生产网络视角下的商业信用与银行信用※

内容提要：利用中国投入产出表及上市公司数据检验了生产网络的特征向量中心度对商业信用、银行信用及二者间关系的影响。研究发现，商业信用和银行信用均向生产网络中心度高的企业集中；随着生产网络中心度的提高，商业信用与银行信用间关系由“替代性”转变为“互补性”，即生产网络中心度越高的企业可以同时获得较多的商业信用和银行信用融资。在异质性分析方面，国有企业相较于民营企业，随着生产网络中心度的提高，获得的商业信用会增加，银行信用会减少；国有企业中随着生产网络中心度的提高，商业信用与银行信用间呈现“替代性”关系，而民营企业中二者间呈现“互补性”关系。研究表明提高民营企业的生产网络中心度，可以有效提升总体融资规模，并且利用民营企业中商业信用与银行信用间的互补关系，促进民营企业的发展。

一、 引 言

商业信用和银行信用是企业融资的重要渠道。商业信用伴随着企业经营活动及商品交易而产生，主要体现为延期付款或预收账款形式，是一种被广泛应用的短期融资方式，是非金融企业资产负债的重要组成部分(Fabbri和Klapper，2016；刘民权等，2004)。在中国以间接融资为主导的金融结构下，银行信用在非金融企业融资中发挥着主渠道作用，其与商业信用共同构成经济社会中信用关系的重要组成部分，发挥着支持企业发展的积极作用。近二十年来，中国上市公司商业信用和银行信用融资规模整体呈现逐年增长的态势。在2009年以前，银行信用融资规模大于商业信用的融资规模，2008年中国上市公司应付账款和短期借款额分别约为11000亿元和13500亿元(1)为了与属于短期负债的商业信用相匹配，银行信用采用短期借款项来表示。。随后，商业信用融资规模超过银行信用融资规模，呈快速增长趋势。2020年中国上市公司应付账款和短期借款额分别达到了约95100亿元和52400亿元的峰值，如图1所示(2)2018年，监管部门密集出台金融监管举措，“一行两会一局”联合发布资管新规等，导致企业信用债大规模违约，商业信用融资规模也有所下降。。2021年，中国明确表示“着力构建金融有效支持实体经济的体制机制，更加有效支持实体经济的发展”，面对现阶段新冠肺炎疫情变化和外部环境存在的诸多不确定性，如何有效增强商业信用与银行信用融资对实体经济的支持力度，二者间关系是“替代性”还是“互补性”，成为了亟待解决的现实问题。

关于商业信用与银行信用融资的影响因素及二者间关系的现有研究主要集中于公司微观特征与外部宏观环境。公司的微观特征主要包括所有制结构(余明桂和潘红波，2010)、企业规模(Petersen和Rajan，1997)、企业经营时长(Petersen和Rajan，1997)、盈利能力(杨松令和赵西卜，2003)、市场地位及竞争程度(张新民等，2012；陈正林，2017)等，外部宏观环境主要包括国家货币政策(赵胜民和张博超，2019)、政治联系和制度环境(余明桂和潘红波，2008)、区域金融发展(王明虎和魏良张，2017)等。综合国内外相关文献发现，现有研究忽视了企业间上下游贸易的投入产出关联，尚未考虑风险传染等因素对企业融资的影响，缺乏从中观行业层面的实证分析，鲜有从生产网络的视角对商业信用与银行信用的影响因素及二者间关系进行分析。

