基于Kano模型的绿色金融安全情报服务要素研究*

陈海贝 赵湘莲

(南京航空航天大学 经济与管理学院 南京 211106)

0 引 言

以前，政治、军事等传统安全是世界各国主要考虑的要素；现在，经济、社会等非传统安全正日益改变着全球战略布局。防范绿色金融风险，保障绿色金融安全正是非传统安全的一种表现形式。绿色金融既注重经济发展，也强调社会发展。所谓“金融活，经济活；金融稳，经济稳”[1]，绿色金融系统的平稳运行是国家安全的强力支撑，绿色金融安全已经成为各国争夺国际话语权的有效筹码。习总书记指出“金融安全是国家安全的重要组成部分[2]”，可见金融发展从国家战略层面考虑，已经到了不可忽略且需高度重视的局面。

我们的社会充满风险[3]，自然灾害、恐怖袭击和地区动荡等突如其来且毁灭性极大的“黑天鹅”事件[4]是无法预见的，信用风险、市场风险、法律风险和政策风险等“灰犀牛”事件也制约着绿色金融的发展。传统的金融手段已经无法应对新形势下的绿色金融问题，而情报服务为绿色金融领域注入了活力[5]。如何安稳度过重重危机，情报服务也提供了新的思路、新的方案和新的途径。《孙子兵法》中的“知己知彼、百战不殆”突出了情报服务的“耳目、尖兵和参谋”的功能[6]，绿色金融市场如同没有硝烟的战场，与古代的战场如出一辙。

绿色金融风险控制不仅要从外界环境入手，也要充分把握内部动态，全方位的情报服务才能真正从源头上遏制风险的产生和保障安全的持续。情报服务能够在繁琐的、不确定的海量信息中寻找联系、寻找依据并预测趋势，为绿色金融安全提供最详细的信息和最合适的方案，有利于绿色金融风险的及早发现、精准决策和有效控制，让绿色金融各利益相关者能够超前预防并精准决策[7]，从而促进绿色金融的可持续发展。可见，在绿色金融安全决策中，情报服务发挥着举足轻重的作用。

而当前，绿色金融情报服务关注度低、活跃度低且影响力弱，未能充分发挥金融情报的强大功效。学界对金融情报缺乏关注，相关成果也较零散。中国最早关于金融情报的著作是吴光伟的《金融情报》，该书是对金融情报的早期探索。关于金融情报的期刊文献也较少，且缺乏对金融情报的本体认识和应用研究。丁晓蔚等在《金融情报学：情报学的重要分支学科》[5]一文中详细列出了金融情报的国家战略、风险防范、技术条件和学科发展等背景，对金融情报的核心要义和未来走向进行了深入的剖析，为金融情报的发展奠定了坚实的基础。除此之外，区块链、人工智能和大数据等新兴技术的发展，赋予了金融情报独特的价值，让情报服务于金融风险有了新的途径[8]。而其余的金融情报研究散见于情报交换[9]、情报分享[10]、情报监管[11]、情报披露[12]、情报机制[13]和情报需求[14]等方面。绿色金融作为金融的特殊形式，在绿色金融情报研究进展方面，几乎没有直接与之相关的研究。情报服务对于绿色金融的重要性日益提升，相关机构在管理风险的过程中多会采用情报手段，可能尚未形成系统的情报服务体系或未能对情报服务在绿色金融中的功效形成系统的认识，故学界缺乏对其足够的关注和重视。而对于情报服务在绿色金融风险管理过程中的重要位置以及目前情报服务应用存在的问题，让我们不得不对绿色金融安全情报服务进行系统的了解和深入的剖析。因此，重视绿色金融安全情报服务的管理并提高情报服务满意度，从而充分发挥情报服务的作用，对于绿色金融社会的平稳发展具有重要的现实意义。

