基于供應鏈金融的中小企業信用風險評價模型研究

摘要：在以往供應鏈金融視角下，中小企業信用風險評價多在孤立時間點上進行，這樣會造成指標數據因某些原因而可能發生較大幅度變化，進而導致評價結果的錯誤，使銀行在放貸過程中存在較大風險。本文以A企業為例，構建了基于時間維的供應鏈金融視角下中小企業信用風險評價模型。根據評價指標特點，該模型在各個時間點上選用微粒群算法和模糊綜合評價方法對其進行信用風險評價，將各個時間點上的評價結果進行比較，分析企業的信用等級變化趨勢，以期為銀行放貸風險的降低提供有效途徑。

關鍵詞：供應鏈金融；中小企業； 信用風險評價； 時間維；微粒群算法

中圖分類號：F830 文獻標識碼：A

一、引言

近年來，銀行業的競爭日漸激烈，傳統的利潤空間在不斷縮小，拓展中小企業貸款業務的競爭正在不斷升溫。針對現有中小企業融資存在的風險性弊端，探索結合供應鏈和中小企業特點的“供應鏈金融”模式應運而生。目前，造成銀企之間融資信貸風險矛盾的原因主要是兩者之間存在的信息不對稱所引起的逆向選擇和道德風險，這會使得其在放貸的過程中存在很大風險。信用風險評價旨在通過建立相應的信用風險評價模型，確定中小企業信用等級，以便使銀行做出正確的貸款決策，降低銀行的放貸風險。因此，研究供應鏈金融模式下的中小企業信用風險評價問題具有重要的指導意義。

到目前為止，供應鏈金融視角下中小企業的信用風險評價已成為一大研究熱點。熊熊等（2009）運用主成分分析法和Logistic回歸方法建立了供應鏈金融模式下中小企業信用風險評價模型，降低了依靠專家評價的局限性 [1]。胡海青等（2011）針對Logistic回歸方法要求樣本量大且預測精度不高的缺點，提出了運用支持向量機建立供應鏈金融模式下中小企業信用風險評價模型，并對這兩種方法進行了對比研究[2]。談俊英（2012）分析了我國商業銀行供應鏈金融服務的不足之處，并運用了因子分析和Logistic的分析方法對中小企業進行信用評價[3]。謝偉（2012）運用了層次分析法和功效系數法等構建供應鏈金融視角下中小企業信用評價模型，并與傳統的信用評價指標體系進行比較[4]。孟麗（2011）建立了灰色層次分析法、一次門限法和模糊綜合評價法相結合的供應鏈金融視角下中小企業的評價實用模型[5]。

綜上所述，目前關于供應鏈金融視角下中小企業信用風險評價方法的研究大多是在孤立時間點上落實的，結果只能反映中小企業在此時間點上的信用狀況，而指標數據由于政策、市場環境等變化，往往可能會發生較大幅度增長或降低，導致產生錯誤的評價結果，從而使銀行在放貸過程中存在很大風險?？梢?，如何對供應鏈金融視角下的中小企業進行真實有效的信用風險評價，是一個亟待解決的問題?；诖耍疚臉嫿嘶跁r間維的供應鏈金融視角下中小企業信用風險評價模型，并以A企業為例證明此模型的有效性和科學性。

二、供應鏈金融視角下中小企業信用風險評價指標體系的構建

從理論上分析，一套科學完善的指標體系是客觀全面評價中小企業信用狀況的基礎，其評價內容應該包括能夠影響評價對象的一切因素。因此，在選取指標時應遵循一定的原則：（1）指標之間避免相互涵蓋；（2）供應鏈視角是研究的側重點；（3）減少對財務報表的依賴性；（4）關注中小企業未來情況；（5）關注中小企業管理者；（6）定量與定性指標相結合。同時，由于供應鏈金融融資模式的復雜性，對融資企業信用風險進行評價，必須考慮影響融資企業信用水平的諸多綜合因素，如供應鏈金融融資主體信用風險、供應鏈融資債項的信用風險、供應鏈金融融資宏觀環境，這樣才能全面、系統、科學地評價供應鏈融資企業信用水平。因此，面向供應鏈融資的中小企業信用風險評價指標體系應該涵蓋以下幾個方面的內容：（1）針對供應鏈金融融資企業的信用風險評價指標；（2）針對供應鏈核心企業的信用風險評價指標；（3）針對融資項目的信用風險評價指標；（4）針對供應鏈運營風險評價指標；（5）針對供應鏈金融融資宏觀環境的風險評估指標。具體指標體系見表1。

