摘要：根據(jù)臺(tái)州市中、小、微企業(yè)的問卷調(diào)查數(shù)據(jù)，用Probit模型和Heckman Probit模型發(fā)現(xiàn)資產(chǎn)規(guī)模、行業(yè)因素和地區(qū)因素都顯著影響企業(yè)銀行信貸可得性，小微企業(yè)受到銀行信貸抑制的概率達(dá)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(yè)銷售額的提高，但是對(duì)未受到銀行信貸抑制企業(yè)的經(jīng)營(yíng)績(jī)效沒有影響，不利于銀行信貸資金的優(yōu)化配置。
　　關(guān)鍵詞：小微企業(yè)；信貸抑制；臺(tái)州；Probit模型；Heckman Probit模型
　　中圖分類號(hào)：F832
　　一、引言
　　小微企業(yè)在國(guó)民經(jīng)濟(jì)發(fā)展、就業(yè)問題解決、城鎮(zhèn)化推進(jìn)、區(qū)域差距縮小、城鄉(xiāng)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(duì)于小微企業(yè)銀行信貸抑制問題的研究一直被學(xué)術(shù)界所關(guān)注。
　　從已有研究來看，一方面，部分研究通常以企業(yè)是否獲得銀行貸款來衡量企業(yè)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(yè)，也沒有包括只得到部分滿足其銀行貸款需求的企業(yè)，因此，這一類研究只能討論企業(yè)銀行信貸的可得性，如盧亞娟、褚保金（2010）基于江蘇宜興的農(nóng)村中小企業(yè)數(shù)據(jù)，通過比較獲得銀行貸款與未獲得銀行貸款的企業(yè)的特征，結(jié)合Logit模型研究影響中小企業(yè)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(yè)小微企業(yè)獲得銀行信貸、小額信貸以及其他民間非正規(guī)融資的因素。因而，這一類研究都無法給出小微企業(yè)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(yè)的自選擇效應(yīng)，從而產(chǎn)生內(nèi)生性問題，導(dǎo)致估計(jì)結(jié)果有偏。另一方面，關(guān)于銀行信貸抑制對(duì)企業(yè)經(jīng)營(yíng)業(yè)績(jī)的影響研究并不多見（Akoten et al.，2006），已有文獻(xiàn)較少涉及中國(guó)的經(jīng)驗(yàn)研究。呂一博等（2008）基于我國(guó)東北地區(qū)中小企業(yè)的數(shù)據(jù)表明，充足的金融資源通過提升企業(yè)創(chuàng)新發(fā)起能力和對(duì)企業(yè)家精神的促進(jìn)作用來提高中小企業(yè)的成長(zhǎng)績(jī)效；何韌、王維誠(chéng)（2009）則根據(jù)世界銀行關(guān)于中國(guó)東北、華東、華中、華南、西南、西北地區(qū)18個(gè)城市2400家企業(yè)的數(shù)據(jù)，發(fā)現(xiàn)銀企關(guān)系規(guī)模和中小企業(yè)成長(zhǎng)呈負(fù)相關(guān)，而銀企關(guān)系長(zhǎng)度和深度與中小企業(yè)成長(zhǎng)呈正相關(guān)。盧亞娟、褚保金（2010）利用江蘇宜興的中小企業(yè)面板數(shù)據(jù)，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(duì)中小企業(yè)資產(chǎn)規(guī)模、凈利潤(rùn)、銷售額等指標(biāo)的影響，發(fā)現(xiàn)存在正相關(guān)關(guān)系。