本研究致力于识别出影响绿色金融安全情报服务满意度的关键需求、必要需求、一般需求以及非必要需求等，对绿色金融安全情报服务体系进行完善，提高绿色金融在风险管控过程中的情报服务能力。Kano模型作为一种调查用户满意度的辅助性工具，被广泛应用于不同领域，从不同切入点提高不同用户的满意度。如：易明等对图书馆的多种功能性项目进行了需求分析，提出从不同层次、不同阶段进行图书馆建设[15]。韩玮等对突发公共卫生事件中的信息披露要素进行了满意度分析，提出从基本需求、期望需求和无差异需求等方面提升信息公开质量[16]。娄策群等对知网、维普和万方三个数据库的功能进行了需求调研，提出从不同层面进行数据库优化[17]。娄冬等对音乐、视频、直播和乐谱平台获取信息的品质要素进行了分析，提出从发布速度、付费方式、信息数量和增值服务等方面进行品质优化[18]。赵宇翔等对公众科学平台游戏的任务设计、交互设计、反馈设计和奖励设计要素进行了调研，提出从不同维度要素方面提升游戏体验感[19]。因此，本研究借助Kano模型进行绿色金融安全情报服务的调研，对情报服务要素进行重要性排序和满意度分类，最终针对不同类型的情报服务需求进行差异化管理，从而控制绿色金融风险并维护绿色金融安全。

1 Kano模型概述

1984年，东京理工大学教授狩野纪昭正式提出了产品服务或质量特性与顾客满意度关系的Kano模型。他将客户对某项产品或某项服务的体验分为不同维度，有别于常规的满意和不满意两个极端维度。狩野纪昭指出，客户的满意程度或不满意程度也存在差异，故将产品质量分为魅力型要素、期望型要素、基本型要素、无差异型要素和反向型要素5个维度。其中，魅力型需求表明某项性能无论完善与否均能让客户满意，期望型需求表明某项性能与客户满意程度成正比，基本型需求表明某项性能是必备的；无差异型需求表明某项性能无论是否存在均不会影响用户体验感，反向型需求表明某项性能可能会引起客户的不满或反感。以上5个维度的需求差异可由图1直观地展示出来，魅力型要素、期望型要素和基本型要素对用户感受影响较大，无差异型要素和反向型要素对用户感受相对较小。

图1 Kano模型需求差异曲线图

借助Kano模型进行服务或产品体验感的研究有利于明确用户的差异化需求并改善相关服务。通过对用户需求进行科学的分类和排序，提出客观、有效的改善策略。一般情况下，对用户进行满意度调研时，需要进行正向问卷和反向问卷的设置，再根据用户的反馈进行综合评价，具体评分标准见表1。

表1 Kano模型质量评价分类表

2 研究设计

2.1问卷设计

2.1.1 要素确定 保障绿色金融安全，主要体现在绿色金融风险的管理上。绿色金融投资项目面临的困境或风险演化过程可以分为以下五个阶段：风险识别阶段、风险监测阶段、风险分析阶段、风险决策阶段和风险控制阶段。这五个阶段分别和情报服务流程的情报需求、情报收集、情报加工、情报应用和情报追踪[20-22]五个方面对应。

a.情报需求阶段，情报服务需要了解情报需求，对接情报诉求，确定目标对象。需求分析即问题确定，情报服务人员既要确定具体的问题对象，也要考虑解决该问题需要具备哪些条件以及现有条件是否能促成目标的完成。现有资源、时间、资金和人力等都决定了需求能否得到有效解决。针对风险识别阶段的目标，情报需求需要明确该收集哪些方面的数据，才能有效预测风险并对绿色金融行业的内外部环境形成全局认识。b.情报收集阶段，情报服务需要通过专业数据库、网络资源和实地调查等直接或间接的方式，获取和采集各种公开的或非公开的信息。情报数据多种多样，情报工作人员需在有限的时间、人力、物力和财务投入的条件下，获得解决特定问题所需的特定情报。在情报信息与资源获取方面，情报机构既可以通过观察法、访问法、实验法、会议法和人际网络法等进行一手信息的收集，也可以通过浏览阅读法、收听收看法、网络搜索法、交换索要法、预定采购法和委托咨询法等进行二手信息的收集。c.情报加工阶段，情报人员需要对原生态情报数据进行汇总、辨别、筛选、分析、预测和反馈等不同程度的加工。情报分析在情报研究过程中发挥主导作用，将情报数据规范整理，统一加工，以提高情报的利用效率，体现了情报数据由繁到简、由多到精、由无序到有序的转变过程。分析什么问题或信息、如何分析已知信息或预测未知信息、分析结果的深浅和正误怎么判断以及客户反馈分析等一系列问题，都是情报分析需要解决的问题。d.情报应用阶段，情报服务人员将提供各种备选应急方案，不同方案可能适用不同的情景。由于金融风险的演化有固定模式和随机模式，无法直接决定哪种方案最适用。但在大量数据的基础上，情报人员对当前局势和未来变化趋势有了一定的了解，能够知晓哪种方案适用于哪种场景。此时，情报工作人员应和绿色金融投资项目的相关人员进行深入的交流和沟通，商定最终的应急方案。应急方案决定了最终的应急效果和损失大小。e.情报追踪阶段，是对情报工作的高度凝练和总结。新知识、新情报的产生是为了新一轮的交流与互动。只有通过多向主动传递、单向主动传递、多向被动传递和单向被动传递的正式交流以及人际交往和私人通信等非正式交流，在不断的交流过程中，才能不断发现新的问题，创造新的知识。同时，科学交流也能有效避免低质化、同质化研究的出现，推动了实用性和创新性研究的进程，极大地提高了情报研究的效率，也提高了情报研究的贡献度。通过绿色金融风险管理流程的梳理和相关文献的梳理，形成了绿色金融安全情报服务的主要内涵，见表2。

