一、文献综述

当前，我国科技型小微企业创新创业面临诸多困难。由于规模小、信用难以衡量等原因，导致其融资渠道窄、融资成本高，亟待建立健全科技金融服务体系，为科技型小微企业提供全方位的创业引导及金融支持。因此加快科技型小微企业信用建设，完善科技型小微企业信用评估具有重要的现实意义。

国内外学者研究均发现，外部融资支持对企业创新投资和创新能力具有积极作用。Herrera等[1]发现企业从银行获得的长期贷款时间越长，越具有创新投资能力。Cumming等[2]研究得出，企业贷款的易得性直接对企业创新投入水平产生积极影响，尤其在高科技公司，这种正向效应更为明显。康志勇[3]、周雪峰[4]等发现，融资支持对企业创新投资具有直接和间接的促进作用。武力超等[5]、姚铮等[6]发现银行贷款不仅加大中小型高科技企业的创新投资力度，而且对企业创新能力具有正向影响。

科技型小微企业由于其特殊性，传统信用评估方法，包括Logistic回归模型、模糊计算、相关分析等统计方法并不适用[7-8]。部分学者指出，有效的信用评估机制可以在信息不对称的情况下，借助人工智能和数据挖掘技术，通过“软信息”衡量企业的信用风险，帮助企业获得创新投资[9-11]。West等[12]发现，借助于非参数信息进行信用评估优于经典统计模型。高丽君等[13]得出贝叶斯和神经网络的准确度较高，且神经网络有很好的自适性。决策树能够进行深度优先搜索[14]。随着研究的不断深入，单一模型存在一些局限性，如决策树过度拟合的几率较高，贝叶斯在处理复杂数据时预测难度大等[13,15]。因此部分学者尝试构建组合模型来融合不同的优点。Angilella[16]建立了小微企业 SMMAA-TRI 多准则信用评级模型。Zhong[17]通过对不同方法在企业信用评估的效果进行对比分析，得出ELM 和BP 神经网络的效果较优。肖斌卿等[18]将LS-SVM应用于小微企业信用评估。

当前研究主要是静态地集中于某类风险，而科技型小微企业的创新发展是一个动态的过程，其创新能力及信用风险特征随之变化。基于此，在创新价值链视角下，构建Logistic回归与BP神经网络的组合模型，对科技型小微企业进行分阶段信用评估，以缓解融资制约，并为建立科技金融服务体系提供决策依据。

从表2可以看出，HNO3浓度在0～1.50mol/L范围内，各元素测定值变化不明显；当HNO3浓度大于1.50mol/L时，各元素测定值随HNO3浓度的增加逐渐降低。因此，在进行样品测定时，应该控制加入体系中HNO3的量，使得测定体系中HNO3浓度小于1.50mol/L。

二、科技型小微企业融资现状审视

(一)科技型小微企业创新投资需求与供给的关系

在成长期，科技型小微企业开发的新产品、新技术已占领一定市场份额，具有发展前景，企业规模逐步扩大，资金缺口有所缓解，但创新投资需求量更大。同时，经营风险和市场风险也有所降低，基本排除了技术风险。在创新投入方面，为保持竞争优势、抢占市场，企业仍然需要不断创新投入，开发高价值产品。内源性融资难以满足全部需求，创新投资主要来自金融机构的债务融资，以及风投公司的后续投资。此阶段，各类风险大幅下降，融资渠道得到拓展，创新投资渠道多、总量大。

科技型小微企业的创新投资需求总量用直线D表示，金融机构的资金供给总量用直线S表示。如图1所示。当央行下调金融机构存贷款基准利率时，面对低利率银行会收紧贷款，这就进一步加重了科技型小微企业的融资难，这时资金缺口为Q1-Q0。为使供需平衡，这部分缺口由政府补贴或风险分担承担。通过政府补贴及运用信用风险评估模型，降低了由于信息不对称导致的风险，商业银行资金供给曲线由S平移到S′，科技型小微企业的融资成本相应地从P0下降到P1，在新的均衡点E1资金供给与需求达到平衡，科技型小微企业的创新投资总量从Q0增加到Q1。通过降低信息不对称风险，科技型小微企业从银行获得金融支持。

  

