区块链技术下高校债务风险评价指标体系构建
陈焕新
【摘 要】 区块链技术的应用可显著提升债务风险管理体系智能化水平，有效识别债务危机，为高校债务管理提供新契机。由此，文章从高校与区块链技术两方面选取相关评价指标，利用序关系分析法确定了各指标权重，构建了基于区块链技术的高校债务风险评价指标体系。最后以国内某地方公立高校为例，运用灰色多层次评价法对其债务风险进行探析，发现所构建的评价指标体系具有较高应用价值。该研究结果旨在为游离在高校预算体系之外的债务管理提供量化指标与评价方法，增强高校早期债务监测预警能力。
【关键词】 区块链; 高校债务风险; 评价指标体系; 灰色综合评价
【中图分类号】 F224.11? 【文献标识码】 A? 【文章编号】 1004-5937（2021）05-0148-08
一、引言
近年来，部分高校逐渐呈现过度负债的发展趋势。这不仅制约高校可持续发展，还会使作为担保方的政府承担较大信用风险。若高校未在期限内偿清贷款，可能使银行形成大额不良贷款，引发金融风险。相关领域学者针对高校负债经营问题展开研究。国外对高校债务的研究不多，因为国外高校办学经费来源于学费收入、政府补助等渠道，无需偿还，基本不存在外债。国内相关研究较多。在成因方面，廖开锐[1]研究提出高校债务风险形成内因是高校财务管理制度存在漏洞、管理层对风险认知不足、招生规模逐年扩大，外因是政府财政投入不足、相关制度尚不完善。在预警指标方面，王萌[2]借助财务指标分析法，构建了高校负债融资风险预警指标体系，并对高校贷款风险综合指数进行测算。王宏宇等[3]选取4个非财务指标、10个财务指标评价高校债务风险，但所选指标大多为财务指标，难以充分体现高校经营状况与发展潜力。还有部分学者从贷款规模控制方面进行研究，但其前提是准确预测高校未来现金流，准确性与实用性尚存在一些不足。
区块链技术正处在加速演进成熟过程中，其在金融领域具有重大研究价值。管亚梅等[4]认为，凭借去中心化、加密安全性等特点，区块链技术为重塑会计行业提供有效解决方案。朱兴雄等[5]发现，区块链技术可简化企业贷款的纸质申请流程，解决企业信用背书难题，提升经济效益与社会效益。张淑丽等[6]提出，区块链技术具有智能合约、共享账簿、链式结构等特点，在信用评价机制建设中具有独特应用优势，有助于各类型平台有机对接。董淼[7]构建了基于区块链技术的高校智能财务系统架构，并提出一系列应用建议。
综上，多数学者的研究集中于区块链技术在金融领域的应用或是单纯的高校债务问题，关于如何将区块链技术与高校债务评价相结合尚处于空白，且高校财务仅为债务风险评价中的一个环节，难以代表高校整体债务问题。本文将区块链技术指标引入高校债务风险评价体系，构建新的评价指标体系，为高校债务风险防控提供新思路。基于灰色理论，验证基于区块链技术的高校债务风险评价指标体系的适用性，进一步丰富了相关领域的研究。
二、基于区块链技术高校债务风险评价的现实需求
（一）必要性分析
债务风险评价不仅能够有效提升高校整体管理水平，也有助于政府和银行进行宏观管理与贷款决策。因此有必要对高校债务风险进行评价，促进高校教育、政府宏观调控与社会经济协调发展。
首先，债务风险评价可有效提升高校风险防范能力。高校可根據实际运营情况，利用债务风险评价体系对债务风险进行科学、合理预计，以此避免盲目负债，防范因负债过度产生的风险[8]。同时，进行债务风险评价有助于高校统筹安排当前需求与长远需求，分重点分层次地解决发展中遇到的问题，实现持续稳定发展。其次，高校债务评价有助于银行决策。长期以来，银行对于高校贷款风险性的重视程度较低，认为高校无法偿还债务的风险最终会转移到政府部门。而高校贷款资金占用周期较长，且收入来源主要是学费收入，存在较大债务偿还不确定性。一旦高校不能按期偿还贷款，政府又拒绝承担其债务，那么高校贷款就会变成不良贷款，对银行正常运转产生不利影响。若能及时对高校债务风险进行评估，那么银行就可充分了解高校资金使用情况与收支状况，合理规划高校贷款问题。最后，高校债务风险评价有利于主管部门进行宏观管理。在我国高校、政府与银行的三方博弈中，高校既是独立的财务主体，也属于国家预算的基层单位，教育主管部门需要监督管理高校的债务风险。而高校债务风险评价体系可以帮助相关部门全面了解并掌握高校债务风险水平与债务规模，强化对高校财务的监管，有效降低债务风险[9]。
