论文部分内容阅读
摘要：根据台州市中、小、微企业的问卷调查数据，用Probit模型和Heckman Probit模型发现资产规模、行业因素和地区因素都显著影响企业银行信贷可得性，小微企业受到银行信贷抑制的概率达到93%。OLS模型和Heckman Twice模型表明银行贷款有助于受到银行信贷抑制企业销售额的提高，但是对未受到银行信贷抑制企业的经营绩效没有影响，不利于银行信贷资金的优化配置。
关键词：小微企业；信贷抑制；台州；Probit模型；Heckman Probit模型
中图分类号：F832
一、引言
小微企业在国民经济发展、就业问题解决、城镇化推进、区域差距缩小、城乡差距缩小等方面具有重要的作用，但是面临融资难、融资成本高的困境。因此，对于小微企业银行信贷抑制问题的研究一直被学术界所关注。
从已有研究来看，一方面，部分研究通常以企业是否获得银行贷款来衡量企业是否受到银行信贷抑制，这既没有排除没有银行信贷需求的企业，也没有包括只得到部分满足其银行贷款需求的企业，因此，这一类研究只能讨论企业银行信贷的可得性，如卢亚娟、褚保金（2010）基于江苏宜兴的农村中小企业数据，通过比较获得银行贷款与未获得银行贷款的企业的特征，结合Logit模型研究影响中小企业银行信贷可获性的因素；Akoten et al.（2006）利用多元Probit讨论了影响肯尼亚制造业小微企业获得银行信贷、小额信贷以及其他民间非正规融资的因素。因而，这一类研究都无法给出小微企业银行信贷抑制的度量。而且，就普遍使用Probit和Logit模型的方法而言，无法考虑到不存在银行信贷需求企业的自选择效应，从而产生内生性问题，导致估计结果有偏。另一方面，关于银行信贷抑制对企业经营业绩的影响研究并不多见（Akoten et al.，2006），已有文献较少涉及中国的经验研究。吕一博等（2008）基于我国东北地区中小企业的数据表明，充足的金融资源通过提升企业创新发起能力和对企业家精神的促进作用来提高中小企业的成长绩效；何韧、王维诚（2009）则根据世界银行关于中国东北、华东、华中、华南、西南、西北地区18个城市2400家企业的数据，发现银企关系规模和中小企业成长呈负相关，而银企关系长度和深度与中小企业成长呈正相关。卢亚娟、褚保金（2010）利用江苏宜興的中小企业面板数据，引入是否获得银行贷款的虚拟变量，分析了银行贷款的获取对中小企业资产规模、净利润、销售额等指标的影响，发现存在正相关关系。因此，已有研究通常讨论银行信贷对企业经营绩效的影响，但没有细分银行贷款对处于不同银行信贷抑制状态下的企业经营绩效的影响，因为银行信贷对处于银行信贷抑制和未受银行信贷抑制企业的经营绩效的影响可能是不同的。
鉴于已有研究的不足，本文利用247户台州各地区、各行业企业的调研数据，构建合适的银行信贷抑制度量指标，以Heckman Probit模型为主分析小微企业受到银行信贷抑制的影响因素，并估算台州市小微企业受到银行信贷抑制的程度。最后，在银行信贷抑制对企业经营绩效的影响分析中，我们还引入Heckman Twice模型来控制样本自选择效应，得到处于不同银行信贷抑制状态下的企业经营绩效对银行贷款的反应。所以本文分为五个部分。第一部分是引言，第二部分是对小微企业银行信贷抑制因素的分析，第三部分给出小微企业银行信贷抑制程度，第四部分是分析银行信贷抑制对小微企业经营绩效的影响，最后是结论。
二、小微企业银行信贷抑制：因素分析
（一） 数据和方法
本部分的数据主要来自于2008年对台州市中、小、微型企业的问卷调查，感谢吴伟萍的提供。共发放300份，回收有效问卷247份，地区涉及台州市区（椒江、路桥、黄岩）、温岭、玉环、临海、仙居和天台，行业包括农林牧渔业、采矿业、制造业、建筑业、批发零售业、住宿餐饮业、房地产业等。根据2011年发布中小微企业划分标准，从样本企业的销售额、资产、从业人员数三个指标来看，我们的样本企业99%都属于中小企业，其中小微企业的比重达到64%（按销售额）、79%（按资产）、85%（按从业人员），小微企业占绝大多数。