图1 科技型小微企业融资需求与商业银行资金供给关系

(二)创新价值链视角下科技型小微企业创新投资及信用风险特点

Hansen等[21]将创新过程与价值链融合构建了“创新价值链模型”，把企业创新创意的激发、转化和应用的整个过程分为三个阶段，概括为创意萌芽阶段(Idea Generation)、创意孵化阶段(Idea Conversion)和创意推广阶段(Idea Diffusion)。其中创意萌芽阶段，指企业激发新想法、新灵感；创意孵化阶段，指通过可行性分析筛选出新创意、研发新产品；创意推广阶段，指将新创意的产品进行市场化推广。这三个阶段实现了由创意的产生到产品市场化的创新链条增值过程[22]，对应的正是企业生命周期中的萌芽期、成长期和成熟期三个阶段[23]。在不同阶段，科技型小微企业的创新能力、风险、创新投入各有不同特点，因此需要分阶段进行分析。

管道吹扫与一般管道吹扫相同，主要采用爆破式吹扫，可以分段进行，介质为无油压缩空气，压力不应超过管道的工作压力。

1.萌芽期

在表4中，第1组和第29组测试样本的预期输出为0.643，大于0.5，因而判定为违约贷款，实际结果却为履约样本。第53组测试样本的逾期输出为0.243，低于0.5，判定为履约样本，实际为违约样本。其余122组测试样本的预期输出与实际情况相同，测试正确率为97.60%，说明建立的成熟期科技型小微企业信用评估模型同样具有可靠性和有效性。

“一带一路”视域下我国运输服务贸易的发展思路………………………………………………………林晨萍 邱诗璇（6.81）

本文首先以经济学需求—供给曲线(IS-LM)分析信息不对称下科技型小微企业创新投资需求与供给的关系，进而探讨违约风险对创新投资的影响。科技型小微企业由于经营管理不成熟，信息透明度低，融资渠道窄，银行贷款为其主要的资金来源。对于银行而言，科技型小微企业的违约风险及监管成本更高[19]。为弥补信息不对称造成的额外风险，商业银行会提升贷款门槛，导致科技型小微企业无法从商业银行获得足够资金。同时，贷款利率的提高增加了融资成本，这一做法就可能导致企业逆向选择。为解决这个矛盾，政府引导资源配置就显得尤为重要[20]。

1.2 模型训练方法 共分为 2 个阶段。第 1 阶段，基础操作训练。采用机器人模拟培训系统MimicTM（Mimic Technologies，Inc.，Seattle，WA）进一步熟悉操作，并完成“操作台简介”“镜头操控”“机械臂操控”“能量的运用”“腕部操作”“缝针的控制和缝合”训练。第 2 阶段，吻合模拟训练。采用机器人模拟培训系统进行“管腔吻合”训练，共完成训练 20 次（图1A～1C），记录每次训练的得分、吻合时间、运动距离、机械臂碰撞次数、机械臂离开视野次数和脱离目标次数。将训练前后的数据进行对比，评价模拟训练的有效性。

3.成熟期

进入稳定增长的成熟阶段，科技型小微企业核心技术不断开发，开始取得丰厚盈利，信用风险大幅降低。在成熟期，科技型小微企业创新活动日益增加，社会网络不断丰富，与金融机构间投融结合提升企业创新积极性，也成为企业创新的有效动力，同时风投等外部资金的涌入为企业创新发展提供了有力支持。成熟期的企业更多关注于上市融资，通过在中小板市场发行股票，获取股权融资，进而和固定的银行建立起长久稳定的关系，进行多轮融资，获得较高的信用评级，融资成本下降。此阶段的科技型小微企业拥有充足的条件向银行等金融机构贷款，该融资渠道是最方便、最经济的融资方式。

由此来看，科技型小微企业在不同阶段创新投资及风险特点不同。进入成长后期和成熟期的科技型小微企业由于核心竞争力强，创新投资多，商业银行也愿意介入此阶段，为其提供持续的资金支持。而处于萌芽期的科技型小微企业，创新投资需求量大，技术风险及市场风险都极高，融资门槛高。但是，正是由于这个产品还未定型，科技型小微企业各类风险最大，商业银行是否能够慧眼识珠、愿意投资，就有很大的悬念[23-24]。对于科技型的小微企业来说，萌芽期是最难坚持下去的阶段。本文主要从创新价值链对应的萌芽期、成长期、成熟期三个阶段进行研究。