通过企业间上下游的贸易往来所形成的生产网络作为连接微观冲击与宏观波动的桥梁，生产网络的中心度特征代表了企业信贷冲击发生时的影响程度(Herskovic，2018；叶初升和任兆柯，2019)。具体而言，部分企业由于自身贸易流动量较大、上下游投入产出关系较为复杂等，进而在生产网络中占据中心位置，而部分企业则由于贸易流动量较小、与其他企业的生产关系较为稀疏等而处于生产网络的次要位置。在生产网络中所处位置的不同将导致一个重要后果是，中心企业与次要位置的企业相比，更有可能将信贷冲击直接作用到其他企业，并通过间接传染将信贷冲击在生产网络中传染和放大(Acemoglu等，2012；Ahern和Harford，2014)。因此，企业的上下游贸易伙伴及金融机构为防止企业发生信贷冲击时所造成的影响，可能会对生产网络中不同位置的企业提供不同程度的信贷支持，具体体现在企业的商业信用和银行信用融资规模方面，进而影响商业信用与银行信用二者间的关系。

随着生产网络相关研究的深入，使用投入产出数据构建生产网络进行公司金融的研究也逐渐增多。Mcconnell等(2019)使用投入产出数据构建两种生产网络，研究其对企业间商业信用融资的行为。Grant和Yung(2019)使用投入产出数据构建上下游风险暴露网络，研究其对公司股本回报的影响。董志勇等(2019)使用投入产出数据构建供给网络和消费网络，研究其对企业间并购行为的影响。本文在Mcconnell等(2019)研究的基础上进行了扩展与深入，从中观生产网络的视角研究了企业商业信用和银行信用的融资行为，并考察了生产网络的中心度特征对二者间互补替代关系的影响。

本文以2002、2007、2012、2017年投入产出表为基础，使用2002-2020年的中国沪深A股上市公司微观数据，运用社会网络分析法构建生产网络，检验了生产网络的特征向量中心度对商业信用、银行信用及二者间互补替代关系的影响。研究发现，商业信用和银行信用均向生产网络中心度高的企业集中，并且随着生产网络中心度的提高，商业信用与银行信用间关系由“替代性”转变为“互补性”，即生产网络中心度越高的企业同时可以获得较多的商业信用和银行信用融资。在异质性分析方面，国有企业相较于民营企业，随着生产网络中心度的提高，获得的商业信用会增加，银行信用会减少；国有企业中随着生产网络中心度的提高，商业信用与银行信用间呈现“替代性”关系，而民营企业中二者间呈现“互补性”关系。

本文的贡献在于：第一，从生产网络的新视角对影响企业商业信用与银行信用融资的因素进行研究，生产网络作为连接宏观与微观的桥梁，该因素为影响企业融资行为的研究提供了中观层面的研究角度。第二，本文使用社会学中的网络分析和图论的相关方法研究企业融资行为，采用特征向量中心度衡量企业在生产网络中的相对位置，既考虑了企业间直接的贸易关联关系，又加入了信贷冲击发生时风险传染与放大的间接效应。第三，生产网络的特征向量中心度是企业商业信用、银行信用融资及二者间互补替代关系的重要影响因素，表明提高民营企业的生产网络中心度，可以有效提升总体融资规模，缓解民营企业融资约束，并且利用“互补性”关系充分促进民营企业的发展。

二、 理论分析与研究假设

1. 生产网络与商业信用

上下游投入-产出关系交织而形成生产网络。一方面，生产网络中贸易流动可以发挥信息分享和资源互换的作用(Granovetter，1985)。生产网络中商品交换与贸易往来会降低企业间的信息不对称，弥补社会信用体系不完善而难以获取交易企业信用状况的缺陷，让交易双方建立信任关系(Gofman和Wu，2022)，对于生产网络中处于中心位置的企业，其自身复杂的贸易结构与多渠道的贸易往来提供了商业信用的融资渠道，在信任的基础上企业可能获得更多的商业信用融资。另一方面，在生产网络中心位置的企业提供着经济中大多数投入品的供应，这些企业受到的冲击会通过借款者的资产负债效应、信贷紧缩效应等在整个经济系统内进行传导与放大(Ahern和Harford，2014；方平，2010；叶初升和任兆柯，2019)。因此，生产网络内的企业其实是利益共享和风险分担的关联体，对于处于生产网络中心位置的企业，其发生信贷冲击时所关联的企业范围越广、造成的影响越大，这可能会促使上下游企业愿意通过产品赊销、折扣等方式为其提供商业信用信贷支持。基于以上分析，本文提出假说：