因此，已有研究通常討論銀行信貸對(duì)企業(yè)經(jīng)營(yíng)績(jī)效的影響，但沒有細(xì)分銀行貸款對(duì)處于不同銀行信貸抑制狀態(tài)下的企業(yè)經(jīng)營(yíng)績(jī)效的影響，因?yàn)殂y行信貸對(duì)處于銀行信貸抑制和未受銀行信貸抑制企業(yè)的經(jīng)營(yíng)績(jī)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(tái)州各地區(qū)、各行業(yè)企業(yè)的調(diào)研數(shù)據(jù)，構(gòu)建合適的銀行信貸抑制度量指標(biāo)，以Heckman Probit模型為主分析小微企業(yè)受到銀行信貸抑制的影響因素，并估算臺(tái)州市小微企業(yè)受到銀行信貸抑制的程度。最后，在銀行信貸抑制對(duì)企業(yè)經(jīng)營(yíng)績(jī)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(yīng)，得到處于不同銀行信貸抑制狀態(tài)下的企業(yè)經(jīng)營(yíng)績(jī)效對(duì)銀行貸款的反應(yīng)。所以本文分為五個(gè)部分。第一部分是引言，第二部分是對(duì)小微企業(yè)銀行信貸抑制因素的分析，第三部分給出小微企業(yè)銀行信貸抑制程度，第四部分是分析銀行信貸抑制對(duì)小微企業(yè)經(jīng)營(yíng)績(jī)效的影響，最后是結(jié)論。
　　二、小微企業(yè)銀行信貸抑制：因素分析
　?。ㄒ唬?數(shù)據(jù)和方法
　　本部分的數(shù)據(jù)主要來自于2008年對(duì)臺(tái)州市中、小、微型企業(yè)的問卷調(diào)查，感謝吳偉萍的提供。共發(fā)放300份，回收有效問卷247份，地區(qū)涉及臺(tái)州市區(qū)（椒江、路橋、黃巖）、溫嶺、玉環(huán)、臨海、仙居和天臺(tái)，行業(yè)包括農(nóng)林牧漁業(yè)、采礦業(yè)、制造業(yè)、建筑業(yè)、批發(fā)零售業(yè)、住宿餐飲業(yè)、房地產(chǎn)業(yè)等。根據(jù)2011年發(fā)布中小微企業(yè)劃分標(biāo)準(zhǔn)，從樣本企業(yè)的銷售額、資產(chǎn)、從業(yè)人員數(shù)三個(gè)指標(biāo)來看，我們的樣本企業(yè)99%都屬于中小企業(yè)，其中小微企業(yè)的比重達(dá)到64%（按銷售額）、79%（按資產(chǎn)）、85%（按從業(yè)人員），小微企業(yè)占絕大多數(shù)。
　　類似于Kochar（1997）、Foltz（2004）、 、朱喜（2007）等的做法，我們認(rèn)為，當(dāng)企業(yè)存在向正規(guī)金融機(jī)構(gòu)借款的需求時(shí)，在現(xiàn)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(jù)問卷內(nèi)容，我們將銀行（包括信用社）滿足企業(yè)資金需求程度“中”和“低”的企業(yè)設(shè)為受到銀行（信用社）信貸抑制的企業(yè)，而滿足程度高以及不需要貸款的企業(yè)設(shè)為未受到信貸抑制的企業(yè)，構(gòu)建一個(gè)二元虛擬變量（CR）。
　　本文重點(diǎn)考察企業(yè)資產(chǎn)規(guī)模（K）對(duì)信貸抑制的影響。對(duì)于資產(chǎn)而言，一方面表明企業(yè)的規(guī)模大小，另一方面也表現(xiàn)為企業(yè)的抵押能力，我們可以假設(shè)資產(chǎn)越小，越容易受到信貸抑制。Bopaiah（1998）等人的經(jīng)驗(yàn)研究都支持這一點(diǎn)。
　　鑒于被解釋變量是否受到信貸抑制（CR）是一個(gè)虛擬變量，通常選擇Probit模型利用最大似然估計(jì)法進(jìn)行估計(jì)（Cameron and Trivedi，2005），F(xiàn)oltz（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(duì)于Probit模型，具體設(shè)定如下：
