互聯網供應鏈金融信用風險度量與盯市管理

王寶森，王 迪

（1.北京物資學院經濟學院，北京市101149；2.天津大學經濟與管理學部，天津市300072）

互聯網供應鏈金融信用風險度量與盯市管理

王寶森1，王 迪2

（1.北京物資學院經濟學院，北京市101149；2.天津大學經濟與管理學部，天津市300072）

在對互聯網供應鏈金融信用風險度量中，可充分發揮互聯網便利獲取中小企業即時動態非財務數據（如交易頻率、客戶活躍程度、滿意度等）的優勢，掌握中小企業基本狀況、互聯網交易狀況、互聯網服務質量、供應鏈行業狀況等指標，以主成分分析法確定影響互聯網供應鏈金融的主要影響因素，準確、及時了解互聯網供應鏈金融的風險程度，突破傳統以財務指標為主衡量金融風險的局限。在此基礎上，可借鑒期貨風險管理的經驗，設計互聯網供應鏈金融風險管理的盯市制度，以邏輯回歸風險判別器進行信用風險判斷，進一步控制和降低互聯網供應鏈金融的信用風險。

邏輯回歸模型；互聯網供應鏈金融；信用風險；盯市

一、引言

互聯網供應鏈金融是互聯網平臺支持下的供應鏈金融生態圈，在生態圈中，電商、銀行、物流企業、核心企業以及中小企業跨界合作，減緩過分依賴傳統金融機構的程度。與傳統供應鏈金融一般將中小企業的信用風險控制轉移到信用資質高的核心企業相比，互聯網供應鏈金融的信用風險控制是供應鏈整體的信用風險控制。如何管理互聯網供應鏈金融信用風險已經成為許多大型互聯網平臺積極探索的重要課題之一。

二、國內外文獻綜述

國外對于供應鏈金融業務模式的研究較多。早在1948年，艾伯特（Albert）[1]就將供應鏈金融業務模式分為存貨質押和應收賬款融資兩種，并針對各自的管理方式進行了研究。對于供應鏈金融信用風險的研究，國外學者基本上是基于傳統信用風險評估模型進行的，包括信用度量術模型（Credit Metrics）、宏觀模擬模型（Credit Portfolio View）、信用風險附加法模型（Credit risk+）、信用監控模型（KMV）、風險在險值（VaR）和概率型非線性回歸模型（Logistic）。2013年馬姆杜·雷法特（Mamdouh Refaat）[2]就供應鏈金融的信用風險評價進行研究，將SAS信用風險評分體系應用于標準格式下的供應鏈金融信用風險評估。由于互聯網供應鏈金融是從國內興起的，國外對互聯網供應鏈金融信用風險的研究較少，僅有2012年巴蘇和奈爾（Basu&Nair）[3]通過分析B2B平臺互聯網供應鏈金融預付賬款的業務模式，設計了一種隨機動態規劃模型，認為互聯網平臺下中小企業財務狀況的不完善會增加信用風險。

在國內，研究供應鏈金融較早的羅齊等[4]討論了融通倉模式下如何充分利用物流這一關鍵環節完善供應鏈金融業務的問題。對供應鏈金融信用風險研究一般是基于傳統信用風險評估模型或結合其他模型進行的，孔媛媛等[5]構建了供應鏈傳統信用風險的度量模型，并結合模糊算法將某些難以量化的信用風險影響因子模糊化處理。而對互聯網供應鏈金融信用風險研究較少，趙道致等[6]提出的通過電商平臺結合倉單質押業務的信用風險管理，其本質是將傳統供應鏈金融倉單質押信用風險管理模式搬到互聯網。將財務指標應用到傳統信用風險模型的研究相對多一些，郭菊娥等[7]的研究具有代表性，提出基于B2B電商平臺的互聯網供應鏈金融融資模式的發展路徑，指出互聯網化會讓信用風險呈現協同式的特點，并運用財務指標將不同信用風險模型的有效性進行對比分析。

總體來看，國內外對互聯網供應鏈金融信用風險管理的研究較少，且現有研究運用財務指標進行分析較多，運用非財務指標及系統中實時數據進行分析的較少。

三、邏輯回歸模型

邏輯回歸（Logistic）模型是處理分類數據的有力工具，對解釋變量幾乎沒有任何限制，適用性非常強。

（一）邏輯回歸模型簡介

邏輯回歸模型是概率型非線性回歸模型，在因變量為分類變量時應用較多，可根據分類變量取值分為二分類邏輯回歸、多分類邏輯回歸、配對邏輯回歸三種類型。本文主要分析二分類邏輯回歸模型。

