不完全信息条件下的出口与信贷约束——来自中国的理论与证据

Robert C. Feenstra，李志远，余淼杰(1.加州大学戴维斯分校 经济系，加利福尼亚州 戴维斯 95616；2.美国国家经济研究局，马萨诸塞州 剑桥 0218；.上海财经大学 经济学院，上海 200；.北京大学 国家发展研究院 中国经济研究中心，北京 100871)



不完全信息条件下的出口与信贷约束
——来自中国的理论与证据

Robert C. Feenstra1，2，李志远3，余淼杰4
(1.加州大学戴维斯分校 经济系，加利福尼亚州 戴维斯 95616；2.美国国家经济研究局，马萨诸塞州 剑桥 02138；3.上海财经大学 经济学院，上海 200433；4.北京大学 国家发展研究院 中国经济研究中心，北京 100871)

文章讨论了在“银行-企业”不完全信息条件下，国内企业和出口企业面对的信贷约束为何不同。由于企业的生产率等信息对于银行而言属于内部信息，银行为了保持激励相容，会向企业提供少于企业所需最优数量的贷款。这种贷款的约束构成了企业面对的信贷约束。出口企业的运输时间越长，相比国内企业就会面临更紧的信贷约束。使用中国企业的数据验证这一理论，我们发现，对中国企业而言，出口业务占比越大、运输时间越长、生产率差异越大，企业面临的信贷约束也就越紧。

出口；信贷约束；不完全信息；异质性生产率；中国企业

一、引 言

2008年的金融危机引起了学术界就信贷约束是否显著降低企业出口的讨论。一方面，Amiti和Weinstein (2011)认为贸易融资在日本20世纪90年代和美国近期的贸易活动中扮演了重要角色；Chor和Manova (2012)发现出口国金融脆弱的部门对美国的贸易确实受到了更大的影响。另一方面，Levchenko等 (2010)发现信贷约束不影响美国的进出口；Belgium等(2010)则认为，尽管金融变量影响出口，然而国内企业也同样受到影响。当然，早在危机之前，学术界已经承认在国家层面，金融发展水平和对外贸易之间存在潜在的因果关系。Kletzer和Bardhan (1987; 又见 Beck, 2002；Matsuyama, 2005)认为信贷市场的不完美会降低出口并影响贸易结构；Chaney (2005)在Melitz (2003)的框架下构建了上述模型，Manova (2013)对其进行了实证检验。结果显示，不同金融脆弱性的出口部门、不同金融发展水平的国家，受到的信贷约束具有系统性差异。*其他探讨贸易与金融的文献包括：Qiu (1999),Harrison和McMillan(2003)，Greenaway等(2007), Muls (2008), Buch等(2008), Héricourt和Poncet (2009), Poncet等(2009)以及Egger和Keuschnigg (2011)。

鉴于现有研究对信贷约束的不同观点，我们有理由相信应当重新从理论上探究信贷约束对于国内企业和出口企业的不同影响。Amiti和Weinstein (2011)提出过两个有力的理由：出口企业的生产与销售存在较长周期；出口企业面临更高的跨境支付风险。他们将贸易融资(而非贸易信贷)定义为企业间签订的用来保障出口商的契约。我们选取他们提出的第一个理由，即出口商的回款周期更长，这与Berman等(2012)*在工作论文阶段(Feenstra等, 2011)，我们还考虑了出口企业面临的国际风险。但是由于风险是外生变量(与Ahn (2011)不同)，这种风险在理论上影响有限，在实证中无法得到足够的证据，因此并未在此进行讨论。Berman等(2012)提出了违约风险，但是在模型中构造为依赖运输时间的变量，从而在模型和检验中得到显著效果。的观点相一致。本文的目的是在模型中考虑异质性的运输时间，检验由此引起的出口商和国内销售企业所面临的银行信贷差异。并利用中国的企业数据进行检验。

本文模型的特点是银行面临不完全信息，即企业有两个方面的特征不能被完整观测到。首先，银行无法观测到企业生产率。对于中国这样快速增长的经济体，企业进入速度之快使得银行无法及时有效地了解企业的实际经营状况，因此这一假设是合理的。银行与企业签订贷款数量和利率合同，会使得银行自身利益最大化。从显示原则出发并为不失一般性，我们假设合同会诱导企业提供真实的生产率信息。第二，银行无法观测贷款最终用于出口还是内销。这意味着我们并没有对银行的贸易融资进行建模，因为贸易融资认为银行有能力区别企业将贷款是否用于出口生产。*Ahn(2011) 提供了以信息经济学为基准的贸易融资模型。特别地，银行贷款被用于设备购买并覆盖当期生产成本，无论产出日后在哪里被销售。对银行无法监控贷款流向的假设在不同的文章中都有提及，比如Bolton和Scharfstein(1990)。