类似于Kochar（1997）、Foltz（2004）、 、朱喜（2007）等的做法，我们认为，当企业存在向正规金融机构借款的需求时，在现行利率下，无法得到或者只能得到部分满足的情形定义为信贷抑制。根据问卷内容，我们将银行（包括信用社）满足企业资金需求程度“中”和“低”的企业设为受到银行（信用社）信贷抑制的企业，而满足程度高以及不需要贷款的企业设为未受到信贷抑制的企业，构建一个二元虚拟变量（CR）。
本文重点考察企业资产规模（K）对信贷抑制的影响。对于资产而言，一方面表明企业的规模大小，另一方面也表现为企业的抵押能力，我们可以假设资产越小，越容易受到信贷抑制。Bopaiah（1998）等人的经验研究都支持这一点。
鉴于被解释变量是否受到信贷抑制（CR）是一个虚拟变量，通常选择Probit模型利用最大似然估计法进行估计（Cameron and Trivedi，2005），Foltz（2004）、Akoten et al.（2006）等也选用这一模型考察信贷可得性的影响因素。
对于Probit模型，具体设定如下：
其中，X是解释变量，是标准正态的累积分布函数，即式（1）为：
从我们关于信贷抑制的数据来看，实际上我们只能观测到当前有信贷需求的企业（Demand=1）是否受到信贷抑制，而无法观测到那些当前没有信贷需求的企业（Demand=0）是否会受到信贷抑制，即选择方程（Selection Equation）是完全可观测的，而产出方程（Outcome Equation）是部分可观测的。对于这样一种数据结构，一种方式是剔除当前没有银行贷款需求的样本企业，直接使用Probit模型进行回归，另一种是考虑上述样本企业的选择效应，使用考虑样本选择效应的Heckman Probit模型①。相对于第一种方式而言，第二种方式的优势在于：一是可以纠正样本选择有偏效应，因为我们只能观测到有信贷需求企业的信贷抑制状况，因此我们需要控制有信贷需求和没有信贷需求样本的差异性，而这种差异可能来自于其他不可观测的变量，企业是否受信贷约束具有样本自选择性，影响企业是否具有信贷需求的变量同样会影响企业是否受到信贷抑制，因此有赖于Heckman Probit模型来纠正这种样本选择效应；二是可以获取有效样本的信息，减少样本量的损失，尤其是在样本量不大的情形下。 考虑样本选择效应的Heckman Probit模型的设定如下：
我们可以得到如下的似然函数进行最大似然估计：
（二）计量结果及分析
表1给出了Probit模型的估计结果，回归样本中剔除了没有银行贷款需求的企业。从我们最为关注的变量资产来看，资产与信贷抑制之间存在明显的负相关，显著性水平通过1%以上的检验。即资产规模越大的企业，受到信贷抑制的可能性越小，进一步，我们考虑地区和行业等控制变量②，上述负相关性依然稳健。从地区变量来看，玉环县的企业受到信贷抑制的概率显著低于其他地区，这和该地区较早开始、且运行最为成功的地方商业银行的小额贷款密切相关。相对于第三产业，制造业通常有一定的场所、机器设备等固定资产，因而更容易获得贷款，显著性水平较高；农业企业受惠于政府服务三农的政策导向，其受到信贷抑制的可能性也弱于其他行业，但显著性较弱。
表2给出了Heckman Probit模型的估计结果，样本中包含了没有银行贷款需求的企业。我们在选择方程中引入被解释变量企业是否有银行贷款需求（Demand），解释变量为对外资金依赖程度（Out），显然，对外资金依赖程度越高的企业，越有可能存在银行贷款需求。从回归结果来看，两者亦非常显著的正相关。在产出方程中，从各解释变量对企业信贷抑制的影响来看，资产与信贷抑制之间亦呈显著负相关。引入地区和行业变量之后，从LR-test检验来看，考虑地区、行业变量影响之后，不存选择效应的假设被拒绝，因此，需要用Heckman Probit模型来纠正这种选择效应。回归结果 （4）表明，资产的回归系数进一步提高，玉环地区变量和农业、制造业的行业变量依然显著。