　　其中，X是解釋變量，是標(biāo)準(zhǔn)正態(tài)的累積分布函數(shù)，即式（1）為：
　　從我們關(guān)于信貸抑制的數(shù)據(jù)來看，實(shí)際上我們只能觀測(cè)到當(dāng)前有信貸需求的企業(yè)（Demand=1）是否受到信貸抑制，而無法觀測(cè)到那些當(dāng)前沒有信貸需求的企業(yè)（Demand=0）是否會(huì)受到信貸抑制，即選擇方程（Selection Equation）是完全可觀測(cè)的，而產(chǎn)出方程（Outcome Equation）是部分可觀測(cè)的。對(duì)于這樣一種數(shù)據(jù)結(jié)構(gòu)，一種方式是剔除當(dāng)前沒有銀行貸款需求的樣本企業(yè)，直接使用Probit模型進(jìn)行回歸，另一種是考慮上述樣本企業(yè)的選擇效應(yīng)，使用考慮樣本選擇效應(yīng)的Heckman Probit模型①。相對(duì)于第一種方式而言，第二種方式的優(yōu)勢(shì)在于：一是可以糾正樣本選擇有偏效應(yīng)，因?yàn)槲覀冎荒苡^測(cè)到有信貸需求企業(yè)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(cè)的變量，企業(yè)是否受信貸約束具有樣本自選擇性，影響企業(yè)是否具有信貸需求的變量同樣會(huì)影響企業(yè)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(yīng)；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(yīng)的Heckman Probit模型的設(shè)定如下：
　　我們可以得到如下的似然函數(shù)進(jìn)行最大似然估計(jì)：
　?。ǘ┯?jì)量結(jié)果及分析
　　表1給出了Probit模型的估計(jì)結(jié)果，回歸樣本中剔除了沒有銀行貸款需求的企業(yè)。從我們最為關(guān)注的變量資產(chǎn)來看，資產(chǎn)與信貸抑制之間存在明顯的負(fù)相關(guān)，顯著性水平通過1%以上的檢驗(yàn)。即資產(chǎn)規(guī)模越大的企業(yè)，受到信貸抑制的可能性越小，進(jìn)一步，我們考慮地區(qū)和行業(yè)等控制變量②，上述負(fù)相關(guān)性依然穩(wěn)健。從地區(qū)變量來看，玉環(huán)縣的企業(yè)受到信貸抑制的概率顯著低于其他地區(qū)，這和該地區(qū)較早開始、且運(yùn)行最為成功的地方商業(yè)銀行的小額貸款密切相關(guān)。相對(duì)于第三產(chǎn)業(yè)，制造業(yè)通常有一定的場(chǎng)所、機(jī)器設(shè)備等固定資產(chǎn)，因而更容易獲得貸款，顯著性水平較高；農(nóng)業(yè)企業(yè)受惠于政府服務(wù)三農(nóng)的政策導(dǎo)向，其受到信貸抑制的可能性也弱于其他行業(yè)，但顯著性較弱。
　　表2給出了Heckman Probit模型的估計(jì)結(jié)果，樣本中包含了沒有銀行貸款需求的企業(yè)。我們?cè)谶x擇方程中引入被解釋變量企業(yè)是否有銀行貸款需求（Demand），解釋變量為對(duì)外資金依賴程度（Out），顯然，對(duì)外資金依賴程度越高的企業(yè)，越有可能存在銀行貸款需求。從回歸結(jié)果來看，兩者亦非常顯著的正相關(guān)。在產(chǎn)出方程中，從各解釋變量對(duì)企業(yè)信貸抑制的影響來看，資產(chǎn)與信貸抑制之間亦呈顯著負(fù)相關(guān)。引入地區(qū)和行業(yè)變量之后，從LR-test檢驗(yàn)來看，考慮地區(qū)、行業(yè)變量影響之后，不存選擇效應(yīng)的假設(shè)被拒絕，因此，需要用Heckman Probit模型來糾正這種選擇效應(yīng)?；貧w結(jié)果 （4usr2rAtAB5XiFqzS+WOomA==）表明，資產(chǎn)的回歸系數(shù)進(jìn)一步提高，玉環(huán)地區(qū)變量和農(nóng)業(yè)、制造業(yè)的行業(yè)變量依然顯著。