（二）适用性分析
高校债务风险是由于高校运营情况不佳、管理层决策失误及自身资金短缺而产生的，其风险严重性与产生来源均会随着高校招生规模、经营状况等因素变化而变化[10]，风险防控具有一定难度。区块链技术的特有法则恰好能够有效解决当前高校债务风险防控的难点问题。具体而言，第一，高校资金相对独立难题。高校资金交易往来较少，且在一定程度上处于独立状态。因此信用评级机构与银行无法准确评价高校经营状况，也难以从市场中获取相关数据。针对这一难点，高校需将所有资金往来与交易信息都上传到区块链网络。银行可通过查看相关交易记录来获取高校资金往来与债务信息。第二，财务信息不透明难题。为确保各大高校扩招后的教学质量，教育部正式启动高校教学水平评估工作，对图书馆、实验室、师生比等指标均做出具体要求。而高校为改善办学条件，只能通过向银行贷款来弥补资金不足。在此过程中，高校财务数据并没有对外披露，银行很难准确掌握高校实际负债信息。针对这一问题，区块链上交易记录透明且不可篡改，信用评级机构与银行可通过区块链记录信息进行信用评估[11]。
通过上述分析可知，基于区块链技术的高校债务风险评价将具备以下特点。第一，交易记录分布式存储。分布式账本是区块链技术的核心内容，主要指将每一节点上传的信息生成区块，并传输至其他所有节点处，其他节点会将该信息储存在账本中[12]。区块链中交易记录由所有节点共同维护，具有较高可靠性。由于所有节点都存储了总账本，因此可以轻易查询到高校资金走向与财务状况，使高校财务信息更加透明，债务风险防控也更加便利。第二，实现信用自证。高校可将所有运营指标、交易信息、财务信息等内容加密上传至区块链网络。对于银行等金融机构与信用评价机构而言，可根据业务相关企业的反馈信息、交易往来凭证、历史交易记录等信息对高校信用风险进行评估。这样可促使高校通过“以贷养信”提升自身信用评级，降低债务风险[13]。
三、基于区块链技术的高校债务风险评价指标体系确立
（一）评价指标选取
在建立基于区块链的高校债务风险评价指标体系时，需要选取能够体现高校债务风险特征的指标，相关指标应具备可操作性与可比性。在结合高校债务风险特征的基础上，本文通过借鉴周晓芝等[14]观点，选取如下评价指标（见表1）。
1.高校收益能力
作为影响高校债务风险的重要因素，收益能力主要指高校在科研与培养大学生等方面的收益能力。本文选择投资收益比、净资产投入比例以及科研与教育经费总收入来衡量高校收益能力。其中，投资收益比是校办企业收入、其他投资收入总和与高校各类投资的比率，能有效反映科研成果与校办企业转为资本收入的能力。净资产投入比例代表高校每单位净资产可转化收益数量，数值越大代表收益能力越强，债务风险越低。科研与教育经费总收入则主要是从高校各方面收入总量的层面加以分析。
2.高校成长潜力
作为反映高校未来收益获取能力的重要指标，成长潜力数值越大，高校债务偿还能力越强，债务风险越低。本文从国家政策扶持程度、高校生源状况和资产状况方面着手，选取国家政策扶持力度、在校大学生增长率、资产总额、固定资产总额以及年末总资产增长率作为评价指标，对高校成长潜力进行衡量。国家政策扶持力度主要是指政府部门是否给予高校相关扶持政策，政策扶持力度是否足够大;在校大学生增长率能体现出社会对高校的认可度与高校未来发展规模;资产总额可有效反映办学规模;固定资产总额可反映高校硬件水平;年末总资产增长率能反映出高校办学规模增长速度。
3.资金经营状况
资金经营状况对于高校财务具有一定影响，因而评价高校债务风险时需充分考虑高校资金经营状况这一指标。本文选取财务运作机制完善程度、经营现金回收率、招生计划现金比率、科研经费支出额以及教育经费支出额对高校资金经营状况进行衡量。其中，作为高校债务风险的重要影响因素，财务运作机制完善程度能反映高校防范财务风险的能力。经营现金回收率是指非限定性资金流量与经营性资金总额的比率，数值越大说明高校运行绩效和债务偿还能力越强。招生计划现金比率是指招生实际收费金额与招生应收费总金额之间的比率，这一指标数值小于1有两种情况：一是高校未完成原定招生计划，二是高校完成招生计划但存在欠费问题。上述情况均会造成高校资金流入量减少，影响债务偿还能力。作为刚性指标，科研经费支出额和教育经费支出额在高校支出总金额中所占比例较大，这两个指标数值越高，说明高校债务风险越高。