因此，从我们不同方法的回归结果来看，企业资产以及其他控制变量对企业遭受信贷抑制的影响方向和显著性基本上一致的，从而也表明我们的结果是稳健的。进一步的，我们估计了各模型中相关解释变量对企业受到信贷抑制可能性的边际效应。从我们最为关注的资产变量来看，其他情况不变的情形下，资产每降低1%，将导致信贷抑制的可能性增加7.9%到9.8%。相对而言，Heckman Probit模型下的边际效应要略低于Probit模型，但是差别都不大，且均通过1%以上的显著性水平检验。制造业行业变量的边际效应在8%～11%之間，且较为显著，而其他变量的边际效应都不显著。
三、小微企业银行信贷抑制：程度度量
在此基础上，我们利用上述方程的估计系数来估算 ，以此来度量企业受到信贷抑制的可能性。 是普遍使用的一种计算方式（Kochar，1997），即在有贷款需求的条件下，企业受到信贷抑制的概率。
我们根据Heckman Probit模型的系数估计结果，计算各样本企业的 ，从而给出各企业受到银行信贷抑制的可能性。基于回归方程（3）和（4）的 的统计特征见表3。从单因素的产出方程（即回归结果3）来看，共有247个样本企业，在存在贷款需求的前提下受到银行信贷抑制的概率平均达到83.4%；而考虑地区、行业影响之后，受到信贷抑制的概率均值下降到81.4%，且标准差大于回归方程3。因此，从我们的样本企业来看，信贷抑制较为严重。
从图1来看，企业受到信贷抑制的可能性与企业规模（以销售额为度量）呈显著的负相关，即规模越小的企业，受到信贷抑制的可能性越高。如表3所示，尽管我们样本中的中型企业也普遍偏小，但是小微企业（即销售额在3000万以下）受到信贷抑制可能性的均值、极大值和极小值都比大、中型企业要高，其中，均值高出9到11个百分点。而且，从标准差来看，小微企业的标准差明显低于大、中企业，因此，小微企业受到信贷抑制的可能性大是极为普遍的现象，企业相互之间差别亦不大。
四、小微企业银行信贷抑制：影响分析
严重的银行信贷抑制对企业的经营绩效有何影响？已有研究仅讨论了银行信贷对中小企业成长的促进作用，但是，并没有讨论银行信贷抑制对企业绩效的影响，即没有区分不同信贷抑制状态下的银行贷款对企业绩效影响的差异。在本部分，我们利用上文的数据集定量分析银行贷款对受信贷抑制和未受信贷抑制企业经营绩效的影响。
（一）方法
根据我们的可得变量，本文关注银行信贷（Loan_B）和民间非正规融资（Loan_Inf）对企业销售额的影响。我们的样本企业分为两类，一类是有银行信贷需求但受到银行信贷抑制，另一类是银行有信贷需求但没有受到信贷抑制以及没有银行信贷需求的企业。我们可以分别对这两类企业（CR=1或0）进行OLS回归，分析银行信贷额对企业绩效的影响，如式（5）和（6）所示。
，当CR=1 （5）
，当CR=0 （6）
其中，yi为销售额， xi为控制变量，δ为待估参数，为残差项。但是，考虑到企业是否受到银行信贷抑制并不是随机分配的，特别是当影响企业有无受到信贷抑制的因素不可观测且同时影响企业绩效时，两类企业的回归结果的差异可能部分来自于选择效应造成的，因此，上述方法难以得到无偏的结果。遵循Powers（2007），我们使用两次Heckman 模型（Heckman Twice）来解决这一困难。引入变量Inv_CR=1-CR，即给未受信贷抑制的企业赋值1，其他企业赋值0；模型具体设定如式（7）-（8）所示：
我们分别利用Heckman 两步法以及Heckman最大似然（ML）估计对（7）和（8）进行估计。
（二）计量结果及分析