　　因此，從我們不同方法的回歸結(jié)果來看，企業(yè)資產(chǎn)以及其他控制變量對(duì)企業(yè)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(jié)果是穩(wěn)健的。進(jìn)一步的，我們估計(jì)了各模型中相關(guān)解釋變量對(duì)企業(yè)受到信貸抑制可能性的邊際效應(yīng)。從我們最為關(guān)注的資產(chǎn)變量來看，其他情況不變的情形下，資產(chǎn)每降低1%，將導(dǎo)致信貸抑制的可能性增加7.9%到9.8%。相對(duì)而言，Heckman Probit模型下的邊際效應(yīng)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(yàn)。制造業(yè)行業(yè)變量的邊際效應(yīng)在8%～11%之間，且較為顯著，而其他變量的邊際效應(yīng)都不顯著。
　　三、小微企業(yè)銀行信貸抑制：程度度量
　　在此基礎(chǔ)上，我們利用上述方程的估計(jì)系數(shù)來估算 ，以此來度量企業(yè)受到信貸抑制的可能性。 是普遍使用的一種計(jì)算方式（Kochar，1997），即在有貸款需求的條件下，企業(yè)受到信貸抑制的概率。
　　我們根據(jù)Heckman Probit模型的系數(shù)估計(jì)結(jié)果，計(jì)算各樣本企業(yè)的 ，從而給出各企業(yè)受到銀行信貸抑制的可能性?；诨貧w方程（3）和（4）的 的統(tǒng)計(jì)特征見表3。從單因素的產(chǎn)出方程（即回歸結(jié)果3）來看，共有247個(gè)樣本企業(yè)，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(dá)到83.4%；而考慮地區(qū)、行業(yè)影響之后，受到信貸抑制的概率均值下降到81.4%，且標(biāo)準(zhǔn)差大于回歸方程3。因此，從我們的樣本企業(yè)來看，信貸抑制較為嚴(yán)重。
　　從圖1來看，企業(yè)受到信貸抑制的可能性與企業(yè)規(guī)模（以銷售額為度量）呈顯著的負(fù)相關(guān)，即規(guī)模越小的企業(yè)，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(yè)也普遍偏小，但是小微企業(yè)（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(yè)要高，其中，均值高出9到11個(gè)百分點(diǎn)。而且，從標(biāo)準(zhǔn)差來看，小微企業(yè)的標(biāo)準(zhǔn)差明顯低于大、中企業(yè)，因此，小微企業(yè)受到信貸抑制的可能性大是極為普遍的現(xiàn)象，企業(yè)相互之間差別亦不大。
　　四、小微企業(yè)銀行信貸抑制：影響分析
　　嚴(yán)重的銀行信貸抑制對(duì)企業(yè)的經(jīng)營(yíng)績(jī)效有何影響？已有研究?jī)H討論了銀行信貸對(duì)中小企業(yè)成長(zhǎng)的促進(jìn)作用，但是，并沒有討論銀行信貸抑制對(duì)企業(yè)績(jī)效的影響，即沒有區(qū)分不同信貸抑制狀態(tài)下的銀行貸款對(duì)企業(yè)績(jī)效影響的差異。在本部分，我們利用上文的數(shù)據(jù)集定量分析銀行貸款對(duì)受信貸抑制和未受信貸抑制企業(yè)經(jīng)營(yíng)績(jī)效的影響。