基于上述假设，第二节我们将推导出与银行激励相容的、使银行利润最大化的贷款模型，此时企业获得的贷款小于最优的贷款量，即银行激励相容原则造成了企业的信贷约束。信贷约束的原因在于，由于企业不能按照完全信息下的最优生产量生产，获得的银行贷款量小于完全信息下的最优贷款，从而损失了二阶的(second-order)销售利润。但是企业可以通过降低还款利率来获得一阶的(first-order)利润。因此，不受信贷约束的企业绝不会报告出真实生产率，获得的贷款也小于完全信息下的最优贷款量。所以激励相容原则意味着企业一定会受到信贷约束。进一步，由于银行不能跟踪企业获得贷款后的资金流向，因此出口和内销活动都会受到上述信贷约束的影响。又因为出口需要更长的运输时间，出口企业所面临的信贷约束会比国内企业更加严重。

出口和内销业务面临的信贷约束是否相同？我们认为答案是不一而论的。当同一企业同时从事出口和内销时，银行并不会区别对待出口和内销业务；然而，对于出口企业和内销企业而言，银行信贷确实有所不同，出口企业由于生产销售周期较长，因此面临的信贷约束也会更紧，从而降低了深度边际和广度边际。实证上，我们在第三节和第四节利用2000-2008年中国工业企业数据检验上述理论。投资环境报告显示，中国是全球信贷约束最紧的国家之一，见(Claessens和Tzioumis,2006)，鉴于中国出口的高速增长和所面临的较大信贷约束，本文的实证结果具有重要意义。

我们对结构模型进行估计，设定销售额受到利率、出口份额和其他变量的影响。实证结果稳健地证明了出口企业面临的信贷约束比国内企业更紧：企业出口份额上升、运输时间增加、企业生产率异质性更强，信贷约束也就越紧。相比于Manova(2013)关注产业层面的金融脆弱性特征，我们的结果更加深入到企业生产层面(即出口份额和运输模式)和行业层面(即不完全信息)的特征。我们同样发现，更高的抵押品可以对冲信贷约束的影响，并且扩大出口量。结论与讨论见第五节，在线附录提供了更多的理论和实证结果。*附录参见http://www.econ.ucdavis.edu/faculty/fzfeens/papers.html。*由于篇幅所限，中文版附录未列出，如有需要可与作者联系。

二、激励相容的贷款

1.模型。我们假设两国模型，本国和外国(外国变量加*表示)。劳动力是唯一的生产要素，本国人口为L。同时存在两个部门，第一个部门生产单一同质化商品并且可以自由贸易，假设为连续统。两国在第一个部门生产具有规模报酬不变的特征，因此工资为固定(w)。第二个部门与Melitz (2003)相同，在垄断竞争条件下生产连续的差异化产品。

(1)消费者

消费者拥有一单位劳动力禀赋，对于差异化产品具有常替代弹性偏好。因此代表性消费者的效用函数为：

其中ω表示不同产品，Ω是消费者可以购买的所有产品集合，σ>1是不同商品间的常替代弹性，μ是不同部门的支出份额。因此对于每一种商品的需求为：

(1)

(2)企业和银行

不同部门的企业需要通过借贷融资来覆盖δ比例的固定和可变成本。企业从单一、垄断的银行借款，银行通过控制利率从而实现利润最大化。将企业贷款过程简化如下：银行根据公开可见的生产率分布向企业提供利率和授信额度，之后随机赋予企业一个生产率，企业根据其已知的生产率向银行申请贷款。在向银行申请授信时，给定银行授信额度与贷款利率，企业选择使其利润最大化的生产率向银行报告。获得贷款后，企业选择国内或国外市场进行生产销售，企业盈利后银行回收贷款和利息。

此处，授信额度和贷款利率都是由银行在最开始制定的，随后企业根据自身利润最大化原则选择在国内、国外市场进行生产销售。因此，银行无法事先知晓企业是否从事出口业务。但是在激励相容的贷款合同下，银行可以完全准确地预测企业是否是一个出口企业。

银行贷款面临机会成本i，即贷款利率。假设对国内企业(出口企业)的还款时间为τd(τe)期，进一步假设τe>τd，即出口企业由于运输时间需要更长的回款期限。

2.国内企业决策。在不完全信息条件下，银行无法观测到申请授信企业的实际生产率x。为了最大化利润，银行制定的授信额度Md(x′)和贷款利率Id(x′)依赖于企业报告的生产率x′。

根据显示原则，银行的最优合同应该是引导企业报告其实际的生产率，即x′=x。将这一激励相容条件加入预算约束，国内企业的利润最大化问题为：

(2)

同时，企业收到国内需求约束，Cd是固定成本。*注意此处我们假设没有风险存在。引入风险和担保并不会影响我们的主要结论，模型推广参见Feenstra, Li和Yu(2011)。第一个约束是激励相容约束，第二个约束表示利润大于零，第三个约束表示给定生产率qd，授信额度可以覆盖δ比例的固定成本和可变成本。

由于第三个约束在模型中一定为紧的约束，因此我们对企业报告的生产率x′求一阶导数得到：

(3)

其中，

(4)

第一行Φd表示边际利润与边际成本的比率。不需要借贷的企业将在Φd=1处生产，受到借贷约束的企业则会在Φd>1处生产。这意味着Φd实际上衡量了企业面临的信贷约束：Φd越大，企业生产的产品就越少。第二行等式通过第三个约束为紧约束的条件以及需求曲线决定的价格(国内需求)得出，贷款Md(x)越少，信贷约束Φd越紧。