表4给出了银行贷款对不同信贷抑制状态下的企业销售影响的OLS的估计结果，对受银行信贷抑制的企业而言，银行贷款对企业销售额的扩张有显著的促进作用，在控制产业和地区效应之后，显著性水平依然成立。对未受银行信贷抑制的企业而言，银行贷款对企业销售额的扩张的影响并不显著。
但是，OLS估计无法解决选择效应导致的内生性问题。表5给出了解决这一问题的Heckman Twice回归结果。从该结果来看，银行贷款对受银行信贷抑制企业的销售额扩张的促进作用更大，系数通过1%以上的显著性水平检验。在控制产业和地区固定效应之后，两步法的逆密尔比率（lambda）和ML法的LR test均通过5%以上显著性水平检验，这表明控制选择效应是必要的。但是，银行贷款对未受银行信贷抑制企业的销售额扩张的作用亦不显著。非正规融资额对企业销售额基本上没有显著影响。两步法和ML的估计结果基本一致，表明这一结果的稳健性。 从上述结果来看，对于受到银行信贷抑制的企业而言，其经营业绩的提升有赖于信贷资金的支持，银行贷款对其经营绩效具有积极的促进作用。但是，因为信息不对称以及银行经营策略选择等诸多原因，银行却存在对那些未受信贷抑制企业过度放贷的情形，其借款对企业的经营绩效反而没有促进作用。如果能够将这部分过度放贷资金转移至受到信贷抑制的企业，那么必然实现整体效率的提升。因而，当前的银行信贷抑制对小微企业成长的促进作用有待进一步发挥，而且也没有实现银行信贷资金的优化配置，所以实际上是一种无效率的现象。
五、结论
本文根据台州市中、小、微企业的问卷调查数据，利用Probit模型和Heckman Probit模型量化分析了企业受银行信贷抑制的影响因素和程度。我们发现资产规模、行业因素和地区因素都显著影响企业是否受到信贷抑制，其他情况不变的情形下，资产越小、从事第三产业的企业越容易受到信贷抑制，而从事制造业以及小额信贷运行良好的地区的企业则较少受到正规金融抑制，这些关系和理论预期是相符的。其中，其他情况不变的情形下，资产每降低1%，将导致信贷抑制的可能性增加7.9%到9.8%。基于上述模型估算的企业受到银行信贷抑制的概率达到81.4%，其中，小微企业（即销售额在3000万以下）受到信贷抑制的可能性至少比中型企业（样本中的中型企业规模也偏小）高出近11个百分点，面临更为严重的信贷抑制，且分布更为集中。
根据调研数据，我们进一步利用OLS模型和Heckman Twice模型分析了银行贷款对不同信贷抑制状态下的企业的经营绩效的影响。我们的结论表明，银行贷款有助于受到银行信贷抑制企业销售额的提高，但是对未受到银行信贷抑制企业的经营绩效没有影响。该结论在考虑选择效应的Heckman Twice模型下依然成立，且银行贷款对受银行信贷抑制企业的促进效应更大。因此，当前的银行信贷抑制对未受信贷抑制企业存在过度放贷的可能性，这是一种无效率的行为，即没有充分发挥推动小微企业成长的能力，也没有实现银行信贷资金的优化配置。
注释：
①双虚拟变量回归方法通常有bivariate probit 模型、部分可观测的bivariate probit模型和Heckman probit模型。对应的数据结构分别为、 和 ，因此，上述三类中，Heckman probit模型最适合本文数据的估计。
②在回归中，我们剔除了未通过15%的显著性水平检验的控制变量。
参考文献：
[1]李锐，朱喜.农户金融抑制及其福利损失的计量分析[J].经济研究，2007，（2）.
[2]吕一博，等.中国中小企业成长的影响因素研究——基于中国东北地区中小企业的实证研究[J] .中国工业经济，2008，（1）.
[3] 卢亚娟，褚保金.农村中小企业贷款可获性的实证分析——基于江苏省宜兴市的调研[J] .经济学动态，2010，（3）.
[4]何韧，王维诚.银企关系与中小企业成长——关系借贷价值的经验证据[J] .財经研究，2009，（10）.
[5]曹凤歧.温州金融改革与民间金融的合法化[J].中国市场，2012，（37）.