H1：企业的生产网络中心度越高，会获得越多的商业信用；生产网络中心度越低，商业信用规模越小。

2. 生产网络与银行信用

生产网络是连接微观冲击与宏观波动的桥梁。生产网络中的连接方式具有“轴心-外围”的非对称连接特征，企业的信贷冲击会通过对金融机构的挤兑效应、信用传染效应等在生产网络中进行传染和放大，从单个部门遇到的信贷冲击演变为系统性的信贷冲击，从而对金融机构造成打击(叶初升和任兆柯，2019；Boissay等，2013)。因此，生产网络中的企业与金融机构同时也是风险共担的关联体。当生产网络中处于中心位置的企业发生信贷冲击时，风险将通过密集的上下游贸易关联在生产网络中进行传染，并通过挤兑等效应引起金融机构的连锁反应，相较处于生产网络中次要位置的企业其造成的影响更为严重。为了防范化解信贷冲击在生产网络中传染造成剧烈影响，金融机构也会对处于网络中心位置的企业提供更多的银行信用。另一方面，随着生产网络中心度的提高，企业能够在多渠道的供应商与客户的选择中优化企业的自身决策，提高经营效率，提升财务业绩，向银行传达出企业经营良好、能够准时偿还银行信贷资金的信号(李振东和马超，2019)，从而有助于企业获得更多的银行借款。基于以上分析，本文提出假说：

H2：企业的生产网络中心度越高，会获得越多的银行信用；生产网络中心度越低，银行信用规模越小。

3. 生产网络与商业信用、银行信用间互补替代关系

关于商业信用与银行信用二者之间的关系，在学术界尚未形成统一的结论。部分学者基于供需双方的角度，认为当企业因信息不对称等原因难以获取银行贷款时，商业信用能够作为一种替代性机制，满足企业的融资需求，发挥补充融资的作用，二者之间存在替代关系(张新民等，2012；赵胜民和张博超，2019)。另一方面，部分学者认为商业信用的使用可以给金融机构传递企业自身发展状况良好的信号，缓解信息不对称和道德风险问题，从而有助于企业获得银行贷款，二者间呈现出互补的关系(Petersen和Rajan，1997；Marotta，2001；刘仁伍和盛文军，2011)。对于所处生产网络中心度越高的企业，发生信贷冲击时所关联的企业范围越广、造成的影响越大，其上下游企业及金融机构为了防范化解风险的传染与放大，往往会同时对其提供更多的商业信用与银行信用，即企业随着生产网络中心度的提高，商业信用与银行信用间应呈现出互补的关系。基于以上分析，本文提出假说：

H3a：企业的商业信用与银行信用呈负相关关系，即商业信用与银行信用呈现“替代性”，而这种“替代性”在生产网络中心度越高的企业中将转变为“互补性”。

H3b：企业的商业信用与银行信用呈正相关关系，即商业信用与银行信用具有“互补性”，在生产网络中心度越高的企业中将仍然呈现出“互补性”。

4. 生产网络中产权异质性与商业信用、银行信用

随着生产网络中心度的提高，商业信用、银行信用融资及二者间关系在国有企业与民营企业中可能存在异质性。在信贷歧视理论中，国有企业由于其自身的规模、制度、抵押资产较多等优势而在融资方面受到优待，民营企业在信贷融资时往往受到歧视或约束(赵胜民和张博超，2019)。同时商业信用相较于银行信用具有信息获取、对客户具有控制力、财产在极端情况下能够挽回等方面优势(刘民权等，2004)。随着在生产网络中加深与其他企业的贸易流动，国有企业可以依靠国有资产属性等自身优势更多地选择商业信用融资来满足自身融资需求，而同样作为企业融资渠道之一的银行信用，则随着网络中心度的提高相对减少，二者表现出替代关系。而民营企业相较国有企业往往面临更为严重的现金流短缺和融资困难问题(袁卫秋，2015)，随着生产网络中心度的提高，民营企业将同时选择商业信用和银行信用两个渠道进行融资，满足自身融资需求，进而商业信用与银行信用表现为互补关系。基于以上分析，本文提出假说：