4.债务偿还能力
债务偿还能力能有效反映学校是否能到期偿还债务本息，因而评价高校债务风险需着重评价其账务偿还能力。本文选取资产负债比率、债务依存度、现金比率、流动负债现金保证率以及利息保障倍数5个指标对高校账务偿还能力进行评价。其中，资产负债比率是指学校负债总金额在资产总额中的占比，能反映出学校总资产中债务数量。债务依存度指的是学校贷款总金额在现金流出总额中的占比，该数值越大，表明高校债务负担和债务风险越大。现金比率主要是指現金类资产在整个流动负债中所占的比例，能有效衡量学校使用现金偿还短期债务的能力。流动负债现金保证率是从现金流量角度出发，对学校短期负债偿还能力进行评价，该指标是指非限定性现金净增加额占高校流动负债总金额的比重。利息保障倍数是指实际利息支出总额和非限定性现金净增加额之和与实际利息支出额的比率。
5.区块链技术效用
去中心化、业务功能及业务机制安全性在一定程度上能反映出高校利用区块链进行债务风险管理的有效性。本文借鉴段潇宇[15]的研究，选取信息共享程度、审慎调查、高校信息完整度3个指标，用以衡量去中心化、业务功能以及业务机制安全性，进而对区块链技术在高校债务风险管理中的效用进行评价。信息共享程度是指高校将财务信息公示的意愿，高校收益能力、运营状况与信息共享程度正相关，即高校运营状况和收益能力越好，披露意愿越强烈。审慎调查是高校债务风险评价的重要环节，银行可充分运用区块链技术对高校贷款用途、偿债能力、收益能力进行调查，为高校债务风险评价和贷款审批提供参考依据。高校信息完整度表示高校将自身的运营状况、运行成本等信息进行公示的完整程度，尤其是债务依存度、总负债率等与高校运营相关的重要信息。
（二）隶属度分析
上述21个评价指标是人为选择而来，需对其进行科学性分析。由此通过隶属度分析和相关性分析对上述指标加以分析。隶属度主要是对难以通过经典集合论归类的元素进行模糊处理，将其界定为大多数属于某一集合。本文将基于区块链的高校债务风险评价体系视为一个模糊合集，评价指标为其中的一个元素。例如，第n个评价指标为Yn，共有Ln人选择该指标，即Ln人认为该指标较为重要，隶属于模糊合集。该指标隶属度Wn可表示为：Wn=■。Wn数值越大，说明选择第n个评价指标的人越多，该指标越符合模糊合集。反之则说明大多数人认为该指标不符合模糊合集，需要剔除。
在上述分析基础上，通过邮件、微信及线下咨询等方式，对金融机构与高校60名从业人员进行调查，邀请其选择12个相对重要的评价指标。此次调查对象均与高校债务风险管理工作相关，且对区块链技术具有较深刻的理解。对收集到的信息进行隶属度分析得出X3、X14、X18、X21的隶属度分别为0.0851、0.0553、0.0692、0.0375，均低于隶属度界定值0.1，因此予以剔除，保留剩余17项评价指标。
（三）相关性分析
相关性分析是对两个评价指标间的相关系数进行计算。相关系数越大，说明两个评价指标的相关性越大[16]。通常情况下，两两评价指标相关系数临界值为0.6。相关系数大于0.6，代表两个指标具有较大关联性，指标不具代表性;相关系数低于0.6，代表两个评价指标没有明显关联性，能用来进行评价。评价指标的相关系数计算公式为：
使用IBM SPSS 23统计软件，对隶属度分析后保留的17个评价指标进行相关性分析，结果如表2所示。
通过表2可知，指标X7与X5的相关系数值为0.088，高于临界值0.6，因而将X7删除，保留其余16个评价指标。
综上所述，基于区块链技术的高校债务风险评价指标选取如表3所示。
（四）基于区块链技术的高校债务风险评价指标权重确定
在构建评价指标体系后，通过序关系分析法对高校区债务风险评价指标权重进行设置，以确保评价结果的准确性与真实性。按照序关系分析法，就评价指标Xi和Xm而言，若指标Xi的重要程度大于指标Xm，则将其标记为Xi>Xm。如评价指标集{X1，X2，X3，X4}根据重要程度可以构建序关系X3>X1>X4>X2，与之相对应的序关系指标集为{W1，W2，W3，W4}。其中，W1和X3相对应，W2和X1相对应，W3和X4相对应，W4和X2相对应。各指标权重确定过程如下：
