农业龙头企业存在融资约束吗——基于云南省1854家企业调研数据的实证研究

张 超 张沐阳

(1.安徽财经大学 金融学院，安徽 蚌埠 233030； 2.昆明理工大学 管理与经济学院，云南 昆明 650093)

一、引言

乡村振兴战略是我国新时代经济建设布局中的关键环节，是做好“三农”工作的总抓手。全面推动乡村经济发展，不仅是乡村振兴的需要，更是乡村振兴的基础(张军，2018)，因此要坚持农业农村优先发展，加快推进农业农村的现代化进程(姜长云，2018)。农业现代化发展需要社会各方力量共同支持，特别是有效的金融支持(顾宁 等，2013；邵娴，2013)。然而，发展中国家普遍存在“金融抑制”现象，信贷资金往往会重点考虑投资于优先发展行业，进而导致其他行业或个体的融资需求难以通过正规金融途径获得满足(Mckinnon，1973；Shaw，1973)。作为全球最大的发展中国家，我国金融资源配置的二元特征较为明显，对弱势群体存在显著的金融排斥(吕劲松，2015)，农业经济发展中的融资约束问题较为突出(何志雄 等，2015)。

农业龙头企业是指通过利益联结机制，将农产品生产、加工、销售等环节有机结合，带动农户进入市场，形成合作经营模式，在规模和经营业绩上达到相关规定标准的企业(刘克春 等，2011)。在我国建设现代农业、推进农业结构战略性调整的过程中，农业龙头企业尤其是农业产业化龙头企业一直被作为重要的引领力量(姜长云，2013；刘克春，2015)。但由于农业的弱质性特征，中小微型农业企业和农户融资难、融资贵以及金融服务缺失等问题长期存在(马九杰 等，2013)。即便是农业龙头企业，在种养殖技术革新、产品研究等关键环节，也都存在一定的融资约束(马九杰 等，2012)。有鉴于此，探寻满足农业龙头企业融资需求的金融供给策略，不仅有利于企业融资环境的改善，促进农业经济发展和农民增收，更有利于推动农村金融体制改革与发展，切实提高金融服务“三农”的水平。本文通过云南省农业厅调研组，以发放问卷的方式对云南省农村金融发展现状以及1854家农业龙头企业融资情况进行调查[注]本次调查是云南省农业厅对省内农业龙头企业发展情况的摸底调查，于2016年2月正式发放纸质问卷，2016年3月底完成调查工作。本文基于此次调查的结果，重点对企业融资的相关情况进行分析。，在分析农业龙头企业融资影响因素的基础上，借鉴徐璋勇等(2014)、马晓青等(2012)和张扬(2012)等的实证研究方法，运用Probit回归模型进行检验，计算不同自变量的融资约束概率，并根据研究结论提出相应对策建议。

二、农业龙头企业融资的影响因素分析

(一)企业规模

融资约束问题已成为制约我国经济转型的重要瓶颈之一(邓可斌 等，2014)。一般来说，企业规模越小，融资约束越大，融资成本也越高(Whited et al.，2006)。中小企业融资难是一个世界性难题，规模较小是限制其融资能力的最重要原因(李俊江 等，2015)。负债经营的特点决定了银行必须要严格控制风险，要求企业提供符合银行要求的合格抵押品，而中小企业由于经营规模小、抵御风险能力差，银行在面对其贷款需求时，往往会提出更高的要求。因此，中小企业在获取银行贷款方面远比大企业困难(Beck et al.，2006)。Schiffer et al.(2001)根据世界商业环境调查数据，在对不同规模企业面临的融资障碍差别进行验证时，得出规模较小的企业面临的融资障碍要远远高于规模较大的企业。谭之博等(2012)通过检测企业规模对资金来源的影响，也发现中小企业的银行贷款占总资产的比重比大型企业要低。实际上，大型农业龙头企业除了通过银行间接融资外，还可以依托资本市场直接融资，但中小企业能够通过非信贷渠道获得融资的屈指可数(李华民 等，2015)，因而中小型农业龙头企业可能存在较大的融资约束。据此提出：