H4：国有企业相较于民营企业，随着生产网络中心度的提高，获得的商业信用会增加，而银行信用会减少，二者呈现“替代性”关系。

三、 研究设计

1. 样本选取与数据来源

中国投入产出表每五年进行公布，于2002年对行业进行了更新，本文以2002年、2007年、2012年、2017年的投入产出表为基础构建生产网络，以2002-2020年的中国沪深A股上市公司为研究对象。首先，以2017版《国民经济行业分类》为标准，对各年度的投入产出表进行统一调整，将行业分类名称逐一匹配，使其与企业所属行业名称完全对应。其次，为保证数据的适用性，剔除了金融类上市公司和公用事业行业、ST和ST*公司以及数据缺失严重的样本公司，最终样本包括6518个观测值。最后，为减少极端值的影响，本文对主要连续变量的取值进行了上下1%的Winsorize缩尾处理。数据来源为CSMAR数据库、国家统计局。

2. 变量选取

在生产网络的构建上，本文参考Ahern和Harford(2014)、Mcconnell等(2019)的研究，通过投入产出表中行业间贸易流量构建贸易流矩阵进而形成生产网络，其中贸易流量矩阵中每个元素Cij是行业j从行业i购买的产品价值除以行业i的所有产出之和。其次，网络中心度的具体衡量指标主要包括程度中心度(Degree Centrality)、中介中心度(Betweenness Centrality)、接近中心度(Closeness Centrality)和特征向量中心度(Eigenvector Centrality)。四个中心度计量指标分别从不同角度衡量了网络中的节点之间的关系。其中，特征向量中心度指标能够较好地度量一个节点在整个网络中的位置重要程度(Ahern和Harford，2014；Borgatti，2005)，与本文研究目标相一致，因此本文采用该指标作为网络中心度的代理变量(centrality)。该值越大，表示企业越处于生产网络的中心位置。

本文以2017年投入产出表为例构建生产网络，每个节点表示所对应的行业，节点之间的有向连线表示行业之间进行的贸易往来，其中包括行业自身所进行的贸易自流动，节点及边的勾稽关系形成生产网络，具体见图2。2017年在生产网络中特征向量中心度排名前5的行业分别为化学工业、水的生产和供应业、非金属矿物制品业、批发和零售业、造纸印刷及文教体育用品制造业。

图2 以2017年投入产出表为例构建的生产网络图

公司在商业信用融资中，企业从供应商处获得信贷支持，主要体现为应付账款。因此，参考陆正飞等(2009)、赵胜民和张博超(2019)的研究，本文以“应付账款的对数值(trade)”衡量企业通过商业信用进行外部融资的水平。

鉴于商业信用融资属于短期负债，同时结合中国的金融市场状况，企业绝大部分短期借款只能从银行获得，即商业信用更可能与短期借款相匹配(张新民等，2012；张会丽和王开颜，2019)，故本文使用“短期借款的对数值(bank)”来对银行信用进行衡量。

除上述变量外，还包括公司层面的控制变量：资产规模(size)代表公司的总规模；资产负债率(debt)代表公司的债务结构；有形资产比率(tang)代表公司的抵押能力；营业利润率(profit)代表公司的盈利能力；经营性净现金流(cfo)代表公司的现金流状况，各变量的详细定义见表1。

表1 变量表示及定义详表

3. 模型构建

为了验证假设H1和假设H2，即检验生产网络中心度是否对企业获得的商业信用和银行信用水平有显著影响，本文设计如下回归模型：

tradeit=α0+α1centralityit+α2controlit+εit

(1)

bankit=α0+α1centralityit+α2controlit+εit

(2)

