基于金融素养的小微企业主信用评级指标体系设计

doi:10.12677/orf.2025.151012

期刊菜单

基于金融素养的小微企业主信用评级指标体系设计
Design of Credit Rating Index System for SME Owners Based on Financial Literacy

DOI: 10.12677/orf.2025.151012, PDF, HTML, XML,
作者: 刘罗通, 许学军^*：上海理工大学管理学院，上海
关键词: 金融素养；信用评级体系；德尔菲法；AHP层次分析法；熵值法；Financial Literacy； Credit Rating System； Delphi Method； AHP Hierarchical Analysis； Entropy Value Method

摘要: 小微企业正规融资可获得性较低的一个重要原因是传统信用评估模型无法有效获取其真实信用信息。在财务和经营数据获取困难的情况下，企业主个人金融素养就成为了决定其信用状况的关键因素，而以企业主金融素养为基础的信用评级研究几乎处于空白状态。本文采用了德尔菲法、层次分析法和熵值法，在理论研究的基础上，构建了基于小微企业主金融素养的信用评级指标体系并确定了指标权重。

Abstract: An important reason for the limited accessibility of formal financing for SMEs lies in the inability of traditional credit evaluation models to effectively capture their true creditworthiness. When financial and operational data are difficult to obtain, the financial literacy of the business owner becomes a critical determinant of the enterprise’s credit status. However, research on credit rating systems based on the financial literacy of business owners is nearly non-existent. This study employs the Delphi method, analytic hierarchy process (AHP), and entropy method to construct a credit rating indicator system grounded in the financial literacy of micro and small business owners. The study further determines the weights of these indicators, based on rigorous theoretical analysis.

文章引用：刘罗通, 许学军. 基于金融素养的小微企业主信用评级指标体系设计[J]. 运筹与模糊学, 2025, 15(1): 115-127. https://doi.org/10.12677/orf.2025.151012

1. 引言

小微企业以其灵活的经营模式和突出的创新能力，已然成为经济增长的主要动力。但这些企业普遍面临经营连续性不足、缺乏大额固定资产以及财务信息失真等问题，导致其与正规信贷机构之间存在严重的信息不对称，形成了长期的融资困境。而在短期内，上述问题很难得到有效缓解。个人金融素养是决定业主向信贷机构发送信息和信贷机构甄别信息效率的重要因素，如果基于金融素养，构建一个信用评级体系，是可能有效缓解双方的信息不对称问题并据此有效缓解小微企业的融资约束问题的。本文正是沿着这个思路，将业主的金融素养划分为财务管理、风险意识和投资决策等维度，并将其纳入信用评级指标体系，弥补了传统评级的缺陷，在缓解小微企业融资约束问题上进行了创新性的尝试。

2. 文献综述

信用评级方面，Altman (1968) [1]在20世纪60年代提出的Z-score模型至今仍是最经典的信用评级模型之一，Z-Score模型通过综合考虑企业的财务指标，预测企业的违约概率，为后续信用评级研究奠定了基础。传统企业信用评级主要依赖资产负债率、流动比率、宏观经济环境和行业发展状况等财务和外部环境指标。这些模型更适用于财务信息透明、数据完整的大型企业，对于小微企业则局限性明显。为了弥补传统模型的不足，Chen等(2011) [2]引入了管理者经验和企业声誉等非财务指标，但这些指标往往难以获取且缺乏客观衡量标准。

金融素养方面，早期文献多将重点放在个人或家庭的财务规划与风险控制上(Lusardi & Mitchell，2014) [3]，但随着中小企业在全球经济中的比重与活力不断攀升，国外学术界研究者逐渐把视角拓展到公司层面，探讨企业主金融素养对企业决策的实质影响。关注企业主金融素养如何影响企业生存与发展，研究主题主要分布在三个层面：融资行为、企业绩效以及信用与风险管理。Beck和Demirguc-Kunt认为，提升金融素养有助于缓解信息不对称，降低融资成本，增强融资能力[4]。张涛(2021) [5]和Cole与Fernando [6]也发现，金融素养高的企业主更倾向于选择正规融资渠道，做出理性财务决策，降低违约风险。

