运用能力。②产出指标。净利润反映公司总体盈利状况，能够代表企业的财务绩效成果。营业总收入反映企业经营活动的成果，其高低是衡量企业经营效率的主要衡量指标。根据前人研究经验，所研究样本数至少大于DEA模型选定投入、产出参数之和的两倍。本文选择的投入产出指标数量及样本数量能够满足要求。另外，为降低投入产出指标设定主观性对研究的影响，本文参考朱南和谭德彬（2015）[13]的研究思路，对投入产出指标设定进行检验以保证以下两点条件：①投入指标与产出指标应显著相关②投入产出指标之间满足等幅扩张性要求，即投入与产出应呈现正相关。本文借用STATA软件对DEA模型的投入产出指标进行PEARSON相关性检验，结果发现所有指标均呈现1%以内的显著正相关，说明指标选择合理，可以采用。
根据以上分析，本文设定BCC模型中的投入指标为总资产和营业总成本，产出指标为净利润和营业总收入，所有计算通过DEAP2.0软件进行，最终结果选择纯技术效率值（VRSTE）作为房地产业综合财务效率的量化标准（纯技术效率值测度的是规模报酬可变时样本企业与生产前沿面之间的距离，是考虑规模收益时的技术效率）。
（二）双重差分法（DID）
在进行随机试验和自然实验时，需要通过一段时间的连续统计来充分展现实验的效果。通过实验前后两期的面板数据分析来展现被解释变量实验前后的变化，即为双重差分法的逻辑构成。具体来说，考虑以下两期面板数据：
yit=β0+β1Dt+β2Xit+ui+εit（i=1，...，n；t=1，2） （3）
D作为是否为试验期的衡量指标（D为虚拟变量，若t=1，则D=0；若t=2，则D=1），X作为是否适用于政策的判断指标（若t=2且样本属于实验组，则X=1；其他情况X=0），u为不可观测到的个体特征。如果实验过程中掺杂人为因素而未做到完全随机，则可能X与u之间存在相关关系，影响OLS回归结果，导致实验偏差。而通过面板数据进行差分，将t=2时的数据与t=1时的数据二者相减，即可消除u的影响。得到如下方程：
Δyi=β1+β2Xi2+Δεi（4）
在此基础上进行OLS回归便可得到一致估计。同样，进行与差分估计量相同思路的计算，便可得到差分的估计量：
β∧OLS=Δtreated-Δcontrols（5）
这个差分估计量反映了处理组的平均变化与对照组的平均变化之差，经过两次差分，已经剔除回归结果受到处理组与对照组之间在实验前由于自有特征而存在差异的影响。双重差分法由于同时控制分组效应和时间效应，所以被广泛应用于政策效果分析。虽然诸多文献如聂辉华（2009）[16]在进行双重差分模型分析时，提及双重差分对模型内生性问题的有效修正。但为保证本文思路的完整，参考陈林[17]（2015）对中国学者运用双重差分法进行政策效果研究的现状与潜在问题的分析，完善本文对模型内生性问题的控制。他认为，在运用双重差分过程中，要做到保证控制组受政策影响较小、保证处理组与对照组的同质性、保证样本处理的随机性三点。因此，本文在控制误差设计时，参考其建议，扩大样本，选择合理的估计方法，增加控制变量以保证实验的可靠性。当然，从政策本身来看，“营改增”事件对于相关行业的企业属于外生事件，是“自然实验”的范畴（王珮等，2014）[18]。
本文在进行设计时，参考陈林（2015）[17]的分析，将对照组选择为在2016年5月1日后没有新开工项目的房地产业企业。记经过数据处理后的处理组（房地产业）样本虚拟变量treated=1，记经过数据处理后获得的对照组（2016年5月1日后没有新开工项目的房地产企业）treated=0。同时，设定时间虚拟变量t，令样本数据处在房地产业正式实施“营业税改征增值税”（2016年5月1日）日期之前，t=0，在该日期之后，t=1。
根据上述思路，本文基于双重差分法设定如下回归模型，以检验前文假设：
FEit=β0+β1treatedit+β2tit+β3treatedit×tit+β4controlsit+εit（6）
其中，FEit衡量企业i在第t期的财务效率，是通过DEA模型进行综合测算得出的结果，投入变量设定为总资产及营业总成本，产出变量为净利润及营业总收入。Controls是一组能够观测得到的对企业财务绩效及经营能够产生影响的控制变量。这里结合上述模型及双重差分模型进行分析，不难看出，对于处理组（treated=1）来说，“营业税改征增值税”政策正式实施前后的企业绩效波动分别为β0+β1和β0+β1+β2+β3，二者之间的差异为diff1=β2+β3，此差异包含“营业税改征增值税”的政策影响效果β3以及时间差异β2。对于对照组（treated=0）来说，企业综合财务绩效在“营业税改征增值税”政策实施前后的波动效果分别为β0和β0+β2。不受“营改增”影响的对照组样本在政策实施前后的企业综合财务绩效差异为diff0=β2。所以，企业实行“营改增”对企业财务绩效的净影响效果为diff=diff1-diff0=β3。结合上述原始模型来看，β3作为双重差分（DID）的估计量，是模型关注的重点系数，也是探索2016年房地产业“营改增”政策对企业财务绩效影响的政策效果的关键。根据上文的论述，理论上“营改增”能够提高企业综合财务效率，获得良好的政策效果，促进企业发展，那么β3的系数应该为正。借鉴已有文献的一般做法，本文为模型设定以下控制变量：①流动比率（CR），用以衡量企业偿债能力；②资产负债率（RISK），用以衡量企业财务风险和资产结构；③总资产净利润率（ROA），用以衡量企业盈利能力；④总资产周转率（TAT），用以衡量企业经营能力。 对于模型变量的选取及衡量方法，详见下表：
表1变量定义与度量
變量名称变量代码变量定义企业财务效率FE企业财务纯技术效率，由DEA模型计算得到是否为处理组treated若为房地产业，则记为1，否则记为0是否处于“营改增时期”t若样本时间为2016年5月1日以后，则记为1，否则为0交乘项t×treated双重差分模型的政策交乘项流动比率CR流动资产/流动负债资产负债率RISK负债合计/资产总计总资产净利润率ROA净利润/总资产余额总资产周转率TAT营业收入/资产总额期末余额五、“营改增”对房地产业企业绩效的影响实证分析
本文在对DEA模型下房地产业2015—2017年企业财务绩效综合效率进行描述分析的基础上，利用双重差分模型进行实证分析，进一步探讨“营改增”对企业财务绩效的影响。
（一）描述性统计