[6]刘克崮.中国资本市场评价及改革政策建议[J].中国市场，2012，（42）.
[7]季仙华，齐兰.中国资本市场资源配置效率的影响因素[J] .中国市场，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.
（编辑：韦京）
关键词：小微企业；信贷抑制；台州；Probit模型；Heckman Probit模型
中图分类号：F832
一、引言
小微企业在国民经济发展、就业问题解决、城镇化推进、区域差距缩小、城乡差距缩小等方面具有重要的作用，但是面临融资难、融资成本高的困境。因此，对于小微企业银行信贷抑制问题的研究一直被学术界所关注。
从已有研究来看，一方面，部分研究通常以企业是否获得银行贷款来衡量企业是否受到银行信贷抑制，这既没有排除没有银行信贷需求的企业，也没有包括只得到部分满足其银行贷款需求的企业，因此，这一类研究只能讨论企业银行信贷的可得性，如卢亚娟、褚保金（2010）基于江苏宜兴的农村中小企业数据，通过比较获得银行贷款与未获得银行贷款的企业的特征，结合Logit模型研究影响中小企业银行信贷可获性的因素；Akoten et al.（2006）利用多元Probit讨论了影响肯尼亚制造业小微企业获得银行信贷、小额信贷以及其他民间非正规融资的因素。因而，这一类研究都无法给出小微企业银行信贷抑制的度量。而且，就普遍使用Probit和Logit模型的方法而言，无法考虑到不存在银行信贷需求企业的自选择效应，从而产生内生性问题，导致估计结果有偏。另一方面，关于银行信贷抑制对企业经营业绩的影响研究并不多见（Akoten et al.，2006），已有文献较少涉及中国的经验研究。吕一博等（2008）基于我国东北地区中小企业的数据表明，充足的金融资源通过提升企业创新发起能力和对企业家精神的促进作用来提高中小企业的成长绩效；何韧、王维诚（2009）则根据世界银行关于中国东北、华东、华中、华南、西南、西北地区18个城市2400家企业的数据，发现银企关系规模和中小企业成长呈负相关，而银企关系长度和深度与中小企业成长呈正相关。卢亚娟、褚保金（2010）利用江苏宜興的中小企业面板数据，引入是否获得银行贷款的虚拟变量，分析了银行贷款的获取对中小企业资产规模、净利润、销售额等指标的影响，发现存在正相关关系。因此，已有研究通常讨论银行信贷对企业经营绩效的影响，但没有细分银行贷款对处于不同银行信贷抑制状态下的企业经营绩效的影响，因为银行信贷对处于银行信贷抑制和未受银行信贷抑制企业的经营绩效的影响可能是不同的。
鉴于已有研究的不足，本文利用247户台州各地区、各行业企业的调研数据，构建合适的银行信贷抑制度量指标，以Heckman Probit模型为主分析小微企业受到银行信贷抑制的影响因素，并估算台州市小微企业受到银行信贷抑制的程度。最后，在银行信贷抑制对企业经营绩效的影响分析中，我们还引入Heckman Twice模型来控制样本自选择效应，得到处于不同银行信贷抑制状态下的企业经营绩效对银行贷款的反应。所以本文分为五个部分。第一部分是引言，第二部分是对小微企业银行信贷抑制因素的分析，第三部分给出小微企业银行信贷抑制程度，第四部分是分析银行信贷抑制对小微企业经营绩效的影响，最后是结论。
二、小微企业银行信贷抑制：因素分析
（一） 数据和方法
本部分的数据主要来自于2008年对台州市中、小、微型企业的问卷调查，感谢吴伟萍的提供。共发放300份，回收有效问卷247份，地区涉及台州市区（椒江、路桥、黄岩）、温岭、玉环、临海、仙居和天台，行业包括农林牧渔业、采矿业、制造业、建筑业、批发零售业、住宿餐饮业、房地产业等。根据2011年发布中小微企业划分标准，从样本企业的销售额、资产、从业人员数三个指标来看，我们的样本企业99%都属于中小企业，其中小微企业的比重达到64%（按销售额）、79%（按资产）、85%（按从业人员），小微企业占绝大多数。
