金融科技对银行小微企业信贷供给绩效的驱动机制——基于银行和企业的微观调研数据

■文学舟 干丹婷 付辉

一、引言

融资难问题是长期以来制约我国小微企业发展的桎梏。相较于大中型企业，经营不确定性较强的小微企业群体表现出更为强烈的融资需求。人民银行数据显示，截至2021 年底，我国小微企业贷款需求指数比中型企业和大型企业的贷款需求分别高出13.4%、10.0%①。《关于进一步对中小微企业贷款实施阶段性延期还本付息的通知》指出，全国各大银行应秉承“应贷尽贷、应延尽延”的原则，面向小微企业提供金融支持以缩小其融资缺口。但仅通过降低银行信贷准入门槛增加信贷供给数量，只能在短期内缓解小微企业融资困境。要想寻求供给质效跃升情境下的突破式增长，还须从供给侧发力。由于目前征信系统不够完善且银行服务能力有限，银行业的小微企业信贷服务水平在资源配置效率、产品有效供给、需求识别与响应等方面仍存在较大提升空间。因此，在外部政策压力加大、市场风险加剧的背景下，银行需要破解小微企业自身弱质性带来的信用不足问题，寻求兼顾经济和社会双重目标约束下的信贷服务质效提升。

近年来，随着金融科技应用在“降成本、降风险”方面的优势不断凸显，社会各界逐渐认识到以技术驱动来缩小信贷资源的结构性偏差将成为推进金融服务实体经济的新途径。虽然目前银行的金融科技投入产出效率整体呈上升趋势，但其规模效率的提升仍低于纯技术效率的提升。因此，银行需要进一步增强自身整合和利用金融科技的能力，更大程度地发挥金融科技在小微企业信贷领域中的经济效应和普惠效应。关于金融科技对银行信贷供给作用机制的解构可从以下两个方面展开：一方面，金融科技应用在供给侧对银行进行技术赋能。少数学者基于动态能力理论分析框架提出金融科技应用提高了银行的动态能力[1，2]。金融科技构建的庞大信息网络和关系网络，为银行提供了海量的数据资源，支持银行做出更精确的风险预估和管理，实现小微企业信贷需求的精准触达[3，4]。这种底层技术逻辑催生下的银行信贷业务流程再造，使得银行小微企业信贷供给模式逐渐向“小额、高频、精准、灵活”的“滴灌式”转变[5]。另一方面，金融科技在需求侧对小微企业提供信用赋能。新信用理论的提出和基于实际行为轨迹的动态评估手段将颠覆传统金融对信用的定义和衡量[6]。金融科技沉淀的多维数字信用可弥补部分缺失信用，并将其转化为小微企业的信用资本，提高企业信贷可得性。虽然目前关于信用资本的研究较少，但信用资本的提出为破解小微企业融资难题提供了理论指导。与传统信用评级模式下的竞争机制不同，将数字信用作为独特资源来增强企业融资能力，有助于小微企业公平参与到信贷资源配置之中[7]。在当前“重抵押、重担保”的模式下，信用资本作为小微企业内源性信用的一种形式，有利于形成内生性的激励机制，激活小微经营主体活力，最终实现信贷供需双边的共生共赢。

基于上述背景，本文聚焦金融科技对银行小微企业信贷供给绩效的作用机制，探究金融科技是否通过动态能力、信用资本增强了信贷供给绩效，以及上述关键变量之间的内在逻辑，从而为银行加快金融科技与小微企业信贷业务的深度融合提供借鉴。本文可能的边际贡献在于：（1）同时关注到金融科技对供需双边主体的赋能作用，并将其纳入金融科技对银行信贷供给绩效作用机制的研究中，深入剖析内在传导机制。这在已有文献中鲜有探讨。（2）基于动态能力和信用资本视角，探究在金融科技赋能下，银行小微企业信贷供给绩效的提升路径，丰富了相关理论研究，并对银行创新小微企业信贷服务模式具有一定参考价值。（3）鉴于目前金融科技与信用资本方面的研究大多为理论分析，本文构建链式中介效应模型开展实证研究，并纳入银行信任为调节变量，深入分析信用资本与信贷供给绩效之间的转化机制，为相关研究提供了数据支持。

