小微企業銀行信貸抑制：因素、程度與影響

　　摘要：根據臺州市中、小、微企業的問卷調查數據，用Probit模型和Heckman Probit模型發現資產規模、行業因素和地區因素都顯著影響企業銀行信貸可得性，小微企業受到銀行信貸抑制的概率達到93%。OLS模型和Heckman Twice模型表明銀行貸款有助于受到銀行信貸抑制企業銷售額的提高，但是對未受到銀行信貸抑制企業的經營績效沒有影響，不利于銀行信貸資金的優化配置。
　　關鍵詞：小微企業；信貸抑制；臺州；Probit模型；Heckman Probit模型
　　中圖分類號：F832
　　一、引言
　　小微企業在國民經濟發展、就業問題解決、城鎮化推進、區域差距縮小、城鄉差距縮小等方面具有重要的作用，但是面臨融資難、融資成本高的困境。因此，對于小微企業銀行信貸抑制問題的研究一直被學術界所關注。
　　從已有研究來看，一方面，部分研究通常以企業是否獲得銀行貸款來衡量企業是否受到銀行信貸抑制，這既沒有排除沒有銀行信貸需求的企業，也沒有包括只得到部分滿足其銀行貸款需求的企業，因此，這一類研究只能討論企業銀行信貸的可得性，如盧亞娟、褚保金（2010）基于江蘇宜興的農村中小企業數據，通過比較獲得銀行貸款與未獲得銀行貸款的企業的特征，結合Logit模型研究影響中小企業銀行信貸可獲性的因素；Akoten et al.（2006）利用多元Probit討論了影響肯尼亞制造業小微企業獲得銀行信貸、小額信貸以及其他民間非正規融資的因素。因而，這一類研究都無法給出小微企業銀行信貸抑制的度量。而且，就普遍使用Probit和Logit模型的方法而言，無法考慮到不存在銀行信貸需求企業的自選擇效應，從而產生內生性問題，導致估計結果有偏。另一方面，關于銀行信貸抑制對企業經營業績的影響研究并不多見（Akoten et al.，2006），已有文獻較少涉及中國的經驗研究。呂一博等（2008）基于我國東北地區中小企業的數據表明，充足的金融資源通過提升企業創新發起能力和對企業家精神的促進作用來提高中小企業的成長績效；何韌、王維誠（2009）則根據世界銀行關于中國東北、華東、華中、華南、西南、西北地區18個城市2400家企業的數據，發現銀企關系規模和中小企業成長呈負相關，而銀企關系長度和深度與中小企業成長呈正相關。盧亞娟、褚保金（2010）利用江蘇宜興的中小企業面板數據，引入是否獲得銀行貸款的虛擬變量，分析了銀行貸款的獲取對中小企業資產規模、凈利潤、銷售額等指標的影響，發現存在正相關關系。因此，已有研究通常討論銀行信貸對企業經營績效的影響，但沒有細分銀行貸款對處于不同銀行信貸抑制狀態下的企業經營績效的影響，因為銀行信貸對處于銀行信貸抑制和未受銀行信貸抑制企業的經營績效的影響可能是不同的。
　　鑒于已有研究的不足，本文利用247戶臺州各地區、各行業企業的調研數據，構建合適的銀行信貸抑制度量指標，以Heckman Probit模型為主分析小微企業受到銀行信貸抑制的影響因素，并估算臺州市小微企業受到銀行信貸抑制的程度。最后，在銀行信貸抑制對企業經營績效的影響分析中，我們還引入Heckman Twice模型來控制樣本自選擇效應，得到處于不同銀行信貸抑制狀態下的企業經營績效對銀行貸款的反應。所以本文分為五個部分。第一部分是引言，第二部分是對小微企業銀行信貸抑制因素的分析，第三部分給出小微企業銀行信貸抑制程度，第四部分是分析銀行信貸抑制對小微企業經營績效的影響，最后是結論。
　　二、小微企業銀行信貸抑制：因素分析
　　（一） 數據和方法
　　本部分的數據主要來自于2008年對臺州市中、小、微型企業的問卷調查，感謝吳偉萍的提供。共發放300份，回收有效問卷247份，地區涉及臺州市區（椒江、路橋、黃巖）、溫嶺、玉環、臨海、仙居和天臺，行業包括農林牧漁業、采礦業、制造業、建筑業、批發零售業、住宿餐飲業、房地產業等。根據2011年發布中小微企業劃分標準，從樣本企業的銷售額、資產、從業人員數三個指標來看，我們的樣本企業99%都屬于中小企業，其中小微企業的比重達到64%（按銷售額）、79%（按資產）、85%（按從業人員），小微企業占絕大多數。
　　類似于Kochar（1997）、Foltz（2004）、 、朱喜（2007）等的做法，我們認為，當企業存在向正規金融機構借款的需求時，在現行利率下，無法得到或者只能得到部分滿足的情形定義為信貸抑制。根據問卷內容，我們將銀行（包括信用社）滿足企業資金需求程度“中”和“低”的企業設為受到銀行（信用社）信貸抑制的企業，而滿足程度高以及不需要貸款的企業設為未受到信貸抑制的企業，構建一個二元虛擬變量（CR）。
