53 浏览第一章 绪论
1.1 研究背景
1.1.1 小微企业融资约束现状
1.1.2 传统信用评估模式的局限
1.1.3 人工智能在金融领域的应用趋势
1.2 研究意义
1.2.1 理论意义：丰富小微企业融资研究
1.2.2 实践意义：为金融机构优化授信流程提供依据
1.2.3 政策意义：支持普惠金融与风险防控平衡
1.3 研究目标与问题
1.3.1 总体研究目标
1.3.2 核心研究问题
1.3.3 拟解决的关键难题
1.4 研究思路与技术路线
1.4.1 研究思路图示
1.4.2 技术路线说明
1.5 论文结构安排
1.5.1 各章主要内容概述
第二章 文献综述
2.1 小微企业融资约束研究进展
2.2 信用评估模型发展历程
2.3 人工智能在风险评估中的应用
2.4 文献评述与研究空白
第三章 理论基础与研究假设
3.1 信息不对称理论
3.2 信用风险定价理论
3.3 人工智能驱动的信用评估机理
3.3.1 数据挖掘与特征提取
3.3.2 机器学习算法在评分模型中的作用
3.3.3 模型可解释性与监管合规
3.4 研究假设
3.4.1 H1：AI评估模型应用程度与融资约束缓解负相关
3.4.2 H2：模型预测准确度在缓解效应中起中介作用
3.4.3 H3：企业治理结构对缓解效应具有调节作用
3.5 概念模型
第四章 研究设计
4.1 样本选择与数据来源
4.1.1 样本区域与时间范围
4.1.2 数据来源及处理
4.2 变量定义与度量
4.2.1 因变量：融资约束缓解程度（FC）
(1) 获批贷款额度增长率（Loan\_Growth，%）
(2) 贷款审批通过率（Approval\_Rate，%）
(3) 平均融资成本变化率（Cost\_Change，%）
4.2.2 核心自变量：AI信用评估模型应用水平（AI\_CE）
(1) 模型覆盖企业占比（Coverage\_Ratio，%）
(2) 模型预测准确率（Accuracy，%）
(3) 模型决策响应时长（Response\_Time，秒）
4.2.3 中介变量：模型预测准确度（Pred\_Acc）
(1) ROC\_AUC指标
(2) F1值
4.2.4 调节变量：企业治理结构（Gov\_Structure）
(1) 董监高独立性比例（Indep\_Ratio，%）
(2) 董事会规模（Board\_Size，人）
4.2.5 控制变量
(1) 企业规模（Ln\_Assets）
(2) 企业年龄（Firm\_Age，年）
(3) 行业类别（Industry，类别变量）
(4) 地区经济发展水平（GDP\_per\_Capita）
4.3 模型构建
4.3.1 基准回归模型
FC\_it = α + β1 AI\_CE\_it + γ Controls\_it + μ\_i + λ\_t + ε\_it
4.3.2 中介效应模型
Pred\_Acc\_it = α1 + β2 AI\_CE\_it + γ1 Controls\_it + ε1\_it
FC\_it = α2 + β3 Pred\_Acc\_it + β4 AI\_CE\_it + γ2 Controls\_it + ε2\_it
4.3.3 调节效应模型
FC\_it = α + β5 AI\_CE\_it + β6 Gov\_Structure\_it + β7 (AI\_CE × Gov\_Structure)\_it + …
4.3.4 稳健性与内生性检验
（1）工具变量法
（2）双向固定效应
（3）替代变量检验
4.4 研究方法
4.4.1 面板数据固定效应回归
4.4.2 Bootstrap中介效应检验
4.4.3 分组回归与异质性分析
第五章 实证结果与分析
5.1 描述性统计与相关性分析
5.2 多重共线性检测
5.3 基准回归结果与假设检验
5.4 中介效应检验结果
5.5 调节效应检验结果
5.6 稳健性检验与异质性分析
5.7 结果讨论
第六章 结论与建议
6.1 主要研究结论
6.2 理论贡献
6.3 实践与政策建议
6.3.1 对金融机构：优化AI评估模型应用
6.3.2 对小微企业：提升信息披露与数据质量
6.3.3 对监管部门：完善监管框架与合规标准
6.4 研究局限与未来展望
参考文献
附录
A 变量与数据来源对照表
B 回归结果附表
C 问卷及访谈提纲