二、文献综述与研究假设

（一）金融科技对银行小微企业信贷供给绩效的影响

在传统金融抑制的大环境下，我国银行金融资源配置在宏观层面表现出“规模错配”和“领域错配”两大特征，在微观层面呈现出小微企业信贷领域中有效供给不足问题。金融科技作为技术驱动的金融创新，有助于改善金融市场对小微企业的“惜贷”效应，产生金融“新供给”，同时通过缓解“挤出”效应以保障市场的有效需求，最终推动小微企业信贷业务的可持续发展[8]。首先，金融科技加速了银行数字化转型进程，使银行得以突破时空与场景限制以拓宽信贷服务的边界，进一步缓解金融排斥问题[9]。根据交易成本创新理论可知，新兴技术的运用可降低金融服务的边际成本，有助于扭转传统模式中对高端客户的偏好，提高银行信贷供给意愿[10]。其次，金融科技的“溢出效应”和“竞争效应”推动银行小微企业信贷管理模式变革，利用先进信息技术可构建庞大的信息和关系网络以缓解信息不对称，智能化应用通过改善线上渠道和交互体验大大提高了银行对企业需求的响应能力和资金配置效率[11]，推动小微企业信贷业务由粗放式管理向精细化运作转变，由传统零售模式向批量授信转变。此外，金融科技有助于优化信用信息环境，银行通过整合个人、企业和行业等多维数据改进信用评估与监测模型，征信体系的完善也有利于小微企业在信贷市场中信任共识与信用激励机制的形成，有效降低银行贷款风险和监督成本[12]。综上可知，金融科技是提高银行小微企业信贷服务效能的关键动力。因此，本文提出假设：

H1：金融科技对银行小微企业信贷供给绩效具有正向影响。

（二）银行动态能力的中介作用

首先，金融科技能够提高银行的动态能力。动态能力是指组织感知并抓住新机遇，通过整合资源进行商业模式和业务创新以适应新环境并实现持续竞争优势的能力[13]，包括商业模式创新、新产品和流程开发以及生态系统塑造等能力。在数字经济时代，信息技术是组织开发动态能力的关键要素。面对小微企业经营不确定性大以及融资需求“短、小、频、急”的特点，金融科技的应用能够赋予银行新的动态能力，使银行在小微企业信贷业务中具有更多主动性。具体而言，大数据和机器学习模型等金融科技的应用能支持银行逐渐摆脱传统评分模型中信息滞后的缺陷，赋予其更加准确、动态的信用评价和预测能力，也使更多优质的小微企业被准确识别而不被挤出市场[3]。同时，金融科技推动下的数字化转型有助于银行实现全面智能化的风险控制，增强银行的风险承受能力[4]，云计算和人工智能的运用可提升银行业务处理的速度与规模，使小微企业信贷管理更具灵活性，进一步提高了银行的内部整合能力和外部适应能力。此外，金融科技能够为银行开拓更多更加丰富的信贷场景，使得既有小微企业信贷产品和服务模式得到创新与变革[5]，故金融科技进一步增强了银行的动态创新能力。

其次，动态能力有助于提高银行小微企业信贷供给绩效。在关于动态能力的影响效应研究中，学者们主要考虑组织短期适应性和长期竞争优势两个方面。从短期来看，动态能力符合企业创造利润的内在逻辑，通过感知和重置资源抓住产品市场的机会，提高组织协调能力来实现短期经营绩效的增长。从长期来看，动态能力是提升组织成长绩效的来源，内部管理制度的变革增强了组织灵活性和运营效率，推动组织创新产品和提高工艺水平以应对市场环境的变化[14]，进而获取长期竞争优势。随着数字金融的发展，小微企业信贷市场成为各大金融机构争夺的“长尾市场”，银行作为我国小微企业间接融资的主要供给主体，动态能力可为其提高短期业务增长和长期协调发展提供支持。一方面，外部信息资源的搜寻和整合能力可支持银行以更低的交易成本实现对企业信贷需求的有效识别和快速响应，提高产品定制化水平及服务效率，进而形成增收生产力[15]；动态精准的风险评估、定价和监控能力可助力银行快速应对内外部环境变化，保障其实现在风险收益对等原则下的业务增长[16]。另一方面，鉴于生态系统的协调整合能力主要由环境扫描能力、感知能力和动态创新能力这三种动态能力构成[17]，银行可通过建立外部数据接口进行信用信息的互联和共享以感知小微企业信贷市场环境变化，并基于多元化场景进行产品和服务创新以实现金融链与产业链的深度融合[2]，进而促进小微企业信贷供给绩效的持续增长。

综上，本文认为动态能力并不是单一的一种能力，而是对各层面能力的融合，银行的动态能力渗透于小微企业信贷供给中的各个环节。金融科技为银行动态能力的生成提供技术装备，有助于提高银行对信息要素的整合与运用效率，使小微企业信贷业务更符合成本收益原则。而金融科技作为底层技术仍需有效转化为银行动态能力后才可更好地发挥经济效用，即银行动态能力的转化是将金融科技与小微信贷深度融合的关键环节，金融科技通过动态能力提高银行小微企业信贷供给绩效。因此，本文提出如下假设：

