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

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The Review of Economics and Statistics2014年第10期合作发表的论文“Exports and Credit Constraints Under Incomplete Information：Theory and Evidence From China”。①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。 ① 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。 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。① 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。 ① 回归中共300 372家中国企业和42 612家外资企业 (即跨国公司)。 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： $\ln {Y_{jt}} = {\gamma _k}\ln {K_{jt}} + {\gamma _l}\ln {L_{jt}} + {x_{jt}} + {\varepsilon _{jt}}$ (26) 其中Yjt是企业j在t年的增加值。②传统的生产率用下式估计： ② 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。 $TFP{1_{jt}} = \ln {Y_{jt}}-{\hat \gamma _k}\ln {K_{jt}}-{\hat \gamma _l}\ln {L_{jt}}$ (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： $TFP{2_{jt}} = h_1^{-1}\left( {{V_{jt}}, \ln {K_{jt}}} \right)$ (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。①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。 ① 参见附录，图-A1。 中国企业的基准OLS回归在第1列报告。我们对企业海外业务收入和其平方进行回归，而不是这些变量的估计值。所有系数都显著且符号与理论预测一致。财务费用的系数为正 (${\hat \beta _1} > 0$)，财务费用与海外业务占比的交叉项系数显著为负 ($\hat \beta $2 < 0)，与海外业务收入占比平方的交叉项系数为正 ($\hat \beta $3>0)。估计值也落在理论的预测区间。②第二列报告$\hat \beta $2=-64.8高于理论预测的最低值-141.5。实证估计的信贷约束系数g1(ηem) 为-15.7，中国企业海外业务占比的系数为0.49。因此，正如理论预测的那样${\hat \beta _1} + {g_1}\left( {\eta _e^m} \right)$为正但是小于${\hat \beta _1}$，说明出口企业面临的信贷约束高于国内企业。进一步，海外业务占比更高的企业，比如90百分位的出口企业，面对的信贷约束ηeu更紧：g1(ηeu) 的估计值为-20.3，比出口企业的系数均值高出30%。 ② (24) 式的参数应当满足：${\hat \beta _2} \in \left( {-\frac{1}{2} \in \left( {{\beta _1} + \sqrt {\beta _1^2 + 4{\beta _1}{\beta _3}} } \right), 0} \right)$。 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 $Expor{t_{jt}} = \left\{ {\left. \begin{array}{l} 0\;\;if\;{x_{jt}}-{\underline x _{et}} \le 0\\ 1\;\;if\;{x_{jt}}-{\underline x _{et}} > 0 \end{array} \right)} \right.$ (29) 其中xet是临界企业的生产率，(xjt-xet) 表示企业j的潜在变量 (latent variable)；(ⅱ) 企业海外业务占比作为其他变量的线性方程的结果方程。 我们采用Heckman两步法估计二元选择模型。潜在变量的分布就是企业生产率向左移动临界值个单位。我们已经证明单纯的企业生产率TFP会导致内生性，因此我们首先用企业生产率TFP对TFP2和其他Heckman方程中的变量进行回归。企业层面的数据可以令${\widehat {TFP1}_{jt}}$在不同行业之间有所差异。我们用${\widehat {TFP1}_{jt}}$代替 (29) 式中的xjt。当然，利用估计值进行回归时，标准误需要由抽样重复的方法得到。 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。①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。 ① 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。 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： $\begin{array}{l} Pr\left( {Expor{t_{jt}} = 1|{Z_{jt}}} \right)\\ \;\;\;\;\;\; = \mathit{\Phi }\left[{{\alpha _0} + {\alpha _1}{{\widehat {TFP1}}_{jt}} + {\alpha _2}{{\left( {Tang/Assert} \right)}_j}t} \right.\\ \left. {\;\;\;\;\;\;\;\; + {\alpha _3}\ln {{\left( {K/L} \right)}_{jt}} + {D_t} + {\xi _n}} \right] \end{array}$ (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)。 