3.出口商决策。我们假设垄断的银行不能对国内市场和出口市场提供不同的贷款合约，但企业可以自由决定将贷款用于国内市场还是出口市场。因此，企业向银行报告的是使得利润最大化的生产率x′，并将贷款分配于国内市场和出口市场。

(5)

前两个约束条件等同于国内企业的约束条件，但是重要的是第三个条件的差异。第三个约束指的是，银行授信额度必须足够覆盖国内生产和出口生产的固定资产投资。对于出口企业而言，这笔贷款用于国内生产还是出口生产是完全替代的，因此银行业只能制定一笔授信额度和相同的利率。

求解上述方程qd和qe，得到企业通过选择两个市场的生产量来最大化利润：

(6)

(7)

利用国内需求和出口需求，加上(6)式中pd和pe相等的条件，可得国内部分贷款和出口部分贷款关系如下：

(8)

其中，我们将国内和出口需求定义为：

(9)

(10)

其中，

(11)

再加上(6)式边际收益相等条件，可得：

(12)

(13)

(14)

之后，根据激励相容(3)式和国内约束条件(14)式，国内企业的利率为：

(15)

(16)

其中，最后一个参数为：

因此，出口企业的利率为：

三、实证模型与数据

1.实证策略。利用上面的推导，我们可以建立起企业营业收入和贷款利率的关系，并利用中国企业数据进行验证。接下来我们证明，营业收入与贷款利率存在线性关系，但是相关系数是国内企业和出口企业面临的信贷约束的一个非线性方程。理论上(14)式已证明，信贷约束由企业对外业务比例ηe决定，且ηd=1-ηe。因此，我们最终估计的方程是对外业务比例的非线性方程，并视后者为内生变量：这些设定都使得估计更为复杂。

对于出口企业，营业收入和贷款利率的关系也可以得到相似的关系：

总结以上结果，我们将利率和企业营业收入的关系表达为：

我们得到企业j在t年的营业收入与贷款利率的关系为：

r(xjt)=β0Cd+β1I(xjt)+g1jtI(xjt)+g2jtCd+g3jt

(17)

其中，系数为：

(18)

以及

(19)

对于其他项，首先考虑第一个方程g1(ηejt),对于出口企业为负但是绝对值小于β1。因此，对于出口企业而言，银行费用I(xjt)与营业收入β1+g1(ηejt)有关，且其大于0小于β1。因此银行费用降低出口企业营业收入，反映出出口企业面临着更紧的信贷约束。同样的逻辑可以运用在国内销售的固定成本Cd，后者降低出口企业β0+g2(ηejt)的营业收入，但是只减少国内企业β0的营业收入。因此，出口商由于银行费用和固定成本Cd等额外的信贷约束只能获得较少的收入。

此外，g3(ηejt)说明贷款利率同样会降低出口企业的营业收入，原因在于Θ决定了临界出口企业的贷款利率。随着贷款利率上升和出口企业销售周期的增加，银行的贸易融资业务会面临更高的机会成本并反映到更高的贷款利率上，因此降低了出口企业的广度边际。

(17)式总结了企业利率和营业收入的关系，在实证中我们仍然需要克服三个问题。首先，上式没有误差项，因为利润取决于生产率，而生产率可以被企业直接观测到。我们可以认为这是事前生产率，而事后生产率与事前生产率的差异可以视作误差项，包括生产冲击、贸易时间冲击和政府干预等。因此，我们定义企业的实际收入为Rjt=r(xjt)+εjt，其中E(εjt|xjt)=0,从而在(17)式中引入误差项。

误差项的存在直接引出了内生性的问题。我们希望观察到的实际利率Ijt与理论利率I(xjt)不同，因此满足Ijt=I(xjt)+ujt，其中E(ujt|xjt)=0。误差项ujt与收益的误差项εjt很可能存在相关性，因为生产冲击同样可以影响银行利率。因此，我们将利率视作内生变量，因此需要找到与误差项εjt，ujt无关的工具变量。我们利用Olley和Pakes (1996)的方法区分企业包含所有冲击的生产率TFP1和不包含外生冲击的生产率TFP2。TFP1是标准的企业层面生产率，TFP2是利用企业投资决策推断的预期生产率，TFP2与xjt相关但是与外生冲击εjt，ujt无关。

因而我们计量模型中的系数与内生变量海外业务比例是相关的，即其是一个随机相关系数(CRC)模型。这给模型估计带来了挑战，利用Rjt=r(xjt)+εjt和Ijt=I(xjt)+ujt替换(17)式可得：

Rjt=β0Cd+β1Ijt+g1jtIjt+g2jtCd+g3jt-(β1+g1jt)ujt+εjt

(20)

即便E(ujt|xjt)=0,我们也不能认为E(g1jtujt|xjt)=0，因为g1jt和ujt存在相关性。这样，xjt就不再是一个可行的工具变量。

Heckman和Vytlacil (1998)提出，利用内生变量的估计值替换随机相关系数模型中的内生变量本身，即海外业务比例。下一节我们利用包含xjt的外生变量Zjt对第二类Tobit模型或Heckman方法估计海外业务比例，因此此处我们重新将gijt表示为gijt=E(gijt|Zjt)+vijt，其中E(vijt|Zjt)=0,i=1,2,3。我们将这些变量替换到(20)式得到：