假说1：农业龙头企业规模越大，融资约束越小。

(二)信息不对称

信息不对称导致的市场不完备，会让企业面临融资约束(Fazzari et al.，1987)。如果一个信贷市场存在信息不对称，那么单纯依靠利率机制将无法达到信贷市场“出清”的效果。农业的弱质性决定了农业龙头企业相较于其他行业的龙头企业在运营时风险偏高，收益更容易受到不可抗力的影响，进而可能产生较高的违约率，这也加大了农业龙头企业获得银行信贷资金支持的难度。金融机构往往也会加大对农业龙头企业的调查力度，增加了涉农贷款的成本。良好的信用能够在一定程度上反映企业的核心竞争力，有助于金融机构更高效进行贷前尽职调查，提高企业融资能力。企业认证作为传递产品质量信号的重要途径，能够降低信息不对称的程度，帮助企业更容易的获得外部信贷融资，缓解融资压力(范寒冰，2016；卢君生 等，2018)。农业龙头企业等级(县级、州市级、省级、国家级)的认证需要全面考察企业的多项指标，如企业自身发展规模(生产、交易、加工)、企业经济效益、负债与信用、带动能力、产品竞争力等。不同的认证等级能够反映这些企业在发展规模、经济效益、产品质量等方面的差异，而这些差异可能会对农业龙头企业融资的难易程度产生影响。据此提出：

假说2：农业龙头企业信用级别越高，融资约束越小。

假说3：农业龙头企业认证等级越高，融资约束越小。

(三)外部金融环境

农业龙头企业的发展离不开良好的农村金融环境，而良好的金融环境必须要由政府提供或者政府主导才最有效(徐全红，2016)。尽管国家对农村金融机构有着较为明确的功能定位，但从实际来看，它们提供的服务却大多与支持“三农”的功能相脱节。特别是农村信用社转型为商业性银行后，其合作属性不复存在，功能定位难以明确。如果不同的金融机构可以根据自身定位提供相应的金融产品和服务，以满足农业龙头企业的融资需要，将会有效解决供需错配问题。

近年来，为了引导货币资金回归实体经济，国家积极推进产融合作实践工作，以期促进产业部门与金融部门的相互合作，提高金融服务实体经济效率，助力供给侧结构性改革(邢天添，2016)。企业与金融机构交流越频繁，越有利于金融机构了解其生产经营的实际情况，在一定程度上会减少企业融资的成本和阻力。企业如果能够主动向资金供给者传递能力信号，使自身与其他不符合条件的融资者区分开，有利于其获得融资(宋华 等，2017)。据此提出：

假说4：农业龙头企业接受或使用的金融产品和服务越多，融资约束越小。

假说5：农业龙头企业与金融机构交流合作越多，融资约束越小。

三、实证分析

由于Probit模型具有良好的预测和判别功能，其因变量的存在形式可以为二分类以及多分类，相比普通多元线性回归的限制较少，因而国内学者在进行相关因素分析时更倾向于运用Probit模型进行实证分析。本文借鉴徐璋勇等(2014)、马晓青等(2012)和张扬(2012)等学者的研究成果，采用Probit回归模型进行实证分析，设定模型形式为：y=F(x1,x2,x3，…，xk)，k为自变量个数。

(一)模型变量的设定

1.因变量

在调查农业龙头企业融资情况时，设计问题“是否存在融资需求”。若企业存在融资需求，但无法通过银行审核获得抵押担保资格，或由于存在金融政策支持落实不到位、金融市场发育不健全等情况无法获得融资，设定因变量企业存在金融约束y=1，否则y=0。参考郭丽虹等(2012)的问卷设定方法，设计问题“企业是否存在融资缺口”对融资问题进行稳健性检验，当企业存在融资缺口时，因变量融资约束取值y=1，否则y=0。

2.自变量

基于对农业龙头企业融资影响因素的分析，依据实际调研情况，本文设定五个自变量。

(1)规模变量。根据国家统计局2011年制定的《统计上大中小微型企业划分办法》，首先考虑以营业收入作为农业企业规模划分的基本标准：企业营业收入低于50万元为微型企业；50万元至500万元为小型企业；500万元至20000万元为中型企业；超过20000万元为大型企业。营业收入扣除成本为企业的销售利润，销售利润大都与营业收入呈正相关关系。因此，本文将企业的营业利润作为衡量企业规模的变量，并设定为多类别变量，按照销售利润等级划分，变量值设定为1—5，销售利润等级越高，规模越大。同时，设定企业从业人数作为衡量企业规模的另一因素，进行稳健性检验，并同样采用多类别变量，取值为1—3，从业人数等级越高，企业规模越大。

(2)信用等级变量。云南省1854家农业龙头企业中，获得A级以上信用等级的企业占总调查企业的77.35%。其中，获得AAA级、AA、A和A级以下信用认证的分别有370家、671家、393家和32家，388家未获得有关信用评级的认证。本文将企业的信用等级变量设定为多类别变量，AAA(或AA+等相当级别)虚拟变量取值为4，AA(或A+等相当级别)虚拟变量取值为3，A(或A-等相当级别)虚拟变量取值为2，A以下级别，虚拟变量取值为1，以此来考察信用对企业融资约束是否存在影响。