类似于Kochar（1997）、Foltz（2004）、 、朱喜（2007）等的做法，我们认为，当企业存在向正规金融机构借款的需求时，在现行利率下，无法得到或者只能得到部分满足的情形定义为信贷抑制。根据问卷内容，我们将银行（包括信用社）满足企业资金需求程度“中”和“低”的企业设为受到银行（信用社）信贷抑制的企业，而满足程度高以及不需要贷款的企业设为未受到信贷抑制的企业，构建一个二元虚拟变量（CR）。
本文重点考察企业资产规模（K）对信贷抑制的影响。对于资产而言，一方面表明企业的规模大小，另一方面也表现为企业的抵押能力，我们可以假设资产越小，越容易受到信贷抑制。Bopaiah（1998）等人的经验研究都支持这一点。
鉴于被解释变量是否受到信贷抑制（CR）是一个虚拟变量，通常选择Probit模型利用最大似然估计法进行估计（Cameron and Trivedi，2005），Foltz（2004）、Akoten et al.（2006）等也选用这一模型考察信贷可得性的影响因素。
对于Probit模型，具体设定如下：
其中，X是解释变量，是标准正态的累积分布函数，即式（1）为：
从我们关于信贷抑制的数据来看，实际上我们只能观测到当前有信贷需求的企业（Demand=1）是否受到信贷抑制，而无法观测到那些当前没有信贷需求的企业（Demand=0）是否会受到信贷抑制，即选择方程（Selection Equation）是完全可观测的，而产出方程（Outcome Equation）是部分可观测的。对于这样一种数据结构，一种方式是剔除当前没有银行贷款需求的样本企业，直接使用Probit模型进行回归，另一种是考虑上述样本企业的选择效应，使用考虑样本选择效应的Heckman Probit模型①。相对于第一种方式而言，第二种方式的优势在于：一是可以纠正样本选择有偏效应，因为我们只能观测到有信贷需求企业的信贷抑制状况，因此我们需要控制有信贷需求和没有信贷需求样本的差异性，而这种差异可能来自于其他不可观测的变量，企业是否受信贷约束具有样本自选择性，影响企业是否具有信贷需求的变量同样会影响企业是否受到信贷抑制，因此有赖于Heckman Probit模型来纠正这种样本选择效应；二是可以获取有效样本的信息，减少样本量的损失，尤其是在样本量不大的情形下。 考虑样本选择效应的Heckman Probit模型的设定如下：
我们可以得到如下的似然函数进行最大似然估计：
（二）计量结果及分析
表1给出了Probit模型的估计结果，回归样本中剔除了没有银行贷款需求的企业。从我们最为关注的变量资产来看，资产与信贷抑制之间存在明显的负相关，显著性水平通过1%以上的检验。即资产规模越大的企业，受到信贷抑制的可能性越小，进一步，我们考虑地区和行业等控制变量②，上述负相关性依然稳健。从地区变量来看，玉环县的企业受到信贷抑制的概率显著低于其他地区，这和该地区较早开始、且运行最为成功的地方商业银行的小额贷款密切相关。相对于第三产业，制造业通常有一定的场所、机器设备等固定资产，因而更容易获得贷款，显著性水平较高；农业企业受惠于政府服务三农的政策导向，其受到信贷抑制的可能性也弱于其他行业，但显著性较弱。
表2给出了Heckman Probit模型的估计结果，样本中包含了没有银行贷款需求的企业。我们在选择方程中引入被解释变量企业是否有银行贷款需求（Demand），解释变量为对外资金依赖程度（Out），显然，对外资金依赖程度越高的企业，越有可能存在银行贷款需求。从回归结果来看，两者亦非常显著的正相关。在产出方程中，从各解释变量对企业信贷抑制的影响来看，资产与信贷抑制之间亦呈显著负相关。引入地区和行业变量之后，从LR-test检验来看，考虑地区、行业变量影响之后，不存选择效应的假设被拒绝，因此，需要用Heckman Probit模型来纠正这种选择效应。回归结果 （4）表明，资产的回归系数进一步提高，玉环地区变量和农业、制造业的行业变量依然显著。