表2 绿色金融安全情报服务要素题项

续表2 绿色金融安全情报服务要素题项

2.1.2 问卷设置 本研究问卷设计的内容涉及绿色金融安全情报服务相关内容，考虑到有的绿色金融参与者或利益相关者对问卷中的部分概念可能不够了解并在回答时可能会出现偏差。为了进一步优化问卷以及保证后期调研数据的准确性和实用性，故在发放正式问卷前，进行了问卷的预调查。问卷中的每个题项都设置了正向问题和反向问题，如表3所示：当绿色金融安全情报服务具备某项性能时以及不具备某项性能时，受访对象的感受分别是什么？然后将初步调研的数据进行了信度检验和效度检验，再对最终问卷进行了合理调整和完善。正式问卷主要包含两个部分：第一部分是关于被调研者的性别、年龄、学历、所在岗位等基本信息，第二部分是关于绿色金融安全情报服务的正式问题。被调研者对每个题项进行“很满意”“理应如此”“无所谓”“勉强接受”和“不满意”五种不同的回答。

表3 Kano模型正负向满意度调查(示例)

2.2数据收集与处理国家推行绿色金融改革，首选了浙江省、广东省、新疆维吾尔自治区、贵州省和江西省作为试验点，具体包括赣江、贵安、广州、湖州、衢州、昌吉州、哈密市和克拉玛依市。为了保证研究对象具有代表性和研究结果具有说服力，主要选取了8个绿色金融试点城市的绿色企业、金融机构和相关政府部门人员进行了数据采集。该类目标人群经历过绿色金融风险并了解情报服务在风险预知和管控过程中发挥的功效，故对本研究的调研具有重要参考价值。从数据样本特征看，在所有的调研对象中，女性占42%，男性占58%；30岁以下人员占25.75%，30～40岁人员占49.25%，40～50岁人员占16.75%，50～60岁人员占8.25%；本科以下人员占4%，本科人员占32.25%。硕士人员占57.25%，博士人员占6.50%；政府部门人员占26.25%，绿色企业人员占43.50%，金融机构人员占30.25%(见表4)。

表4 调研对象基本信息统计

收回所有问卷后，对问卷进行初步筛选，汇总有效问卷，以便进一步处理和分析。

2.2.1 信度分析 对问卷进行信度分析。如表5所示，正向问卷的整体信度是0.916，反向问卷的整体信度是0.909，均属于较好信度范围。而从问卷题项的不同维度分析，每个维度的信度也属于良好信度范围。可见，无论是正向问卷维度，还是反向问卷维度，或是问卷中的具体维度，均达到较理想的信度，说明本研究问卷数据具备一定的可靠性。

表5 信度检验

2.2.2 效度分析 对问卷进行效度分析。如表6所示，总体样本的KMO值是0.949，正向问卷的KMO值是0.895，反向问卷的KMO值是0.895，而巴特利特球形度检验结果均是0.000，均属于较好效度范围。效度检验结果表明，本研究问卷数据具备一定的真实性和准确性。