在评级指标选择和权重确定方面。此外，德尔菲法和层次分析法[7]也被广泛应用。德尔菲法通过多轮专家咨询，使指标体系全面而科学；AHP则通过构建判断矩阵，量化各指标权重。Zhang (2019) [8]结合德尔菲法和AHP法构建了小微企业信用评级模型。但是单纯依赖专家打分的权重分配仍具一定主观性，为降低这一影响，本研究进一步引入了熵值法对同一套指标进行客观赋权。

本研究首次将金融素养纳入小微企业信用评级体系，在采用德尔菲法与AHP法构建指标体系与确定权重的基础上，通过熵值法从数据本身出发对权重进行客观修正。在对企业主财务知识水平、风险意识与资金管理能力量化评估的同时，对指标权重进行双重验证与优化，从而弥补传统评级的不足。

3. 建立指标体系的理论基础

结合小微企业的经营特征和信用显示，本文以小微企业主的金融素养为核心，建立能够反映小微企业信用特征的多层次评级指标体系。该体系既要充分结合国家对小微企业的政策支持，也要全面和客观反映小微企业的财务和非财务状况，如此才能准确反映小微企业的综合信用状况。

3.1. 财务因素

作为评估小微企业财务状况的核心框架，财务指标包含了营运能力、盈利能力、成长能力和现金流四个维度。营运能力通过总资产周转率、存货周转率来衡量资产利用效率；盈利能力则以净资产收益率、销售利润率和净利率来评估获利水平；成长能力通过销售收入和利润增长率来反映企业扩展潜力；现金流量则通过经营现金流和自由现金流去衡量财务健康与偿债能力。

3.2. 非财务因素

为了科学评估企业综合能力和外部支持，非财务指标体系涵盖基本状况、外部环境、发展状况及ESG因素。基本状况包括行业知名度、信用记录和管理层素质，反映企业声誉和管理水平；外部环境涉及融资渠道多样性、政策支持力度及市场竞争，影响企业发展条件；发展状况涵盖研发投入、知识产权、市场占有率和客户满意度，体现企业成长潜力；ESG因素评估企业在环境保护、社会责任和公司治理方面的表现，提升社会形象和吸引投资；通过这些指标了解小微企业的内在实力和适应能力，弥补财务指标不足，为信用评级提供多维视角。

3.3. 金融素养因素

李建军(2019)，朱锐(2022)等学者们[9]-[13]的研究已经证明，金融素养是影响企业财务决策、经营效率和稳定性的关键因素；这是因为金融素养可以有效提升业主的资金规划、预算控制和风险管理能力，改善信用状况，降低违约风险；由于金融素养有效缓解了信息不对称，有效降低了融资成本，增强了融资能力；较高金融素养的业主更加选择正规融资渠道，减少过度负债和高风险投资，进而他们的企业绩效、竞争力和生存率都得到大幅提升。在量化小微企业主的金融素养时，本研究借鉴了尹志超(2014) [14]等学者的研究方法，金融知识包含两个层次：一是是否正确计算金融问题，二是是否理解金融问题，这两个层次所反映的金融知识更为综合。通过测量业主对利率、通胀及风险等关键金融概念的理解与计算能力，采用问卷题目正确率的方式进行量化评估。在“利率理解与计算”维度中，研究设计若干题目以测试受访者对单利、复利及利息成本计算的掌握情况；在“通胀理解与计算”维度中，通过模拟日常经营环境下物价水平变化的场景，评估其对通胀率、购买力变化及成本价格变动的准确理解和计算能力；在“风险理解与计算”维度中，透过多种投资或贷款方案的比较，让受访者识别潜在风险与预期收益，进而评判其风险衡量和决策品质。通过对各维度若干题目的正确回答率进行统计，即可获取企业主在不同金融知识领域的相对水平，从而为探讨企业主金融素养对企业信用评级的影响奠定定量化、可操作的基础。