Rjt=β0Cd+β1Ijt+E(g1jt|Zjt)Ijt+E(g2jt|Zjt)Cd+E(g3jt|Zjt)+wjt

(21)

其中wjt=v1jtI(xjt)+v2jtCd+v3jt-[β1+E(g1jt|Zjt)]ujt+εjt为误差项。所有包含这一误差项的变量都符合给定Zjt,均值为零的特征。因此wjt与工具变量条件无关。*注意，此处v1jt、ujt经过迭代在wjt中出现了两次且符号相反，因此被消除。这是因为不同于Heckman和Vytlacil (1998)，我们从理论模型出发加入了误差项，与v1jtujt相同的项并未在Heckman和Vytlacil模型中被消除，因此他们需要条件同方差的假设从而确保估计的无偏性。而我们的文章不需要这一假设。

最后一个挑战是处理方程中的非线性部分gi(ηejt)。对(17)式的估计需要借助非线性结构方程，同时包括内生解释变量和一阶Heckman过程，在计算上十分麻烦。因此，为简化估计方法，我们对gi(ηejt)进行了简化。

我们对方程gi,i=1,2,3,采用不同的简化方式，由(14)式可得：

(22)

考虑到g1(ηejt)是非线性的，我们采用二阶泰勒展开逼近ηejt=0附近，

从系数β2和β3的定义出发，我们得到了(22)式中方程g1的具体值：

(23)

(24)

回到方程g2,可以被化简为

其中β4<0。因此对参数β4的估计并不依赖泰勒展开。*如同参数β2和β3，我们假设参数β4对所有企业都是常数。所有参数都依赖于(τe-τd)，即出口企业和国内企业还款的时间长短差异。我们允许海运和非海运企业拥有不同的参数。最后，我们并未把g3表示为海外业务比例的方程，但是利用参数β5×1{xjt≥xe}考虑这一因素对出口企业的影响。*在我们的工作论文(Feenstra、Li和Yu, 2011) 中，我们允许参数β5随时间变化，然而结果并不稳健，因此此处略去。另外，原则上我们在估计(25)式时应该用1{xjt≥xe}给定Zjt的条件均值，但实际上我们发现用该变量本身会使得系数估计更加稳健。

将gi代入(21)式，并将固定成本Cd放进系数β0和β4,我们得到：

(25)

2.企业层面数据。本文利用中国企业数据库的企业层面面板数据，包括2000-2008年每年160 000多家制造业企业。企业数量从2000年的162 885家翻一番到2008年412 212家。*官方尚未公布2008年数据，样本中的数据是试用版数据，因此并不包括企业ID数据。我们利用可用的字段与之前的数据合并，得到33 648个观测值，与2007年的336 768基本一致。数据来自中国国家统计局的年度企业普查，包括两类企业：(1)所有国有企业；(2)所有年销售额在500万元($770 000)以上的规模企业。*由于小企业更有可能面临信贷约束，本文的估计结果显然是低估的。我们的估计结果是中国企业面临的信贷约束的下界，感谢审稿人提出的上述意见。非国有企业不一定是跨国企业。数据包括超过100个财务指标。

尽管原始数据有2 235 438观测值，仍然有一小部分数据存在噪音，主要是由于一些企业的错误报告。*比如一些个体户企业并没有财务报表，记账单位是元，而非官方所要求的是1 000元。因此我们对测量误差和小微企业进行数据清理，标准如下：首先，核心财务指标(如总资产、固定资产净值、销售额、工业产品价值)不能为缺失；否则去掉观测值。其次，企业员工数量不能低于10人。*Levinsohn和Petrin (2003) 认为应当考虑所有10人以上的企业，我们遵循他们的标准。Brandt等(2012)认为应当以8人为分界线，这样更加符合中国的实际情况。我们也用这个标准进行分析，结果并无显著差异。此外，根据Cai和Liu(2009)以及审计总则(GAAP)，我们删除了不满足以下任意一条件的企业：(i) 总资产必须高于流动资产；(ii)总资产必须高于固定资产总额；(iii) 总资产必须高于固定资产净额；(iv) 企业成立时间必须有效；*特别地，成立时间为2008年以后、12月以后、1月以前的企业也被删除。(v)企业ID编码不能缺失且不能重复；(vi)企业销售额不能低于500万元人民币；(vii)企业的利息支出必须为正。

经过严格筛选后，我们得到963 180个观测值，大约占全样本的一半。最后三项标准大约占删除样本的60%。这些观测值中有36 637个观测值是纯出口企业，926 543个观测值是国内企业，包括港澳台投资的合营企业，以及99 742个外资企业观测值。

说明：剔除了36 637个纯出口企业观测值后，样本中共有926 543个国内企业观测值和99 742个外资企业观测值。企业营业收入和利息支出全部转化为美元，汇率为1美元=8.05人民币(样本期间均价)。所有外资企业(即跨国公司)不包括港澳台公司。

表1所示，海外销售额等于销售额的纯出口公司，其销售额和财务费用明显小于其他企业。由于纯出口企业并不是我们理论讨论的范围，我们将这些企业从样本中剔除。对于国有企业，观测值相对较少(约39 419或总样本的4.1%)，且并不符合企业独立性原则，因此也从样本中删除。