1.构建序关系指标集{W1，W2，W3，…，Wn}。根据重要程度，评价者在评价指标集{X1，X2，X3，…，Xn}中对其进行排序，得到如下序关系：{W1>W2>W3>…>Wn}。
2.对上述构建的序关系指标集{W1，W2，W3，…，Wn}中的相邻评价指标进行赋值，将两个相邻指标Wt与Wt-1间的重要程度比标记为st，则st=■，t=2，3，4，5，…，n，st的赋值如表4所示。
3.为确定序关系指标集{W1，W2，W3，…，Wn}中评价指标的权重，基于运用公式Q■■=（■■■■s■）-1，对Wn的权重Q■■进行计算，进而使用计算公式Q■■=stQ■■，t=n，n-1，n-2，…，4，3，2，依次计算得出Wn-1，Wn-2，…，W2，W1的权重Q■■，Q■■，…，Q■■，Q■■，此时可以得到序关系指标集{W1，W2，W3，…，Wn}中各个评价指标的权重（Q■■，Q■■，…，Q■■）。
4.对评价指标集{X1，X2，X3，…，Xn}中各个评价指标的权重进行确定。使用（Q1，Q2，…，Qn）来代表评价指标集{X1，X2，X3，…，Xn}的权向量，使用（Q■■，Q■■，…，Q■■）代表序关系指标集{W1，W2，W3，…，Wn}的权向量。Wi对应Xm能够确定Q■■对应Q■■，因此能够依据{W1，W2，W3，…，Wn}与{X1，X2，X3，…，Xn}之间的对应关系，由（Q■■，Q■■，…，Q■■）确定出（Q1，Q2，…，Qn）。Qi（i=1，2，3，…，n）就是评价指标Xi（i=1，2，3，…，n）相对应的权重。为确定评价指标的权重，本文向银行和高校专家进行咨询，做出如下排序：
并给出：
依据公式，计算结果如下：
同理，可计算得出
0.148），由此确定一级评价指标的权重。
对评价指标X1的二级评价指标排序为X12>X11？圯X■■>X■■。依据计算公式，可计算出X1各个二级指标的权重，序关系指标X■■>X■■权重向量（Q■■，Q■■）=（0.541，0.459）。同理得出X2、X3、X4、X5中二级评价指标权重，如表5所示。
四、基于区块链技术的高校债务风险评价模型构建
通常情况下，人们获取某一事物的相关信息带有灰色性质，若使用传统数理统计法将会较为复杂。由于本文所建立的评价指标体系具有多层次性，且个别评价指标信息不完全确定，因而选择灰色评价法，对基于区块链技术的高校债务风险加以评价。在评价过程中，借助白色代表信息完全明确，借助灰色代表部分信息明确、部分信息不明确，借助黑色代表信息完全不明确。
（一）某高校基于区块链的债务风险灰色综合评价
自高校扩招以来，地方公立高校迅猛发展。政府部门为地方公立高校进行担保，银行对贷款政策进行适时调整，这使得地方公立高校获取银行贷款的有利因素进一步增加。但是，银行为高校提供资金支持的同时，也使地方公立高校面临一定债务风险。鉴于此，本文选取国内某所地方公立高校，基于区块链技术对其债务风险加以评价。该校为省属地方公立高校，占地面积约为2 000亩，目前共有2个校区，教职工人数约为1 500人，在校学生共计33 000人。2017—2019年期间，该校净资产总额持续增加。与此同时，该校收入增长和支出增长不对称，主要表现为支出增长显著快于收入增长，即负债規模快速增长。究其原因在于，该高校一方面为扩大人才储备，着手开展博士授权申报准备工作;另一方面致力于加快新校区建设和教学科研基础设施建设。特别是2016年以来，该校着手加强内涵式发展建设，引进大量高层次人才，不断扩大师资团队，致使各项支出大幅增长。
为进一步验证基于区块链的高校债务风险评价体系的有效性，邀请银行和高校专家按照评分等级标准进行打分。将评价指标Xim划分为五个评分等级：较差、一般、中等、良好、优秀，各等级标准相对应的值分别为1、2、3、4、5，若评分在相邻评分等级之间，相对应的评分值为1.5、2.5、3.5、4.5。经过汇总专家评分，得到如下矩阵。