因此，从我们不同方法的回归结果来看，企业资产以及其他控制变量对企业遭受信贷抑制的影响方向和显著性基本上一致的，从而也表明我们的结果是稳健的。进一步的，我们估计了各模型中相关解释变量对企业受到信贷抑制可能性的边际效应。从我们最为关注的资产变量来看，其他情况不变的情形下，资产每降低1%，将导致信贷抑制的可能性增加7.9%到9.8%。相对而言，Heckman Probit模型下的边际效应要略低于Probit模型，但是差别都不大，且均通过1%以上的显著性水平检验。制造业行业变量的边际效应在8%～11%之間，且较为显著，而其他变量的边际效应都不显著。
三、小微企业银行信贷抑制：程度度量
在此基础上，我们利用上述方程的估计系数来估算 ，以此来度量企业受到信贷抑制的可能性。 是普遍使用的一种计算方式（Kochar，1997），即在有贷款需求的条件下，企业受到信贷抑制的概率。
我们根据Heckman Probit模型的系数估计结果，计算各样本企业的 ，从而给出各企业受到银行信贷抑制的可能性。基于回归方程（3）和（4）的 的统计特征见表3。从单因素的产出方程（即回归结果3）来看，共有247个样本企业，在存在贷款需求的前提下受到银行信贷抑制的概率平均达到83.4%；而考虑地区、行业影响之后，受到信贷抑制的概率均值下降到81.4%，且标准差大于回归方程3。因此，从我们的样本企业来看，信贷抑制较为严重。
从图1来看，企业受到信贷抑制的可能性与企业规模（以销售额为度量）呈显著的负相关，即规模越小的企业，受到信贷抑制的可能性越高。如表3所示，尽管我们样本中的中型企业也普遍偏小，但是小微企业（即销售额在3000万以下）受到信贷抑制可能性的均值、极大值和极小值都比大、中型企业要高，其中，均值高出9到11个百分点。而且，从标准差来看，小微企业的标准差明显低于大、中企业，因此，小微企业受到信贷抑制的可能性大是极为普遍的现象，企业相互之间差别亦不大。
四、小微企业银行信贷抑制：影响分析
严重的银行信贷抑制对企业的经营绩效有何影响？已有研究仅讨论了银行信贷对中小企业成长的促进作用，但是，并没有讨论银行信贷抑制对企业绩效的影响，即没有区分不同信贷抑制状态下的银行贷款对企业绩效影响的差异。在本部分，我们利用上文的数据集定量分析银行贷款对受信贷抑制和未受信贷抑制企业经营绩效的影响。
（一）方法
根据我们的可得变量，本文关注银行信贷（Loan_B）和民间非正规融资（Loan_Inf）对企业销售额的影响。我们的样本企业分为两类，一类是有银行信贷需求但受到银行信贷抑制，另一类是银行有信贷需求但没有受到信贷抑制以及没有银行信贷需求的企业。我们可以分别对这两类企业（CR=1或0）进行OLS回归，分析银行信贷额对企业绩效的影响，如式（5）和（6）所示。
，当CR=1 （5）
，当CR=0 （6）
其中，yi为销售额， xi为控制变量，δ为待估参数，为残差项。但是，考虑到企业是否受到银行信贷抑制并不是随机分配的，特别是当影响企业有无受到信贷抑制的因素不可观测且同时影响企业绩效时，两类企业的回归结果的差异可能部分来自于选择效应造成的，因此，上述方法难以得到无偏的结果。遵循Powers（2007），我们使用两次Heckman 模型（Heckman Twice）来解决这一困难。引入变量Inv_CR=1-CR，即给未受信贷抑制的企业赋值1，其他企业赋值0；模型具体设定如式（7）-（8）所示：
我们分别利用Heckman 两步法以及Heckman最大似然（ML）估计对（7）和（8）进行估计。
（二）计量结果及分析
表4给出了银行贷款对不同信贷抑制状态下的企业销售影响的OLS的估计结果，对受银行信贷抑制的企业而言，银行贷款对企业销售额的扩张有显著的促进作用，在控制产业和地区效应之后，显著性水平依然成立。对未受银行信贷抑制的企业而言，银行贷款对企业销售额的扩张的影响并不显著。