4. 基于德尔菲法的专家咨询和层次分析法的指标权重确定

4.1. 专家咨询

德尔菲法(Delphi Method)是一种系统化和结构化的专家咨询与决策支持方法，通过多轮匿名问卷反馈，收集专家对特定问题的意见，逐步达成共识。匿名性可有效避免个人影响和权威效应，最大限度保证专家意见的客观公正。故本研究在构建小微企业信用评级体系时，采用德尔菲法。

4.1.1. 专家选择

专家选择严格遵循以下标准：从事金融、信用评级或小微企业管理等相关领域工作5年以上，具备丰富实践经验和深厚专业知识；拥有本科及以上学历，涵盖经济学、金融学、管理学等；持有中级及以上职称，获得同行认可；熟悉并愿意参与研究，能完成至少两轮问卷调查。最终选取了30位来自大型金融机构、高等院校、研究机构及小微企业的高管，为研究提供专业意见。

4.1.2. 问卷设计

问卷分为三部分：第一部分介绍研究背景、目的及重要性，严格遵循匿名性和保密性原则；第二部分收集专家的年龄、学历、职称、专业领域等基本信息；第三部分列出信用评级指标，采用5分Likert量表评分，设置开放式问题供专家提出修改建议。通过量化评分和文字反馈，了解专家对指标体系的看法。

4.1.3. 专家函询

采用电子邮件进行两轮函询，每轮反馈时间为10天。专家对每项指标的重要性和合理性进行评分，并提出修改意见。通过计算指标的重要性均值和变异系数(CV)评估合理性与一致性，变异系数低于界值的指标予以保留，高的则需修改。每轮结束后，汇总分析专家反馈，修订指标体系并进行下一轮评估。迭代过程逐步提升指标体系的一致性，最终形成完整、合理的小微企业信用评级指标体系。

4.2. 指标权重确定

层次分析法(AHP)是一种用于多准则决策的系统化方法，适用于复杂决策分析。本研究中，AHP用于构建小微企业信用评级指标体系，通过分解为一级、二级和三级指标，专家采用如表1所示1~9标度进行两两比较，形成判断矩阵。通过计算特征向量确定各指标权重，并评估一致性比率(CR)，检查判断矩阵是否合理(CR < 0.1)。

Table 1. Indicator score specification

表1. 指标评分说明

标度	定义	说明
1	同等重要	两个因素相比，同等重要
3	略微重要	两个因素相比，前者比后者略微重要
5	明显重要	两个因素相比，前者比后者明显重要
7	非常重要	两个因素相比，前者比后者非常重要
9	极其重要	两个因素相比，前者比后者极其重要
2, 4, 6, 8	中间值	两个因素相比，前者比后者的重要性处于上下相邻标度之间
倒数	反比较	两个因素相比，后者比前者重要

4.3. 德尔菲法过程与结果

本研究首先使用Excel2021对两轮专家咨询数据进行录入和初步校对，进行描述性统计分析以了解专家群体特征。随后，采用IBM SPSS Statistics 26.0计算各指标的均值、标准差和变异系数(CV)，评估专家评分的一致性，并通过Kendall协调系数(W)衡量整体一致性。利用Python编程计算指标权重、判断矩阵的最大特征值( $λ_{\max}$ )和一致性比率(CR)，确保AHP方法的合理性。同时，计算Cronbach’s Alpha系数检验指标体系的内部一致性。综合统计分析结果，为小微企业信用评级提供数据支持。

4.3.1. 专家基本情况

两轮咨询专家的基本信息如表2所示，本研究邀请的30位专家中，男性占比60%，女性占比40%。年龄主要集中在40~50岁。学历以本科和研究生为主，博士学历占13%。职称方面，初级/中级占47%，副高级33%，正高级20%。工作年限主要分布在10~15年和5~10年。专家背景多元，涵盖银行管理人员、高校金融教授、小微企业主及银行信贷员。