(3)认证等级变量。本文调查的1854家农业龙头企业中，有97家未获得有关认定，208家企业获得县级认证，978家农业龙头企业获得州市级认证(占比52.75%)，548家企业获得省级农业龙头企业认证(占比29.56%)，23家企业获得国家级认证。在此，将企业的认证等级变量设定为多类别变量，国家级农业龙头企业虚拟变量取值为4，省级农业龙头企业虚拟变量取值为3，州市级农业龙头企业虚拟变量取值为2，县级农业龙头企业虚拟变量取值为1。

(4)外部金融环境变量。本文在调查企业与金融机构互动情况中，设立了两个问题来考察农业龙头企业与农村金融机构互动合作情况。一是企业是否存在与一种或多种类型的金融机构合作；二是企业是否接受多种类型的金融产品或金融服务。本文将农业龙头企业与多类型金融机构合作情况设定为多类别变量，仅与一种类型的金融机构合作取值为1，与两种类型的金融机构合作取值为2，与三种或者三种以上的相关金融机构合作取值为3。设定多类别变量考察农业龙头企业接受金融服务的相关情况，接受两种或两种以下金融产品或服务的取值为1，接受三种金融产品或服务的取值为2，接受三种以上金融产品或服务的取值为3。

(5)企业的行业变量。调查中发现农业龙头企业主要从事种养殖业(724家)、农产品加工业(881家)、仓储物流业(69家)及农产品专业市场(68家)等领域(存在部分企业同时从事种养业以及加工业)。不同经营类型的农业龙头企业可能会存在融资难易程度的差别，如从事种养殖业的企业风险会大于从事仓储物流业的企业，因而设定农业龙头企业的行业二分虚拟变量，具体为：企业从事种养殖业，虚拟变量为1，否则为0；企业从事农产品加工业，虚拟变量为1，否则为0；企业从事仓储物流业，虚拟变量为1，否则为0；企业从事农产品专业市场，取值为1，否则为0。行业因素在方程1中作为控制变量，减轻行业因素对企业融资约束干扰。

表1 模型变量设定

(二)建立Probit回归模型

第一步，建立Probit回归模型(方程1):

P(Financial constraint=1)= Φ(β0+β1Profit+β2Level+β3Credit rating+

β4Cooperation+β5Financial services)

(1)

第二步，建立Probit回归模型(方程2)[注]本文假设农业龙头企业经营仅从属于4类行业，因此当Breeding=0,Manufacturing=0,Distribution=0时，Marketing=1。为避免变量间可相互解释转换导致模型估计不精确，方程中仅纳入三种行业变量，Marketing作为间接变量可通过对其他三类行业赋值为0获得。进行稳健性分析。其中，用融资缺口代替方程1中的融资约束；用员工人数替代方程1中的营业利润，衡量企业规模；并加入行业变量，以观测农业龙头企业从事不同类型的经营活动时可能存在融资约束差异。

P(Financial gap=1)= Φ(β0+β1Staff+β2Level+β3Credit rating+β4Cooperation+

β5Financial services+β6Breeding+β7Manufacturing+β8Distribution)

(2)

四、实证结果

(一)描述性统计

基于变量基本特征的分析(见表2)，融资抑制变量以及融资缺口变量均值分别为0.7407和0.6693，表明调查的企业中多数存在融资困境。其中，74.07%的企业在融资时存在不同程度的阻碍，66.93%的企业存在融资缺口。企业营业利润均值为1.5485，多数企业营业利润为500万元～1000万元。员工规模均值2.3649，企业人员规模普遍偏小。企业信用等级均值与认证等级均值分别为2.2251和2.3246，企业信用以A+、AA+级居多，企业级别以州市级、省级居多。企业与金融机构合作变量均值为1.6437，企业接受或使用的金融产品和服务变量均值为1.4478，说明多数企业至少与一类金融机构存在业务往来，并至少接受或使用了一种金融产品或服务。

表2 变量数值分布基本说明

(二)实证结果分析

基于方程1的实证结果(见表3)，企业规模变量(以营业利润衡量)、企业信用等级变量、金融产品或服务的接受或使用变量显著为负，说明企业规模越大、信用等级越高、使用的金融产品或者服务种类越多，受到的融资约束越小，即假设1、假设2和假设4均得到了验证。

表3 融资约束(抑制)与相关特征变量关系

实证结果显示企业的认证等级变量以及银企合作变量显著为正，与假设3以及假设5相悖。实证结果与假说相反的主要原因可归纳为两点：一方面，虽然农业龙头企业与多家银行存在业务活动，但银行严格遵守审慎经营的规则，并不会因为存在过借贷关系而提高贷款额度或降低贷款标准，这就使得企业原本存在的融资约束不会有太大改进；另一方面，在信息不对称的情况下，银行更看重的是能够直接反映企业基本情况并能作为贷款依据的信息，对企业认证等级这一指标并不十分关注。