　　本文重點考察企業資產規模（K）對信貸抑制的影響。對于資產而言，一方面表明企業的規模大小，另一方面也表現為企業的抵押能力，我們可以假設資產越小，越容易受到信貸抑制。Bopaiah（1998）等人的經驗研究都支持這一點。
　　鑒于被解釋變量是否受到信貸抑制（CR）是一個虛擬變量，通常選擇Probit模型利用最大似然估計法進行估計（Cameron and Trivedi，2005），Foltz（2004）、Akoten et al.（2006）等也選用這一模型考察信貸可得性的影響因素。
　　對于Probit模型，具體設定如下：
　　其中，X是解釋變量，是標準正態的累積分布函數，即式（1）為：
　　從我們關于信貸抑制的數據來看，實際上我們只能觀測到當前有信貸需求的企業（Demand=1）是否受到信貸抑制，而無法觀測到那些當前沒有信貸需求的企業（Demand=0）是否會受到信貸抑制，即選擇方程（Selection Equation）是完全可觀測的，而產出方程（Outcome Equation）是部分可觀測的。對于這樣一種數據結構，一種方式是剔除當前沒有銀行貸款需求的樣本企業，直接使用Probit模型進行回歸，另一種是考慮上述樣本企業的選擇效應，使用考慮樣本選擇效應的Heckman Probit模型①。相對于第一種方式而言，第二種方式的優勢在于：一是可以糾正樣本選擇有偏效應，因為我們只能觀測到有信貸需求企業的信貸抑制狀況，因此我們需要控制有信貸需求和沒有信貸需求樣本的差異性，而這種差異可能來自于其他不可觀測的變量，企業是否受信貸約束具有樣本自選擇性，影響企業是否具有信貸需求的變量同樣會影響企業是否受到信貸抑制，因此有賴于Heckman Probit模型來糾正這種樣本選擇效應；二是可以獲取有效樣本的信息，減少樣本量的損失，尤其是在樣本量不大的情形下。
　　考慮樣本選擇效應的Heckman Probit模型的設定如下：
　　我們可以得到如下的似然函數進行最大似然估計：
　　（二）計量結果及分析
　　表1給出了Probit模型的估計結果，回歸樣本中剔除了沒有銀行貸款需求的企業。從我們最為關注的變量資產來看，資產與信貸抑制之間存在明顯的負相關，顯著性水平通過1%以上的檢驗。即資產規模越大的企業，受到信貸抑制的可能性越小，進一步，我們考慮地區和行業等控制變量②，上述負相關性依然穩健。從地區變量來看，玉環縣的企業受到信貸抑制的概率顯著低于其他地區，這和該地區較早開始、且運行最為成功的地方商業銀行的小額貸款密切相關。相對于第三產業，制造業通常有一定的場所、機器設備等固定資產，因而更容易獲得貸款，顯著性水平較高；農業企業受惠于政府服務三農的政策導向，其受到信貸抑制的可能性也弱于其他行業，但顯著性較弱。
　　表2給出了Heckman Probit模型的估計結果，樣本中包含了沒有銀行貸款需求的企業。我們在選擇方程中引入被解釋變量企業是否有銀行貸款需求（Demand），解釋變量為對外資金依賴程度（Out），顯然，對外資金依賴程度越高的企業，越有可能存在銀行貸款需求。從回歸結果來看，兩者亦非常顯著的正相關。在產出方程中，從各解釋變量對企業信貸抑制的影響來看，資產與信貸抑制之間亦呈顯著負相關。引入地區和行業變量之后，從LR-test檢驗來看，考慮地區、行業變量影響之后，不存選擇效應的假設被拒絕，因此，需要用Heckman Probit模型來糾正這種選擇效應。回歸結果 （4usr2rAtAB5XiFqzS+WOomA==）表明，資產的回歸系數進一步提高，玉環地區變量和農業、制造業的行業變量依然顯著。
　　因此，從我們不同方法的回歸結果來看，企業資產以及其他控制變量對企業遭受信貸抑制的影響方向和顯著性基本上一致的，從而也表明我們的結果是穩健的。進一步的，我們估計了各模型中相關解釋變量對企業受到信貸抑制可能性的邊際效應。從我們最為關注的資產變量來看，其他情況不變的情形下，資產每降低1%，將導致信貸抑制的可能性增加7.9%到9.8%。相對而言，Heckman Probit模型下的邊際效應要略低于Probit模型，但是差別都不大，且均通過1%以上的顯著性水平檢驗。制造業行業變量的邊際效應在8%～11%之間，且較為顯著，而其他變量的邊際效應都不顯著。
　　三、小微企業銀行信貸抑制：程度度量
　　在此基礎上，我們利用上述方程的估計系數來估算 ，以此來度量企業受到信貸抑制的可能性。 是普遍使用的一種計算方式（Kochar，1997），即在有貸款需求的條件下，企業受到信貸抑制的概率。