1.灰色评价系数计算。使用灰类序号e，其中e=5，4，3，2，1代表以下五个等级：无风险、低风险、中等风险、高风险以及极高风险。上述评价灰类的灰数分别为：？茚5∈[5，∞]、？茚4∈[0，4，8]、？茚3∈[0，3，6]、？茚2∈[0，2，4]、？茚1∈[0，1，2]。
当灰数e=5时，白化权函数为：
当灰数e≠5，白化权函数为：
就X11而言，用G11e代表属于第e个灰类的灰色评价系数，则e=1。
由此可得出评价指标X11灰类总评价数G11，即：
2.灰色评价权向量计算。根据评价指标X11灰色评价系数G111、G112、G113、G114、G115和总评价数G11，能够算出评价指标X11灰色评价权向量，将其标记为f11。则f11=（f111，f112，f113，f114，f115），进而可算出f11=（0，0.265，0.199，0.298，0.238），同理可得f12，f21，f22，…，f51，f52的数据。
3.灰色评价权矩阵构建。按照上述所求出的灰色评价权向量fim，建立该高校基于区块链技术的债务风险评价指标X1，X2，…，X5的灰色评价权矩阵F1，F2，…，F5：
4.综合评价计算。针对相关指标X1，X2，…，X5进行综合评价，并将结果记为A1，A2，…，A5，则Ai=Qi×Fi。
由A1，A2，…，A5构建基于区块链的高校债务风险灰色评价权矩阵F：
F=A1A2A3A4A5=0，0.1830，0.3581，0.2281，0.22280，0.1639，0.2039，0.3268，0.22670，0.2947，0.3241，0.2701，0.20160，0.3016，0.2779，0.2843，0.21930，0.2847，0.1962，0.3386，0.2157
根据上述矩阵综合评价该高校债务风险，结果为：
（二）某高校区块链债务风险的综合评价结果分析
通过对该高校债务风险进行综合评价，汇总专家意见，没有专家认为该高校面临极高的债务风险，19.2%的专家认为该高校面临的债务风险属于高风险，有36%认为该高校面临的债务风险等级为中等风险，有24%认为该高校面临的区块链债务风险等级为低风险，还有20.8%的专家认为该高校没有任何的债务风险。
按照已求出的计算结果A，依据取值最大原则，能够确定高校债务风险的所属灰类，然而该方法会由于信息丢失而造成评价结果不够准确。因此，使用如下方法将A单值化，使得U=（a1，a2，a3，a4，a5）=（5，4，3，2，1）=无任何风险，低风险，中风险，高风险，极高风险。并根据公式Z=A×UT算出单值化的评价结果。
由上述评价结果可知，该高校综合评价结果为3.462，根据本文所设置的灰类级别，该高校的债务风险处于低风险和中等风险之间。这反映出仍然在一些方面存在问题，有待进一步完善和改进，所以需对相应的评价指标进行深入分析，使管理者关注影响高校债务风险的相关因素，进而采取对应措施加以防范和应对。
根据上述公式分别对各二级指标数值进行计算得出：Z1=A1×UT=3.518，Z2=A2×UT=3.565，Z3=A3×UT=3.592，Z4=A4×UT=3.520，Z5=A5×UT=3.485。根据计算结果对各指标的综合评价值排序为Z3>Z2>Z4>Z1>Z5。由此可见：第一，该高校成长潜力与资金运营状况评价值分别为3.565、3.592，均超过综合评价值3.522，处于中等偏上水平，这充分表明该高校十分重视资金运营状况，有较高成长性，风险都低于平均债务风险。第二，该高校区块链技术效用评价值为3.520，与高校债务风险综合评价值较为接近，说明该高校需充分利用区块链相关工具，进一步降低整体债务风险。第三，该高校收益能力与偿债能力评价值分别为3.518、3.485，二者均低于综合评价值，对高校债务风险有较大影响。其中，偿债能力评价值最小，需要学校管理者提高重视度，这是控制高校债务风险的重点。
五、结论与应用建议