除酰胺外，脂肪酸（或甘油酯）与乙二胺等还可以在氧化铝的催化下高温进一步脱水环化生成咪唑啉[11]化合物，如：

三、模型构建

(一)评估指标及样本结构

评估指标的选取一方面要考虑指标内涵的完整性，另一方面要适用于所采用的建模方法。评估指标一般分为定性指标和定量指标。其次，本文所采用的神经网络在样本处理和训练次数方面要求参与建模的指标能够反映指标体系内容中典型的内涵并且数量精简，较多的规则将极大增加训练时间，因此需确定适当的研究指标和指标数量。

研究数据来源于某股份制商业银行江苏省分行数据库中2016年12月的科技型小微企业贷款数据，根据工业和信息化部、国家统计局、发展改革委、财政部制定的《中小企业划型标准规定》([2011]300号)，结合该银行授信划型细则，确定本文的研究对象分类标准。通过Delphi专家决策，对拟用于建模的信贷评估指标进行筛选和分析，从21个待用于建模的信贷评估指标中筛选出7个指标作为输入变量，包含5个定性变量及2个定量变量。输出变量为借款人信用评估结果，根据借款人是否违约分为履约贷款和违约贷款。具体见表1所列。

 

表1 模型的输入变量和输出变量

  

变量名称解释性质所属行业包括制造业、服务业以及除制造业与服务业外的其他行业定性控股权性质包括国有、集体、民营、台资、港资、外资定性资信等级包括AA-、A+、A-、BBB、BB、B、C、D等定性借款金额指从银行借得的金额定量借款年利率指该笔借款的年利率定量担保方式包括保证、信用、抵押、质押定性贷款五级分类指贷款质量的五级分类，包括正常、关注、次级、可疑、损失定性信用评估指借款人是否有违约行为定性

共获取科技型小微型企业贷款样本数据976组，对于样本数据中有缺省值的情况，将其整组样本数据进行删除，最终剩余样本数据963组，包含萌芽期贷款数据223组，占贷款比重23%；成长期贷款数据314组，占比33%；成熟期贷款数据426组，占比44%。总样本中履约数据878组，违约数据85组，违约数据占比9%。萌芽期数据中违约贷款28组，占比13%；成长期中违约数据31组，占比10%；成熟期中违约数据26组，占比6%。由样本结构可见，三个阶段违约贷款比重依次降低，萌芽期比重最高，达到13%，高于贷款总量平均水平的9%。相应的，银行对萌芽期放贷比例最低，占全部科技型小微企业贷款总量的25%不到。成熟期违约比重最小，仅为6%，银行的放贷比例也最高，达到44%，接近总量的一半。验证了不同生命阶段其信用状况不同，从银行获得资金的难易程度也不同。

(二)模型建立

本文用SPSS 19软件进行数据统计与建模。

对成熟期科技型小微企业信用评估组合模型进行训练和测试。训练样本数据为299组，其中履约样本281组，违约样本18组。测试样本数据为127组，包括履约样本119组，违约样本8组。测试样本的预期输出与实际结果对比情况见表4所列。

第二步用随机抽样，将223组数据样本划分为156组存训练样本及67组测试样本。156组训练样本中，履约样本136组，违约样本20组。以该训练样本进行建模仿真的分析说明。运用SPSS 19中Logistic模块对训练样本进行预测。将信用评估作为因变量，其余七个指标作为自变量导入SPSS中，方法选择全因子进入。保存预测值，模型预测结果为正确率96.9%。

第三步，将Logistic模型的预测结果与七个因子一起作为输入变量，对BP神经网络进行训练。训练的基本情况和参数设置如下：模型输入变量为8个，输出变量为1个。关于隐含层节点数的选择，大多研究人员的做法是根据经验公式来计算隐含层节点的个数范围，然后通过逐步实验法。本文选取经验公式：

 

其中，n为输入神经元个数，m为输出节点个数，a为1～10 之间的常数。由此可得隐含层节点数范围为4～14。

石灰布撒均匀后，用1台农用重型铧犁配合3台旋耕机粉碎开始翻晒，翻一旋二，铧犁配合旋耕机翻拌到底。（平均翻晒一遍能降低0.8～1.1个百分点）。路拌机第一次翻拌结束，检测含水量降至19.8%，每50m取2点，用EDTA滴定法检测灰剂量，所有检测点的灰剂量≥设计灰剂量-1%。