表6 效度检验

3 绿色金融安全情报服务的Kano模型分析

本研究在对数据进行处理时，主要采取了传统Kano分析、混合Kano分析和基于Better-Worse指数的Kano分析。三种情形下的绿色金融安全情报服务要素的属性和归类存在差异，为情报服务的有效性和满意度改善提供了相对完备的思路。

3.1传统的Kano模型分析传统Kano模型中，处理程序相对简单，选取频数最大或占比最高的情报服务要素作为其最终的类别。观察表7，我们看到反向型要素的占比很低且不存在可疑型要素，说明受访对象在答题过程中经过了深思熟虑，答案均符合一定的常理。其中，魅力型要素包含1、2、4、7、11、14、16和17，期望型要素包含3、5、8、9、12和19、20，基本型要素包含6、10、13和15，无差异型要素只有18。

表7 基本Kano模型属性统计

3.2改进的Kano模型分析改进Kano模型是在传统分析的基础上考虑了混合因素，以便于较好观察各类型要素的转变趋势。其中混合类Kano模型分析中最关键的两个指标是TS值和CS值，TS= Ai+Oi+Mi，CS=max{Ai、Oi、Mi、Ii、Ri、Qi}-second max{ Ai、Oi、Mi、Ii、Ri、Qi}。在最终分类中，若TS≥60%且CS≤6%，则选取占比最大的前两个属性作为最终类别；否则保持类别不变。

其中，魅力型要素包含1、2、7、11和17，期望型要素包含9和19，基本型要素包含6和10，无差异型要素只有18，魅力型和期望型混合的要素包含3、4、5和16，魅力型和基本型混合的要素包含13、14和15，期望型和基本型混合的要素包含8、12和20。考虑了混合因素后，各要素的分类结果发生了变化，和传统的分类产生了差异。具体变化表现在：要素3和要素5出现了由期望型向期望型和魅力型混合转变的趋势，要素4和要素16出现了由魅力型向魅力型和期望型混合转变的趋势，要素8、要素12和要素20出现了由期望型向期望型和基本型混合转变的趋势，要素13和要素15出现了由基本型向基本型和魅力型混合转变的趋势，而要素14出现了由魅力型向魅力型和基本型混合转变的趋势。说明：要素3和要素5对用户的吸引力越来越高，但对用户不满情绪的改善不再具备很大的效用。要素4和要素16在时间的不断推移中，能够有效影响用户的满意度和不满意度。要素8、要素12和要素20在用户心中的地位越来越高，渐渐变得无法忽视。要素13和要素15对用户的吸引力越来越高，但同样能影响用户的不满情绪。而要素14既引起了用户的兴趣，也得到了用户的重视。

表8 改进Kano模型属性统计

3.3基于Better-Worse指数的Kano模型分析基于Better-Worse指数的Kano模型分析在改良模型基础上考虑了用户满意指数，以了解某个要素影响用户满意情绪和不满情绪的具体程度并准确识别哪些要素能有效提高用户的满意度以及哪些要素能有效降低用户的不满意度。其中，最关键的两个指标是Better值和Worse值，Better=(Ai+Oi)/( Ai+Oi+ Mi+Ii)，Worse=-( Oi+ Mi)/( Ai+Oi+ Mi+Ii)

具体计算结果见表9。其中，魅力型要素包含2、5和11，期望型要素包含1、3、4、6、7、8、9、12、13、14、15、16、17、19和20，基本型要素只有10，无差异型要素只有18。