H2：动态能力在金融科技与银行小微企业信贷供给绩效之间起中介作用。

（三）小微企业信用资本的中介作用

首先，金融科技能够促进小微企业信用资本的形成与转化。银企间信息不对称是造成银行信贷配给不足的重要原因，银行要求小微企业通过提供抵质押物或第三方担保为其进行增信[18]。实际上，大部分小微企业都缺乏有效的抵质押，其中也有很大一部分优质低风险客户，由于无法有效证明自身的信用能力，而被挤出银行信贷配置范围[19]。因此，部分学者提出要为企业进行信用赋能，即利用金融科技捕捉多维场景下的非财务信息，形成精准画像以重构客户的数字信用[7]。数字信用的积累和沉淀能够优化信用评价模型，并转化为小微企业的信用资本，成为其独特的信贷资源以弥补因缺少抵质押物而带来的信用不足问题。金融科技除了在信息价值挖掘方面为小微企业信用赋能，还通过渗透信贷场景对传统的担保形式进行颠覆式创新，为小微企业提供新的增信途径。如物联网和区块链技术在供应链金融领域破解了信用多级穿透困难和动产抵押评估难题，在科技型企业融资领域推动“数字质押”新形式，有效解决了因信息透明度低且信用难以评估而导致的融资难题，真正实现外部增信由“资产依赖”向“数据依赖”转变。

其次，信用资本的形成和转化有助于提高银行小微企业信贷供给绩效。信用资本的概念由国内学者率先提出，对企业融资而言，企业信用资本是与货币资本和物质资本等同的可增值性价值，能产生相应的授信额度，本质上是企业信用的货币化价值[20]。在价值构成方面，吴晶妹等[21]指出信用资本主要由诚信度（基本诚信素质）、合规度（守约意愿）和践约度（成交能力与履约能力）三个维度构成，是信用主体在社会和经济活动中的价值取向与信用责任的综合结果。由上述概念可以发现，将信用资本作为小微企业信贷资源配置的新依据是将普惠金融业务回归本质的体现。信用作为贷款交易达成的关键要素，基于信用资本开展信贷供给有助于银行减少对第二还款来源的依赖，逐渐向“重履约能力和意愿”思路转变，更好地识别低风险企业。此外，信用资本视角下的供给模式赋予了每个小微企业公平参与信贷资源配置的机会，每一份信用记录积累都能成为信用资源以提高金融服务可得性[22]。这种机制相比于现有的失信惩戒机制更能形成内在约束，激励企业守信行为。长此以往，在“信用先行”逻辑下的信贷供需匹配模式将增强小微企业的信用积累意识，鼓励更多优质企业进入信贷市场，优化小微企业信贷生态环境的同时减少银行风险管理成本，提高银行信贷供给绩效。

综上可知，金融科技有助于重构银行与小微企业的信任机制，将“数字信用”作为两者之间的信任纽带，信用资本的形成和应用进一步推动银行摆脱“抵质押物”依赖，在降低信贷门槛的同时打破传统模式下的瓶颈制约。因此，金融科技可通过信用资本对银行小微企业信贷供给绩效形成正向影响。据此，本文提出假设：

H3：信用资本在金融科技与银行小微企业信贷供给绩效之间起中介作用。

（四）动态能力和信用资本的链式中介作用

信用错配是导致信贷配置错位现象的原因之一，即市场供给主体做出的信用评价可能与授信主体的信用水平相背离。石宝峰等[23]在实证研究中也发现，银行当前看似完美的评价指标体系在对客户进行信用等级划分时，却出现了信用等级与违约损失率不匹配的现象。黄益平等[24]研究发现，金融机构良好的数字风控能力可提高信用历史较短用户的信贷准入概率，提高金融普惠性。可见，为促进信用资本成为银行授信决策环节中的重要依据，银行需要具备相应的能力以有效整合、评估、监测和创新小微企业的信用资本。在信用资本的形成方面，由于软信息在缓解银企信息不对称方面具有独特优势，银行低成本获取软信息的能力有助于优化小微企业信用资本评价体系，提高授信精准性[25]。在信用资本的衡量方面，相较于交易型贷款技术，软信息不易“硬化”的特点使得关系型贷款技术难以发挥批量授信的优势。基于此，银行可借助金融科技将交易型与关系型两种贷款技术整合为一种新技术，对小微企业信用资本进行准确衡量，形成批量化自动授信的新模式[26]。在信用资本的监测方面，银行一方面可借助数字化技术提高信用资本的动态更新能力以降低信贷风险，另一方面可通过在生态系统中纳入信用与声誉的积累机制来提高违约成本，进而鼓励企业还款[27]。在信用资本的结构性创新方面，根据上述理论可知，信用资本的结构是多维立体的，银行对信用信息获取渠道的拓宽能力，以及基于经营场景对抵质押物的创新能力都有助于促进信用资本的结构调整，进而促进其对传统抵质押物的替代。因此，在金融科技赋能下，银行动态能力的发挥有助于有效实现信用资本价值，推动银行以更低的成本、更高的效率增加小微企业信贷供给。综上，本文提出假设：