本文对房地产业“营改增”政策效果模型进行描述性统计，如下表所示。通过统计发现，房地产业的企业财务效率（FE）最大值为1，均值为06454，中位数为06260，偏向于1，最小值为0091，最大值已达到综合效率的最高值。说明相关样本的财务效率较高；本行业的经营能力指标——总资产周转率（TAT）在00009-14933之间，幅度较大，说明样本之间经营水平不同，受政策影响情况也不尽相同。总体均值在01303附近，中位数为00966，说明整体样本的总资产周转率低于均值；流动比率（CR）最大值为210517，最小值为00605，均值在21355附近，中位数为19378，说明多数样本的流动比率小于21355；企业财务杠杆率（RISK）最大值09409，最小值为00417，均值为06574，中位数为06904，说明整体样本的财务杠杆率处于比较合理但偏高的水平，也能够反映出房地产企业普遍存在较高财务风险的现状；样本的盈利能力指标——总资产净利润率（ROA）最大值01488，最小值接近0，均值为00166，中位数为00104，说明多数样本的盈利能力水平低于均值。
（二）Pearson相关性分析
本文对统计样本中各项指标间关系进行探究，通过stata进行相关性分析，结果如下表。结合Pearson相关性分析，本文发现处理组变量（treated）、时间变量（t）与企业财务效率（FE）呈现正相关关系，本文的关键指标政策效果变量（t×treated）与企业财务效率（FE）呈显著的正相关关系。考虑到单独两个变量之间的相关关系与回归结果之间可能存在误差，仍需要通过对模型的回归分析和稳健性检验进行系统分析。除此之外，本文通过相关性分析，发现偿债能力指标——流动比率（CR）与企业财务效率呈显著的负相关关系。流动比率越大，企业现金流动越强，房地产企业的财务效率越低；经营能力指标——总资产周转率（TAT）、资本结构指标——资产负债率（RISK）、盈利能力指标——总资产净利润率（ROA）与企业财务效率（FE）呈显著正相关关系。
（三）双重差分检验
根据前文假设，本文在通过Hausman检验后对样本数据进行随机效应面板回归，结果如下表所示。观察回归结果发现：①本文通过实证，证明政策效果变量（t*treated） 与企业财务效率（FE）有显著的正相关关系，处理组变量（treated）与企业财务效率（FE）呈显著的正相关关系，说明2016年5月1日后针对房地产行业“营改增”政策已经产生一定效果，对于企业的财务绩效已经起到促进作用。但“营改增”政策时间变量（t）与企业财务效率（FE）呈不显著的负相关关系。这与样本的时间选择、数量选择有一定关系，当然也与“营改增”导致样本企业在政策过渡时期（2016年第一、二季度）的管理费用有所增加、政策效果并未完全显现以及增值税抵扣链条并未完全搭建有关；②对于控制变量，本文发现流动比率（CR）与企业财务效率呈不显著的负相关关系，说明资金流动性越强的房地产企业，其财务效率越低；资产负债率（RISK）、总资产周转率（TAT）、总资产净利润率（ROA）与企业财务效率（FE）呈正相关关系，说明财务风险越大，资产周转速度越快、企业盈利能力越强，则企业财务效率越高；③整个模型Wald chi2 值达到1558.97，说明模型比较稳健，R2 为0.5164，说明模型设定较好。总的来说，本文借助双重差分模型进行回归，能够证明中国房地产行业在“营改增”政策背景下获得财务效率的提升，说明“营改增”在促进企业发展方面的政策效果已经初步显现。
（四）稳健性检验
为保证政策效果研究的准确性，本文从以下途径进行数据的稳健性检验。①变换样本，调整样本时间。本文将样本的时间跨度进行调整，删除2016年5月1日前后两个季度（“营改增”政策适应期）的样本进行回归，DEA模型处理方式与上文实证处理方式相同，回归结果如（1）所示；②变换回归方法。本文直接采用OLS最小二乘法对全样本及删除“营改增”政策过渡时期的样本进行线性回归数据处理，结果如（2）、（3）所示；③本文选择混合最小二乘法控制时间进行稳健性检验，与最小二乘法回归结果无实质性差异，故不再列示。
通过稳健性检验，本文发现：（1）“营改增”政策效果已经初步显现。本文按照变换样本、变换回归方法等方式进行稳健性检验，结果仍然能够证明政策效果分析的关键变量交乘项（t×treated）与企业财务效率（FE）呈显著的正相关关系。考虑到样本跨期短，对于“营改增”政策效果初步实施阶段来说，已达到预期效果；（2）“营改增”政策效果虽然有所显现，但若要向纵深推进、实现更好的政策效果仍需对企业发展情况保持跟踪，不断修正和完善相应政策。虽然政策变量（t×treated）达到预期，与企业财务效率呈正相关关系，但相关关系仍不够显著，这与企业为适应“营改增”增加非经营性投入（如相关培训、管理制度调整导致管理费用增加）、增值税抵扣链条不完整而增加成本、样本跨期短（企业购进固定资产税金可抵扣等政策效果尚不明显）等原因有关。综上所述，本文的双重差分回归效果比较稳健，能够证明“营改增”对企业的财务效率有较好的政策效果，并随着时间推移，其政策效果能够更突出的显现。 六、结论与启示
本文通过构建数据包络（DEA）模型及双重差分模型，以2016年5月1日之后没有新开工项目的房地产企业为对照组，分析“营改增”对中国房地产企业财务效率的影响。实证研究发现：①对于内部管理规范、税收政策管理水平较高的企业，“营改增”的实施，已经初步显现出在倒逼企业提高效率、管理创新以及加强财务管理方面的作用。②实证结果仍未能达到最好的效果预期，说明“营改增”的政策效果仍需要通过时间检验，仍存在政策调整的空间与可能。
据此，本文为政策实施提供以下几点建议，以供参考：①虽然“营改增”的政策效果已经初步显现，确实能够倒逼企业提高效率，但仍需在下一步政策完善工作中，着重针对相关行业在政策调整期进行政策优惠，减少政策的负面效应和改革成本。考虑到“营改增”后税收的征管系统日臻完善，税收制度应与相关企业的增值税抵扣链条系统相适应，避免部分企业因政策变动因素导致无法抵扣而增加税收负担；②进一步做好房地产企业数据的统计分析工作，构建政策效果反馈机制。“营改增”政策改革力度较大，应避免因社会负面传闻影响政策顺利实施和社会判断。应该以官方途径对政策效果进行反馈，科学合理地完善政策。
最后，本文的研究仅是在“营改增”实施后政策效果的初步探索，仍存在一些不足，但也是下一步研究方向：①由于数据的限制，本文的样本局限于“营改增”后两个季度的财务数据。在此基础上，在未来更长的时间维度上可以进一步跟踪检验“营改增”的长期政策效果，为“营改增”政策的进一步完善提供数据依据；②本文针对财务效率进行初步研究。在此基础上，考虑“营改增”对企业管理的综合政策效应是下一步研究的方向。