Table 2. Basic information of the expert

表2. 专家基本信息

基本信息		人数	构成比/%
性别	男	18	60%
性别	女	12	40%
年龄	30~40岁	10	33%
	>40~50岁	12	40%
	>50~60岁	8	27%
学历	博士	4	13%
	研究生	12	40%
	本科	14	47%
职称	正高级	6	20%
	副高级	10	33%
	初级/中级	14	47%
工作年限	5~10年	10	33%
	10~15年	12	40%
	15~20年	8	27%
目前工作性质	银行管理人员	8	27%
	高校金融教授	12	40%
	小微企业主	4	13%
	银行信贷员	6	20%

4.3.2. 专家积极系数

专家的积极系数即问卷回收率，反映专家对咨询的关注程度。本次调研对30位专家进行了两轮咨询，采用一对一访谈和追踪问卷的形式，两轮问卷均成功回收30份，如表3所示，专家积极系数均为100%，表明专家参与度极高。

Table 3. Questionnaire collection status

表3. 问卷回收情况

	发出数量	回收数量	回收率
第一轮	30	30	100%
第二轮	30	30	100%

4.3.3. 专家权威系数

专家权威系数 $C_{r}$ 为专家的自评分，由两个因素决定，一是专家打分的判断依据 $C_{a}$ ，二是专家对问题的熟悉程度 $C_{s}$ 。通常， $C_{r}$ 超过0.5表明专家具有较高的权威性，评分如表4和表5所示。

Table 4. Quantification of expert familiarity

表4. 专家熟悉程度量化计算

了解程度	不熟悉	不太熟悉	一般熟悉	熟悉	非常熟悉
人数	0	0	0	10	20
专家熟悉度权重	0.2	0.4	0.6	0.8	1.0
专家熟悉度系数	$C s = (10 \times 0.8 + 20 \times 1) / 30 = 0.93$

Table 5. Expert judgment based on quantitative calculations

表5. 专家判断依据量化计算

判断依据	强		中		弱		分数
判断依据	人数	赋值	人数	赋值	人数	赋值	分数
实践经验	24	0.5		0.4		0.3	12
理论分析	6	0.3		0.2		0.1	1.8
国内外同行了解		0.1		0.1		0.1
直觉		0.1		0.1		0.1
$C a = (24 \times 0.5 + 6 \times 0.3) / 30 = 0.46$

$\begin{matrix} C_{r} = \frac{C_{s} + C_{a}}{2} = 0.695 > 0.5 \end{matrix}$ (1)

根据公式(1)计算结果， $C_{r}$ 为0.685，大于0.5，检验通过，表明专家具有较高的权威性。

4.3.4. 专家意见协调程度

本研究采用两轮德尔菲法对评价指标体系进行了专家咨询和统计分析，协调系数反映参与咨询的30位专家对指标权重评估的一致程度。表6结果显示，第一轮调查涵盖35个评价项，Kendall协调系数(W)为0.657，卡方值( $X^{2}$ )为334.908，显著性水平(P)为0.000，表明专家意见具有较高且统计显著的一致性，但仍存在一定分歧。

Table 6. The degree of coordination between the two rounds of expert opinions

表6. 两轮咨询专家意见协调程度

	评价项数量	W	$X^{2}$	P
第一轮	35	0.657	334.908	0.000
第二轮	29	0.783	329.042	0.000

基于第一轮结果，研究团队对协调系数较低的6个指标进行了优化调整，精简评价项数量至29个，进入第二轮调查。第二轮调查的Kendall协调系数提升至0.783，卡方值为329.042，显著性水平(P)仍为0.000，显示专家意见的一致性进一步增强，达到高度协调的程度，且一致性在统计上依然显著。

此外，Cronbach’s Alpha系数用于检验指标体系的内部一致性。表7所示，第一轮Cronbach Alpha系数为0.831，第二轮为0.800，均高于0.8，表明数据具备良好的信度，指标体系具有较高的可靠性。