三、基于時間維的中小企業信用風險評價模型構建

（一）供應鏈金融視角下中小企業信用風險評價方法的選擇

1.供應鏈金融視角下中小企業信用風險評價指標體系特點分析。為了能客觀評價中小企業的信用等級，需要對指標體系進行深入的分析，根據其特點確定合理評價方法，構建具有操作性的評價模型。通過對指標體系進行深入的分析，可以發現具有以下特點：（1）由大量指標構成的大型復雜評價體系。指標體系是由5個一級指標，18個二級指標，38個三級指標組成。（2）由定性指標和定量指標組成的綜合評價體系。為了公正、客觀的反映供應鏈金融下的中小企業信用風險狀況的各個方面信息，本文從定性和定量兩個方面對供應鏈金融下的中小企業信用風險狀況進行描述。

2.信用評價方法選擇。根據供應鏈金融中小企業評價指標體系的上述特點，應當選用科學、合理的方法進行信用風險評價，具體為：信用風險指標體系是由定性指標和定量指標組成的，定性指標不方便數據的選取，因此需要將定性指標轉化成定量指標，對指標的描述數量化。由于把定性指標轉化為一個明確的定量數據是非常困難的，只可能把它界定在某個范圍，于是考慮使用到模糊綜合評價的方法。但模糊綜合評價法存在兩個難點：一是指標權重的確定；二是隸屬度的確定。為了客觀得到評價指標權重，本文選用了微粒群算法。根據指標不同特點，本文采用的原始數據來源亦不相同：對于定量指標，收集企業近五年的數據；對于定性指標利用李克特量表專家打分，然后利用微粒群算法構建以指標權重為變量的非線性規劃問題，確定權重，避免了權重的主觀色彩，使得評價結果更加客觀和科學。此外，為了科學得到指標的隸屬度，本文根據指標的不同類型，采用了不同的方法。對于定性指標，采用問卷調查法，通過統計各個指標屬于等級的頻率確定其隸屬度；對于定量指標，確定各個指標的評價標準，利用隸屬度函數確定其隸屬度。

（二）微粒群算法

微粒群算法又稱粒子群算法（Particle Swarm Optimization， PSO），最早是由美國心理學家J. Kennedy和電氣工程師R. C. Eberhart 在1995年的IEEE國際神經網絡學術會議上正式提出的[6]，這是原始的PSO模型。Y. Shi等在原始的PSO模型基礎上，經過多次試驗，引入了慣性權重，形成了標準的PSO模型[7]。微粒群算法是一種基于群體的優化工具，同時也是一種基于迭代的優化工具。微粒群算法具有以下優點[8]：（1）算法通用性很強，不依賴問題信息；（2）只有極少的參數需要調整，操作簡單，容易實現；（3）收斂速度快，算法對于計算機的要求不高；（4）算法利用個體局部信息和群體全部信息指導搜索，收斂速度較快。基于此，微粒群算法已經被應用到許多領域。

（三）基于時間維的中小企業信用風險評價模型的構建

1. 確定評價對象的評語集

評語集是反映中小企業信用等級的集合，評價等級的多少是根據實際情況確定的。本文取評語集為V={V1，V2，V3，V4，V5}={A+，A，B+，B，C}，具體代表優秀級，良好級，一般級，風險級，極差級。

2. 基于微粒群算法指標權重的確定

（1）指標權重數據來源。為了避免指標權重的主觀性，根據指標體系特點的不同，本文采用不同數據來源。對于定量指標，收集整理企業近5年的歷史數據；對于定性指標采用李克特量表專家打分法，共聘請了5位專家，專家的打分標準為：5分代表非常重要，4分代表重要，3分代表重要性一般，2分代表不重要，1分代表非常不重要。由于數據過于龐大，在文中不再一一列出。

（2）指標數據標準化。由于數據來源不同，各個指標的量綱和量綱單位不同，為了消除量綱和量綱單位不同對指標權重的影響，需要對評價指標進行無量綱化處理，具體方法為：

式（1）引入權重系數之和為1的約束條件后，便是一個有約束的非線性規劃問題，求解過程比較繁瑣，因此，本文嘗試用PSO對其進行求解。具體步驟見表2。

三級指標利用原始數據確定各指標權重，二級指標權重利用三級指標的評判結果依據式（1）確定權重，一級指標權重利用二級指標的評判結果依據式（1）確定。

3. 確定指標的隸屬度

中小企業在進行信用風險評價之前，應先計算隸屬度函數值。根據評價指標類型不同，需要運用不同的計算方法，指標主要分為定性指標和定量指標兩類：

（1）定性指標隸屬度的確定。對于難以用數量來衡量的定性指標，如財務信息質量、貸款履約情況等，采用模糊統計方法確定其隸屬度。假設邀請有n位專家按評語集V給各個定性指標劃分等級，然后依次統計指標屬于等級Vt的頻數，即可得評價指標的隸屬度。

（2）定量指標隸屬度的確定。對于可以用數量來衡量的定量指標，如三年銷售平均增長率、業務利潤增長率，參考《企業績效評價標準值2011》確定各個指標的參考標準，利用模糊分布的半梯形與三角形分布類型的隸屬函數來確定隸屬度。由于指標特點不同，區分為極大型指標和極小型指標。