其中，模型中下标i、t分别表示企业i和年度t。变量trade表示企业获得商业信用的水平；变量centrality表示企业所在行业的网络中心度；变量bank表示企业获得银行信用的水平。在两个回归模型中，control均为由资产规模、资产负债率、有形资产比率、营业利润率、经营性净现金流所组成的控制变量矩阵。同时，本文还加入了年度和个体固定效应加以控制。回归均使用稳健的标准误进行分析。

为了检验假设H3a和H3b，即检验生产网络中心度对商业信用与银行信用间互补替代关系是否产生影响，本文设计了回归模型(3)、(4)。变量bank*centrality表示bank与centrality的交互项，变量trade*centrality表示trade与centrality的交互项。模型中下标及控制变量矩阵control的定义同模型(1)、(2)。

tradeit=α0+α1bankit+α2centralityit+α3bankit*centralityit+α4controlit+εit

(3)

bankit=α0+α1tradeit+α2centralityit+α3tradeit*centralityit+α4controlit+εit

(4)

为了检验假设H4，即检验生产网络中心度对商业信用、银行信用及二者间关系的产权异质性影响，本文设计了回归模型(5)、(6)、(7)、(8)。变量sta表示企业的产权性质，变量centrality*sta表示centrality与sta的交互项，变量centrality*sta*bank表示centrality、sta与bank的三次交乘项，变量centrality*sta*trade表示centrality、sta与trade的三次交乘项。模型中下标及控制变量矩阵control的定义同模型(1)、(2)。

tradeit=α0+α1centralityit+α2stait+α3centralityit*stait+α4controlit+εit

(5)

bankit=α0+α1centralityit+α2stait+α3centralityit*stait+α4controlit+εit

(6)

tradeit=α0+α1centralityit+α2stait+α3bankit+α4centralityit*stait*bankit+α5controlit+εit

(7)

bankit=α0+α1centralityit+α2stait+α3tradeit+α4centralityit*stait*tradeit+α5controlit+εit

(8)

4. 描述性统计

本文对所涉及的变量进行了描述性统计，统计结果如表2所示。经过对变量进行上下1%的Winsorize缩尾处理后，各变量的最大值与最小值在合理的范围内，且变量的标准差均在2以下，表明数据值已经剔除极端值，数据较为平稳，核心变量trade、bank、centrality的平均值分别为19.131、19.594、0.793，商业信用与银行信用的数量级较为一致。

表2 变量描述性统计表

四、 实证分析

对回归模型(1)、(2)的回归结果如表3所示。第(1)列中centrality的回归系数在1%的水平下显著为正，在其他变量不变的情况下，网络中心度每增加0.1个单位，商业信用将增加4.99%，表明生产网络中心度的变化将导致企业商业信用同方向的变化；第(2)列中centrality的回归系数在1%的水平下显著为正，在其他变量不变的情况下，网络中心度每增加0.1个单位，银行信用将增加4.53%，表明生产网络中心度的变化将导致企业银行信用同方向的变化；在第(3)列中，本文将商业信用和银行信用的加总作为被解释变量进行回归，考察网络中心度的变化对企业总融资的影响作用。回归结果显示：centrality的回归系数在1%的水平下同样显著为正，在其他变量不变的情况下，网络中心度每增加0.1个单位，企业总融资将增加5.44%，表明生产网络中心度的变化将导致企业总融资同方向的变化。整体结果显示，生产网络的特征向量中心度是影响企业商业信用和银行信用融资的因素之一，验证了假设H1、H2。