Table 7. Cronbach reliability analysis

表7. Cronbach信度分析

	评价项数量	样本量	Cronbach Alpha
第一轮	35	30	0.831
第二轮	29	30	0.800

4.3.5. 专家对评价指标内容的意见及修改结果

在第一轮专家咨询中，专家们指出评价指标体系存在重复与冗余，在盈利能力指标中，销售利润率、经营利润率和毛利率内容重叠，建议删除或合并以提高评估效率。此外，客户满意度和市场竞争程度被认为对信用评级影响较小或数据获取困难，建议予以删除。专家还建议合并相近指标，将管理层素质与企业文化一致性，以及财务管理制度与其执行情况合并。基于这些意见，本研究删除了销售利润率和毛利率，保留经营利润率；删除客户满意度和市场竞争程度；并将产业政策与行业发展前景合并。在第二轮咨询中，专家进一步建议精简指标，把关注重点放在企业主的金融素养对小微企业信用状况的直接影响，考虑到企业主个人行为对企业的影响，建议将企业信用记录与企业主诚信记录合并。根据这些建议，合并了信用记录指标，保留关键指标，并删除或合并次要指标，使评价项数量从35个减少至28个。通过两轮修改，专家意见一致性显著提高，指标体系得以精简，最终，形成了包含3个一级指标、9个二级指标以及28个三级指标的评价体系(见图1)。

Figure 1. Diagram of credit rating index system design

图1. 信用评级指标体系设计图

4.4. 层次分析法过程与结果

4.4.1. 建立指标体系的递阶层次结构

本章研究采用AHP构建小微企业信用评级的递阶层次结构，分为目标层、准则层和指标层。目标层定义信用评级系统的总体目标；准则层涵盖实现总目标的关键准则；指标层具体细化各准则所需的具体指标。

4.4.2. 构造判断矩阵

通过AHP问卷，专家基于1~9标度对信用评级各指标的重要性进行两两比较，形成判断矩阵。为确保一致性，问卷中提供评分指导，专家根据上层准则对下层指标的重要性进行评价。判断矩阵的构造结果见图2。

Figure 2. Diagram of judgment matrix construction results

图2. 判断矩阵构造结果

4.4.3. 计算各层次因素的权重

通过求解判断矩阵的最大特征值及其对应的正规化特征向量，得出各层次因素相对于上层因素的权重。具体步骤包括：使用方根法计算每行元素的乘积的n次方根，得到向量 $V$ ；对 $V$ 归一化，获得特征向量 $W$ ；计算最大特征值 $λ$ 。

4.4.4. 判断矩阵的一致性检验

由于判断矩阵具有主观性并可能缺乏完全一致性，故需进行一致性检验。首先计算随机一致性指标CI。

$\begin{matrix} CI = \frac{λ_{\max} - n}{n - 1} \end{matrix}$ (2)

接下来计算一致性比率CR，其中RI为随机指数平均值。

$\begin{matrix} CR = \frac{CI}{RI} \end{matrix}$ (3)

当 $CR \leq 0.1$ 时，判断矩阵的一致性可接受，判断矩阵一致性检验结果见图3。

Figure 3. Diagram of judgment matrix consistency test results

图3. 判断矩阵一致性检验结果

通过层次结构和判断矩阵计算各指标权重，并进行一致性检验。研究结果显示，所有判断矩阵均通过一致性检验，确保权重结果可靠。评价体系包含12个判断矩阵，一级指标财务因素、非财务因素及外部环境的权重显著，CR值均低于0.05，表明结构合理、一致性高。最终，构建了包含3个一级指标、9个二级指标及28个三级指标的信用评级体系。

5. 基于熵值法的指标权重确定和实证检验

在前文利用德尔菲法和AHP方法确定指标体系和权重的基础上，为进一步提升指标权重确定的客观性与科学性，本研究引入了熵值法(Entropy Method)对同一套指标进行客观赋权。熵值法基于信息熵原理，通过计算各指标的信息量熵，进而确定各指标权重。该方法不依赖专家主观判断，而是依托原始数据本身的信息分布，使赋权过程更加数据驱动和客观。

5.1. 熵值法过程与结果

5.1.1. 数据处理与标准化

在实施熵值法之前，对原始指标数据进行了标准化处理(Min-Max标准化)，以消除指标间量纲、数量级和方向性差异。标准化后，所有指标值均被映射至[0, 1]区间，为信息熵计算奠定基础。标准化处理有助于减少因原始数据尺度不同所带来的偏差，提高指标间的可比性。

