第三部分基于结构方程建模视角小微企业融资行为影响因素分析一.研究假说与模型建立结构方程模型(StructuralEquationModel,SEM)是近几年应用统计领域中发展最为迅速的一个分支,是从微观个体出发研究宏观规律的一种统计方法。结构方程建模是将一些无法直接观测而又欲研究探讨的问题作为潜变量,通过一些可以直接观测的变量(指标)反应这些潜变量,从而建立潜变量之间的结构关系。它通常包含了方差分析、因子分析、路径分析及回归分析,能够过滤误差及个体差异,并通过运用极大似然估计和广义最小二乘法等方法,以充分揭示观测变量和潜在变量间尽可能精确的关系。结构方程模型在国外的社会、经济、管理等学科研究领域已成为一种十分流行和重要的方法,在国内这种方法也逐渐受到学者们的青睐。结构方程模型分为测量模型和结构模型:η=Bη+Γξ+ζ(1)Y=Λyη+ε(2)X=Λxξ+δ(3)其中,方程(1)和(2)称为测量模型,也称为验证性因子分析模型,描述潜变量与可测变量之间的关系;方程(3)称为结构模型,也称为潜变量因果关系模型,描述潜变量之间的线性关系。建立在以上结构方程的基本原理的基础上,本文构建了西安市小微企业融资行为评价的模型。在查阅大量相关文献的基础上,我们发现小微企业影响因素中,内外因共同成为小微企业发展的抑制因素,将15个观测变量严格分类,企业财务状况,中小企业融资行为,政府政策和银行制度四类潜在变量;其中小微企业融资行为是因变量Y而其他三者为自变量X,影响小微企业融资行为指标体系企业财务状况企业投资规模X1企业销售能力X2企业资本结构X3中小企业融资行为银行服务水平Y1利率水平Y2企业融资期限Y3企业存续年限Y4融资渠道Y5担保方式Y6政府政策资本市场开放程度X4国家宏观调控影响度X5国家对融资支持力度X6国家政策扶持力度X7银行制度银行贷款审批程序X8银行交易成本X9根据相关理论及表1所列出的指标体系,建立影响我国中小企业融资行为的结构方程概念模型如图1所示,并配置数据文件。图1中小企业融资行为影响因素概念模型3.1本文变量的设置表1指标的设置变量符号变量名取值情况X1企业投资规模X1=1100万及以下;X1=2100—200万X1=3200—100万;X1=41000—2000万X1=52000万及以上X2企业销售能力X1=1100万及以下;X1=2100—200万X1=3200—100万;X1=41000—2000万X1=52000万及以上X3企业资本结构X3=1主权资本;X3=2长期债务;X3=3短期债务X4银行服务水平X4=1极差;X4=2较差;X4=3一般;X4=4较好;X4=5很好X5利率水平X5=1极低;X5=2较低;X5=3一般X5=4较高;X5=5极高δ1δ2δ3ξλ1λ2λ3χ1χ2χ3负荷量潜在变量观察变量误差δ1δ2ξ1χ1χ2χ3测量模式δ3δ1η1y1y1y1ε1ε1ε1ζ结构模式X6企业融资期限X7=1很短;X7=2短期;X7=3中期X7=4较长;X7=5长期X7企业存续年限X7=1很短;X7=2短期;X7=3中期X7=4较长;X7=5长期X8融资渠道X8=1其他;X8=2亲戚朋友;X8=3银行及信用社X8=4民间融资;X8=5内源融资X9担保方式X9=0无;X9=1较少;X9=2一般;X9=3较多;X9=4很多Y1资本市场开放程度Y1=0封闭;Y1=1较封闭;Y1=2较开放Y2国家宏观调控影响度Y2=0没有影响;Y2=1影响很小;Y2=2较小影响;Y2=3较大影响Y2=4很大影响Y3国家对融资支持力度Y3=0没有;Y3=1很小;Y3=2较小;Y3=3较大;Y3=4很大Y4国家政策扶持力度Y4=0没有;Y4=1很小;Y4=2较小;Y4=3较大;Y4=4很大Y5银行贷款审批程序X5=1很容易;X5=2较容易;X5=3一般X5=4较难;X5=5很难Y6银行交易成本Y6=0没有;Y6=1很小;Y6=2较小;Y6=3较高;Y6=4很高表2潜变量的设置变量符号变量名变量包括的指标外生潜变量1中小企业融资行为Y1、Y2、Y3、Y4、Y5、Y62银行制度X6、X7、X83政府政策X4、X5、X6、X7、X8内生潜变量1企业财务状况X1、X2、X3二.