表9 基于Better-Worse的Kano模型属性统计

在表9的基础上，绘制了Better-Worse指数四象限图(见图2)。将所有的Better值和Worse值组成的各个坐标点散落分布在象限图中，能直观地了解不同类型要素的特点。其中，Better值和Worse值都较高的点分布在第一象限内，表明要素1、3、4、6、7、8、9、12、13、14、15、16、17、19和20既能提高用户的满意度，也能防止用户的不满情绪。即分布在第一象限内的各个要素均需得到足够的重视，其对于绿色金融安全情报服务的完善具有重要价值。Better值低且Worse值高的点分布在第二象限内，表明要素10对于用户而言是基本的、必备的要素。即满足要素10虽然不能提高用户的满意度，但不满足要素10则会让用户不满意，故要素10的存在有效地防止了用户的不满情绪。Better值低且Worse值低的点分布在第三象限内，表明要素18的存在与否对于用户而言相对不重要。即当前用户对要素18的重视程度不够或尚未引起他们的注意。Better值高且Worse值低的点分布在第四象限内，表明要素2、5和11能有效提高用户的满意度，但无法有效影响用户的不满情绪。即要素2、5和11对绿色金融安全情报服务用户具有较大的吸引力。

图2 Better-Worse指数四象限图

将传统型、改进型和改良型分类结果进行对比分析(见表10)，三种结果存在一些共同点，如：a.要素2(情报服务能预测风险类型、大小和趋势)是公认的魅力型要素，风险预测是一件充满不确定的事情，绿色金融安全情报服务用户不会持很高的期待，也不会明确要求必须能做出准确的预测。故该要素即使不被满足，也不会影响他们的情绪。而当该要素被满足时，成功的预测能够助力绿色金融度过危机，降低损失，便会极大提高他们的满意度。b.要素9(情报处理设备先进)和要素19(后期的情报数据更新)是公认的期望型要素，在绿色金融背景下，情报服务是一项保质保量且需高效完成的服务。若设备先进，便能既快又好地完成数据处理和信息加工。此外，实时更新的数据对于当前危机应对有更高的参考价值。故该两个要素的满足程度与绿色金融安全情报服务用户的心理状态呈现明显的正相关。c.要素10(情报处理技术多样)是公认的基本型要素，运用多种手段对数据进行精细加工，有利于形成更加完善的应急方案。在用户认知里，渠道多样意味着安全性越大、危险系数越低。若该要素得不到满足，用户的不满意系数便会增加；若该要素得到满足，用户的满意系数也不会出现波动。故该要素需尽量得到满足。d.要素18(后期的情报数据评估)是公认的无差异型要素，危机过后，无论是否进行数据评估对于绿色金融安全情报服务用户而言，没有短期的可预见的价值。他们更关注危机中的情报能力，而较少进行后期的梳理工作。故要素18无论满足与否，都不会引起用户情绪的波动。

同时，三种分类结果也存在一些差异。魅力型要素、期望型要素、基本型要素和无差异型要素不完全相同。由于加入Better-Worse指数的分类结果更有说服力，故主要讨论第三种情形下各要素的分类情况。除了要素2、要素5(情报数据来源广泛、权威和可靠)和要素11(基本的情报信息处理)也属于魅力型要素。来源广泛、多种多样且渠道正规的情报数据在绿色金融危机处理中非常有必要，但多数情况下的情报数据质量和真实性大概率无法得到保障，尤其在突发事件中，时间紧急且态势紧迫，急需采取措施。在这种背景下，无论是绿色金融项目的参与者、推动者，或是实施者，都会尽量保持清醒的判断，不会对情报数据抱有太高期望。而如果该期望得到了满足，对于绿色金融危机的顺利度过，具备切实有效的实际意义。而如果该期望得不到满足，也不会影响绿色金融利益相关者的情绪。危机中的理性多于感性，故要素5显然属于魅力型要素。此外，要素11 也是魅力型要素，情报的深度加工是在情报的基本处理基础上进行的，深度的信息加工属于期望型，而基本的信息处理属于魅力型，似乎存在一些矛盾。但情报方案的形成是直接由深度加工后的信息直接形成的，体现了情报深度加工的重要性和关键性。而深度加工基于基本处理，仍能推翻基本处理的结果，选择更合适的剖析路径。由此看来，深度加工和基本处理的关联度充满不确定，且基本处理的结果无法直接应用于绿色金融的现实应急，未能体现其重要地位。故要素11的不满足或不完善并不能真正影响满意度，而若能被满足，则会锦上添花。而要素1(情报服务能捕捉危险信号、察觉危机征兆)、要素3(情报服务能提供绿色金融市场大环境的变化趋势)、要素4(情报服务能提供相关机构内部环境的变化趋势)、要素6(情报数据类型多样)、要素7(情报数据有价值)、要素8(情报数据及时)、要素9(情报处理设备先进)、要素12(深度的情报信息加工)、要素13(情报资讯的共享)、要素14(情报方案的多样性)、要素15(情报方案应用后，能引导社会舆论)、要素16(情报方案应用后，能把控局势并控制风险)、要素17(后期的情报数据验证)、要素19(后期的情报数据更新)和要素20(后期的情报数据存储)属于期望型要素。这些期望型要素的部分要素在第二种混合分类结果中，存在部分演变的趋势。初始的魅力型要素出现了期望型或基本型的趋势，初始的期望型要素出现了基本型的趋势。进一步说明各要素的重要性日益凸显，且随着时间的推移和环境的适应而改变。部分要素在绿色金融情报服务中变得不可忽视，若不能被满足，则会极大影响情报服务的满意度。无论是情报需求、情报收集，还是情报加工、情报应用和情报追踪，每个阶段、每个环节都已经和绿色金融融为一体、不可分割。更说明了这些要素在大众心中的认可程度，需要高度重视并提高。