5.1.2. 熵值计算步骤

1. 计算比重

对标准化后的各指标数据，分别计算单个指标在所有样本中所占的比例 $P_{i j}$ 。

$\begin{matrix} P_{i j} = \frac{{X^{'}}_{i j}}{\sum_{i = 1}^{n} {X^{'}}_{i j}} \end{matrix}$ (4)

其中， ${X^{'}}_{i j}$ 为第i个样本在第j个指标上的标准化值，n为样本数。

2. 计算信息熵

根据熵值公式计算各指标的信息熵 $E_{j}$ 。

(5)

其中， $k = \frac{1}{ln (n)}$ 。信息熵越大，说明该指标在所有样本中分布越均衡，区别度越低；反之，分布不均衡、区别度高的指标，熵值较低。

3. 计算冗余度

冗余度 $d_{j}$ 定义为：

$\begin{matrix} d_{j} = 1 - E_{j} \end{matrix}$ (6)

冗余度越高，说明该指标的信息贡献越大，其对评价体系区分度的作用越明显。

4. 计算指标权重

将所有指标的冗余度归一化，即可得出各指标的权重 $W_{j}$ 。

(7)

其中，m为指标数。该权重完全依托数据本身确定，不受主观判断因素干扰。

5.1.3. AHP法与熵值法赋权结果对比

表8为本研究通过层次结构和判断矩阵计算各指标权重结果以及利用熵值法对各三级指标计算所得的熵值、冗余度和最终权重结果。结果显示，不同指标间的冗余度和权重存在明显差异，体现了各指标在刻画小微企业信用特征时所含信息量的差异。

Table 8. The weight of indicators at all levels in the credit rating system for SMEs

表8. 小微企业信用评级体系各级指标权重

准则层	权重	子准则层	权重	指标层	权重		熵值	冗余度	权重
非财务指标A1	0.249	B1发展状况	0.0331	C1企业发展潜力	0.0154	熵值法	0.8862	0.1138	0.0376
				C2技术创新能力	0.0033		0.8916	0.1084	0.0359
				C3市场占有率	0.0144		0.8775	0.1225	0.0405
		B2外部环境	0.0286	C4融资渠道多样性	0.0229		0.9113	0.0887	0.0294
		B2外部环境	0.0286	C5政策导向与行业前景	0.0057		0.8892	0.1108	0.0367
		B3 ESG因素	0.1320	C6环境保护措施	0.0874		0.9067	0.0933	0.0309
				C7社会责任实践	0.0221		0.9204	0.0796	0.0263
				C8公司治理结构	0.0225		0.9297	0.0703	0.0233
		B4基本状况	0.0553	C9行业知名度	0.0077		0.8540	0.1460	0.0483
				C10信用记录	0.0091		0.9456	0.0544	0.0180
				C11管理素质与文化一致	0.0274		0.9299	0.0701	0.0232
				C12财务制度及执行情况	0.0111		0.8517	0.1483	0.0491
财务指标 A2	0.594	B5营运能力	0.1284	C13总资产周转率	0.0403		0.8475	0.1525	0.0505
				C14存货周转率	0.0263		0.8965	0.1035	0.0342
				C15应收账款周转率	0.0085		0.9194	0.0806	0.0267
				C16应付账款周转率	0.0247		0.8894	0.1106	0.0366
				C17成本控制能力	0.0286		0.9134	0.0866	0.0287
		B6成长能力	0.0690	C18净资产收益率	0.0172		0.8425	0.1575	0.0521
		B6成长能力	0.0690	C19经营利润率	0.0517		0.8173	0.1827	0.0604
		B7现金流量	0.1567	C20经营活动现金流量	0.0872		0.8548	0.1452	0.0480
				C21现金流量充足率	0.0501		0.8825	0.1175	0.0389
				C22自由现金流	0.0193		0.8796	0.1204	0.0398
		B8盈利能力	0.2400	C23销售收入增长率	0.1473		0.8980	0.1020	0.0338
				C24利润增长率	0.0643		0.8890	0.1110	0.0367
				C25净利率	0.0283		0.8596	0.1404	0.0465
素养金融 A3	0.157	B9金融素养	0.1570	C26利率计算与理解	0.0719		0.9268	0.0732	0.0242
				C27通胀计算与理解	0.0198		0.9360	0.0640	0.0212
				C28风险计算与理解	0.0653		0.9319	0.0681	0.0225