参考文献：
[1]郭月梅.“营改增”背景下完善地方税体系的探讨[J].财政研究，2013（6）：35-37.
[2]张炜.基于制度经济学视角的“营改增”改革成本分析[J].税务研究，2014（1）：79-82.
[3]田志伟，胡怡建.“营改增”对财政经济的动态影响：基于CGE模型的分析[J].财经研究，2014，40（2）：4-18.
[4]姜竹，马文强.“营改增”对地方财政稳定性的影响研究[J].中央财经大学學报，2013（9）：1-7.
[5]李永友，严岑.服务业“营改增”能带动制造业升级吗？[J].经济研究，2018（04）：18-31.
[6]王桂军，曹平.“营改增”对制造业企业自主创新的影响——兼议制造业企业的技术引进[J].财经研究，2018（03）：4-19.
[7]王珮，董聪，徐潇鹤，等.“营改增”背景下的税收筹划途径[J].税务研究，2014（5）：8-12.
[8]王甲国.建筑业应对“营改增”之策略[J].税务研究，2016（1）：99-102.
[9]许晖，岳树民.“营改增”的经济效应与增值税制度完善：一个文献综述[J].财经论丛，2018（6）：24-33.
[10]杨庆育.宏观调控的现实因应[J].重庆社会科学，2016（9）：117-120
[11]魏权龄.数据包络分析[M].北京：科学出版社，2004：1-3.
[12]梅昌新.基于数据包络分析的我国营改增效应评价——以吉林省数据为例[J].税务研究，2017（10）：9-13.
[13]朱南，谭德彬.我国财务公司资金使用效率、动态变化及影响因素研究——基于DEA方法的实证分析[J].金融研究，2015（1）：177-192.
[14]Charnes A.，W.W.Cooper ，and E.Rhodes .Measuring the efficiency of decision making units[J].European Journal of Operational Research，1978，2（6）：429-444.
[15]Kumar M ，V.Charles，and C.S.Mishra.Evaluating the performance of Indian banking sector using DEA during post-reform and global financial crisis[J].Journal of Business Economics and Management，2016，17（1）：156-172.
[16]聂辉华，方明月，李涛.增值税转型对企业行为和绩效的影响——以东北地区为例[J].管理世界，2009（5）：17-24.
[17]陈林，伍海军.国内双重差分法的研究现状与潜在问题[J].数量经济技术经济研究，2015（7）：133-148.
[18]王珮，董聪，徐潇鹤，等.“营改增”背景下的税收筹划途径[J].税务研究，2014（5）：8-12.
Research on the Impact of Real Estate Industry's Reform of Replacing Business
Tax for VAT on Corporate Financial Efficiency-an Empirical Test Based on DEA Model
DU Jian1，WANG Zhao2， YANG Yang3
（1.School of Accounting， Guizhou University of Finance and Economics， Guiyang Guizhou， 550025， China；
2.School of Accounting， Capital University of Economics and Business， Beijing， 100070， China； 3.School of Economics，Guizhou University of Finance and Economics， Guiyang Guizhou， 550025， China）
Abstract：In this paper， we measure the enterprise comprehensive financial efficiency in the real estate industry listed companies in China between the period before and after the reform. We use the BCC model which is modified and based on data envelopment analysis （DEA） model.At the same time in state-owned listed wholesaling and retailing enterprise.Furthermore， we measure the policy effect which is used by difference-in-differences model on real estate industry enterprises’ comprehensive financial efficiency. Research shows that： in view of the Reform of Replacing Business Tax for VAT on the real estate industry has significantly promote effect on the enterprise financial efficiency， policy effect is starting to show.But state still need to constantly improve and adjust the related policy，we still need to follow the research in the relevant industry policy effect for a long time.