但是，OLS估计无法解决选择效应导致的内生性问题。表5给出了解决这一问题的Heckman Twice回归结果。从该结果来看，银行贷款对受银行信贷抑制企业的销售额扩张的促进作用更大，系数通过1%以上的显著性水平检验。在控制产业和地区固定效应之后，两步法的逆密尔比率（lambda）和ML法的LR test均通过5%以上显著性水平检验，这表明控制选择效应是必要的。但是，银行贷款对未受银行信贷抑制企业的销售额扩张的作用亦不显著。非正规融资额对企业销售额基本上没有显著影响。两步法和ML的估计结果基本一致，表明这一结果的稳健性。 从上述结果来看，对于受到银行信贷抑制的企业而言，其经营业绩的提升有赖于信贷资金的支持，银行贷款对其经营绩效具有积极的促进作用。但是，因为信息不对称以及银行经营策略选择等诸多原因，银行却存在对那些未受信贷抑制企业过度放贷的情形，其借款对企业的经营绩效反而没有促进作用。如果能够将这部分过度放贷资金转移至受到信贷抑制的企业，那么必然实现整体效率的提升。因而，当前的银行信贷抑制对小微企业成长的促进作用有待进一步发挥，而且也没有实现银行信贷资金的优化配置，所以实际上是一种无效率的现象。
五、结论
本文根据台州市中、小、微企业的问卷调查数据，利用Probit模型和Heckman Probit模型量化分析了企业受银行信贷抑制的影响因素和程度。我们发现资产规模、行业因素和地区因素都显著影响企业是否受到信贷抑制，其他情况不变的情形下，资产越小、从事第三产业的企业越容易受到信贷抑制，而从事制造业以及小额信贷运行良好的地区的企业则较少受到正规金融抑制，这些关系和理论预期是相符的。其中，其他情况不变的情形下，资产每降低1%，将导致信贷抑制的可能性增加7.9%到9.8%。基于上述模型估算的企业受到银行信贷抑制的概率达到81.4%，其中，小微企业（即销售额在3000万以下）受到信贷抑制的可能性至少比中型企业（样本中的中型企业规模也偏小）高出近11个百分点，面临更为严重的信贷抑制，且分布更为集中。
根据调研数据，我们进一步利用OLS模型和Heckman Twice模型分析了银行贷款对不同信贷抑制状态下的企业的经营绩效的影响。我们的结论表明，银行贷款有助于受到银行信贷抑制企业销售额的提高，但是对未受到银行信贷抑制企业的经营绩效没有影响。该结论在考虑选择效应的Heckman Twice模型下依然成立，且银行贷款对受银行信贷抑制企业的促进效应更大。因此，当前的银行信贷抑制对未受信贷抑制企业存在过度放贷的可能性，这是一种无效率的行为，即没有充分发挥推动小微企业成长的能力，也没有实现银行信贷资金的优化配置。
注释：
①双虚拟变量回归方法通常有bivariate probit 模型、部分可观测的bivariate probit模型和Heckman probit模型。对应的数据结构分别为、 和 ，因此，上述三类中，Heckman probit模型最适合本文数据的估计。
②在回归中，我们剔除了未通过15%的显著性水平检验的控制变量。
参考文献：
[1]李锐，朱喜.农户金融抑制及其福利损失的计量分析[J].经济研究，2007，（2）.
[2]吕一博，等.中国中小企业成长的影响因素研究——基于中国东北地区中小企业的实证研究[J] .中国工业经济，2008，（1）.
[3] 卢亚娟，褚保金.农村中小企业贷款可获性的实证分析——基于江苏省宜兴市的调研[J] .经济学动态，2010，（3）.
[4]何韧，王维诚.银企关系与中小企业成长——关系借贷价值的经验证据[J] .財经研究，2009，（10）.
[5]曹凤歧.温州金融改革与民间金融的合法化[J].中国市场，2012，（37）.
[6]刘克崮.中国资本市场评价及改革政策建议[J].中国市场，2012，（42）.
[7]季仙华，齐兰.中国资本市场资源配置效率的影响因素[J] .中国市场，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.
（编辑：韦京）