H4：动态能力和信用资本在金融科技与银行小微企业信贷供给绩效之间存在链式中介作用。

（五）银行信任的调节作用

银企间普遍缺乏信任是银行对小微企业抵质押物要求较高的原因之一。尤其在供给端，银行对小微企业存在的认知偏差与认知滞后使得小微企业在信用市场中长期面临“信贷歧视”[28]。这种对小微企业“资质差、风险高”的刻板印象迫使大量小微企业的真实资信水平被低估，进而导致有效需求未得到满足，甚至大量低风险企业被拒之门外。随着关系型贷款技术的引入，上述银行“惜贷”行为得到了一定缓解，原因在于长期紧密的信贷关系中积累的软信息使得银行对小微企业建立了较高程度的信任。部分学者也通过实证研究发现银行信任对小微企业信贷可得性、贷款利率及抵质押要求会产生显著影响[29]。同时，银行对企业较高的信任水平也有助于激励企业可信赖行为，进而产生信任的“螺旋效应”。

曾凡龙等[30]基于“谨慎信任场”的概念指出，银行在利用信息技术评估申贷企业信用指标的同时需要考察银企间的信任关系。虽然金融科技从根本上颠覆了信用构建逻辑，创造了一种全新的“数字信任”模式，但信用资本的形成是一个长期积累、动态演进的过程。尤其在当前小微企业历史数据较少及其信用积累意识薄弱的情况下，银行对小微企业的整体信任水平较低，往往采取保守的供给策略。具体表现在强担保方式倾向导致新型信贷产品供给意愿低，重视银企关系而间接抬高首贷门槛，以及信用评分技术仅作为补充手段阻碍授信效率提高等方面。因此，金融科技赋能下信用资本能否得到有效利用进而促进信贷供给，很大程度上受到银行信任的影响。综上，本文认为银行能否修正对小微企业的认知偏差，信任金融科技赋能情境下基于信用资本开展的信贷业务新模式，将影响信用资本对银行小微企业信贷供给绩效的促进作用，并提出假设：

H5：银行信任通过促进信用资本对银行信贷供给绩效的正向影响而起调节链式中介作用。

综上，构建本研究的理论框架如图1所示。

图1 研究思路图

三、研究设计

（一）样本选取与数据收集

本研究通过问卷星、微信等网络渠道发放问卷以获取样本数据。首先，邀请银行从业人员对银行当前的金融科技建设、动态能力和信任水平等方面进行评价，同时对其近期授信的一家小微企业的信用资本进行评价。随后，对被评价企业发放问卷，要求小微企业对银行的信贷供给绩效进行评价。问卷以匿名形式发放给银行从业人员、小微企业主或财务人员，共涵盖我国22 个省份（自治区）②。本次调研分别发放了800 份银行和小微企业问卷，并最终整理得到612 份样本数据，其中东部305 份、中部188 份、西部109 份，占比分别为49.84%、30.72%、19.44%。在剔除答题不完整和答案存在明显错误的无效问卷后，最终获得有效问卷561份，有效率占比为87.25%。样本特征如表1所示。

表1 样本特征统计

（二）变量及其测量

为保证问卷的信度与效度，本研究参考国内外相关文献，并经过与小微企业信贷融资领域的专家和银行从业人员的多轮讨论，形成最终测量量表。此外，问卷中的量表均采用李克特五点评分法进行评价，其中选项1—5 分别代表“完全不同意”“基本不同意”“中立”“基本同意”“完全同意”五个类型，以下为各量表的构建依据及具体内容。

1.金融科技（FT）

金融科技变量主要反映银行在小微企业信贷业务方面的金融科技建设及应用水平。借鉴Lenka等[31]和池毛毛等[32]的相关量表，从信息渠道建设、线上服务平台建设、作业系统升级、人才投入、硬件配备情况五个方面进行衡量。

2.动态能力（DC）

动态能力变量主要指银行对外部环境变化的感知和应变能力及其对内外部资源的整合和利用能力。借鉴罗仲伟等[33]对动态能力构成要素的梳理，以及庞磊[34]的相关量表，本文设计了“准确感知和识别到小微企业未被满足的信贷需求”等六个题项以衡量银行的动态能力。