指标选取与数据来源针对影响中小企业融资行为的各项指标,笔者采取了问卷调查的形式,本次发放调查问卷的对象主要是中小企业的高级管理人员及财务主管。问卷的发放和收回方式主要是采取两种方式进行:一是作者直接将纸质版调查问卷发给中小企业相关人员,直接填写,现场收回;二是作者将电子版调查问卷通过互联网发送至中小企业相关人员并回收。问卷涵盖等地,共发放问卷200份,收回问卷152份,其中140份为有效问卷。三.数据分析(一)调查问卷的设计本研究采用分群随机抽样的方法,首先将调查总体按行业划分为若干群体,然后在其中随机抽取样本进行调查,得到用来估计整体的样本群体。西安市各区小微企业数量分布不均、发展不平衡、发展速度不一致,小微企业质量也存在较大差异。综合考虑西安市小微企业的实际情况,在小微企业比较多、比较具有代表性的区抽取样本的比重相对大一些,因此,在获取样本时本研究采用了配额的方法。具体而言,根据西安市省统计局相关调查中所采用的配额比重设计此次抽样的配额,选取西安市100多家家小微企业作为样本,根据总体的结构特征来确定样本的分配额度或分配比例,以取得一个与总体结构特征大体相似的样本结构。这种配额抽样方法的目的是使样本对总体具有更好的代表性。问卷调查采取两种方式:一是自己走访,二是通过对相关政府机构的配合调研。通过3个月的调研,本研究共发放问卷200份,回收问卷152份。经过对问卷的处理,最终用于乡镇企业成长条件与绩效关系研究的有效问卷共140份(样本的有关情况见表1和表2)。表1样本数据的描述性统计(被访者企业)统计类别范围频数有效百分比企业类别工业住宿餐饮信息科技批发零售交通运输农,林,牧,渔业文体,娱乐商业服务其他302118231171415322%14%13%16%8%5%10%11%2%企业年销售额单位:元100万及以下100—200万200——100万1000—2000万2000万及以上482527221834%18%19%16%13%企业总资产100万及以下100—200万200——100万1000—2000万2000万及以上553621181039.3%25.7%19.3%12.6%7.1%企业的发展阶段投入成长稳定衰退1649631211.4%39%45%8.6%调查问卷测量变量的描述性统计研究中选取的李克特量表①是现代调查研究中普遍采用的一种测量量表,它的基本形式是给出一组陈述,这些陈述都与某人对某个单独事物的态度有关。积极性陈述表明对所研究的对象持肯定或积极的态度,如果答案选择是“完全同意”、“同意”、“不一定”、“不同意”、“完全不同意”,对每种回答都要赋予一个数值。对肯定式陈述,选择“完全同意”的赋值为5,“同意”的赋值为4,其他依此类推。对测量变量的描述性统计见表3。小微企业调查问卷测量变量的统计性描述因子编号测量变量均值标准差企业财务状况X1X2X3企业投资规模更大企业销售收入增长更快企业资本结构更加合理4.134.284.20.8341.0250.997企业融资行为Y1Y2Y3Y4Y5Y6银行服务水平利率水平企业融资期限长短企业存续年限越长多样化的融资渠道多元化的担保方式3.974.314.214.354.344.370.9271.140.9351.0051.0421.135政府政策X4X5X6X7资本市场开放程度国家宏观调控影响度国家对融资支持力度国家政策扶持力度4.44.124.224.231.0910.8071.0130.945银行制度X8X9银行贷款审批程序银行交易成本4.454.391.1471.029(三)问卷数据的信度和效度检验本文对调研数据进行信度和效度检验。信度检验采用克朗巴哈α系数①作为检验标准,用来观察问卷各项目的内部一致性。