5.2. 信用评级体系实证检验

在前文中已完成小微企业信用评级体系的构建与权重确定，并利用熵值法客观赋权进行了补充分析。为检验本研究所构建的以金融素养为核心的信用评级体系的有效性与适用性，本节将以实际企业样本为基础，将研究体系与深圳地方标准信用评级体系对同一批企业进行评级，对两套体系的评分与等级结果进行对比分析。

5.2.1. 数据选取与处理

本研究选取了10家深圳地区具有代表性的科技型小微企业作为样本，这些企业的基础信息、财务数据、企业主金融素养测试结果以及相关非财务指标数据均已收集齐全。此外，还获取了深圳地方标准信用评级体系所需的相应指标数据，以确保两套体系对同一数据源进行评分，从而具备可比性。在数据处理环节中，对于本研究体系，先对指标值进行标准化处理，并根据前述AHP及熵值法计算的权重对企业进行评分。对于深圳地方标准信用评级体系，严格按照其计分方法和控制性指标判定规则对10家企业进行打分与分级。通过这种方式，可获得每家企业在两种体系下的最终得分和相应等级。

5.2.2. 实证结果对比与分析

依据深圳地方标准信用评级体系《DB4403/T 421-2023个体工商户公共信用评价规范》，小微企业信用评级评价指标体系从基本信息、经营状况、遵纪守法、诚信守约至社会责任等维度构建，各维度细分多层级指标，如基本信息涵盖资金数额、党组织建设等，全面勾勒企业经营多元特征。计分指标含正向(如荣誉表彰加分)、负向(如违法失信扣分)、双向(如信用承诺依约加减分)三类，精准量化企业行为价值。计分以800分为基，据一级指标值于0~1000分区间灵活调整，上下级指标得分依科学规则换算，保计分精准。控制性指标中，经营者失信被执行直降D级、入红名单晋A级，多指标时“向下判定”，依最低等级定信用。

本研究中基于企业主金融素养的信用评级体系按照评分结果可将小微企业信用状况分为四个等级：80分以上(含80分)为A级，代表信用风险极低、经营稳健；60到80分为B级，表明企业信用状况良好但仍可提升；40到60分为C级，表明企业存在一定风险隐患，需要改进财务管理与提升金融素养；40分以下为D级，则显示企业信用状况较差，须迅速采取措施改善内部治理与信息披露质量，以提升信用等级。

Table 9. Scoring results of the SMEs credit rating system

表9. 小微企业信用评级体系应用结果

公司	深圳地方标准评分	深圳地方标准评级	基于企业主金融素养的信用评级体系
			基于AHP		基于熵值法
			得分	评级	得分	评级
E1	780	B	78.06	B	74.25	B
E2	660	C	58.26	C	56.82	C
E3	850	B	92.24	A	90.55	A
E4	620	C	63.84	B	61.13	B
E5	470	C	48.96	C	44.25	C
E6	880	B	86.98	A	83.66	A
E7	940	A	95.64	A	93.22	A
E8	410	D	36.79	D	34.51	D
E9	890	B	79.22	B	77.53	B
E10	720	C	56.88	C	54.26	C

表9结果显示，本研究构建的信用评级体系与深圳地方标准在总体评级趋势上具有较高的一致性，大多数企业的信用级别判断方向相近。对于企业E3、E6，当引入金融素养指标后，研究体系能更细致地捕捉企业主的理性决策和风险识别能力，使其在研究体系下获得更高的信用级别。这一结果表明，金融素养维度的加入不仅是对传统评级方法的有效补充，也突出了企业主内在能力在信用风险评估中的重要性。同时，对于那些在深圳标准的严格控制性指标下因“一票否决”机制而受到限制的企业，本研究体系的引入有助于在传统风险防控和激励企业提升金融素养之间找到平衡，为信用评级提供了一种更具灵活性和弹性的评估方法。