表3 生产网络中心度对商业信用和银行信用的影响

对回归模型(3)、(4)的回归结果如表4所示。第(1)列中bank的回归系数在1%的水平下显著为负，表明在未加入网络中心度因素的情况下，商业信用与

表4 生产网络中心度对商业信用与银行信用间互补替代关系的影响

银行信用的关系呈现出负向关系，即二者间呈现“替代性”关系；第(2)列中bank的回归系数在1%的水平下仍显著为负，bank*centrality的回归系数在10%的水平下显著为正，表明随着网络中心度及银行信用的同时增加，将引起商业信用也增加，即随着网络中心度的提高，商业信用与银行信用间呈现出“互补性”关系；第(3)列中，trade的回归系数在1%的水平下显著为负，表明在未加入网络中心度因素的情况下，商业信用与银行信用间呈现出“替代性”关系；第(4)列中trade的回归系数在1%的水平下仍显著为负，交互项trade*centrality的回归系数在10%的水平下显著为正，表明随着网络中心度的增加，商业信用与银行信用间呈现出“互补性”关系。整体结果显示，企业的商业信用与银行信用间呈现“替代性”关系，并且随着生产网络中心度的提高，这种“替代性”将转变为“互补性”，验证了假设H3a。

对回归模型(5)、(6)、(7)、(8)的回归结果如表5所示。第(1)列中交互项centrality*sta的系数在5%的水平下显著为正，表明网络中心度越高，国有企业相对于民营企业获得了更多的商业信用；第(2)列中交互项centrality*sta的系数在1%的水平下显著为负，表明网络中心度越高，国有企业相对于民营企业减少了银行信用融资；第(3)列中，本文将商业信用和银行信用的加总作为被解释变量进行回归，考察网络中心度的变化对企业总融资的产权异质性影响。结果显示，交互项centrality*sta的系数在10%的水平下显著为负，表明网络中心度越高，民营企业相对于国有企业增加了总体融资规模；第(4)列中三次交乘项centrality*sta*bank的系数在1%的水平下显著为负，第(5)列中三次交乘项centrality*sta*trade的系数在1%的水平下显著为负。第(4)、(5)列均表明随着网络中心度的提高，国有企业中商业信用与银行信用间呈现出“替代性”关系，而民营企业中二者间呈现出“互补性”关系，验证了假设H4。更为重要的是，对民营企业提高其生产网络中心度，可以有效提升其总体融资水平，并且利用民营企业中商业信用与银行信用间的互补关系，充分促进民营企业的发展。

表5 生产网络中心度对商业信用与银行信用影响的产权异质性回归

五、 稳健性检验

为保证研究结论的稳健程度，本文做了如下的稳健性检验：第一，排除产品市场竞争度对企业融资的干扰。直接贸易伙伴之间的依存关系即企业所在行业的竞争程度影响着企业的信用融资状况(Fabbri和Klapper，2016；陈正林，2017；张会丽和王开颜，2019)。为表明生产网络中心度是与行业竞争程度不同的影响企业融资行为的因素，本文将行业竞争度指标作为新增控制变量对模型重新估计。第二，增加公司风险承担水平对企业融资的影响。风险承担是企业投融资决策过程中的一项重要参考，风险承担水平越高，可能导致企业资本结构倾向于高的融资杠杆率(余明桂等，2013)。因此，本文将风险承担水平指标作为新增控制变量对模型重新估计。第三，替换商业信用的衡量指标。分别采用净商业信用指标(即享有的商业信用减提供的商业信用)、应付账款占营业收入比率作为商业信用的衡量指标对模型重新估计。第四，采用工具变量法(IV法)回归。为了排除回归中解释变量与扰动项相关所导致的偏误问题，采用生产网络中心度指标的滞后变量作为工具变量，使用两阶段最小二乘法(2SLS)进行估计。第五，采用公司聚类估计。为进一步控制异方差的影响，采用公司层面的聚类稳健标准误对模型进行估计。回归结果均与前文的研究结论相一致，但受限于文章的篇幅，本文不再详细报告。