3.信用资本（CC）

信用资本变量主要反映银行对小微企业综合资信水平的评价结果。参考吴晶妹等[21]将信用资本解构为诚信资本、合规资本和践约资本三大维度，并结合银行对小微企业信用评价的相关实践，本文设计了“该企业具备较好的交易能力和履约能力”等五个题项进行衡量。

4.信贷供给绩效（CSP）

信贷供给绩效指的是银行面向小微企业提供信贷支持的效率和效果。借鉴薛菁[35]和Song等[36]对融资绩效的测量量表，从需求满足度、信贷成本、产品满意度、服务效率和灵活性等方面对银行信贷供给绩效进行测量。此外，不同于以往学者用融资量来反映融资需求满足情况，本文将供需两侧结合起来，用银行授信额度与小微企业真实需求额度之比来表示融资需求满足度。

5.银行信任（BT）

银行信任变量主要反映银行在授信决策中对授信者可靠性的信赖程度。参考邓超等[37]将银行信任分成“能力信任、诚实信任和善意信任”三个维度，以及包凤耐等[38]在关系资本中对信任的测量量表，本文设计了“本行信赖小微企业客群能够很好地履行贷款合约”等五个题项对银行信任进行衡量。

6.控制变量

由于企业规模、经营年限、资产积累、合作关系等因素都是银行考察的重点指标，从而会影响到银行对企业提供信贷支持的额度、成本及其效率。同时，考虑到不同规模的银行在金融科技建设和应用水平方面存在差异，进而会影响其信贷服务的质量和效果。因此，本文将企业员工人数（N）、经营年限（A）、营业收入（I）、银企合作时长（T）和银行规模（S）作为控制变量纳入模型之中。

（三）研究方法选取

结构方程模型（Structural Equation Model，SEM）是一种以变量的协方差为分析基础来研究变量之间相互关系的统计方法。相较于一般的回归分析，结构方程模型更适用于处理复杂的多变量模型，能够将潜变量与观测变量同时纳入理论模型，并对各变量之间的路径关系进行统计检验，通过模型的动态调整以增强模型的合理性和分析结果的准确性，同时还可更好地控制测量误差[39]。因此，本文选取结构方程模型开展后续的实证研究。

四、实证检验

（一）金融科技对银行小微企业信贷供给绩效影响路径的模型构建

结构方程模型主要由测量模型和结构模型两部分组成。其中，测量模型是结构方程模型中的测量部分，它是一种验证性的因子分析模型，主要用来描述潜变量(η,ξ)与观测变量(x,y)之间的关系；结构模型则是结构方程模型中的结构部分，主要用来描述各潜变量之间的关系，相当于路径分析模型。具体公式如下：

测量模型方程：

其中，y、x分别表示内外生观测变量；η、ξ分别为内外生潜变量；Λx、Λy为因子载荷矩阵；δ、ε为误差项。

结构模型方程：

其中，η为内生潜变量；β为相关系数；ξ为外在潜在变量；Γ 为回归系数；ζ为残差项。

本文在此理论基础上，建立了金融科技与银行小微企业信贷供给绩效之间的路径关系，其中包含4 个内生潜变量，分别为金融科技、动态能力、信用资本和银行小微企业信贷供给绩效，1 个外生变量为银行信任。同时，每个潜变量分别对应5～6 个观测变量（见表2）。

表2 信效度检验与验证性因子分析

（二）信度与效度检验

为保证问卷设计的合理性，本研究首先在江苏地区开展预调研，对收集的120 份样本进行分析后发现量表通过信效度检验。随后利用SPSS 23.0 软件对此次调研最终收回的561份有效样本进行信度检验，结果显示，问卷整体的内部一致性指标Cronbach α为0.889＞0.8，各潜变量的Cronbach α均大于0.8，且组合信度CR 值均大于0.7，说明本研究样本信度较好。

对量表进行效度分析可知：第一，由于本文所使用的量表是通过梳理前人文献和实地调研资料编制而成的，因此可认为问卷具有良好的内容效度。第二，整个量表的KMO值为0.902，Bartlett球形检验值为7662.627，显著性水平为0.000，各变量的KMO 值也均大于0.7，说明样本数据的结构效度较好，适合做因子分析。第三，各变量的因子载荷均大于0.7，AVE 值均大于0.5，且AVE 值的平方根大于各变量的相关性系数，说明量表的收敛效度和区别效度较好。第四，模型拟合结果x2/df为1.759＜3，RMSEA为0.037＜0.08，GFI、CFI、TLI、IFI 拟合值均大于0.9，均达到适配度指标要求，且比其他因子个数模型的拟合效果都要好，说明本问卷构建效度较好。量表具体题项以及上述相关指标详情如表2所示。