表10 不同情形分类对比

4 结 论

从无差异型要素方面看，情报数据评估对情报服务满意度没有影响。一是情报数据评估未能让用户产生心理上的认可和依赖，二是用户未能真正重视情报数据评估的效用。因此，按照合理评价方案进行情报服务每一要素的评估有利于明确各要素的地位。并且全方位的评价有利于客观、公正地体现情报服务不同阶段所需的要素以及绿色金融危机处理不同时期所需的要素。其次，用户对情报服务的全面了解非常有必要。通过绿色金融案例情景再现，引导用户关注情报服务后期的评估流程和评估结果，有利于下一时间点危机的及时处理。

从基本型要素方面看，软件技术对情报服务的不满意程度影响较大。先进的多样的情报处理技术是情报服务的加速器，传统的技术手段已无法满足现有需求。基本要素也是必备要素，需要尽可能达成用户的需求。无论是绿色金融利益相关者内部的情报部门，还是外部的情报机构，既要对情报技术给予足够的重视，也要关注领域动态并积极引进前沿技术，同时对技术人员进行定期培训，以应对用户的各种需求。此外，不同机构的技术协同也能让情报服务事半功倍，积极搭建合作平台，形成合作网络，集中力量助力绿色金融。

从期望型要素方面看，风险意识、个企现状、行业现状、数据类型、数据质量、数据生命、硬件设施、深度开发、数据共享、方案形式、舆论引导、局势把控、数据验证、数据更新和数据存储与情报服务满意度息息相关。每一要素都会引起绿色金融用户情绪的强烈波动，严格把控情报服务的每一个环节并对每一要素的完成情况进行分阶段的评估，评估合格才能进入下一阶段。形成不同要素的差异性实施效果评估和满意度评估。期望型要素种类较多，但仍需进一步区分满意度的重要性程度并进行排序，以更精准地进行改善。

从魅力型要素方面看，风险预测、数据来源和表层分析对用户吸引力最大，且出现了向期望型要素转变的趋势，进一步体现其在用户心中的分量。因此，这三个要素在保持原有优势的基础上，需进一步保持高度警惕和高度关注。全面掌握绿色金融领域相关危机处理案例的实践经验，丰富情报数据资源的收集渠道，并改进情报数据分析的方法。有米、有锅、有调料，才能让情报服务有序运转。绿色金融安全情报服务，不仅需要应急方案、有效方案，更需要近乎完美的方案、让各方损失都较低的方案。无论是经验、渠道，还是方法，都是情报服务方案甄选的助推器。

5 结 语

文章梳理了绿色金融安全情报服务要素，基于Kano模型设计问卷，进行绿色金融情报服务满意度分类。将绿色金融与情报服务相结合，并将情报服务与绿色用户满意度相结合，具有一定的现实价值。研究发现，部分要素存在着动态演化的趋势，表明了用户需求的变化和用户心理感染的变化，更体现了绿色金融安全情报服务的未来发展趋势和改进方向。无论是现在，还是将来，情报服务对绿色金融的重要性不言而喻。因此，绿色金融安全情报服务的推动对于绿色金融的发展具有重要的意义。