　?。ㄒ唬┓椒?br/>　　根據(jù)我們的可得變量，本文關(guān)注銀行信貸（Loan_B）和民間非正規(guī)融資（Loan_Inf）對(duì)企業(yè)銷售額的影響。我們的樣本企業(yè)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(yè)。我們可以分別對(duì)這兩類企業(yè)（CR=1或0）進(jìn)行OLS回歸，分析銀行信貸額對(duì)企業(yè)績(jī)效的影響，如式（5）和（6）所示。
　　，當(dāng)CR=1 （5）
　　，當(dāng)CR=0 （6）
　　其中，yi為銷售額， xi為控制變量，δ為待估參數(shù)，為殘差項(xiàng)。但是，考慮到企業(yè)是否受到銀行信貸抑制并不是隨機(jī)分配的，特別是當(dāng)影響企業(yè)有無受到信貸抑制的因素不可觀測(cè)且同時(shí)影響企業(yè)績(jī)效時(shí)，兩類企業(yè)的回歸結(jié)果的差異可能部分來自于選擇效應(yīng)造成的，因此，上述方法難以得到無偏的結(jié)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(yè)賦值1，其他企業(yè)賦值0；模型具體設(shè)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(jì)對(duì)（7）和（8）進(jìn)行估計(jì)。
　　（二）計(jì)量結(jié)果及分析
　　表4給出了銀行貸款對(duì)不同信貸抑制狀態(tài)下的企業(yè)銷售影響的OLS的估計(jì)結(jié)果，對(duì)受銀行信貸抑制的企業(yè)而言，銀行貸款對(duì)企業(yè)銷售額的擴(kuò)張有顯著的促進(jìn)作用，在控制產(chǎn)業(yè)和地區(qū)效應(yīng)之后，顯著性水平依然成立。對(duì)未受銀行信貸抑制的企業(yè)而言，銀行貸款對(duì)企業(yè)銷售額的擴(kuò)張的影響并不顯著。
　　但是，OLS估計(jì)無法解決選擇效應(yīng)導(dǎo)致的內(nèi)生性問題。表5給出了解決這一問題的Heckman Twice回歸結(jié)果。從該結(jié)果來看，銀行貸款對(duì)受銀行信貸抑制企業(yè)的銷售額擴(kuò)張的促進(jìn)作用更大，系數(shù)通過1%以上的顯著性水平檢驗(yàn)。在控制產(chǎn)業(yè)和地區(qū)固定效應(yīng)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(yàn)，這表明控制選擇效應(yīng)是必要的。但是，銀行貸款對(duì)未受銀行信貸抑制企業(yè)的銷售額擴(kuò)張的作用亦不顯著。非正規(guī)融資額對(duì)企業(yè)銷售額基本上沒有顯著影響。兩步法和ML的估計(jì)結(jié)果基本一致，表明這一結(jié)果的穩(wěn)健性。
　　從上述結(jié)果來看，對(duì)于受到銀行信貸抑制的企業(yè)而言，其經(jīng)營(yíng)業(yè)績(jī)的提升有賴于信貸資金的支持，銀行貸款對(duì)其經(jīng)營(yíng)績(jī)效具有積極的促進(jìn)作用。但是，因?yàn)樾畔⒉粚?duì)稱以及銀行經(jīng)營(yíng)策略選擇等諸多原因，銀行卻存在對(duì)那些未受信貸抑制企業(yè)過度放貸的情形，其借款對(duì)企業(yè)的經(jīng)營(yíng)績(jī)效反而沒有促進(jìn)作用。如果能夠?qū)⑦@部分過度放貸資金轉(zhuǎn)移至受到信貸抑制的企業(yè)，那么必然實(shí)現(xiàn)整體效率的提升。因而，當(dāng)前的銀行信貸抑制對(duì)小微企業(yè)成長(zhǎng)的促進(jìn)作用有待進(jìn)一步發(fā)揮，而且也沒有實(shí)現(xiàn)銀行信貸資金的優(yōu)化配置，所以實(shí)際上是一種無效率的現(xiàn)象。
　　五、結(jié)論