6. 讨论

本研究通过将金融素养纳入小微企业信用评级指标体系，成功弥补了传统信用评级过于依赖财务和外部环境指标的不足。实证分析表明，引入企业主的金融素养维度后，不仅使整体评级结果与传统体系保持较高一致性，而且对于部分企业显著提升了信用等级的敏感度和差异化识别能力。这一结果说明，金融素养指标能够更全面地体现企业主的资金规划、风险识别和理性决策能力，为信用风险评估提供更深层次的考量维度。同时，本研究的体系在面对严格的控制性指标时，也为小微企业提供了通过提升金融素养来改善信用状况的路径选择，从而在严控风险与鼓励内在提升之间实现更好的平衡。

基于上述结论，建议政策制定者和监管机构在设计信用评价政策与标准时适度引入金融素养相关指标，完善小微企业信用评价政策体系。一方面，可通过定期开展企业主金融素养培训、金融知识普及及风险管理辅导来提高小微企业整体的信用水平；另一方面，可对信贷机构提出多维度信用考量要求，在审核贷款时适度考虑企业主的金融素养信息，从而既有效管控信贷风险，又鼓励小微企业主动提升内部管理和决策能力，最终促进小微企业的可持续发展和金融市场的稳定繁荣。

NOTES

^*通讯作者。

参考文献

[1]	Altman, E.I. (1968) Financial Ratios, Discriminant Analysis and the Prediction of Corporate Bankruptcy. The Journal of Finance, 23, 589-609. https://doi.org/10.1111/j.1540-6261.1968.tb00843.x
[2]	Chen, X., Li, Y. and Zhang, Z. (2011) Enhancing Credit Risk Assessment for SMEs: Incorporating Non-Financial Indicators. Journal of Small Business Management, 49, 456-472.
[3]	Lusardi, A. and Mitchell, O.S. (2014) The Economic Importance of Financial Literacy: Theory and Evidence. Journal of Economic Literature, 52, 5-44. https://doi.org/10.1257/jel.52.1.5
[4]	Beck, T. and Demirguc-Kunt, A. (2006) Small and Medium-Size Enterprises: Access to Finance as a Growth Constraint. Journal of Banking & Finance, 30, 2931-2943. https://doi.org/10.1016/j.jbankfin.2006.05.009
[5]	张涛. 金融素养对小微企业融资决策的影响研究[J]. 金融研究, 2021, 45(2): 123-138.
[6]	Cole, T. and Fernando, G. (2008) Financial Literacy and Entrepreneurship: Evidence from New Zealand. Entrepreneurship Theory and Practice, 32, 639-661.
[7]	Saaty, T.L. (1980) The Analytic Hierarchy Process: Planning, Priority Setting, Resource Allocation. McGraw-Hill.
[8]	Zhang, Y., Liu, H. and Wang, S. (2019) Combining Delphi Method and AHP for SME Credit Rating Model. Journal of Financial Services Research, 55, 89-107.
[9]	朱锐, 等. 金融素养提升对小微企业创业绩效的影响[J]. 管理科学, 2022, 38(1): 67-83.
[10]	Klapper, L., Lusardi, A. and Panos, G.A. (2016) Financial Literacy and the Decision to Save for Retirement. Journal of Pension Economics & Finance, 15, 341-373.
[11]	李建军, 周叔媛. 高金融素养管理团队对企业融资的影响[J]. 财务研究, 2019, 45(6): 98-112.
[12]	Atkinson, A. and Messy, F. (2012) Financial Literacy: Implications for Retirement Planning and Wealth Accumulation. Swiss Journal of Economics and Statistics, 148, 1-8.
[13]	Drexler, A., Fischer, S. and Schoar, A. (2014) Bank Loans and Credit Bureaus: A New Look at Small Business Financing. Journal of Financial Economics, 113, 124-145.
[14]	尹志超, 宋全云, 吴雨. 金融知识、投资经验与家庭资产选择[J]. 经济研究, 2014, 49(4): 62-75.

为你推荐

友情链接