Key words：the reform of replacing business tax for VAT；the real estate industry； the tax policy effect；DEA model；difference-in-differences model
責任编辑：张士斌吴锦丹萧敏娜常明明张士斌
关键词：营改增；房地产业；税收政策效果；DEA模型；双重差分模型
文章编号：2095-5960（2018）06-0072-09；中图分类号：F230；文献标识码：A
一 、问题提出
“十三五”时期，我国推行“营业税改征增值税”，是税收制度的重大变革。2016年5月1日开始，“营业税改征增值税”政策开始推广至房地产等行业。“营改增”主要目的是减轻企业税收负担，通过税收制度调整，激发市场活力，从制度层面解决“道道征收，全额征收”的重复征税问题。而作为2016年“营改增”改革重点之一的房地产业，其兴衰关乎人民生活质量，是民生问题之重。那么，2016年5月1日开始施行的房地产业“营业税改征增值税”政策是否达到了改革要求？是否能够真正促进企业财务绩效增长？
近年来，有学者提出中国赋税过重，可能会引发企业倒闭的质疑。事实上，中国宏观税负近年来一直稳中有降，而“营改增”正是管理部门对企业减负做出的努力。当然，减负并不是“营改增”效果的唯一评价标准。相关管理部门希望借“营改增”减税之力，推动税制改革与完善，为政府精准调控提供前提。“营改增”在推动供给侧改革、税制完善以及倒逼企业管理创新、供应链监管等方面的作用更是功在千秋。基于此，本文在“营改增”对企业财务绩效和财务效率的影响效果方面进行尝试性探索。
随着“营改增”政策深入推进，学术界相关研究也逐渐增多，但大多集中于“营改增”政策的定性描述及政策设计，具体包括如下几个方面：①定性分析“营改增”的制度设计。例如郭月梅（2013）[1]探索“营改增”背景下地方税体系的完善思路，他提出抓住“营改增”契机，从短期缓解地方财政压力、中期完善地方主体税种以及长期地方税重构三方面进行建议；张炜（2014）[2]定性分析“营改增”改革过程中的摩擦成本、规划成本、实施成本和其他成本。他认为应该从补偿纳税人以解决营改增“投入”与“产出”的时滞问题、化解中央与地方财政压力、解决税收征管缺位等方面进行成本控制。以上研究对完善“营业税改征增值税”政策以及税收政策体系提供了很多思路。②营改增对中央及地方财政、中国宏观经济发展的影响。田志伟和胡怡建（2014）[3]采用可计算一般均衡（CGE）模型，研究“营改增”的综合宏观经济效应，结果发现“1+7”扩围后国家宏观税负下降，而且“营改增”在服务业内的改革直接或间接拉动工业的发展；姜竹和马文强（2013）[4]研究发现试点地区的“营改增”政策对地方财政长期稳定性有促进作用，并提出财力扩容、确立地方主体税种等要求。③“营改增”对相关行业企业的影响。这类研究大多通过定性分析和定量描述进行分析。例如李永友和严岑（2018）[5]分析发现针对服务业的“营改增政策”能够带动制造业的产业转型，实现制造业的行业减税效应；王桂军和曹平（2018）[6]发现，“营改增”政策的实施，降低了制造业企业的自主创新意愿，提高了企业技术引进水平，在一定程度上促进了专业化分工。当然，也有学者采用双重差分模型进行“营改增”政策效果分析，例如王珮等（2014）[7]以双重差分法检验交通运输业的“营改增”政策效果，发现政策降低了相应税负，且行业规模有所扩张，但样本企业的业绩水平并未有显著改变。④实务层面的政策应对方案及“营改增”效果分析。例如王甲国（2016）[8]分析了税收征管实务中发票管理机制不完善、增值税抵扣鏈条不完整、会计核算难度大以及行业“潜规则”的影响等问题，进而提出建筑业企业做好衔接工作、合理确定服务价格、梳理供应商等建议。由于建筑行业与房地产业关联较密切，其建议亦能够为企业适应房地产业“营改增”所用。上述几类研究，大部分结果能够证明“营改增”对结构调整、产业转型、企业减负等方面的积极作用（许晖，岳树民，2018）[9]。但前人研究关于房地产业“营改增”的定性及定量分析相对较少，研究内容也多局限于“营改增”对房地产行业企业利润和行业整体税负的影响，或是在实务层面对房地产行业“营改增”效果进行分析，很少涉及房地产业实行“营改增”的政策效果、“营改增”对企业发展综合效应的数据验证、实证分析。
基于此，本文从定量分析的角度进行研究，旨在求证2016年5月1日后“营业税改征增值税”对房地产行业财务效率的影响，为中国完善“营改增”政策提供数据支持。具体来说，本文从企业微观视角出发，构建理论分析框架，尝试性探索房地产业营改增政策效果分析的逻辑思路，提出分析假设；在此基础上，以中国2015—2017年间国有房地产业的财务指标为条件，构建以投入-产出关系为主要框架的DEA数据包络模型，将计算得到的企业财务效率作为刻画企业综合经营效果的主要变量，并通过双重差分模型（DID）探索2016年中国房地产业“营业税改征增值税”对企业财务投入产出效率的影响，进而对本文的假说进行实证检验。
相比现有研究成果，本文有以下几点特色：①借用科学的效率分析模型，借鉴Charnes、Cooper和Rhodes等学者提出的数据包络分析（Data Envelopment Analysis，简化为DEA）模型，综合测算房地产业以及双重差分模型分析对照组的财务效率；②紧跟时代热点，通过分析房地产业的财务数据，使用双重差分方法测算“营改增”的政策效果，为税收制度调整和房地产业“营改增”向纵深推进提供资料和证据。
二、理论分析与研究假设
（一）“营改增”政策效果的理论分析 进入21世纪以来，国家出台了众多宏观调控的政策措施（杨庆育，2016）[10]，“营改增”是结构性减税政策的重要一环，对相关企业有较强的减税作用，也能够促进企业发展和经营，实现较好的财务绩效。原因如下：①减少重复征税，降低企业税负。例如，营业税时期，房地产行业按照5%的税率及销售金额缴纳营业税，房地产转让次数多，重复纳税也多。但增值税与营业税之间存在很大的核算差别。增值税作为价外税，计税依据为纳税人生产经营活动产生的法定增值额，纳税人购买增值税应税项目（产品）时缴纳的增值税可以在销售应税项目（产品）时全额抵扣，而只针对本环节增加值缴纳增值税。由此来看，增值税更能避免重复纳税，减少企业税负；②助推结构优化，完善上下游链条。“营改增”完善增值税征收体系，通过统一税制，消除重复征税，能够对抵扣项目扩围。长期来看，“营改增”既能保证各行业服务链条的完整，保证国家对其税收监督，又能完善企业增值税的抵扣链条，助推企业结构优化；③提高企业管理水平，助推企业绩效。企业为适应“营改增”政策，会重构内部控制制度及管理方案，完善企业的合同管理、票据管理、核算方法及核算工具。