對于信用風險研究而言，分類變量主要是違約和不違約，假設y=1為違約，y=0為不違約，p（y= 1）為違約概率，x為信用風險指標，企業違約的概率與信用風險指標的關系為：

P=P(Y=1|X)=f(x) 0≤P≤1

對數變換模型為：

這里，β0為常數，β1、β2、...、βk為信用風險指標回歸系數；p為違約概率，p越大，企業信用風險越大。本文選定p=0.5為閾值。如果通過邏輯回歸模型預測融資企業違約概率在0.5以上時，判定互聯網供應鏈金融信用風險明顯；當計算出來的結果小于0.5時，則判定融資企業沒有違約，互聯網供應鏈金融信用風險可控。

對于違約概率的參數估計，采用迭代解法進行估計：

（二）互聯網供應鏈金融信用風險指標選擇

供應鏈金融的融資對象主要是眾多中小企業，中小企業財務制度相對不健全，其公開的財務數據往往不能體現公司真實的運營狀況。在研究互聯網供應鏈金融信用風險時，指標選擇應過濾掉這些無效信息或虛假信息，利用互聯網平臺的優勢獲得諸如資產價格、資金流水、交易活動產生的實時流動性數據，以便對客戶進行更真實有效的分析，全方位評價、量化其風險，從而提高貸款決策的可靠性。

本文選擇的信用風險指標包括企業基本狀況、互聯網交易狀況、互聯網服務質量和供應鏈行業狀況等指標（參見表1）。

互聯網供應鏈金融的大數據多是非結構性的數據，冗余、重復信息非常多，需要從中篩選出對信用風險影響大的指標。本文運用主成分分析法進行篩選數據。

（三）主成分分析法

主成分分析法（Principal Component Analysis，PCA），是利用降維和線性轉換的思想，將多個相關變量轉化為少數幾個不相關的主成分變量。主成分變量按照方差由大到小排列，可以不重復地反映原始變量的大部分信息，在引進多方面變量的同時有針對性地分析重要指標，從而使問題簡單化。本文應用主成分分析法對互聯網供應鏈企業平臺上的中小企業諸多交易變量進行主成分分析，將模型簡化。

對于互聯網供應鏈金融中的資金供給方即互聯網平臺企業而言，需要觀測p個信用風險影響因子x1，x2，…，xp，平臺上n個企業的因子原始數據矩陣為：

Fj=αj1x1+αj2x2+…+αjpxpj=1，2，…，p

其中，Fj為第j個主成分，共有p個主成分，αij為主成分系數，本模型有三個假設：

第一，Fi、Fj互不相關（i≠j，i、j=1，2，…，p）。

第二，Fj依照方差由大到小的順序排列，如F1的方差最大，既大于F2的方差也大于F3的方差。

以上表達用矩陣式為：F=AX

表1 互聯網供應鏈金融的信用風險指標

主成分分析主要有以下五個步驟：

（1）將原始信用風險影響指標數據進行標準化處理，統一量綱，得到標準化數據矩陣Z，其矩陣元素為：

（3）求解相關系數矩陣的特征值以及相應的特征向量。根據雅克比方法求方程 ||R-λI=0的p個特征根，從而可以得到相關系數矩陣R的特征值（λ1，λ2，…，λp）以及相應的特征向量ai=（ai1，ai2，…，aip），i=1，2，…，p。

（4）得出主成分表達式：

Fj=αj1x1+αj2x2+…+αjpxp

主成分分析法的核心邏輯是利用方差貢獻率來解釋原始信息，方差貢獻率是某個主成分的特征值占全部特征值的比例，即：

貢獻率越大，說明該主成分所包含的原始變量信息越多。主成分個數k的選取標準由主成分累積貢獻率決定，累計貢獻率超過85%時，一般就認為主成分指標變量涵蓋了原始變量的絕大部分信息。