我们将第一步得到的逆密尔系数代入第二步中。Heckman估计需要在第二步估计中删除第一步估计中的显著变量。出于以下两个考虑，我们将${{{\widehat {TFP1}}_{jt}}}$排除：首先，企业生产率被广泛证明影响企业出口决策 (Melitz, 2003)。第二，我们的理论方程 (9) 显然证明企业的海外业务比例并不受企业生产率影响，而是只与国内外市场规模有关。② ② 如果存在外国市场，那么生产率高的企业就会出口，因此拥有更高的海外业务比重。我们的解释是，当存在许多国外市场时，企业的出口选择就变得相当复杂。因此，企业出口决策显然会与企业特征相关。但是，对企业海外业务占比和TFP2的简单回归结果显示，2000-2008年间，这一影响 (0.03) 可以忽略不计。 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。 3.2SLS估计结果。2SLS回归结果中，我们必须控制海外业务占比和财务费用的内生性问题。我们用Heckman第二步的估计结果代替模型 (25) 式中的预期海外业务占比。此外，我们用事前生产率TFP2jt作为企业财务成本的工具变量。相应地，在估计 (25) 式时，我们使用3个工具变量：TFP2jt水平值、TFP2jt与海外业务占比估计值的交叉项、TFP2jt与海外业务占比估计值平方的交叉项。标准误差由反复抽样得到。③ ③ 我们的估计共分为5步：ⅰ) 将TFP1jt对企业层面特征、企业与四位数行业交叉项、TFP2jt和其他在 (30) 式中出现的变量进行回归；ⅱ) 利用${{{\widehat {TFP1}}_{jt}}}$估计选择方程 (30) 式；ⅲ) 除去${{{\widehat {TFP1}}_{jt}}}$的Heckman回归第二步，从而得到海外业务占比的估计量ejt和ejt2；ⅳ)2SLS回归的第一步，用Ijt，Ijtejt和Ijtejt对TFP2jt，TFP2jtejt和TFP2jtejt2进行回归；ⅴ) 最后估计 (25) 式。通过重复抽样的方法更正企业聚类的标准误。 2SLS估计结果在表 2第2列报告。核心参数 (${\hat \beta _1}/{\hat \beta _4}$) 比OLS估计结果略大，但是方向一致。特别地，企业财务费用越高，营业收入也就越高。更为重要的是，企业海外业务占比越高，面临的信贷约束也就越紧，因为${\hat \beta _2}\left( {{{\hat \beta }_3}} \right)$的符号为负 (正)。所有核心变量的参数估计都落在 (24) 式理论预测的合理区间。同时，信贷约束参数的估计值g1(ηem)=-38.6小于财务费用的参数估计值${\hat \beta _1} = 79.9$。与之前的结论一致，如果我们截取90百分位的海外业务占比 (ηeu)，我们仍然得到|g1(ηeu)|=53.5 < ${\hat \beta _1}$。进一步，我们发现海外业务占比在90百分位的企业，其信贷约束的参数估计值|g1(ηeu)|比均值处企业的参数|g1(ηem)|高40%，说明企业海外业务占比越高，面临的信贷约束也就越紧。 第2列报告了2SLS对外资企业的回归结果。回归结果与第1至第2列结果很不一样。尽管财务费用与营业收入正相关 (${\hat \beta _1}$>0)，财务费用与海外业务占比估计值的交叉项系数${\hat \beta _2}$绝对值太大，${\hat \beta _1} + {g_1}\left( {\eta _e^m} \right)$为负。换言之，银行利息与营业收入不再是正相关关系。这一结果与Manova等 (2011) 一致，即跨国公司在中国的子公司有其他的融资渠道，因此银行信贷和企业营业收入的关系就变得复杂了。由于外资企业的这一特性，我们在接下来的分析中不再考虑外资企业。① ①表 2同时报告了工具变量的有效性分析。我们报告了Kleibergen-Paap LM χ2统计量，检验了模型识别不足的原假设；同时报告了Anderson-Rubin Wald F统计量，检验了弱识别的原假设。两个原假设都在1%的水平上被拒绝。但是由于我们并未考虑利用估计值进行回归需要进行的标准误调整，因此我们对这个分析的结果持谨慎态度。 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： $\begin{array}{l} {R_{jt}} = {\beta _0} + \left[{{\beta _1} + {\beta _2}E\left( {{\eta _{ejt}}|{Z_{jt}}} \right) + {\beta _3}E\left( {\eta _{ejt}^2|{Z_{jt}}} \right)} \right]{I_{jt}} + {\beta _4}E\left( {{\eta _{ejt}}|{Z_{jt}}} \right) + {\beta _5}{1_{\left\{ {{x_{jt}} \ge {{\rm{x}}_e}} \right\}}}\\ \;\;\;\;\;\;\;\; + \left[{{\beta _6} + {\beta _7}E\left( {{\eta _{ejt}}|{Z_{jt}}} \right) + {\beta _8}E\left( {\eta _{ejt}^2|{Z_{jt}}} \right)} \right]{A_{jt}} + {w_{jt}} \end{array}$ (31) 其中βi+5≡βi(1-ρ)/ρ, i=1, 2, 3。②我们在回归中加入了企业抵押品、抵押品和海外业务占比估计值的交叉项、抵押品和海外业务占比平方的交叉项，与前面财务费用的情况基本相似。 ② 引入项目成功概率ρ和违约风险 (1-ρ) 导致信贷约束的定义与Φd和Φe略有不同。但是 (18)、(19) 式的系数仍然一样，详见Feenstra, Li和Yu (2011)。 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。 (31) 式的估计结果中 (未报告)，关键变量的系数${\hat \beta _2}$不再显著，同样交差项的系数${\hat \beta _7}$和${\hat \beta _8}$也不显著。一个原因是2008年的数据为初步数据，因此在余下的部分我们使用2000-2006年数据，这一期间我们可以将工业企业数据库和海关数据库完整合并起来，结果见表 4。 因此，表 4第1列报告的是2000-2006年抵押品系数的2SLS估计结果。由于与海关数据合并且删除了2007-2008年数据，样本量减少为536 064。