经计算,调查问卷数据的克朗巴哈α系数为0.916,由于信度系数大于0.8,因此,总体上该评价体系的内在信度是比较理想的。问卷调查中各个测量变量的共同度②都在0.7以上,大于0.5,都达到了标准。因此,本文问卷的测量变量具有较好的效度,表明问卷测量变量的设计比较理想。四、实证分析(一)因子分析因子分析是从众多的原始变量中构造出少数几个具有代表意义的公共因素量,这里面有一个先决条件,即原始变量之间要具有比较强的相关性。如果原始变量之间不存在较强的相关关系,那么,就无法从中综合出能反映某些变量共同特性的少数公共因素来。因此,在进行因子分析时,首先需要对原始变量做相关分析。主要的统计检验方法有KMO检验。KMO检验的统计量(即KMO值)用于比较变量间的简单相关系数和偏相关系数,其取值范围在0~1之间。KMO值越接近于1,则所有变量之间的简单相关系数平方和远大于偏相关系数平方和,因此越适合于做因子分析。本文数据检验的KMO值是0.895,根据统计学给出的标准,大于0.8,说明抽样的适当性很好,可以对小微企业企业融资的影响因素进行因子分析。本研究所使用问卷的测量变量的公共因素已经确定,分别是企业财务状况,中小企业融资行为,政府政策和银行制度四类潜在变量。采用限定抽取公共因素法进行因子分析时,输入的因素数量为4,通过这4个因素来分析问卷测量变量的效度。这4个因子累计贡献率达到79.785%,说明这4个因子对原有的15个测量变量具有79.785%的解释能力(见表4,各因子按照贡献率由高到低排列,各因子中的各测量变量按照载荷由大到小排列)。表4正交旋转后因子载荷对企业绩效进行因子分析,通过计算,企业绩效的KMO值是0.824,根据统计学给出的标准,大于0.8说明抽样的适当性比较好,可以进行因子分析。对企业绩效进行因子分析,采用限定抽取公共因素法进行因子分析时,输入的因素数量为1。因子累计贡献率达到100%,对企业绩效具有100%的解释能力(见表5)。表5企业绩效正交旋转后因子载荷(二)结构方程模型分析结构方程建模法是一种综合运用多元回归、路径分析和确认型因子分析方法而形成的一种统计数据分析工具,它可以解释一个或多个自变量与一个或多个因变量之间的关系。特别是在采用问卷法收集数据的情况下,结构方程建模法是针对一般多元回归分析难以处理多重共线性问题和一些无法直接观测的变量等弱点而研发出来并已经得到较为广泛应用的数据分析方法。从变量可测性的角度可以把变量分为显变量和潜变量。结构方程模型包含两部分内容:测量模型和结构模型。测量模型描述显变量和潜变量之间的关联关系,表明一个潜变量是由哪些显变量来度量的,单纯的测量模型就是确认型因子模型。结构模型描述潜变量之间的关联关系,所处理的都是潜变量,不可直接测量,所以,需要有变量设计的过程,即从概念性变量转换到操作性变量。例如,本文中的因子“企业创新”就是潜变量,对它的评价并不能够直接通过问卷调查获取,而企业在研发经费的投入上与同行业竞争者相比占优势、企业在创新的新颖程度上与同行业竞争者相比占优势等测量变量就是显变量,对它们的评价可以直接通过对问卷中问题的打分获取。为了确保乡镇企业绩效的影响因素的稳定性和可靠性,本研究对通过正式调研得到的432组数据采用验证性结构方程加以验证,进一步检验问卷的测量变量的结构效度。运用AMOS6.0软件分别对乡镇企业绩效的影响因素所涉及的6个因子进行验证性因素分析,可以确定理论模型对实际数据的拟合程度,从而检验理论模型的正确性。在评价模型的适当性时,主要对拟合优度(CMIN/DF)、拟合良好性指标(GFI)、非常规拟合指标(NFI)、近似均方根误差估计(RMSEA)及比较拟合指标(CFI)等进行综合考虑。CMIN/DF值越小,表示模型与实际数据差异越小;GFI、NFI、CFI通常在0~1之间,越靠近1,表示模型与实际数据拟合得越好;而RMSEA越小越好。一般情况下,CMIN/DF<4,GFI、CFI、NFI大于0.85,RMSEA<0.1,说明模