四、 实 证 设 计
(一) 数据来源和样本筛选
本文通过Wind数据库获取A股上市公司IPO过程相关数据，并通过整理证监会公告和财经新闻获取IPO暂停事件相关信息。研发投入数据来自Wind数据库并通过CSMAR数据库进行补充，专利数据来自Wingo 数据库并通过CSMAR数据库进行补充，其他上市公司财务数据来自CSMAR数据库。
本文基于2008年和2012年两次持续时间较长的IPO暂停事件构建双重差分模型。由于不同行业的IPO活动随时间变化的趋势存在较大差异( Hel-wege and Liang,2004)，为了使得控制组与处理组企业尽量可比以更好地满足平行趋势假定，本文借鉴潘越等(2022)的方法，将样本限定为在IPO暂停开始的前一年中存在过会IPO公司的行业中已上市公司。进一步地，我们定义处理组和控制组样本的过程如下：首先，识别在历次IPO暂停事件起始日前一年内获得证监会上市审核通过的企业，并将在IPO暂停前未在交易所上市的企业定义为“即将上市企业” 。根据这些审核通过的企业所属的证监会2012年行业分类3位代码，确定其所属行业。若所属行业在IPO暂停开始时存在“即将上市企业”，则该行业其他已上市公司为处理组，即高进入威胁组。若所属行业在IPO暂停开始时不存在“即将上市企业”，则该行业已上市公司为控制组。此处的已上市公司是指在IPO暂停实施前一年就完成上市的上市公司。由于IPO暂停持续时间在1年左右，对于每一次IPO暂停事件，本文将样本期间限定为IPO暂停开始年度前两年和后一年。2考虑到2008年和2012年的两次IPO暂停事件分别开始于9月和11月(见图1)，我们剔除了IPO暂停实施当年的观测值。在此基础上，根据研究需要，本文剔除了金融行业的观测值， ST、∗ST、暂停上市、退市的公司观测值，以及控制变量存在缺失值的观测值，只保留暂停事件前后均存在观测值的公司观测值。通过以上筛选，我们得到了6 451个公司-年度观测值，2008年事件共涉及939家公司，其中638家属于处理组，301家属于控制组，观测值涉及年度为2006年、2007年以及2009年；2012年事件共涉及1 342家公司，其中1 039家属于处理组，303家属于控制组，观测值涉及年度为2010年、2011年以及2013年。此外，为了排除极端值的干扰，我们对于所有连续变量在1%水平均进行了缩尾处理。
(二) 模型构建
本文使用模型(1)来检验IPO暂停对已上市公司创新的影响：
其中，被解释变量R&D包括R&D_asset和R&D_sale这两个基于企业研发投入构建的变量，R&D_asset为企业研发投入/总资产，R&D_sale为企业研发投入/营业收入，参照倪骁然和朱玉杰(2016)，若研发投入数据缺失则R&D取值为0;Post为二值变量，若处于IPO暂停期间则取值为1，否则取值为0;Treat为二值变量，处理组观测取值为1，否则取值为0。3
参照 Koh and Reeb ( 2015 ) 、倪骁然和朱玉杰( 2016 ) 、王珏和祝继高(2018)，本文选取的控制变量包括公司规模( Size) 、资产负债率( Lev) 、现金比例( Cash) 、经营性现金流( CFO) 、成长能力( Growth) 、第一大股东持股比例( Top) 、两权分离度( Separation) 、机构投资者持股比例( Institution) 、行业竞争度( Herfin)以及研发费用伪缺失( Missing)，具体变量定义如表1所示。此外，本文还控制年份( Year FE)和公司( Firm FE)固定效应，并对标准误在公司层面进行聚类处理。
表1 变量定义
