基于机器学习的中小企业信用与财务困境风险评估研究

中小企业信贷的核心约束之一，是信用信息的不完全与不对称。企业的规模、存续与抵押条件构成可观测的结构性基础，而管理层的风险认知、预算与现金流管理及财务分析能力等行为特征，则难以进入以历史财务数据为主的标准评级模板，长期以隐性经验的形式存在于关系型信贷之中。本文基于一份公开 schema 的中小企业财务决策—风险数据集（15,106 家，财务困境发生率 33.8%），以财务困境为因变量，提出"结构基础—行为金融能力"双维度指标体系：结构维度涵盖规模、存续、流动性与行业结构，行为维度涵盖财务素养、风险管理、评估诊断、决策治理与分析工具运用。在统一的样本划分与预处理规程下，本文系统比较 Logistic 回归与四类树模型的样本外表现，并以按信息集独立筛选的"仅结构 / 仅行为 / 结构—行为融合"消融识别各维度的边际贡献，并借助 SHAP 与生命周期分层考察风险驱动机制的构成及其异质性。实证结果表明：融合双维度后，LightGBM 的 AUC 为 0.993、KS 为 0.909，与 Logistic 回归基本持平，集成模型的相对优势主要体现于概率校准与稳健性，而非判别精度的显著提升；仅结构维度的 AUC 为 0.963，仅行为维度为 0.841，后者已具备独立的判别能力，纳入结构维度后仍贡献约 3 个百分点的稳定增益；在 SHAP 全局重要性的前七位中，风险意识、财务比率分析、资本配置与信贷知识四项行为变量与流动性、企业年龄、营收规模等结构变量并列；生命周期分层显示，初创期与成长期企业的 KS 高于成熟期，提示风险识别机制随企业阶段而变化。本文的主要贡献在于构建了一套可复现、可解释的结构—行为映射框架，将判别精度、消融对照与归因解释纳入统一的实证设计，为中小企业信贷评估提供了兼顾预测能力与可审计性的方法参考。