四、实证分析

(一)萌芽期科技型小微企业信用评估

运用网络1对67组萌芽期科技型小微企业样本数据进行测试，包含履约样本59组，违约样本8组。在SPSS软件中导入测试样本，首先运用Logistic回归进行样本测试，然后Logistic回归测试结果作为变量之一，与其他变量一起输入多层感知器神经网络进行样本测试。测试样本的组合模型预期输出与实际结果对比情况见表2所列。

 

表2 萌芽期测试样本部分预测结果与实际结果对比

  

编号47484950515253545556实际1000110010预测0．040．010．010．050．030．030．020．020．020．02……

预期输出1代表测试样本为违约贷款，预期输出0代表测试样本为履约贷款。用训练好的模型对测试样本进行测试，对判定条件做规定：若预期输出大于0.5，则判定样本属于违约样本；若预期输出小于0.5，则判定样本属于履约样本。在表2中，第47、51、52、55组测试样本的实际输出均低于0.5，根据判断条件为履约样本，但实际为违约样本，出现误判。其余63组样本的预期输出分类均与实际情况相同，测试正确率为94%，说明建立的信用评估模型对萌芽期科技型小微企业的信用评估具有可靠性和有效性。

我公司设计的70 MW汽轮发电机励磁机风扇大环、小环和风叶均采用宝钢生产的80 kg级钢板B780CF，钢板的化学成分和力学性能见表1和表2。

(二)成长期科技型小微企业信用评估

运用同样的方法及步骤，对成长期科技型小微企业进行模型训练和测试。限于篇幅，实证的过程在文中不赘述。

训练样本数据为220组，其中履约样本200组，违约样本20组。隐含节点为4，测试样本数据为94组，包括履约样本83组，违约样本11组。测试样本的预期输出与实际结果对比情况见表3所列。

 

表3 成长期测试样本部分预测结果与实际结果对比

  

编号21222324252627282930实际0001000110预测0000．089000110编号31323334353637383940实际0100000000预测00．39900000000……

在表3中，第24组、第32组测试样本预期输出分别为0.089、0.399，均低于0.5，按照标准判定为履约贷款，然而实际为违约贷款，预测输出结果与实际结果不符合，出现误判。其余92组样本的预测输出结果与实际结果相同，测试正确率为97.90%，说明本小节建立的成长期科技型小微企业信用评估模型同样具有可靠性和有效性。

SPSS的神经网络工具箱中主要提供了四种形式的传递函数: 恒等函数、双曲正切、Softmax、Sigmoid。当神经元的输出函数为Sigmoid等函数时，三层前馈网络(含两层计算单元)可以逼近任意的多元非线性函数。本文从输入层到隐含层的激活函数选择双曲正切，从隐含层到输出层的激活函数选择Sigmoid。训练类型选择在线，优化算法为梯度下降。训练设置为：最初学习率0.4，学习率的较低极限0.001，动能为0.9，间隔中心点为0。间隔偏移量为±0.5。产生网络1。通过试凑法，隐含层为6时训练模型正确率达到98.7%。

(三)成熟期科技型小微企业信用评估

第一步对各个变量进行描述性统计，以对数据有直观的认识。运用SPSS软件对训练样本中各个变量数据进行频度分析，得到定性变量中信用等级与担保方式的样本频数分布较为分散，行业及控股权性质的样本频数分布较为集中。限于篇幅，各个指标样本频数统计结果介绍从略。同时，对定量变量借款金额及借款年利率进行归一化处理。

2.成长期

 

表4 成熟期测试样本部分预测输出与实际结果对比

  

编号12345678910实际0000000000预测0．64300000．0010000……编号21222324252627282930实际0000000000预测0000．64300．0330．03300．6430……编号51525354555657585960实际1111000000预测0．6430．6430．2430．6430．0010．0010．0330．00100……

科技型小微企业具有其行业特殊性。首先，科技型小微企业的核心竞争力来自创新研发，在企业初期，创新成果能否成功转化并市场化难于预测，信用风险比一般企业更高，具有“高风险、低存活率” 的特征。其次，由于科技型小微企业拥有的大部分是无形资产，难以进行估值，而缺乏抵押物影响其获得银行贷款。这一阶段企业的创新研发需要持续性资金投入，然而自有资金有限、试错成本高，不足以支持企业开展持续创新活动。融资渠道窄、资金缺口大，创新投入制约最为严重。研发活动更多取决于政府部门的支持，引导社会资金进行创新投资。在这一阶段，风险大，创新投资需求大但总量及来源少。