跨国公司也不直接适用于我们的理论，因为跨国公司通常有其他融资渠道(Harrison和McMillan, 2003; Manova等, 2011)。因此我们将跨国公司单独作为一个样本，并单独进行回归后，从样本中删除。*回归中共300 372家中国企业和42 612家外资企业(即跨国公司)。表1结果显示，外资企业销售额更高、财务费用更高，且更有可能从事出口业务，海外业务占比也高于中国企业。

其他变量并未在表1中单独报告，但是在回归中是用到了。如前所述，我们估计出企业的预期生产率TFP2，而不是传统的生产率，从Olley和Pakes (1996)框架下讨论，考虑一个Cobb-Douglas生产函数：

lnYjt=γklnKjt+γllnLjt+xjt+εjt

(26)

其中Yjt是企业j在t年的增加值。*此处我们用平减后的企业增加值来估计生产率并且除去中间品投入，后者被视作一种要素投入。尽管如此，我们并不能用增加值来衡量2008年的企业生产率，因为在试用版本数据中，这一变量缺失。我们用产出来替代企业2008年的增加值。传统的生产率用下式估计：

(27)

这种方法下，企业生产率(TFP1)显然与增加值相关，也与事前冲击εjt相关。

但是Olley-Pakes方法引出了第二种衡量生产率的方法。这种方法假设投资Vjt决定于预期到的生产率TFP2jt：Vjt=h1(TFP2jt,lnKjt),其中Kjt表示企业资本。通过这个估计，我们可以逆向计算出预期到的生产率：

(28)

我们在附录中更加细致地讨论这个方法。第二种估计方法计算的生产率就是理论中所说的企业事前观测到的生产率，与Melitz模型相近并且与εjt独立。TFP2作为我们估计(25)式时的工具变量，也在Heckman方法中用到这一变量。

除了企业层面的生产数据，我们也运用更加分散的、产品层面的海关数据，后者包括运输方式及出口价值，并与企业层面数据合并。我们利用这个数据来估计运输时间对信贷约束的影响。

四、估计结果

1.信贷约束。首先检验(25)式中企业营业收入和财务费用的关系。注意简单的二维图(2位行业层面的平均值)中，二者存在明显的正相关关系，与理论预测相同。*参见附录，图-A1。进一步，我们对(25)式进行OLS回归，见表2第1列。我们需要用Heckman方法控制海外业务比例这一内生变量，结果在下面报告。同时需要用TFP2作为工具变量来控制财务费用这一内生变量。在OLS回归后，我们继续用二阶段最小二乘法(2SLS)估计，表2剩余部分将报告这一结果。前2列我们只关注中国公司，外资企业结果在第3列报告。

表2 国内企业和外资企业的基准回归(2000-2008年)

2.二元选择模型。表2第1列的OLS估计结果是对海外业务占比进行回归，但是这一变量本身存在内生性。为了控制内生性，我们采用Heckman方法或第二类Tobin模型进行识别。二元选择模型包括：(i)出口参与方程

(29)

理论模型认为企业的出口决策取决于抵押品，见工作论文(Feenstra等, 2011)。我们根据Manova (2013)，运用企业有形资产占总资产的比重来衡量抵押品。特别地，我们将临界生产率作为抵押品的被解释变量。*金融学中，企业抵押品通常由有形资产占总资产的比例来衡量，而不是有形资产的水平值，主要因为后者是企业规模和收益的内生变量。此外，之前文献认为美国出口企业的资本密集度更高，并且资本密集度高的行业也更多地从事出口业务(Bernard等, 2007)。这意味着Heckscher-Ohlin在跨行业的贸易中也存在影响力。近年来的研究表明，中国的贸易或许与Heckscher-Ohlin预测的相反，劳动力密集型产业更多从事出口(Lu, 2010)。因此，有必要检验出口行为与劳动力密集度的关系，因此我们在出口决策方程中纳入劳动力密集度这个变量。

最后，我们控制年份固定效应Dt和四位行业固定效应ζn，我们利用下面的Probit模型作为Heckman第一步回归：

(30)

其中Φ(.)是正态分布的累积密度函数，Zjt是一系列外生变量的向量。在估计选择方程时，我们马上遇到了数据上的问题：近80%的样本并不报告无形资产。为了解决这一问题，我们在回归中加入无形资产的哑变量(如果报告为1，否则为0)。

表3报告了中国企业和外资企业的Heckman回归结果。第1列报告了第一步Probit模型的回归结果，企业生产率越高，从事出口的概率也就越高。此外，企业的有形资产与总资产比例越高，从事出口业务的概率也越高。*这一结果与我们工作论文的理论预测一致，即企业抵押品越高，现金流约束越小，特别是出口企业。资本密集型企业更有可能从事出口业务，说明中国企业出口行为符合Heckscher-Ohlin预测的贸易结构。*这一结果与Lu (2011)不同，因为纯出口企业已经从样本中删除。Dai等(2012)发现纯出口企业主要是加工贸易企业，当这些加工贸易企业被剔除后，中国的出口贸易模式符合Heckscher-Ohlin模型预测。Heckman第二步的结果与第一步基本一致，详见第2列。