①我们发现第1列的估计结果与理论预测一致。企业抵押品 (有形资产/总资产) 越多，营业收入也就越高${\hat \beta _6} > 0$。将抵押品和海外业务占比做交叉项后，企业的海外业务越多，抵押品对营业收入的影响也就越小，${\hat \beta _7}$ < 0。系数β1/β3大小与理论预测也一致，尽管|g1(ηem)|=75.1略小于${\hat \beta _1}$=77.8。 ① 此外，表 4剔除了港澳台出资设立的企业，因为这些地区的运输时间很短。表 5重新加入这些地区的观测值。 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)。①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。 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。 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。② ② 参见附录表-A1最后一列。 表 5报告了2SLS的估计结果。行业生产率方差区间为0.376-4.77，我们构造4个百分位 (所有，>10th, 和>25th百分位)，从而检验生产率差异较大的行业是否面临更紧的信贷约束。我们再一次发现，所有结构系数的方向和大小与理论预测相一致。取海外业务占比估计值的均值，我们发现信贷约束的均值|g1(ηem)|随着行业生产率差异增加而单调递增，说明信息不对称越大的行业面临的信贷约束越紧。进一步，所有信贷约束的系数绝对值都小于利息费用的系数绝对值，说明实证结果与理论预测完全一致。 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. DOI:10.1093/qje/qjr033 [3] Beck T. Financial development and international trade: Is there a link?[J]. Journal of International Economics, 2002, 57(1): 107–131. DOI:10.1016/S0022-1996(01)00131-3 [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. DOI:10.1257/jep.21.3.105 [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. DOI:10.1016/j.jdeveco.2011.02.002 [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. DOI:10.1111/ecoj.2009.119.issue-537 [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. DOI:10.1016/j.jinteco.2011.04.001 [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. DOI:10.1016/j.jdeveco.2016.03.007 [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. DOI:10.1257/aer.100.3.1195 [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. DOI:10.1016/j.jinteco.2007.04.002 [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. DOI:10.1016/S0022-1996(02)00078-8 [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. DOI:10.2307/146405 [24] Héricourt J, Poncet S. FDI and credit constraints: Firm-level evidence from China[J]. Economic Systems, 2009, 33(1): 1–21. DOI:10.1016/j.ecosys.2008.07.001 [25] Kletzer K, Bardhan P. Credit markets and patterns of international trade[J]. Journal of Development Economics, 1987, 27(1-2): 57–70. DOI:10.1016/0304-3878(87)90006-X [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. DOI:10.1111/roes.2003.70.issue-2 [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. DOI:10.1093/restud/rds036 [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. DOI:10.1162/jeea.2005.3.2-3.714 [32] Melitz M J. The impact of trade on intra-industry reallocations and aggregate industry productivity[J]. Econometrica, 2003, 71(6): 1695–1725. DOI:10.1111/ecta.2003.71.issue-6 [33] Muûls M. Exporters and credit constraints. A firm-level approach[R]. NBB Working Paper No. 139, 2008. [34] Olley G S, Pakes A. The dynamics of productivity in the telecommunications equipment industry[J]. Econometrica, 1996, 64(6): 1263–1297. DOI:10.2307/2171831 [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.