(四)组合模型与单一BP神经网络模型结果对比

用单一神经网络模型对同样的样本进行分阶段训练与测试。参数环境和关键设置为：共7个输入变量和1个输出变量，隐含层设为6层，训练步数设为100步，训练误差设为0.0001。然后，将不同生命阶段下组合模型的测试结果与单一BP神经网络模型的测试结果进行对比，对比结果如表5所示。由表5可知，萌芽期科技型小微企业BP神经网络总体测试正确率为94%，其中履约贷款的测试正确率为100%，违约贷款的测试正确率为50%；成长期科技型小微企业总体测试正确率为96.80%，其中履约贷款正确率100%，违约贷款正确率72.70%；成熟期科技型小微企业总体测试正确率为96.10%，其中履约贷款正确率97.5%，违约贷款正确率75%。

对于以上观点，我们应当清醒地认识到，国外媒体和学者在报道和研究中显然具有“现象主义”倾向，他们不是用科学的方法来揭示研究对象的内在逻辑，而只是通过某些表层现象上的相似性作简单的比较研究。同时由于缺乏中国国内关于群众路线活动的第一手资料，其研究中主观臆测的成分也较多，特别是过分夸大了毛泽东及其思想对此次群众路线教育实践活动的作用和影响，而忽略了新一代领导人在政党治理及其顶层设计方面所做出的重要贡献和对党和国家前途命运所怀有的强烈忧患意识。毕竟，毛泽东及其思想与群众路线活动的关系，只是局限于在这一过程中的某些方面所表现出来的思想方法以及所面临的问题和困境方面具有一定的历史相似性。

 

表5 组合模型与BP神经网络模型预测结果对比

  

模型组合模型单一模型生命周期已观测已预测01正确百分比(%)已观测已预测01正确百分比(%)萌芽期0590100．000590100．0014450．0014450．00总计百分比94．006．0094．00总计百分比94．006．0094．00成长期0830100．000830100．0012981．8013872．70总计百分比90．409．6097．90总计百分比91．508．5096．80成熟期0117298．300116397．5011787．5012675．00总计百分比92．907．1097．60总计百分比92．907．1096．10

定义第一类误判率指履约贷款误判为违约贷款的比率；第二类误判率指违约贷款误判为履约贷款的比率；违约贷款评估正确率指在违约贷款中，测试为违约贷款的结果与贷款实际违约结果的正确比率。

先称取适量待测样品15 g，放入100 ml的三角烧瓶中，然后加人30 ml乙酸乙醋，用漩涡仪旋涡振摇混合均匀后，用超声提取仪进行超声提取3 min。接着用分液漏斗移出上清液，再向剩下的残渣中加人适量乙酸乙酯，与上述操作相同，提取两次，超声提取时间可以随着提取次数的增加逐渐递减，三次所得上清溶液合并入圆底烧瓶，于80℃水浴蒸发成快干状态，剩余的溶液再用氮气吹干，瓶中残留的白色物质加水振摇溶解，0.45 μm有机滤膜过滤后高效液相色谱仪进样分析测定。

4.促进了企业管理制度的完善和深化。工程法律风险防范机制的建设，完善了项目管理流程和制度，规范了项目运营行为，加强了内部控制，支持了全面风险管理，促进了企业管理的规范化、制度化、体系化。通过实行工程项目重大决策法律论证制度、优化资源配置、组建工程项目联合体、建立风险信息沟通协调机制，对于提升企业特别是施工企业公司执行力，提高抗风险能力和国际竞争能力，具有导向性的作用.