与中国企业相比，外国企业的Hechman估计结果明显不同，见第3至4列。企业生产率对企业出口决策没有显著影响。可能的原因是很多外资企业是生产率较低的加工贸易企业(Yu, 2011)，或者这些跨国公司是垂直分工，主要依赖其内部的销售资源(Feenstra和Hanson, 2005)。结合2SLS的回归结果，我们认为外资企业并不适用于中国企业的计量模型，因此我们接下来的回归主要关注于中国企业。

表3 Heckman两步法估计的二元选择模型(2000-2008年)

说明：括号内是企业聚类后的T统计量，由2SLS回归反复抽样得到。*,**，***表示10%,5%,1%的显著水平。采用第二类Tobit模型回归，其中第一步为(30)式的Probit回归。第一步因变量是企业出口哑变量，第二步因变量是企业海外业务占比。第1列和第3列是Probit回归结果，第二步中的逆密尔系数由第一步Probit回归得到。TFP1的估计值由TFP1对企业财务变量和第一步的其他外生变量回归得到，在第一步中作为外生变量，但是不出现在第二步回归中。企业有形资产比例以百分数表示，由有形资产比总资产得到。因为80%的样本不报告无形资产，我们加入无形资产哑变量：如果报告无形资产，则该变量等于1，否则为0。行业固定效应是4位中国行业代码(CIC)层面的固定效应。同时加入了年份固定效应、2位中国行业代码与资本劳动比交叉项固定效应和年份与资本劳动比交叉项固定效应。

4.企业抵押品。我们考虑(25)式的两个拓展形式。首先，我们用有形资产作为企业抵押品的衡量。Manova (2013)论证了这一变量在解释部门贸易对金融变量的敏感性时十分重要。通过假设企业成功生产的概率ρ并且偿付银行贷款，我们在模型中引入抵押品的概念。如果企业生产失败的概率为(1-ρ)，那么企业的银行贷款就出现违约，银行获得抵押品Ajt的所有权，即企业的有形资产。此时，银行的预期收益是[ρI(xjt)+(1-ρ)Ajt]，企业的预期收益为ρr(xjt)。将其代入(17)式并将等式两边除以ρ，将gi代入可得：

(31)

从(31)式可得，用抵押品替代利息费用后，回归方程中出现抵押品变量。由于β1>0，且项目成功的概率为正ρ∈(0,1]，因此抵押品和营业收入为正相关关系β6>0。相似地，我们认为出口企业抵押品的系数小于国内企业，且随着海外业务占比增加而减少，β7<0。

表4 中国企业海运及非海运的2SLS估计(2000-2006年)

5.出口运输模式。对模型的第二个拓展中，我们根据Amiti和Weinstein (2011)的方法将贸易运输分为几种模式。从理论上说明了出口企业由于运输时间较长因此面临更紧的信贷约束。事实上，企业运输方式多种多样：航运、海运、公路运输以及上述的组合。通常海运是最耗时的运输模式，回款周期也是最长的。因此我们认为，如果企业的运输主要依靠海运，那么它们面临的信贷约束也就更紧。

为了检验运输时间是否影响信贷约束，我们构造海运哑变量，当企业一半以上出口额通过海运运输时，哑变量等于1，否则等于0。相似地，我们引入非海运哑变量(1-海运哑变量)。*如果将海运标准提高为75%, 90% 或95%，估计结果也不变。然而，如果利用航运哑变量，估计结果就不再稳健。随后我们单独回归，将海运和海外业务占比估计值、海外业务占比估计值的平方分别做交叉项，结果在第2至3列报告。结果显示，系数符号与理论预测相同。

6.不完全信息。目前为止实证结果支持出口企业面临的信贷约束更紧这一假说。然而，信息不对称问题在某些行业可能更加严重。理论上，帕累托系数θ越小，企业生产率的差异就越大，意味着(14)式的信贷约束越紧。为了检验这个假说，我们利用TFP2变量，即银行无法观测的、企业的事前生产率。我们计算了TFP2在不同行业的方差，并按大小对行业进行排序，从而用得到行业的百分位序数来检验上述假说。*参见附录表-A1最后一列。

表5 行业生产率差异的2SLS回归结果(2000-2006年)

五、结 论

本文试图回答为什么企业会在国内业务和出口业务中遭遇信贷约束。我们从基本的假设出发，假设企业在生产前获得资本要素，而企业生产率则存在信息不对称。显示原则要求银行的最优选择是向企业提供贷款合同，在这份贷款合同下，企业有激励向银行报告真实的生产率信息。我们论证了上述激励相容原则会导致企业的信贷约束，原因在于不受信贷约束的企业一定有动机向银行报告较低的生产率。此时，企业由于降低产量会损失二阶利润，但是通过降低利息费用从而可以增加一阶利润。因此，企业没有动机报告真实的生产率。

我们解释了为何出口企业和国内企业面临不同的信贷约束：出口企业的生产销售周期更长(Berman等, 2012)。这使得银行对出口企业的国内业务和海外业务都施加更紧的信贷约束，降低了出口企业的广度边际和深度边际。实证上，我们发现随着企业海外业务占比上升、运输时间增加、行业生产率差异扩大(使得信息不对称更加严重)，企业面临的信贷约束会越来越紧。