①極大型指標相對于評語集的隸屬度為：

4. 各級指標進行模糊綜合評價

運用模型·，+（加權平均型的綜合評價，·表示普通乘法，+表示普通加法）對各級指標進行模糊綜合評價，下一級指標的評價結果是上一級指標的評價基礎。模糊綜合評價過程模型為：

5. 模糊綜合評價結果處理

模糊綜合評價結果采用最大隸屬原則處理，就是取一級指標模糊評價結果向量中最大的值所隸屬的等級作為結果。設模糊綜合評價結果向量為：B（t）=（b（t）1，b

四、實證分析

本文選取了某市的A企業作為評價對象。A企業是大型企業B的供貨商，A企業和B企業有長期的貿易關系。下面根據A企業的公司狀況、財務狀況和交易狀況先對其近一年的情況進行信用評價，然后再對其余4年進行評價。

（一）三級指標模糊綜合評價

由于三級指標數目較多，本文以企業素質下的三個指標財務信息質量、貸款履約情況、交易履約情況為例，其他指標模糊綜合評價的計算過程相同。

1.計算三級指標權重。指標財務信息質量、貸款履約情況、交易履約情況均為定性指標，其原始數據是聘請5位專家按照李克特量表打分法得到的。

（1）原始數據標準化。專家打分結果經標準化處理為：

圖1中縱坐標表示A企業每個時間點的信用等級，其中1代表極差級，2代表風險級，3代表一般級，4代表良好級，5代表優秀級；橫坐標代表各個時間點，其中1代表近5年，2代表近4年，3代表近3年，4代表近2年，5代表近1年。通過表6和圖1可以觀察到供應鏈金融視角下A企業近5年信用等級變化波動不大，基本上處于一般級以上，且多次處于優秀級，因此銀行可以考慮接受A企業的貸款請求。但是假如指標數據是在第二個時間點提取的，A企業信用等級處于一般級，銀行就可能猶豫對其放貸甚至可能直接拒絕其貸款申請，這樣銀行就會錯失客戶A企業；在只考慮中小企業自身情況的傳統信用風險評價方式下，A企業的信用等級整體就非常低，但是如果指標數據是在第4個時間點提取的，A企業的信用等級處于良好級，銀行就會考慮給予A企業貸款，這將使銀行存在很大的風險，很可能造成此筆款項無法追回的后果，給銀行帶來損失。另外，通過表6和圖1可以看出：在供應鏈金融視角下，對中小企業的評價不再僅僅依靠中小企業自身，而是對于整個供應鏈的信用評價，中小企業的信用等級獲得明顯提升，增加了銀行的潛在客戶，使得銀行的利潤空間變大。

五、結論

針對以往供應鏈金融視角下中小企業信用風險評價多是在孤立時間點上進行的不足，本文構建了基于時間維的模糊綜合評價模型。此模型在充分考慮了由于政策、市場環境等變化，可能引起指標數據發生較大幅度增長或降低，從而產生錯誤的評價結果，使銀行在放貸過程中存在很大風險的情況后，加入了時間維的思想，降低了銀行放貸風險。通過以A企業為例，分析其在供應鏈金融視角下和只考慮中小企業自身情況下的信用等級變化趨勢，本文證明了此模型的科學性和有效性。這提醒銀行應注意收集、整理客戶資料，不斷地豐富和完善供應鏈金融視角下的資料，并不斷地發展和完善信用風險評價方法，降低銀行的放貸風險。

參考文獻：

[1] 熊熊，馬佳，趙文杰.供應鏈金融模式下的信用風險評價[J].南開管理評論，2009，12（4）：92-98.

[2] 胡海青，張瑯，張道宏.基于支持向量機的供應鏈金融信用風險評估研究[J].軟科學，2011，25（5）：26-33.

[3] 談俊英.供應鏈金融模式下商業銀行中小企業融資問題研究[D].西安，西安電子科技大學，2012.

[4] 謝偉.商業銀行信用風險識別以及評價——基于供應鏈金融視角[D].上海，東南大學，2012.

[5] 孟麗.基于供應鏈金融的中小企業信用風險評價體系構建[D].天津，天津理工大學，2011.

[6] J Kennedy，R C Eberhart.ParticIe Swarm Optimization.IEEE InternationaI Conference on NeuraI Networks，Perth，AustraIia，1995.

[7] Y Shi，R C Eberhart.A Modified Swarm Optimizer.IEEE InternationaI Conference of EvoIutionary Computation，Anchorage，AIaska，1998.

[8] 肖智，呂世暢.基于微粒群算法的西部地區自主創新能力綜合評價研究[J].科技管理研究，2007（8）：24-26.