（二）研究假设
前文理论分析表明，“营改增”政策对房地产业的发展存在促进作用，能够减轻企业税负压力，提高企业经营效率和财务绩效。本文预期“营改增”政策对房地产业企业财务效率的影响系数为正。据此，本文提出以下假设：
H1：房地产业“营改增”政策能够促进企业财务效率的提升。
三、数据来源及说明
为验证本文假设，探究“营业税改征增值税”的政策效果，本文使用国泰安数据库（CSMAR数据库）作为DEA模型和双重差分模型原始财务数据的来源。该数据库能够较为详细地提供相关行业各季度的财务数据，也能够保证原始数据的准确可靠。
为确保数据质量和研究设计质量，增强实证分析的可靠性，本文对原始数据进行如下筛选：①在进行研究之前，本文先剔除原始数据中存在数据缺失严重、缺少相关指标、研究期间内被评为ST、ST*的企业；②进行DEA模型数据计算的前提条件为所有输入数据为非负数，故本文剔除投入指标（企业总资产、营业总成本）和产出指标（净利润、营业总收入）为负值的样本；③除以上两点外，本文重点考虑上海证券交易所、深圳证券交易所主板上市的企业。这是因为本文旨在验证房地产业“营业税改征增值税”的政策效果，而其他版块上市企业在“营改增”之前由于享受地方政策优惠、纳税流程不规范和征管不到位等原因，可能会因为“营改增”政策的实施加大调整成本，而这些成本并非“营改增”本身带来的负面作用，故房地产业整体情况只作为辅助参考，而本文实证重点为研究有政策代表性的主板上市样本；④本文通过企业2016年年报及半年报统计该企业是否在2016年5月1日后有新开工的项目，执行增值税政策。经过筛选，本文得到观测样本为843个、时间跨度为2015-2017年（部分季度）的面板数据。
四、研究设计
（一）数据包络分析（DEA）
数据包络分析（DEA理论）是评价决策单元相对有效性的方法（魏权龄，2004）[11]，是系统分析最常用的工具之一。该理论所构建出的相对效率决策方法，已广泛用于业绩评价。例如梅昌新（2017）[12]以DEA模型评价吉林省“营改增”的政策效果；朱南和谭德彬（2015）[13]以DEA模型探索公司财务绩效水平和财务治理效率。本文借鉴前人研究思路，采用此方法对财务效率进行衡量。由于DEA模型本身有计算和规划权重，能够尽可能避免人为干扰，保证科学合理的进行政策效果分析。
1978年，Charnes 等人（1987）[14]提出CCR模型（数据包络分析方法的第一个模型），假设存在N个样本（决策单元），且每一个样本（决策单元）的综合效率都有m种投入指标（人力、资金等）和s種产出指标（产品、效果、获得的资金等）来衡量。该模型的等价数据包络形式如下。其中，θ是一个标量，计算后的θ值是第i个决策单元的效率值（根据Farrell的定义，θ≦1），λ是N×1的常数向量，X为投入矩阵（m×N），Y为产出矩阵（s×N），用以表示N个决策单元的数据。最终计算结果越大，则该样本的决策越有效，效率最优。
S.t. minθ，λθ
-yi+Yλ≥0
θxi-Xλ≥0
λ≥0，i=1，2，…N（1）
由于规模报酬不变（CRS）的严格假设不能满足①①假设要求企业规模大小不影响其投入产出效率，但实际上政策限制、经济环境等因素都可能影响样本企业的运行。这会影响模型的测算。Banker（1984）等人提出CRS模型的改进方案，即规模报酬可变的BCC模型。 ，通过学者的不断修正，DEA模型在衡量效率时，基于帕累托有效观念，衍生出规模报酬不变、规模报酬可变和规模报酬非增三种类型。本文在研究设计时，参考朱南和谭德彬（2015）[13]的研究思路，选择规模报酬可变（VRS）模型（BCC）来计算综合财务效率。通过BCC模型，可分离出企业财务数据的纯技术效率与规模效率，进而可计算出该公司财务绩效的综合效率。其综合效率（又称为技术效率）值为纯技术效率值与规模效率值的乘积。根据上文DEA基本模型，本文构建财务绩效综合效率DEA模型。在满足DEA模型基本假设的前提下，得到如下BCC计算公式：
S.t.minθ - ε∑mi = 1S-i + ∑sr = 1S + r
∑nj = 1xij λj + s-i = θxij0 ，i∈（1，2，...m）
∑nj = 1yrj λj -s + r = yrj0 ，r∈（1，2，...s）
∑nj = 1λj = 1
θ，λj ，s-i ，s + r ≥0，j = 1，2，...n （2） 其中，m为DEA模型中投入指标的个数，s为DEA模型中产出指标的个数（本文设定m=2，s=2），xij0和yrj0表示j0企業的输入指标i和输出指标r，sr和si为松弛变量。合理的定义投入与产出指标是正确利用DEA考核企业绩效的关键。由于BCC模型的投入产出指标设定具有主观性，且考虑到各项财务指标计算误差，为保证分析的准确，故本文在拟定BCC模型投入产出指标时，参考Kumar等人（2016）[15]的研究，选择资产负债表及利润表中的原始财务数据作为投入和产出指标进行设定如下：①投入指标。总资产能够反映企业规模大小，又能反映企业为经营活动进行的投入，该指标从整体反映不动产行业企业经营基础。营业总成本反映相关企业为进行经营活动所花费的成本代价，其高低决定经营效率高低，该指标反映企业的资产运用能力。②产出指标。净利润反映公司总体盈利状况，能够代表企业的财务绩效成果。营业总收入反映企业经营活动的成果，其高低是衡量企业经营效率的主要衡量指标。根据前人研究经验，所研究样本数至少大于DEA模型选定投入、产出参数之和的两倍。本文选择的投入产出指标数量及样本数量能够满足要求。另外，为降低投入产出指标设定主观性对研究的影响，本文参考朱南和谭德彬（2015）[13]的研究思路，对投入产出指标设定进行检验以保证以下两点条件：①投入指标与产出指标应显著相关②投入产出指标之间满足等幅扩张性要求，即投入与产出应呈现正相关。本文借用STATA软件对DEA模型的投入产出指标进行PEARSON相关性检验，结果发现所有指标均呈现1%以内的显著正相关，说明指标选择合理，可以采用。