出口企业的国内业务和海外业务面临相同的信贷约束，这一理论结果与Behrens等(2010)研究比利时的实证结果相吻合，后者发现金融变量对企业内部的国内业务和海外业务影响相同。但这一结果与Amiti和Weinstein (2011)利用日本数据的研究结果相悖，后者认为银行对出口业务的影响是国内业务的5倍。一个可能的解释是Amiti和Weinstein (2011)的信贷是关注于银行的贸易融资业务，专注于出口业务，而我们的信贷是更加广义的对企业固定资产购买提供的信贷。

我们模型的一个局限是这是一个静态模型，而其他理论文献关注于信贷约束的动态特征。Clementi和Hopenhayn (2006)构造了动态的激励相容信贷约束，并且证明在动态条件下，信贷约束如何影响企业增长和存续。在这个设定下，企业信贷被放松为现金流的增加。Verani和Gross(2012)证明了如何利用Melitz模型推导Clementi和Hopenhayn (2006)的企业利润方程，加上Verani (2011)的条件后，求解了国内企业和出口企业的动态问题。尽管如此，上述文献都没有区分国内企业和出口企业在运输时间上的差异，而在我们的模型中，我们考虑了这一重要因素。我们期待我们的模型也可以在上述动态模型中得到推广，当然这并非本文的讨论内容。

[1]Ahn J. A theory of domestic and international trade finance[R]. IMF Working Paper No. 11/262, 2011.

[2]Amiti M, Weinstein D E. Exports and financial shocks[J]. The Quarterly Journal of Economics, 2011, 126(4): 1841-1877.

[3]Beck T. Financial development and international trade: Is there a link?[J]. Journal of International Economics, 2002, 57(1): 107-131.

[4]Behrens K,Corcos G, Mion G. Trade crisis? What trade crisis?[R]. CEPR Discussion Paper No. DP7956, 2010.

[5]Berman N, de Sousa J, Martin P, et al. Time to ship during financial crises[R]. NBER Working Paper No. 18274, 2012.

[6]Bernard A B, Jensen J B, Redding S J, et al. Firms in international trade[J]. Journal of Economic Perspectives, 2007, 21(3): 105-130.

[7]Bolton P, Scharfstein D S. A theory of predation based on agency problems in financial contracting[J]. The American Economic Review, 1990, 80(1): 93-106.

[8]Brandt L, van Biesebroeck J, Zhang Y. Creative accounting or creative destruction? Firm-level productivity growth in Chinese manufacturing[J]. Journal of Development Economics, 2012, 97(2): 339-351.

[9]Buch C M, Kesternich I, Lipponer A, et al. Real versus financial barriers to multinational activity[R]. University of Nottingham, 2008.

[10]Cai H, Liu Q. Competition and corporate tax avoidance: Evidence from Chinese industrial firms[J]. The Economic Journal, 2009, 119(537): 764-795.

[11]Chaney T. Liquidity constrained exporters[R]. University of Chicago, 2005.

[12]Chor D, Manova K. Off the cliff and back? Credit conditions and international trade during the global financial crisis[J]. Journal of International Economics, 2012, 87(1): 117-133.

[13]Claessens S, Tzioumis K. Measuring firms’ access to finance[R]. Access to Finance: Building Inclusive Financial Systems，Organized by the Brooking Institution and the World Bank, 2006.

[14]Clementi G L, Hopenhayn H A. A theory of financing constraints and firm dynamics[J]. The Quarterly Journal of Economics, 2006, 121(1): 229-265.

[15]Dai M,Maitra M, Yu M. Unexceptional exporter performance in China? The role of processing trade[J]. Journal of Development Economics,2016,121:177-189.

[16]Egger P, Keuschnigg C. Access to credit and comparative advantage[R]. Discussion Paper, 2011.

[17]Ellison G,Glaeser E L, Kerr W R. What causes industry agglomeration? Evidence from coagglomeration patterns[J]. American Economic Review, 2010, 100(3): 1195-1213.

[18]Feenstra R C, Hanson G H. Ownership and control in outsourcing to China: Estimating the property-rights theory of the firm[J]. The Quarterly Journal of Economics, 2005, 120(2): 729-761.

[19]Feenstra R C, Li Z, Yu M. Exports and credit constraints under incomplete information: Theory and evidence from China[R]. NBER Working Paper No. 16940, 2011.

[20]Greenaway D,Guariglia A, Kneller R. Financial factors and exporting decisions[J]. Journal of International Economics, 2007, 73(2): 377-395.

[21]Gross T, Verani S. Financing constraints, firm dynamics, and international trade[R]. Finance and Economics Discussion Series No. 2012-68, 2012.

[22]Harrison A E, McMillan M S. Does direct foreign investment affect domestic credit constraints?[J]. Journal of International Economics, 2003, 61(1): 73-100.

[23]Heckman J, Vytlacil E. Instrumental variables methods for the correlated random coefficient model: Estimating the average rate of return to schooling when the return is correlated with schooling[J]. The Journal of Human Resources, 1998, 33(4): 974-987.