（5）對主成分變量進行綜合評價。在確定主成分后，還要注意主成分變量的實際含義解釋，這種解釋需要結合主成分變量的經濟意義，不能機械式填充。

四、實證分析

本文的數據來源于阿里巴巴網，選取了2016年度60家平臺中小企業，其中共900個數據30家企業作為訓練樣本，用于構建模型；另外30家企業作為測試樣本，用于模型的檢驗。按照互聯網供應鏈信用風險影響指標選擇的原則，本文涉及14個自變量，包括年營業收入、倉庫面積、員工人數、累計成交筆數、累計買家數、重復采購率、近90天退款率、近90天投訴率、貨描相符、響應速度、發貨速度、供應鏈重復采購率、供應鏈近90天退款率、供應鏈近90天投訴率（如表1所示）。

運用SPSS統計軟件進行分析如表2所示。

（一）主成分分析結果

運用SPSS統計軟件對14個互聯網供應鏈金融信用風險影響指標進行主成分分析，得到解釋總方差表（參見表3）。主成分提取原則是特征值大于1且累計方差大于85%，由表3可知提取的6個主成分的累積方差貢獻率達到了87.83%，即解釋了87.83%的總變異，大于85%，說明可以有效反映原始數據的主要信息。

表2 描述統計量

圖1為主成分的特征根數值碎石散點圖，從第7個折點開始折線變平緩，落差變小，說明前6個點能夠很好表達原始變量的大部分信息，進一步驗證了上面6個主成分選擇。

主成分確定后，需進一步確定因子載荷矩陣（參見表4）。將因子數據進行正交旋轉得到的旋轉成分載荷矩陣，可使變量解釋更清晰，明確因子的實際意義。

由表4可知，供應鏈重復采購率X12、供應鏈近90天退款率X13、供應鏈近90天投訴率X14等原始變量的信息主要反映在因子F1上，說明的是供應鏈整體的狀況。

累計成交筆數X4、累計買家數X5等原始變量的信息主要反映在因子F2上，說明的是融資方的互聯網交易頻度狀況。

年營業收入X1、倉庫面積X2等原始變量的信息主要反映在因子F3上，說明的是融資方主體基本狀況。

響應速度X10、發貨速度X11等原始變量的信息主要反映在因子F4上，說明的是融資方服務質量的狀況。

近90天投訴率X8等原始變量的信息主要反映在因子F5上，說明的是供應鏈下游投訴的狀況。

重復采購率X6等原始變量的信息主要反映在因子F6上，說明的是供應鏈下游重復采購的狀況。

總之，這6個主成分集中代表了互聯網供應鏈金融企業的供應鏈整體狀況、互聯網交易頻度、主體基本狀況、服務質量、供應鏈下游投訴以及重復采購狀況，解釋了87.83%的主要信息。

（二）邏輯回歸結果以及分析

本文利用SPSS統計軟件對6個主成分為自變量、信用等級作為因變量進行邏輯回歸模型分析，結果如表5所示。

由表5可知，在5%的顯著水平之下，6個主成分都是顯著的，因此整個模型也是顯著的。融資方的違約概率邏輯回歸模型如下：

表3 解釋的總方差

即融資方的違約概率如下式：

圖1 碎石圖

最后應用上式對剩下30個測試樣本進行回代檢驗，驗證模型的適用性。通過表6可知邏輯回歸模型對測試樣本判別的平均準確率為90%，其中第一類對15個違約樣本辨別出13個，準確率為86.7%；第二類對15個非違約樣本辨別出14個，準確率為93.3%。這表明本文的邏輯回歸模型具有不錯的預測能力。

表4 旋轉成份矩陣

表5 模型中的變量

（三）預測結果分析

傳統供應鏈金融信用風險管理多是基于財務報表數據進行的，這種數據是結構化的、相對靜態的。而互聯網平臺公司在供應鏈交易循環生態中會形成大量的非財務數據，這些數據具有碎片化、非結構化等特點。在本文的主成分分析實證中，互聯網供應鏈金融企業的供應鏈整體狀況、互聯網交易頻度、主體基本狀況、服務質量、供應鏈下游投訴以及重復采購狀況解釋了87.83%的主要信息，這意味著可獨立利用非財務數據對互聯網供應鏈金融的信用風險進行評估。對本文而言，重復采購率、近90天退款率、近90天投訴率、貨描相符、響應速度、發貨速度等非財務數據都是社會關系參與的體現，這種體現跟企業關注的聲譽有關，通過監控這些指標可以進一步管理信用風險。也就是說在互聯網供應鏈金融中，非財務數據可體現很多信用風險的信息，如果不善于利用這些信息，互聯網供應鏈金融的信用風險管理極可能不是充分有效的。