根据以上分析，本文设定BCC模型中的投入指标为总资产和营业总成本，产出指标为净利润和营业总收入，所有计算通过DEAP2.0软件进行，最终结果选择纯技术效率值（VRSTE）作为房地产业综合财务效率的量化标准（纯技术效率值测度的是规模报酬可变时样本企业与生产前沿面之间的距离，是考虑规模收益时的技术效率）。
（二）双重差分法（DID）
在进行随机试验和自然实验时，需要通过一段时间的连续统计来充分展现实验的效果。通过实验前后两期的面板数据分析来展现被解释变量实验前后的变化，即为双重差分法的逻辑构成。具体来说，考虑以下两期面板数据：
yit=β0+β1Dt+β2Xit+ui+εit（i=1，...，n；t=1，2） （3）
D作为是否为试验期的衡量指标（D为虚拟变量，若t=1，则D=0；若t=2，则D=1），X作为是否适用于政策的判断指标（若t=2且样本属于实验组，则X=1；其他情况X=0），u为不可观测到的个体特征。如果实验过程中掺杂人为因素而未做到完全随机，则可能X与u之间存在相关关系，影响OLS回归结果，导致实验偏差。而通过面板数据进行差分，将t=2时的数据与t=1时的数据二者相减，即可消除u的影响。得到如下方程：
Δyi=β1+β2Xi2+Δεi（4）
在此基础上进行OLS回归便可得到一致估计。同样，进行与差分估计量相同思路的计算，便可得到差分的估计量：
β∧OLS=Δtreated-Δcontrols（5）
这个差分估计量反映了处理组的平均变化与对照组的平均变化之差，经过两次差分，已经剔除回归结果受到处理组与对照组之间在实验前由于自有特征而存在差异的影响。双重差分法由于同时控制分组效应和时间效应，所以被广泛应用于政策效果分析。虽然诸多文献如聂辉华（2009）[16]在进行双重差分模型分析时，提及双重差分对模型内生性问题的有效修正。但为保证本文思路的完整，参考陈林[17]（2015）对中国学者运用双重差分法进行政策效果研究的现状与潜在问题的分析，完善本文对模型内生性问题的控制。他认为，在运用双重差分过程中，要做到保证控制组受政策影响较小、保证处理组与对照组的同质性、保证样本处理的随机性三点。因此，本文在控制误差设计时，参考其建议，扩大样本，选择合理的估计方法，增加控制变量以保证实验的可靠性。当然，从政策本身来看，“营改增”事件对于相关行业的企业属于外生事件，是“自然实验”的范畴（王珮等，2014）[18]。
本文在进行设计时，参考陈林（2015）[17]的分析，将对照组选择为在2016年5月1日后没有新开工项目的房地产业企业。记经过数据处理后的处理组（房地产业）样本虚拟变量treated=1，记经过数据处理后获得的对照组（2016年5月1日后没有新开工项目的房地产企业）treated=0。同时，设定时间虚拟变量t，令样本数据处在房地产业正式实施“营业税改征增值税”（2016年5月1日）日期之前，t=0，在该日期之后，t=1。
根据上述思路，本文基于双重差分法设定如下回归模型，以检验前文假设：
FEit=β0+β1treatedit+β2tit+β3treatedit×tit+β4controlsit+εit（6）
其中，FEit衡量企业i在第t期的财务效率，是通过DEA模型进行综合测算得出的结果，投入变量设定为总资产及营业总成本，产出变量为净利润及营业总收入。Controls是一组能够观测得到的对企业财务绩效及经营能够产生影响的控制变量。这里结合上述模型及双重差分模型进行分析，不难看出，对于处理组（treated=1）来说，“营业税改征增值税”政策正式实施前后的企业绩效波动分别为β0+β1和β0+β1+β2+β3，二者之间的差异为diff1=β2+β3，此差异包含“营业税改征增值税”的政策影响效果β3以及时间差异β2。对于对照组（treated=0）来说，企业综合财务绩效在“营业税改征增值税”政策实施前后的波动效果分别为β0和β0+β2。不受“营改增”影响的对照组样本在政策实施前后的企业综合财务绩效差异为diff0=β2。所以，企业实行“营改增”对企业财务绩效的净影响效果为diff=diff1-diff0=β3。结合上述原始模型来看，β3作为双重差分（DID）的估计量，是模型关注的重点系数，也是探索2016年房地产业“营改增”政策对企业财务绩效影响的政策效果的关键。根据上文的论述，理论上“营改增”能够提高企业综合财务效率，获得良好的政策效果，促进企业发展，那么β3的系数应该为正。借鉴已有文献的一般做法，本文为模型设定以下控制变量：①流动比率（CR），用以衡量企业偿债能力；②资产负债率（RISK），用以衡量企业财务风险和资产结构；③总资产净利润率（ROA），用以衡量企业盈利能力；④总资产周转率（TAT），用以衡量企业经营能力。 对于模型变量的选取及衡量方法，详见下表：
表1变量定义与度量
變量名称变量代码变量定义企业财务效率FE企业财务纯技术效率，由DEA模型计算得到是否为处理组treated若为房地产业，则记为1，否则记为0是否处于“营改增时期”t若样本时间为2016年5月1日以后，则记为1，否则为0交乘项t×treated双重差分模型的政策交乘项流动比率CR流动资产/流动负债资产负债率RISK负债合计/资产总计总资产净利润率ROA净利润/总资产余额总资产周转率TAT营业收入/资产总额期末余额五、“营改增”对房地产业企业绩效的影响实证分析
本文在对DEA模型下房地产业2015—2017年企业财务绩效综合效率进行描述分析的基础上，利用双重差分模型进行实证分析，进一步探讨“营改增”对企业财务绩效的影响。
（一）描述性统计
本文对房地产业“营改增”政策效果模型进行描述性统计，如下表所示。通过统计发现，房地产业的企业财务效率（FE）最大值为1，均值为06454，中位数为06260，偏向于1，最小值为0091，最大值已达到综合效率的最高值。说明相关样本的财务效率较高；本行业的经营能力指标——总资产周转率（TAT）在00009-14933之间，幅度较大，说明样本之间经营水平不同，受政策影响情况也不尽相同。总体均值在01303附近，中位数为00966，说明整体样本的总资产周转率低于均值；流动比率（CR）最大值为210517，最小值为00605，均值在21355附近，中位数为19378，说明多数样本的流动比率小于21355；企业财务杠杆率（RISK）最大值09409，最小值为00417，均值为06574，中位数为06904，说明整体样本的财务杠杆率处于比较合理但偏高的水平，也能够反映出房地产企业普遍存在较高财务风险的现状；样本的盈利能力指标——总资产净利润率（ROA）最大值01488，最小值接近0，均值为00166，中位数为00104，说明多数样本的盈利能力水平低于均值。