（三）共同方法偏差检验

随后，本研究采用Harman单因素方法和共同方法潜因子（CMV）进行共同方法偏差检验。首先，Harman单因素方法检验的结果显示，量表中特征根大于1的因子总变异解释量为67.535%，第一个主成分的变异解释量为18.695%，未超过总变异解释量的一半，可初步认为本研究不存在严重的共同方法偏差问题。此外，共同方法潜因子（CMV）检验结果也表明，在模型中加入共同方法变异因子前后，模型的拟合指标并未明显提高（ΔRMSEA=0.016＜0.05，ΔSRMR=0.036＜0.05，ΔCFI=0.004＜0.1，ΔTLI=0.002＜0.1）。综上可知，本研究使用的数据不存在严重的共同方法偏差。

（四）描述性统计及相关性分析

如表3所示，通过分析本研究主要变量的均值、标准差及相关系数可知，各变量间的相关系数均小于0.5 且显著，方差膨胀因子VIF 小于10，说明变量间不存在多重共线性问题，可进行后续分析。

表3 潜变量的均值、标准差及相关系数

（五）分析结果

鉴于近年来Bootstrap法被多数学者用于中介检验，因此本文采用Bootstrap法对模型进行实证检验。

1.中介效应检验

首先，本文采用有放回的抽样模式，对561份有效样本进行Bollen-Stine Bootstrap 运算，其中设置Bootstrap 样本为2000，置信水平为95%。最终运算得到Bollen-Stine Bootstrap 值为0.000，说明不能拒绝图1 所示的原假设模型，即金融科技能够提高银行小微企业信贷供给绩效，且以动态能力、信用资本为中介变量的模型成立。对企业员工人数、经营年限、营业收入、银企合作时长和银行规模5个变量进行控制以后，以下为结构方程模型的检验结果及拟合值（见表4）。

表4 结构方程模型的检验结果及拟合值

通过分析结构方程的模型拟合系数可知，加入控制变量后，x2/df、RMSEA、GFI 等拟合统计值均处于标准值范围内，且整体优于未加入控制变量的模型，说明此模型的整体适配程度较好。此外，根据表4 中变量间路径系数可知，金融科技对银行小微企业信贷供给绩效起正向促进作用；金融科技对银行的动态能力起正向促进作用，动态能力对信贷供给绩效起正向促进作用；金融科技对小微企业信用资本起正向促进作用，信用资本对信贷供给绩效起正向促进作用。上述分析结果初步验证了本研究假设，并为后续检验提供基础支持。

其次，由于本研究构建的模型为多重中介模型，故还需要对多重中介的传导机制进行检验。因此，本文将并列中介模型、纯链式中介模型和无中介模型作为三个竞争模型与本文构建的原模型进行比较，以检验设定的多重链式中介效应模型是否合理。检验结果如表5所示。

表5 多模型拟合度对比

由于竞争模型1、竞争模型2与原模型属于嵌套模型，通过模型拟合指标进行比较可知，虽然竞争模型1、2 的拟合指标均达到可接受水平，但不及原模型理想。同时，通过对比竞争模型1、2 与原模型的卡方变化发现，相较于竞争模型1、2，原模型的卡方变化显著（Δx2（1）=22.701，p＜0.05；Δx2（2）=52.584，p＜0.05），故应选择拟合指标更好的原模型。鉴于竞争模型3 与原模型属于非嵌套模型，通过比较两个模型的贝叶斯信息准则（BIC）可得，竞争模型3 的BIC 为923.472，原模型的BIC 为867.741，ΔBIC 为55.731＞10，则BIC 较小的原模型更优。综上，本文构建的多重链式中介模型更能够有效反映变量之间的数据关系。

最后，本文应用Bootstrap 运算得到中介效应检验的宏值及置信区间。结果如表6 所示，若路径系数的95%置信区间未包含0，则说明中介效应显著。

表6 基于Bootstrap法的中介效应分析结果

由上述分析结果可知：第一，动态能力在金融科技与银行小微企业信贷供给绩效之间的部分中介效应显著（β=0.063，p＜0.01），Bootstrap 的95%置信区间为[0.027，0.109]，不包含0，支持假设H2。第二，信用资本在金融科技与银行小微企业信贷供给绩效之间的部分中介效应显著（β=0.084，p＜0.01），Bootstrap 的95%置信区间为[0.044，0.142]，不包含0，支持假设H3。第三，动态能力→信用资本的路径系数显著（β=0.23，p＜0.001），且动态能力与信用资本在金融科技与银行小微企业信贷供给绩效之间的链式中介效应显著（β=0.023，p＜0.01），Bootstrap 的95%置信区间为[0.011，0.042]，不包含0，支持假设H4。