从表6可以看出，①运用BP网络对样本进行建模后，对于成长期与成熟期科技型小微企业，组合模型的测试样本总体正确率均高于单一BP神经网络模型的测试正确率。②一般认为，第二类误判比第一类误判的风险成本高得多[8]，即相比于将履约贷款误判为违约贷款，当商业银行将潜在违约贷款误判为履约贷款时对银行所造成的损失更大。萌芽期、成长期、成熟期三个阶段科技型小微企业单一BP神经网络模型的第二类误判率分别为50%、27.27%、25%，组合模型的第二类误判率分别为50%、18.18%、12.5%。换言之，运用组合模型对萌芽期、成长期、成熟期科技型小微企业进行评估，得到违约贷款评估正确率分别为50%，81.82%，87.5%，高于单一神经网络模型的评估正确率。因此组合模型在甄别违约贷款时具有更高的正确率，对银行贷前审查的帮助较BP神经网络模型更大。③BP神经网络模型生成训练的初始权值具有相当的随机性，训练中易陷入局部极小值，因此其仿真和测试的结果具有很强的不确定性，多次试验也表明，BP神经网络仿真和测试结果并不一致。组合模型由于结合了Logistic回归与BP神经网络两者的优点，相比于单一BP神经网络而言，运行更加稳定精确，具有更好的测试效果。

 

表6 组合模型与BP神经网络模型误判率对比

  

生命周期模型第一类误判率(%)第二类误判率(%)违约贷款评估正确率(%)萌芽期组合模型05050单一模型05050成长期组合模型018．1881．82单一模型027．2772．73成熟期组合模型1．6812．587．5单一模型2．522575

五、研究结论与启示

本文基于创新价值链视角，构建Logistic-BP神经网络组合模型，对科技型小微企业信用进行分阶段评估。并通过实证分析，分析了企业不同阶段创新投资供需不平衡的原因，验证了科技型小微企业在不同阶段信用状况对创新投资的影响。通过切实可行的信用评估方法，有助于降低信息不对称带来的风险，帮助企业缓解创新投资制约。

本文的贡献在于：首先，在以往外部融资与企业创新投资的相关研究成果基础上，将创新投资需求—供给之间的交互因素以及政府的支持作用共同作为考察企业创新投资来源的重要维度，弥补了以往对外部交互因素考虑不足的缺陷。其次，选取创新价值链的层级演进过程阐释创新活动的全貌，从动态的角度全面分析不同阶段风险产生机理即创新投资特征。再次，基于创新价值链视角，在上述分析基础上构建Logistic-BP神经网络组合模型，对科技型小微企业信用进行分阶段评估，考察信用评估对创新投资的调节作用，结合我国某商业银行的样本数据进行实证分析，对模型进行了验证。

考虑科技型小微企业数量众多，数据结构化程度低，信息的整理、安排、分析相对复杂，运用数据挖掘方法有助于提高科技型小微企业信息搜寻和信息处理能力，降低运营成本，对于解决金融机构与科技型小微企业严重的信息不对称问题有重要的意义。因此，进一步深化人工智能等新方法在信用评估模型中的运用研究还有巨大空间值得探索。结合本文所采用的评估方法和建模效果，建议实务界运用组合模型作为科技型小微企业信用评估模型开发的一部分，同时建议理论界深入探索机器学习在信用评估研究中的应用，为科技型小微企业解决融资难的问题提供借鉴。

目前，我国资本市场发展并不完善，融资体系较不健全，没有很多融资渠道供小微企业选择，因而还是倾向于传统的融资方式，即向商业银行贷款。尤其对于科技型小微企业，由于外界融资壁垒高，如何提高自身能力，吸引社会资源进行投资，不仅有助于降低融资成本，而且也有助于促进其创新及成果转化。在这个过程中，政府应定位于环境管理者的角色，做好穿针引线的工作，帮助科技型小微企业搭建有效的融平台，整合市场资源，结合政府担保机制，拓宽科技型小微企业融资渠道。

推动科技型小微企业创新发展，这既是一项事关创新型国家建设的长期战略任务，也是加快转变经济发展方式的迫切需求，更是进一步落实创新驱动发展战略的关键路径之一。一方面，科技型小微企业要充分意识到创新创业过程需要不同社会组织间的协作，银企投融结合有利于融资的顺畅运作和企业间优势互补。与金融机构之间的关系质量对创新投资有显著的影响。另一方面，要建立公平开放透明的市场规则，建立科技型小微企业资源库，健全科技型小微企业统计调查、监测分析制度。加快科技型中小企业信用评估体系建设，建立健全科技金融服务体系，充分发挥政府、金融机构的积极作用，用改革的办法校正资源要素配置，增强供给结构的有效性和灵活性，提高全要素生产率。

参考文献：

[1]HERRERA A M, MINETTI R. Informed finance and technological change: Evidence from credit relationships[J]. Journal of Financial Economics, 2007, 83(1) : 223-269.