本文用邏輯回歸模型進一步處理這些非財務指標，最后歸一為違約概率判別變量，實證說明信用風險度量具有一定預測能力，獨立利用非財務數據度量互聯網供應鏈金融的信用風險管理是切實可行的。

相對于傳統財務數據，利用非財務數據管理互聯網供應鏈金融信用風險的重大意義體現在以下四個方面：

（1）拓寬了風險管理的界限。傳統財務數據主要反映企業運營狀況、擔保物經濟價值等，對于融資方的行為、偏向、心理都不能覆蓋，這些只能通過非財務數據才能有效表現出來，最終落實信用風險控制點。

表6 邏輯回歸模型測試檢驗

（2）可及時動態地進行風險管理。對于企業而言，最短的財務報表周期是一個季度，但如此長的周期不能滿足互聯網時代的風險管理要求。因此，傳統的財務數據背景下信用風險管理效率過低，而且是相對靜態的。非財務數據式的信用風險管理可以快速動態地利用日常交易數據隨時監控融資方的信用狀況，在一定程度上可滿足及時監控的要求。

（3）降低信貸欺詐風險。對于大多數中小企業而言，其財務數據都是未經過審計的，財務制度不完善，僅僅依賴財務數據進行信用風險管理，融資方的欺詐成本較低。但是基于大數據的非財務數據風險管理方式對數據進行大范圍杜撰難度和成本都較大，信貸欺詐的可能性大大降低。

五、互聯網供應鏈金融盯市模式設計

實證分析說明，應用邏輯回歸模型預測互聯網供應鏈金融下融資企業的信用風險具有即時動態性，可將其應用到信用風險管理中。互聯網供應鏈金融信用風險管理的核心有兩點：第一，確認融資方身份以及交易的真實性；第二，動態度量和判別信用風險。

為了動態度量和判別信用風險，本文增設風險判別器，將盯市制度引用到互聯網供應鏈金融信用風險管理模式中。

（一）盯市模式

本文構建的互聯網供應鏈金融風險管理盯市模式結構如圖2所示。該模式中互聯網供應鏈金融信用風險管理主要涉及五個主體：互聯網平臺、資金需求方、資金供給方、物流企業（倉庫）、第三方支付。為了研究方便，假設互聯網平臺、資金供給方、物流企業（倉庫）、第三方支付平臺同屬于互聯網平臺企業集團的子企業（現實中阿里巴巴集團、京東集團基本符合這種假設），互聯網平臺是整個信用風險控制的核心，因為它是大數據的來源，只有互聯網平臺才能真正控制和監督交易行為。資金需求方可以是互聯網平臺的供應商，也可以是下游的銷售商，涵蓋互聯網平臺的所有企業，這些企業只要滿足授信條件都可以向互聯網平臺申請貸款。物流企業和倉庫是整合物流的重要環節，互聯網平臺企業控制了物流企業和倉庫，就相當于獲得了無形的抵押物，包括且不限于應收賬款、訂單、倉單等。資金供給方可以是擁有剩余自有資金的互聯網平臺企業、P2P公司、小貸公司甚至傳統金融機構等。資金流的閉環重點在于第三方支付平臺，如支付寶、財付通等，它可以實現融資、還款、投資三個資金環節銜接循環。第三方支付平臺通過邏輯回歸風險判別器即時動態地監控資金需求方的狀況，預判資金需求方的信用風險，完成授信資金的劃撥、控制、貸后監控、還款所有的資金循環。

（二）盯市機制的實現

本文模擬期貨盯市制度設計了互聯網供應鏈金融信用風險管理模式，資金需求方和資金供給方相當于期貨交易的雙方，第三方支付平臺相當于期貨公司。

第三方支付平臺具有獲取相關數據的優勢，能夠便利獲得邏輯回歸模型計算所需的動態非財務數據，如交易頻率、客戶活躍度、滿意度等，因此第三方支付平臺負責控制邏輯風險判別器，并管理保證金賬號。