2.银企信任的调节效应及被调节的中介效应检验

由于建立结构方程模型对有调节的中介效应进行分析能够有效控制测量误差，准确估计中介和调节效应值，因此，本文运用潜调节结构方程模型（Latent Moderate Structural Equations，LMS）的无约束估计法，验证银行信任变量在信用资本与信贷供给绩效之间的调节作用，并对被调节的链式中介模型进行假设检验。

首先，按照“大配大、小配小”原则对中心化后的观测变量进行处理，进而构建出银行信任和信用资本调节项的观察指标。将调节变量和调节项加入最优中介模型后发现，模型的拟合度指标良好（x2/df=1.313，RMSEA=0.024，GFI=0.934，CFI=0.984，TLI=0.982），且有调节的链式中介模型的部分拟合指标相较于基准链式中介模型得到优化，且两个模型R2变化也显著（ΔR2=0.043，p＜0.001）。数据运行结果显示：银行信任和信用资本的交互项对银行信贷供给绩效的作用显著（β=0.225，p＜0.001），说明银行信任正向调节了信用资本与银行信贷供给绩效之间的关系。路径估计结果如图2所示。

图2 中介-调节模型估计

其次，为更直观清晰地解释调节效应，进行简单坡度分析并绘制调节效应分析图，如图3 所示。通过对比发现，当银行信任水平较高时，信用资本对银行小微企业信贷供给绩效的正向影响较强，且达到显著性水平（β=0.528，t=5.901，p＜0.001）；当银行信任较低时，信用资本对银行小微企业信贷供给绩效的正向影响不显著（β=0.582，t=-1.187，p＞0.05）。说明当银行在信贷供给中对小微企业客群持有更高水平的信任时，信用资本的应用更有助于银行小微企业信贷供给绩效的提高，进而支持银行信贷服务水平的提高。

图3 银行信任的调节作用

最后，对模型中被调节的链式中介效应做进一步检验，本研究主要采用系数乘积法和差异分析法进行分析。其中，系数乘积法是指对中介变量与调节项之间路径系数乘积的显著性进行判断。检验结果表明：在金融科技通过动态能力与信用资本影响小微企业信贷供给绩效的链式中介效应中，中介变量与调节项之间的路径系数乘积（a1×d1×b3）为0.023（p＜0.01），表明银行信任对上述链式中介效应存在显著的调节作用。通过对比分析被调节的链式中介效应检验结果（见表7）可知，当银行信任水平较低时（均值减一个标准差），上述链式中介效应值为0.028（p＞0.05），95%的Bootstrap 置信区间包含0，为[-0.092，0.128]，说明链式中介效应不显著；当银行信任水平较高时（均值加一个标准差），上述链式中介效应值为0.185（p＜0.01），95%的Bootstrap 置信区间不包含0，为[0.082，0.327]。同时，银行信任水平较低与较高时，链式中介路径的间接效应值存在显著差异（p＜0.05，CI[0.174，0.199]），说明随着银行信任水平的增强，动态能力与信用资本在金融科技与信贷供给绩效之间的链式中介效应也不断增强，即银行信任能够显著促进动态能力、信用资本在金融科技与银行小微企业信贷供给绩效之间的链式中介作用，假设H5 得到支持，且链式中介效应只在银行信任水平较高的小微企业业务中有显著影响。

表7 被调节的链式中介效应检验结果

五、结论与建议

（一）研究结论

本文立足于国内小微企业信贷的现实情境，通过构建结构方程模型，剖析了金融科技对银行小微企业信贷供给绩效的作用机制以及银企信任对上述机制的影响，提出金融科技能够增强银行的动态能力，且在金融科技赋能下信用资本的形成与转化能够提高小微企业的信用能力，进而影响银行小微企业信贷供给绩效。通过问卷调查和实证分析，本文得出以下结论：

第一，金融科技对银行小微企业信贷供给绩效具有正向影响，金融科技构建的信息与关系网络为银行低成本获取高质量信息提供支持，从而提升了小微企业信贷服务水平。

第二，银行动态能力、小微企业信用资本在金融科技与银行小微企业信贷供给绩效之间起多重链式中介作用。这表明：（1）金融科技应用可以通过增强银行在小微企业信贷业务中的动态能力，使银行更具适应性和主动性，进而正向影响小微企业信贷供给绩效。（2）金融科技通过促进小微企业信用资本的形成、积累和创新，使更多优质的小微企业进入信贷市场，降低逆向选择和道德风险，从而正向影响银行面向小微企业的信贷供给绩效。（3）金融科技可以先通过技术赋能于银行使其具备更高水平的动态能力，再通过动态能力促进信用资本的应用，最终间接正向影响银行小微企业信贷供给绩效。