（二）Pearson相关性分析
本文对统计样本中各项指标间关系进行探究，通过stata进行相关性分析，结果如下表。结合Pearson相关性分析，本文发现处理组变量（treated）、时间变量（t）与企业财务效率（FE）呈现正相关关系，本文的关键指标政策效果变量（t×treated）与企业财务效率（FE）呈显著的正相关关系。考虑到单独两个变量之间的相关关系与回归结果之间可能存在误差，仍需要通过对模型的回归分析和稳健性检验进行系统分析。除此之外，本文通过相关性分析，发现偿债能力指标——流动比率（CR）与企业财务效率呈显著的负相关关系。流动比率越大，企业现金流动越强，房地产企业的财务效率越低；经营能力指标——总资产周转率（TAT）、资本结构指标——资产负债率（RISK）、盈利能力指标——总资产净利润率（ROA）与企业财务效率（FE）呈显著正相关关系。
（三）双重差分检验
根据前文假设，本文在通过Hausman检验后对样本数据进行随机效应面板回归，结果如下表所示。观察回归结果发现：①本文通过实证，证明政策效果变量（t*treated） 与企业财务效率（FE）有显著的正相关关系，处理组变量（treated）与企业财务效率（FE）呈显著的正相关关系，说明2016年5月1日后针对房地产行业“营改增”政策已经产生一定效果，对于企业的财务绩效已经起到促进作用。但“营改增”政策时间变量（t）与企业财务效率（FE）呈不显著的负相关关系。这与样本的时间选择、数量选择有一定关系，当然也与“营改增”导致样本企业在政策过渡时期（2016年第一、二季度）的管理费用有所增加、政策效果并未完全显现以及增值税抵扣链条并未完全搭建有关；②对于控制变量，本文发现流动比率（CR）与企业财务效率呈不显著的负相关关系，说明资金流动性越强的房地产企业，其财务效率越低；资产负债率（RISK）、总资产周转率（TAT）、总资产净利润率（ROA）与企业财务效率（FE）呈正相关关系，说明财务风险越大，资产周转速度越快、企业盈利能力越强，则企业财务效率越高；③整个模型Wald chi2 值达到1558.97，说明模型比较稳健，R2 为0.5164，说明模型设定较好。总的来说，本文借助双重差分模型进行回归，能够证明中国房地产行业在“营改增”政策背景下获得财务效率的提升，说明“营改增”在促进企业发展方面的政策效果已经初步显现。
（四）稳健性检验
为保证政策效果研究的准确性，本文从以下途径进行数据的稳健性检验。①变换样本，调整样本时间。本文将样本的时间跨度进行调整，删除2016年5月1日前后两个季度（“营改增”政策适应期）的样本进行回归，DEA模型处理方式与上文实证处理方式相同，回归结果如（1）所示；②变换回归方法。本文直接采用OLS最小二乘法对全样本及删除“营改增”政策过渡时期的样本进行线性回归数据处理，结果如（2）、（3）所示；③本文选择混合最小二乘法控制时间进行稳健性检验，与最小二乘法回归结果无实质性差异，故不再列示。
通过稳健性检验，本文发现：（1）“营改增”政策效果已经初步显现。本文按照变换样本、变换回归方法等方式进行稳健性检验，结果仍然能够证明政策效果分析的关键变量交乘项（t×treated）与企业财务效率（FE）呈显著的正相关关系。考虑到样本跨期短，对于“营改增”政策效果初步实施阶段来说，已达到预期效果；（2）“营改增”政策效果虽然有所显现，但若要向纵深推进、实现更好的政策效果仍需对企业发展情况保持跟踪，不断修正和完善相应政策。虽然政策变量（t×treated）达到预期，与企业财务效率呈正相关关系，但相关关系仍不够显著，这与企业为适应“营改增”增加非经营性投入（如相关培训、管理制度调整导致管理费用增加）、增值税抵扣链条不完整而增加成本、样本跨期短（企业购进固定资产税金可抵扣等政策效果尚不明显）等原因有关。综上所述，本文的双重差分回归效果比较稳健，能够证明“营改增”对企业的财务效率有较好的政策效果，并随着时间推移，其政策效果能够更突出的显现。 六、结论与启示
本文通过构建数据包络（DEA）模型及双重差分模型，以2016年5月1日之后没有新开工项目的房地产企业为对照组，分析“营改增”对中国房地产企业财务效率的影响。实证研究发现：①对于内部管理规范、税收政策管理水平较高的企业，“营改增”的实施，已经初步显现出在倒逼企业提高效率、管理创新以及加强财务管理方面的作用。②实证结果仍未能达到最好的效果预期，说明“营改增”的政策效果仍需要通过时间检验，仍存在政策调整的空间与可能。
据此，本文为政策实施提供以下几点建议，以供参考：①虽然“营改增”的政策效果已经初步显现，确实能够倒逼企业提高效率，但仍需在下一步政策完善工作中，着重针对相关行业在政策调整期进行政策优惠，减少政策的负面效应和改革成本。考虑到“营改增”后税收的征管系统日臻完善，税收制度应与相关企业的增值税抵扣链条系统相适应，避免部分企业因政策变动因素导致无法抵扣而增加税收负担；②进一步做好房地产企业数据的统计分析工作，构建政策效果反馈机制。“营改增”政策改革力度较大，应避免因社会负面传闻影响政策顺利实施和社会判断。应该以官方途径对政策效果进行反馈，科学合理地完善政策。
最后，本文的研究仅是在“营改增”实施后政策效果的初步探索，仍存在一些不足，但也是下一步研究方向：①由于数据的限制，本文的样本局限于“营改增”后两个季度的财务数据。在此基础上，在未来更长的时间维度上可以进一步跟踪检验“营改增”的长期政策效果，为“营改增”政策的进一步完善提供数据依据；②本文针对财务效率进行初步研究。在此基础上，考虑“营改增”对企业管理的综合政策效应是下一步研究的方向。
参考文献：
[1]郭月梅.“营改增”背景下完善地方税体系的探讨[J].财政研究，2013（6）：35-37.
[2]张炜.基于制度经济学视角的“营改增”改革成本分析[J].税务研究，2014（1）：79-82.