[24]Héricourt J, Poncet S. FDI and credit constraints: Firm-level evidence from China[J]. Economic Systems, 2009, 33(1): 1-21.

[25]Kletzer K, Bardhan P. Credit markets and patterns of international trade[J]. Journal of Development Economics, 1987, 27(1-2): 57-70.

[26]Levchenko A A, Lewis L T, Tesar L L. The collapse of international trade during the 2008-2009 crisis: In search of the smoking gun[R]. NBER Working Papers No. 16006, 2010.

[27]Levinsohn J, Petrin A. Estimating production functions using inputs to control for unobservables[J]. Review of Economic Studies, 2003, 70(2): 317-341.

[28]Lu D. Exceptional exporter performance? Evidence from Chinese manufacturing firms[R]. Job Market Paper, 2010.

[29]Manova K, Wei S-J, Zhang Z. Firm exports and multinational activity under credit constraints[R]. NBER Working Paper No. 16905, 2011.

[30]Manova K. Credit constraints, heterogeneous firms, and international trade[J]. Review of Economic Studies, 2013, 80(2): 711-744.

[31]Matsuyama K. Credit market imperfections and patterns of international trade and capital flows[J].Journal of the European Economic Association, 2005, 3(2-3): 714-723.

[32]Melitz M J. The impact of trade on intra-industry reallocations and aggregate industry productivity[J]. Econometrica, 2003, 71(6): 1695-1725.

[34]Olley G S, Pakes A. The dynamics of productivity in the telecommunications equipment industry[J]. Econometrica, 1996, 64(6): 1263-1297.

[35]Poncet S, Steingress W, Vandenbussche H. Credit allocation in China: Firm-level evidence[J]. MET/Medium for Econometric Applications, 2009, 17(2): 2-7.

[36]Qiu L D. Credit rationing and patterns of new product trade[J]. Journal of Economic Integration, 1999, 14(1): 75-95.

[37]Verani S. Aggregate consequences of firm-level financing constraints[R]. Job Market Paper，University of California,2011.

[38]Yu M J. Processing trade, firm productivity, and tariff reductions: Evidence from Chinese products[R]. CCER Working Paper No. E201006, 2011.

(责任编辑 石 头)

Exports and Credit Constraints under Incomplete Information: Theory and Evidence from China

Robert C. Feenstra1,2, Li Zhiyuan3, Yu Miaojie4

(1.DepartmentofEconomics,UniversityofCalifornia-Davis,California95616,USA; 2.NBER,Massachusetts02138,USA;3.SchoolofEconomics,ShanghaiUniversityofFinanceandEconomics,Shanghai200433,China; 4.ChinaCenterforEconomicResearch,PekingUniversity,Beijing100871,China)

This paper examines why credit constraints for domestic and exporting firms arise in a setting where banks do not observe firms’ productivities. To maintain incentive compatibility, banks lend below the amount that firms need for optimal production. The longer time needed for export shipments induces a tighter credit constraint on exporters than on purely domestic firms. In our application to Chinese firms, we find that the credit constraint is more stringent as a firm’s export share grows, as the time to ship for exports is lengthened, and as there is greater dispersion of firms’ productivities, reflecting more incomplete information.

export; credit constraint; incomplete information; heterogeneous productivity; Chinese firm

2016-09-01

Robert C. Feenstra(1956-)，男，美国籍，加州大学戴维斯分校经济学系教授、美国国家经济研究局研究员； 李志远(1979-)，男，山西孝义人，复旦大学经济学院副教授； 余淼杰(1976-)，男，广东饶平人，北京大学国家发展研究院中国经济研究中心教授。

F740

A

1001-9952(2017)05-0044-21

10.16538/j.cnki.jfe.2017.05.004

【编者按】从国家层面来看，出口需要金融部门的支持，而出口企业往往受到信贷约束从而影响出口表现。2008年的金融危机也曾引发了学术界关于信贷约束是否影响了企业出口的讨论。本期《财经研究》“海外归来”栏目翻译了复旦大学经济学院李志远副教授在TheReviewofEconomicsandStatistics2014年第10期合作发表的论文“ExportsandCreditConstraintsUnderIncompleteInformation：TheoryandEvidenceFromChina”。*本文获得了原文的翻译版权。The Review of Economics and Statistics是经济学领域国际顶级期刊之一。本文由李志远副教授与余淼杰教授翻译。其中李志远副教授于2010年获得美国加州大学戴维斯分校经济学博士学位，并于同年回国工作，主要致力于国际贸易理论与实证、国际贸易政策等领域的研究。余淼杰教授于2005年获得美国加州大学戴维斯分校经济学博士学位，主要致力于国际贸易与发展经济学的研究。作者感谢Kyle Bagwell, Kalina Monova, Larry Qiu, David Weinstein教授的宝贵建议，感谢NBER, Harvard, Tsinghua University, the University of Queensland, University of Victoria, University of California, Irvine and San Diego参会人员的宝贵建议。该文入选了全球“经济学与商学”领域前1%ESI高被引论文，同时获得了第六届“张培刚发展经济学优秀成果奖”。文章充分考虑了企业生产率等相对于银行属于内部信息的因素，从不完全信息的角度解释了出口企业信贷约束产生的原因。