本文通过选取高校收益能力、高校成长潜力、资金经营状况、债务偿还能力与区块链技术效用五类指标，构建了基于区块链技术的高校债务风险评价指标体系。同时，运用序关系分析法对各评价指标权重加以确定，并以国内某地方公立高校为例，在全新指标评价体系基础上利用灰色评价模型对该高校的债务风险进行分析，研究发现所选取指标可有效反映地方公立高校债务风险防控水平。可见本文所构建的评价指标体系具有较高应用价值，能够有效提升地方公立高校债务风险管控的智能化水平。由此，地方公立高校可在债务风险防控过程中，合理引入区块链技术，以促进自身持续健康发展。鉴于此，提出区块链技术在高校债务风险评价指标体系中的应用建议。
其一，升级完善相关硬件设备。区块链技术的应用会大幅提升高校信息系统数据处理量，对各节点硬件设备提出了更高要求。因此，高校相关部门应升级完善相关硬件设备，加大内存量，使系统配置与相关数据处理相匹配，满足区块链技术的应用需求。其二，提升节点数据安全性。区块链技术的应用对高校运行系统各节点数据安全具有较高要求。高校应在部署各业务节点时建立专线内网，将公网数据与专线内网加以区分。同时，高校应严格控制专线网络访问权限，使用加密硬件强化各节点数据管控，严防数据窃取。其三，利用区块链相关工具评估债务风险，提升高校债务风险管理水平。区块链依靠其独有特性被广泛应用于各个领域，相关部门应利用相关工具，通过区块链私钥对高校债务数据与经营状况进行监管，并利用大数据工具进行债务风险评估，及时掌握高校债务风险数据，促使高校债务风险管理水平逐步提升。
【参考文献】
[1] 廖开锐.我国高校债务的现状、成因及化解对策分析[J].会计之友，2012（9）：114-118.
[2] 王萌.高校负债融资风险预警模型的构建[J].财会月刊，2016（2）：52-56.
[3] 王宏宇，秘丽霞.我国高校债务风险动态预警模型研究[J].会计之友，2015（1）：75-78.
[4] 管亚梅，季春红，吴倩倩.区块链技术对会计方法的影响研究——以商业银行贷款业务为例[J].财会通讯，2019（25）：95-99.
[5] 朱兴雄，何清素，郭善琪.区块链技术在供应链金融中的应用[J].中国流通经济，2018（3）：111-119.
[6] 张淑丽，王爽.基于区块链视角下的供应链金融风险防范研究[J].现代营销，2019（2）：45.
[7] 董淼.基于区块鏈技术的高校智能财务系统架构研究[J].会计之友，2020（12）：157-161.
[8] 顾萍，夏旭，伍雪莹，等.高校科研评价指标体系构建研究[J].图书情报工作，2017（9）：94-101.
[9] HUANG LULU. Financial management situation and countermeasures of university scientific research fund[J].International Business and Management，2012，5（2）：163-166.
[10] IMTIAZ BHAYAT，MAURIZIO MANUGUERRA，CLIVE BALDOCK.A decision support model and tool to assist financial decision-making in universities[J].Journal of Higher Education Policy and Management，2015，37（1）：69-82.
[11] 章刘成，于琳琳.大数据视域下区块链技术在会计行业应用研究[J].会计之友，2018（18）：157-160.
[12] GOLDEN E，et al.Blockchain technology：fundamentals，applications，and case studies[M].CRC Press，2020.
[13] 吴丽梅，丁洁，王深茏，等.基于区块链技术的财务共享模式架构[J].会计之友，2019（2）：149-154.
[14] 周晓芝，于桂玲，杨国磊.高校债务风险评价体系构建[J].财会通讯，2015（16）：38-42.
[15] 段潇宇.基于区块链的供应链金融信用风险研究[D].天津：天津师范大学硕士学位论文，2020.
[16] 党建宁，杨晓宏，王馨晨.教育信息化2.0下的高校信息化绩效评价模型和指标体系研究[J].电化教育研究，2019（8）：45-52.