[3]田志伟，胡怡建.“营改增”对财政经济的动态影响：基于CGE模型的分析[J].财经研究，2014，40（2）：4-18.
[4]姜竹，马文强.“营改增”对地方财政稳定性的影响研究[J].中央财经大学學报，2013（9）：1-7.
[5]李永友，严岑.服务业“营改增”能带动制造业升级吗？[J].经济研究，2018（04）：18-31.
[6]王桂军，曹平.“营改增”对制造业企业自主创新的影响——兼议制造业企业的技术引进[J].财经研究，2018（03）：4-19.
[7]王珮，董聪，徐潇鹤，等.“营改增”背景下的税收筹划途径[J].税务研究，2014（5）：8-12.
[8]王甲国.建筑业应对“营改增”之策略[J].税务研究，2016（1）：99-102.
[9]许晖，岳树民.“营改增”的经济效应与增值税制度完善：一个文献综述[J].财经论丛，2018（6）：24-33.
[10]杨庆育.宏观调控的现实因应[J].重庆社会科学，2016（9）：117-120
[11]魏权龄.数据包络分析[M].北京：科学出版社，2004：1-3.
[12]梅昌新.基于数据包络分析的我国营改增效应评价——以吉林省数据为例[J].税务研究，2017（10）：9-13.
[13]朱南，谭德彬.我国财务公司资金使用效率、动态变化及影响因素研究——基于DEA方法的实证分析[J].金融研究，2015（1）：177-192.
[14]Charnes A.，W.W.Cooper ，and E.Rhodes .Measuring the efficiency of decision making units[J].European Journal of Operational Research，1978，2（6）：429-444.
[15]Kumar M ，V.Charles，and C.S.Mishra.Evaluating the performance of Indian banking sector using DEA during post-reform and global financial crisis[J].Journal of Business Economics and Management，2016，17（1）：156-172.
[16]聂辉华，方明月，李涛.增值税转型对企业行为和绩效的影响——以东北地区为例[J].管理世界，2009（5）：17-24.
[17]陈林，伍海军.国内双重差分法的研究现状与潜在问题[J].数量经济技术经济研究，2015（7）：133-148.
[18]王珮，董聪，徐潇鹤，等.“营改增”背景下的税收筹划途径[J].税务研究，2014（5）：8-12.
Research on the Impact of Real Estate Industry's Reform of Replacing Business
Tax for VAT on Corporate Financial Efficiency-an Empirical Test Based on DEA Model
DU Jian1，WANG Zhao2， YANG Yang3
（1.School of Accounting， Guizhou University of Finance and Economics， Guiyang Guizhou， 550025， China；
2.School of Accounting， Capital University of Economics and Business， Beijing， 100070， China； 3.School of Economics，Guizhou University of Finance and Economics， Guiyang Guizhou， 550025， China）
Abstract：In this paper， we measure the enterprise comprehensive financial efficiency in the real estate industry listed companies in China between the period before and after the reform. We use the BCC model which is modified and based on data envelopment analysis （DEA） model.At the same time in state-owned listed wholesaling and retailing enterprise.Furthermore， we measure the policy effect which is used by difference-in-differences model on real estate industry enterprises’ comprehensive financial efficiency. Research shows that： in view of the Reform of Replacing Business Tax for VAT on the real estate industry has significantly promote effect on the enterprise financial efficiency， policy effect is starting to show.But state still need to constantly improve and adjust the related policy，we still need to follow the research in the relevant industry policy effect for a long time.
Key words：the reform of replacing business tax for VAT；the real estate industry； the tax policy effect；DEA model；difference-in-differences model
責任编辑：张士斌吴锦丹萧敏娜常明明张士斌