运用方程2进行稳健性检验，实证结果见表4。

表4 融资约束(缺口)与相关特征变量关系(稳健性分析)

从表4的实证结果可以看出，以从业人数作为衡量企业规模的统计变量系数显著为负，说明企业规模越大，企业的融资约束越小，与方程1得到的实证结论一致。衡量企业信用等级、金融服务的自变量系数均显著为负，衡量银企合作情况、企业认证等级的自变量系数均显著为正，因此，方程1、方程2实证结果均验证了假说1、2、4，否定了假说3、5。方程2将行业变量纳入融资因素考虑范围，实证结果表明种养殖业、农产品加工业、仓储物流业自变量均未通过显著性检验，主要原因可能在于农业龙头企业虽然经营不同的农业活动，但是均会受到农业弱质性特征的影响，经营活动存在风险性、季节性和周期性，因而从事不同农业经营活动的主体，在融资约束方面差异可能较小。

(三)融资约束概率的测算

通过将融资影响因素的相关自变量带入方程1，计算不同的自变量[注]这里的自变量均通过显著性检验，未通过显著性检验的自变量已被剔除。最大值是指多类别变量取最大值以及二分虚拟变量取值为1时的情况；最小值则为多类别变量取最小值以及二分虚拟变量取值为0时的情况。融资约束概率差异是自变量取最大值的融资约束概率减去自变量取最小值时的融资约束概率。取值带来的融资约束概率的差异。

表5 融资因素变量与融资约束的概率值

从表5可以得出，以营业利润为指标衡量企业规模变量时，规模较小的企业相比于规模较大的企业，融资约束概率要高出14.48%，即规模的适度扩大、运营实力的提升及营业收入的增加将有利于企业获得融资。而信用较差的企业要比信用较好的企业的融资约束概率高出16.69%，反映出信用等级的提高能够有效减少银企之间由于信息不对称原因所造成的融资障碍。此外，较少使用金融产品或服务的企业的融资约束概率，要比较多使用的企业高出4.93%，因而多样化的金融产品和服务能够缓解企业的融资困境。

五、结论与建议

本文基于对云南省1854家农业龙头企业融资情况的问卷调研，并运用Probit模型进行实证分析，得出以下三点结论：一是企业的规模越大，融资约束越小；二是企业的信用等级越高，融资约束越小；三是金融产品或者服务的种类越丰富，企业融资约束越小。农业龙头企业的发展离不开良好的融资环境，十九大报告中更是明确提出要增强金融服务实体经济的能力，因而，在加强企业自身建设的同时，政府应不断规范农村金融市场，支持相关金融机构创新服务和产品，切实解决农业龙头企业的融资约束问题。

一是以创新驱动农业龙头企业转型升级发展，转变农业企业的传统形象，走绿色生态农业、环保农业之路。政府应协同农业龙头企业制定创新发展战略，充分利用“互联网+”带来的信息、技术和资金等方面的优势，明确转型升级方向。如促进种业龙头企业与科研院校合作的广度和深度，加快种业创新发展等。农业龙头企业的转型升级对农业供给侧结构性改革具有重要意义，有利于农业龙头企业进一步做大做强，有利于突破融资约束。

二是依托大型农业龙头企业，建设现代农业产业园，延展产业链条，吸纳更多农户和不同规模的农业企业。此外，还要建立链内的信息共享平台，实现价值链上各参与主体的信息透明化。大型农业龙头企业的信用等级相对较高，产业链条的拉长有利于企业信用等级的进一步提升，从而为其外部融资提供便利；链条内的中小型企业，在外部融资受阻的情况下，则可以选择链内融资的方式。

三是推进农业产融结合。现代农业的发展为农业和金融的深度融合提供了契机，而农业龙头企业金融需求的升级，也亟待金融机构服务和产品的创新。中国工商银行和中国农业银行等商业银行已经在农业产融合作的道路进行了有益的探索；全国中小企业股份转让系统(新三板)的建立，更是为农业龙头企业进行新型权益性融资提供了有效通道；“蚂蚁金服”2016年底启动的农村金融战略，则提供了“融资+保险+农业”三位一体的产融结合新思路。

此外，政府要发挥财政资金支持农业发展的导向功能，引导金融机构信贷资金向农业产业配置；同时，应建立相应的风险补偿和鼓励机制，降低金融机构对涉农资金支持的风险顾虑，有效缓解规模较小的农业龙头企业面临的融资难困境。