[2]CUMMING D，RUI O，WU Y. Political Instability，Access to Private Debt and Innovation Investment In China[J].Emerging Markets Review，2016，29：68-81.

[3]康志勇. 融资约束、 政府支持与中国本土企业研发投入[J].南开管理评论， 2013， 16(5) : 61-70.

[4]周雪峰. 社会资本对企业创新投资的影响研究综述及展望[J].华东经济管理， 2017, 31(12) : 154-161.

[5]武力超，孙梦暄，张晓东. 关系型贷款与企业创新问题的研究——基于Heckman两阶段选择模型的分析[J].经济科学，2015(1) : 66-78.

[6]姚铮, 胡梦婕, 叶敏. 社会网络增进小微企业贷款可得性作用机理研究[J]. 管理世界, 2013(4) : 135-149.

[7]梁琪. 企业经营管理预警:主成分分析在logistic回归方法中的应用[J]. 管理工程学报, 2005, 19(1) : 100-103.

[8]刘澄, 武鹏, 郝丹洁. 基于模糊集理论的科技型小微企业信用等级评估研究[J]. 科技进步与对策, 2013, 30(18) : 170-176.

[9]王磊, 范超, 解明明. 数据挖掘模型在小企业主信用评分领域的应用[J]. 统计研究, 2014, 31(10) : 89-98.

[10]COSCI S, MELICIANI V, SABATO V. Relationship lending and innovation: empirical evidence on a sample of European firms [J]. Economics of Innovation & New Technology, 2016, 25(4) : 335-357.

[11]刘力钢，刘建基. 大数据背景下科技型中小企业社会资本对动态能力的影响[J]. 科技进步与对策, 2017(21) :64-72.

[12]WEST D, DELLANA S, QIAN J. Neural network ensemble strategies for financial decision applications [J]. Computers & Operations Research, 2005, 32(10) : 2543-2559.

[13]高丽君. 基于贝叶斯模型平均生存模型的中小企业信用风险估计[J]. 中国管理科学, 2012(S1) : 327-331.

[14]TAKIEDDINE S, ANDOHBAIDOO F K. An exploratory analysis of internet banking adoption using decision tree induction[J]. International Journal of Electronic Finance, 2014, 8(1) : 1-20.

[15]ÖZLEM EGE ORUÇ, TATAR. An investigation of factors that affect internet banking usage based on structural equation modeling [J]. Computers in Human Behavior, 2017, 66:232-235.

[16]ANGILELLA S, MAZZ S. The financing of innovative SMEs: A multi criteria credit rating model[J]. European Journal of Operational Research, 2015, 244(2) : 540-554.

[17]ZHONG H, MIAO C, SHEN Z, et al. Comparing the learning effectiveness of BP, ELM, I-ELM, and SVM for corporate credit ratings[J]. Neuro computing, 2014, 128(5) : 285-295.

[18]肖斌卿, 柏巍, 姚瑶,等. 基于LS-SVM的小微企业信用评估研究[J]. 审计与经济研究, 2016, 31(6) : 102-111.

[19]余泳泽, 张先轸. 要素禀赋、适宜性创新模式选择与全要素生产率提升[J]. 管理世界, 2015(9) : 13-31.

[20]郭研，郭迪，姜坤. 政府资助、项目筛选和企业的创新产出——来自科技型中小企业创新基金的证据[J]．产业经济研究, 2015(2) : 33-46．

[21]HANSEN M T, BIRKINSHAW J. The innovation value chain [J]. Harvard Business Review, 2007, 85(6) : 121.

[22]徐可, 何桢, 王瑞. 供应链关系质量与企业创新价值链——知识螺旋和供应链整合的作用[J]. 南开管理评论, 2015, 18(1) : 108-117.

[23]王雪原，王玉冬，徐玉莲. 资金筹集渠道对不同生命周期高新技术企业创新绩效的影响[J].软科学，2017, 31(4) : 47-51.

[24]ABROUD A，CHOONG Y V，MUTHAIYAH S. Adopting E-finance: Decomposing the Technology Acceptance Model for Investors [J]. Service Business, 2015(9) : 161-182.