　　我們根據Heckman Probit模型的系數估計結果，計算各樣本企業的 ，從而給出各企業受到銀行信貸抑制的可能性。基于回歸方程（3）和（4）的 的統計特征見表3。從單因素的產出方程（即回歸結果3）來看，共有247個樣本企業，在存在貸款需求的前提下受到銀行信貸抑制的概率平均達到83.4%；而考慮地區、行業影響之后，受到信貸抑制的概率均值下降到81.4%，且標準差大于回歸方程3。因此，從我們的樣本企業來看，信貸抑制較為嚴重。
　　從圖1來看，企業受到信貸抑制的可能性與企業規模（以銷售額為度量）呈顯著的負相關，即規模越小的企業，受到信貸抑制的可能性越高。如表3所示，盡管我們樣本中的中型企業也普遍偏小，但是小微企業（即銷售額在3000萬以下）受到信貸抑制可能性的均值、極大值和極小值都比大、中型企業要高，其中，均值高出9到11個百分點。而且，從標準差來看，小微企業的標準差明顯低于大、中企業，因此，小微企業受到信貸抑制的可能性大是極為普遍的現象，企業相互之間差別亦不大。
　　四、小微企業銀行信貸抑制：影響分析
　　嚴重的銀行信貸抑制對企業的經營績效有何影響？已有研究僅討論了銀行信貸對中小企業成長的促進作用，但是，并沒有討論銀行信貸抑制對企業績效的影響，即沒有區分不同信貸抑制狀態下的銀行貸款對企業績效影響的差異。在本部分，我們利用上文的數據集定量分析銀行貸款對受信貸抑制和未受信貸抑制企業經營績效的影響。
　　（一）方法
　　根據我們的可得變量，本文關注銀行信貸（Loan_B）和民間非正規融資（Loan_Inf）對企業銷售額的影響。我們的樣本企業分為兩類，一類是有銀行信貸需求但受到銀行信貸抑制，另一類是銀行有信貸需求但沒有受到信貸抑制以及沒有銀行信貸需求的企業。我們可以分別對這兩類企業（CR=1或0）進行OLS回歸，分析銀行信貸額對企業績效的影響，如式（5）和（6）所示。
　　，當CR=1 （5）
　　，當CR=0 （6）
　　其中，yi為銷售額， xi為控制變量，δ為待估參數，為殘差項。但是，考慮到企業是否受到銀行信貸抑制并不是隨機分配的，特別是當影響企業有無受到信貸抑制的因素不可觀測且同時影響企業績效時，兩類企業的回歸結果的差異可能部分來自于選擇效應造成的，因此，上述方法難以得到無偏的結果。遵循Powers（2007），我們使用兩次Heckman 模型（Heckman Twice）來解決這一困難。引入變量Inv_CR=1-CR，即給未受信貸抑制的企業賦值1，其他企業賦值0；模型具體設定如式（7）-（8）所示：
　　我們分別利用Heckman 兩步法以及Heckman最大似然（ML）估計對（7）和（8）進行估計。
　　（二）計量結果及分析
　　表4給出了銀行貸款對不同信貸抑制狀態下的企業銷售影響的OLS的估計結果，對受銀行信貸抑制的企業而言，銀行貸款對企業銷售額的擴張有顯著的促進作用，在控制產業和地區效應之后，顯著性水平依然成立。對未受銀行信貸抑制的企業而言，銀行貸款對企業銷售額的擴張的影響并不顯著。
　　但是，OLS估計無法解決選擇效應導致的內生性問題。表5給出了解決這一問題的Heckman Twice回歸結果。從該結果來看，銀行貸款對受銀行信貸抑制企業的銷售額擴張的促進作用更大，系數通過1%以上的顯著性水平檢驗。在控制產業和地區固定效應之后，兩步法的逆密爾比率（lambda）和ML法的LR test均通過5%以上顯著性水平檢驗，這表明控制選擇效應是必要的。但是，銀行貸款對未受銀行信貸抑制企業的銷售額擴張的作用亦不顯著。非正規融資額對企業銷售額基本上沒有顯著影響。兩步法和ML的估計結果基本一致，表明這一結果的穩健性。
　　從上述結果來看，對于受到銀行信貸抑制的企業而言，其經營業績的提升有賴于信貸資金的支持，銀行貸款對其經營績效具有積極的促進作用。但是，因為信息不對稱以及銀行經營策略選擇等諸多原因，銀行卻存在對那些未受信貸抑制企業過度放貸的情形，其借款對企業的經營績效反而沒有促進作用。如果能夠將這部分過度放貸資金轉移至受到信貸抑制的企業，那么必然實現整體效率的提升。因而，當前的銀行信貸抑制對小微企業成長的促進作用有待進一步發揮，而且也沒有實現銀行信貸資金的優化配置，所以實際上是一種無效率的現象。
　　五、結論
　　本文根據臺州市中、小、微企業的問卷調查數據，利用Probit模型和Heckman Probit模型量化分析了企業受銀行信貸抑制的影響因素和程度。我們發現資產規模、行業因素和地區因素都顯著影響企業是否受到信貸抑制，其他情況不變的情形下，資產越小、從事第三產業的企業越容易受到信貸抑制，而從事制造業以及小額信貸運行良好的地區的企業則較少受到正規金融抑制，這些關系和理論預期是相符的。其中，其他情況不變的情形下，資產每降低1%，將導致信貸抑制的可能性增加7.9%到9.8%。基于上述模型估算的企業受到銀行信貸抑制的概率達到81.4%，其中，小微企業（即銷售額在3000萬以下）受到信貸抑制的可能性至少比中型企業（樣本中的中型企業規模也偏小）高出近11個百分點，面臨更為嚴重的信貸抑制，且分布更為集中。