第三，银行信任通过促进信用资本对银行小微企业信贷供给绩效的正向影响，进而调节动态能力与信用资本的链式中介作用，但对于银行信任低水平情境而言，该正向影响的链式中介作用不显著。这是因为在当前“重抵押、重担保”主导模式的影响下，银行对小微企业仍采取“谨慎”策略，金融科技应用虽能在一定程度上增强银行抗风险能力，但未在实践中明显表现为对小微企业风险容忍度的提高。因此，银行对小微企业的信任水平越高，越能驱动银行将更多金融科技资源投入到自身动态能力发展中，提高银行对信用资本建设和管理的重视程度，进而支持“信用资本”主导逻辑下的供给模式创新以提高银行小微企业信贷供给绩效。

（二）研究建议

基于上述研究结论，本文从金融科技建设、银行动态能力提升、小微企业信用资本催化以及银企信任关系发展四个方面提出如下建议：

第一，开展金融科技建设工程，构建小微企业信贷服务一体化格局。政府需积极推动小微企业融资服务平台建设，形成“省域统一、市级分建、数据共享”的协同治理架构，整合工商、税务、司法等多部门信息，建立小微企业信用信息数据库，打破信息流动壁垒；搭建“金融超市”，鼓励商业银行在线开发小微企业个性化、信用化产品，生成金融产品智能推荐清单，促进小微企业信贷需求的精准对接；加快国内小微企业数字征信实验区的成果转化，利用区块链技术搭建征信链平台，成立“政府-征信-银行”部门联盟，完善社会信用体系，提高小微企业信用画像的精准性。

第二，深化金融科技应用开发，持续增强商业银行动态能力。商业银行可设立金融科技应用研发中心，针对小微企业信贷业务特点探索更具“数字化、精细化、差异化”优势的管理模式。例如，创设“电子贷款码”，实现小微企业信贷申请、评估、授信和反馈等流程的一站式服务，破解银行需求响应速度慢、获客成本高等问题。此外，对多维立体数据的整合和挖掘能力是银行增强抗风险能力的关键环节，银行需不断优化信用评价、产品创新和智能风控三大体系，真正做到“一户一价、一户一品、一期一价”。此外，动态能力的提高还需银行以更开放的思维加强外部合作，如与税务、担保、电商平台、风险投资等机构开展合作，掌握更多准确信息，针对具有成长性的小微企业开展个性化服务。

第三，注重小微企业信用资本催化，形成企业信用硬实力。信用资本作用的发挥，需要银行加强对信用数据的综合治理。一方面，要利用金融科技对小微企业既有信用资源进行科学评价；另一方面，需不断拓宽信用资本的来源和用途，创新信用资本结构，例如纳入社保、产业扶持等“替代信息”，以及实施“金融链长制”服务模式，利用区域重点产业链、行业链优势为链上小微企业增信。此外，小微企业信用资本的催化是一个动态演进的过程，针对发展潜力好但暂不具备融资条件、或有信用瑕疵的小微企业，可开发小微企业信用孵化功能，对其开展重点培育和分类修复，直至符合融资条件。

第四，积极开发和维护银企信贷关系，提高银企信任程度。在技术赋能与信用赋能双轮驱动情境下，银行可适当提高风险容忍度，以“小额、高频、灵活”的“滴灌式”授信模式与小微企业开展首贷、续贷合作，同时可建立小微企业客户发展名单，开展融资需求排摸，建立良性互动关系。此外，可采取一些奖励措施来培养企业信用素养，如对积极还款的企业给予更高额度和更低成本的信用贷款，并额外配置信用备用金以激励守信行为。积极开展“四深入、送服务”宣传教育活动，如搭建银企交流平台以输送小微企业管理知识，组建专家宣讲团普及金融政策和信用知识，引导小微企业通过诚信经营、主动披露信息和增加银企间非贷款业务合作等途径实现自身信用积累。

注 释

①中国中央银行发布的2021 年第四季度银行家问卷调查报 告.2021 年12 月23 日.http：//www.pbc.gov.cn/goutongjiaoliu/113456/113469/4435980/2021123016433889608.

②调查涉及如下22个省份（自治区）：江苏省、浙江省、安徽省、江西省、贵州省、湖南省、河南省、湖北省、福建省、广东省、四川省、云南省、山东省、山西省、黑龙江省、吉林省、甘肃省、陕西省、内蒙古自治区、广西壮族自治区、宁夏回族自治区、新疆维吾尔自治区。