　　本文根據(jù)臺(tái)州市中、小、微企業(yè)的問卷調(diào)查數(shù)據(jù)，利用Probit模型和Heckman Probit模型量化分析了企業(yè)受銀行信貸抑制的影響因素和程度。我們發(fā)現(xiàn)資產(chǎn)規(guī)模、行業(yè)因素和地區(qū)因素都顯著影響企業(yè)是否受到信貸抑制，其他情況不變的情形下，資產(chǎn)越小、從事第三產(chǎn)業(yè)的企業(yè)越容易受到信貸抑制，而從事制造業(yè)以及小額信貸運(yùn)行良好的地區(qū)的企業(yè)則較少受到正規(guī)金融抑制，這些關(guān)系和理論預(yù)期是相符的。其中，其他情況不變的情形下，資產(chǎn)每降低1%，將導(dǎo)致信貸抑制的可能性增加7.9%到9.8%?；谏鲜瞿Ｐ凸浪愕钠髽I(yè)受到銀行信貸抑制的概率達(dá)到81.4%，其中，小微企業(yè)（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(yè)（樣本中的中型企業(yè)規(guī)模也偏?。└叱鼋?1個(gè)百分點(diǎn)，面臨更為嚴(yán)重的信貸抑制，且分布更為集中。
　　根據(jù)調(diào)研數(shù)據(jù)，我們進(jìn)一步利用OLS模型和Heckman Twice模型分析了銀行貸款對(duì)不同信貸抑制狀態(tài)下的企業(yè)的經(jīng)營(yíng)績(jī)效的影響。我們的結(jié)論表明，銀行貸款有助于受到銀行信貸抑制企業(yè)銷售額的提高，但是對(duì)未受到銀行信貸抑制企業(yè)的經(jīng)營(yíng)績(jī)效沒有影響。該結(jié)論在考慮選擇效應(yīng)的Heckman Twice模型下依然成立，且銀行貸款對(duì)受銀行信貸抑制企業(yè)的促進(jìn)效應(yīng)更大。因此，當(dāng)前的銀行信貸抑制對(duì)未受信貸抑制企業(yè)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(fā)揮推動(dòng)小微企業(yè)成長(zhǎng)的能力，也沒有實(shí)現(xiàn)銀行信貸資金的優(yōu)化配置。
　　注釋：
　?、匐p虛擬變量回歸方法通常有bivariate probit 模型、部分可觀測(cè)的bivariate probit模型和Heckman probit模型。對(duì)應(yīng)的數(shù)據(jù)結(jié)構(gòu)分別為、 和 ，因此，上述三類中，Heckman probit模型最適合本文數(shù)據(jù)的估計(jì)。
　?、谠诨貧w中，我們剔除了未通過15%的顯著性水平檢驗(yàn)的控制變量。
　　參考文獻(xiàn)：
　　[1]李銳，朱喜.農(nóng)戶金融抑制及其福利損失的計(jì)量分析[J].經(jīng)濟(jì)研究，2007，（2）.
　　[2]呂一博，等.中國(guó)中小企業(yè)成長(zhǎng)的影響因素研究——基于中國(guó)東北地區(qū)中小企業(yè)的實(shí)證研究[J] .中國(guó)工業(yè)經(jīng)濟(jì)，2008，（1）.
　　[3] 盧亞娟，褚保金.農(nóng)村中小企業(yè)貸款可獲性的實(shí)證分析——基于江蘇省宜興市的調(diào)研[J] .經(jīng)濟(jì)學(xué)動(dòng)態(tài)，2010，（3）.
　　[4]何韌，王維誠(chéng).銀企關(guān)系與中小企業(yè)成長(zhǎng)——關(guān)系借貸價(jià)值的經(jīng)驗(yàn)證據(jù)[J] .財(cái)經(jīng)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(guó)市場(chǎng)，2012，（37）.
　　[6]劉克崮.中國(guó)資本市場(chǎng)評(píng)價(jià)及改革政策建議[J].中國(guó)市場(chǎng)，2012，（42）.
　　[7]季仙華，齊蘭.中國(guó)資本市場(chǎng)資源配置效率的影響因素[J] .中國(guó)市場(chǎng)，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