該盯市制度主要分為兩個部分：貸前和貸后信用風險管理。貸前信用風險管理由資金供給方結合互聯網平臺大數據進行授信審批，第三方支付平臺根據貸款額度或者授信額度通知資金需求方提交一定比例的初始保證金。貸后信用風險管理是由第三方支付平臺運用邏輯回歸模型計算企業違約概率。如果企業違約概率低于某一值，保證金賬號資金不動；如果高于某一值且低于0.5時，越接近0.5資金供給方收取的保證金越多，當保證金比例低于維持保證金比例時，第三方平臺通知資金需求方追加保證金；如果違約概率達到0.5或者資金需求方未及時追加保證金，則資金供給方將停止對其放貸、追回貸款余額、有權收取剩余全部保證金，如同期貨交易中強行平倉措施一樣，與此同時，第三方支付平臺要協助資金供給方進行催收管理，提前預警并做好失聯管理。

圖2 互聯網供應鏈金融盯市運作流程

六、結束語

本文構建了互聯網供應鏈金融的信用風險模型，并進行了實證研究，設計了邏輯回歸風險判別器，并借助盯市原理探索了創新的信用風險管理模式，這種模式適用于廣泛的互聯網平臺。目前互聯網金融單筆授信額度小，如阿里模式單筆授信額度僅為100萬元左右，必須依靠大數據進行信用風險度量。由于沒有抵押，自然要求較大的風險補償，以分散小額度單筆授信的風險。本文建立邏輯回歸風險判別器進行盯市機制下的信用風險管理，可有效降低信用風險，彌補阿里模式不能大額授信的缺點，從而實現規模化授信。

[1]ALBERT R KOCH.Economic aspects of inventory and re?ceivable financing law and contemporary problems[J].1948（4）：566-578.

[2]MAMDOUH REFAAT.Credit Risk Scorecards：Develop?ment and Implementation Using SAS[J].Journal of informa?tion Assuranceand Security，2013（4）：53-71.

[3]BASU，NAIR.Supply chain finance enabled early pay：un?locking trapped value in B2B logistics[J].International jour?nal of logistics systems and management，2012（3）：334-353.

[4]羅齊，朱道立，陳伯銘.第三方物流服務創新：融通倉及其運作模式初探[J].中國流通經濟，2002（2）：11-14.

[5]孔媛媛，王恒山，朱珂，李晟.模糊影響圖評價算法在供應鏈金融信用風險評估中的應用[J].數學的實踐與認識，2010（21）：78-89.

[6]趙道致，白馬鵬.基于應收票據管理的物流金融模式研究[J].預測，2008（3）：43-50.

[7]郭菊娥，史金召，王智鑫.基于第三方B2B平臺的對線上供應鏈金融模式演進與風險管理研究[J].商業經濟與管理，2016（1）：44-47.

責任編輯：方程

Credit Risk M easurement and the M arking to M arket System of Internet Supp ly Chain Finance

WANG Bao-sen1and WANG Di2
（1.BeijingWuziUniversity，Beijing101149，China；2.Tianjin University，Tianjin300072，China）

Inmeasuring the credit risk involved in Internet supply chain finance，we can fully take advantage of Internet to obtain the real time dynam ic non-financialdata aboutSMEs to understand such indicatorsas the basic statusof SMEs，the current situation of Internet transaction，the quality of Internetservice，and the currentsituation of supply chain industry；w ith the help of PCA，we can also determ ine themain influencing factors of Internet supply chain finance and accurately and timely understand the risk level involved in Internet supply chain finance to break through the tradition barrier that taking financial indicators as the main measurement of financial risk.Based on this，we can learn from the risk management in the Futuresmarket，design the marking to market system for risk management in Internet supply chain finance，estimate the credit risk by using the logistic regressionmodel，and further controland reduce credit risk involved in Internetsupply chain finance.

logistic regressionmodel；Internetsupply chain finance；credit risk；marking tomarket

F274

：A

：1007-8266（2017）04-0077-08

2016-11-26

國家自然科學基金項目“物聯網環境下供應鏈資源優化配置與運營協調研究”（71472134）

王寶森（1963—），男，河北省青縣人，北京物資學院經濟學院教授，主要研究方向為金融工程與風險管理；王迪（1990—），女，河北省邯鄲市人，天津大學經濟與管理學部博士生，主要研究方向為供應鏈管理。