　　根據調研數據，我們進一步利用OLS模型和Heckman Twice模型分析了銀行貸款對不同信貸抑制狀態下的企業的經營績效的影響。我們的結論表明，銀行貸款有助于受到銀行信貸抑制企業銷售額的提高，但是對未受到銀行信貸抑制企業的經營績效沒有影響。該結論在考慮選擇效應的Heckman Twice模型下依然成立，且銀行貸款對受銀行信貸抑制企業的促進效應更大。因此，當前的銀行信貸抑制對未受信貸抑制企業存在過度放貸的可能性，這是一種無效率的行為，即沒有充分發揮推動小微企業成長的能力，也沒有實現銀行信貸資金的優化配置。
　　注釋：
　　①雙虛擬變量回歸方法通常有bivariate probit 模型、部分可觀測的bivariate probit模型和Heckman probit模型。對應的數據結構分別為、 和 ，因此，上述三類中，Heckman probit模型最適合本文數據的估計。
　　②在回歸中，我們剔除了未通過15%的顯著性水平檢驗的控制變量。
　　參考文獻：
　　[1]李銳，朱喜.農戶金融抑制及其福利損失的計量分析[J].經濟研究，2007，（2）.
　　[2]呂一博，等.中國中小企業成長的影響因素研究——基于中國東北地區中小企業的實證研究[J] .中國工業經濟，2008，（1）.
　　[3] 盧亞娟，褚保金.農村中小企業貸款可獲性的實證分析——基于江蘇省宜興市的調研[J] .經濟學動態，2010，（3）.
　　[4]何韌，王維誠.銀企關系與中小企業成長——關系借貸價值的經驗證據[J] .財經研究，2009，（10）.
　　[5]曹鳳歧.溫州金融改革與民間金融的合法化[J].中國市場，2012，（37）.
　　[6]劉克崮.中國資本市場評價及改革政策建議[J].中國市場，2012，（42）.
　　[7]季仙華，齊蘭.中國資本市場資源配置效率的影響因素[J] .中國市場，2012，（46）.
　　[8]Kochar， A.， “An Empirical Investigation of Rationing Constraints in Rural Credit Markets in India”， Journal of Development Economics， 1997， 53， 339-371.
　　[9]Heckman， J. J.，et al.， “Matching as an Econometric Evaluation Estimator”， Review of Economic Studies， 1997， 65， 261-294.
　　[10]Bopaiah， C.， “Availability of Credit to Family Business”， Small Business Economics， 1998， 11， 75-86.
　　[11]Foltz， J. D.， “Credit Market Acess and Profitability in Tunisian Agriculture”， Agricultural Economics， 2004， 30， 229-240.
　　[12]Cameron， A. and Trivedi， P.， Microeconometrics： Methods and applications， Cambridge University Press， 2005.
　　[13]Akoten et al.， “The Determinants of Credit Access and Its Impacts on Micro and Small Enterprises： The Case of Garment Producers in Kenya”， Economic Development and Cultural Change， 2006，54， 927-944.
　　[14]Powers， D.， “Censored Regression， Sample Selection， Endogenous Switching， and Treatment-Effect Regression Models”， Working Papers， 2007.
　　（編輯：韋