六、 来自融资约束的证据

企业进行商业信用与银行信用的融资不仅仅受到产权异质性的影响，对融资方式的选择问题在一定程度上还取决于企业自身的融资约束。商业信用融资相较银行信贷具有多方面的比较优势，商业信用交易能够促进产品的销售，与客户保持长期稳定的购销关系，并且能够减少付款次数，有效降低交易成本与对手风险(张杰和刘东，2006)。对于融资约束较弱的企业可以更多地选择具有比较优势的商业信用满足自身融资需求，相对而言银行信用融资规模将下降，商业信用与银行信用间呈现出“替代性”关系；而对于融资约束较强的企业而言，由于缺乏可替代的融资来源及现金流较为短缺，其自身随着生产网络中心度的提高，将同时选择进行商业信用和银行信用双渠道的融资方式，以最大化缓解自身融资约束，从而商业信用与银行信用间呈现出“互补性”关系。因此，本文进一步考察了不同融资约束程度的企业中生产网络中心度对企业融资选择行为的影响，以加强基本问题的逻辑关系。参考刘莉亚等(2015)、李振东和马超(2019)对企业外部融资约束的衡量方法，具体计算公式如式(9)：

SA=-0.737*Size+0.043*Size2-0.04*Age

(9)

其中，Size为企业规模的自然对数；Age为企业上市年龄。为方便直观理解，对SA指数取绝对值(absa)，该值越大，表明企业所面临的融资约束程度越高。

回归结果如表6所示。在(1)、(2)、(3)列中网络中心度与融资约束交互项centrality*absa的回归系数均显著为正，表明融资约束程度越高的企业随着网络中心度的提高将同时增加商业信用、银行信用融资，总体融资规模也上升；在(4)列中网络中心度、融资约束及银行信用的交互项centrality*absa*bank的系数在5%的水平下显著为正，在(5)列中网络中心度、融资约束及商业信用的交互项centrality*absa*trade的系数在5%的水平下显著为正，表明融资约束程度越高的企业随着网络中心度的提高，商业信用与银行信用间呈现出“互补性”关系。整体检验结果可以从企业外部融资约束的角度进一步理解公司在面对不同融资约束情况下，自身对融资方式的选择如何影响商业信用、银行信用规模及二者间互补替代关系，增强了研究问题的逻辑关系。

表6 不同融资约束企业中生产网络中心度对商业信用与银行信用的影响

七、 研究结论

本文以2002、2007、2012、2017年投入产出表为基础，使用2002-2020年的中国沪深A股上市公司微观数据，运用社会网络分析法构建生产网络，从生产网络的视角研究影响企业商业信用、银行信用融资及二者间互补替代关系的因素。研究得出，商业信用和银行信用均向生产网络中心度高的企业集中，并且随着生产网络中心度的提高，商业信用与银行信用间关系由“替代性”转变为“互补性”，即生产网络中心度越高的企业可以同时获得越多的商业信用和银行信用融资。同时，生产网络中心度对商业信用、银行信用及二者间关系的影响具有产权异质性，国有企业相较于民营企业，随着生产网络中心度的提高，获得的商业信用会增加，银行信用会减少；国有企业中随着生产网络中心度的提高，商业信用与银行信用间呈现“替代性”关系，而民营企业中二者间呈现“互补性”关系。这样的结论在一系列的稳健性检验中均具有稳定性。在进一步的研究中，本文从融资约束的角度探究了企业对融资方式的选择如何影响企业行为，增强了研究问题的逻辑关系。

本文的研究发现具有以下含义：第一，本文的研究有助于加深对宏观上在生产网络中传播的信贷冲击及其对微观企业融资行为影响的理解，明确了生产网络因素对企业融资行为影响的中观研究角度。第二，研究发现，生产网络的特征向量中心度是影响企业商业信用、银行信用及二者间互补替代关系的重要因素，检验了在不同融资约束情况下企业融资方式选择问题对企业行为的影响，丰富了企业融资行为的相关研究。第三，结论表明，提高民营企业的生产网络中心度，可以有效提升金融对实体经济的支持力度，提高民营企业总体融资规模，缓解民营企业的融资约束，并且利用民营企业中商业信用与银行信用间的互补关系，充分促进民营企业的发展，推动中国经济实现高质量发展。