模型化發展趨勢

高濛 北京工業大學經濟與管理學院

近些年來，在政策不斷利好、科學技術不斷迅猛發展的背景下，中國物流業發展規模不斷擴大，成為拉動經濟增長的重要引擎。中國物流金融伴隨著中國物流業的發展，也走過了大發展和大跨越的歷程。展望未來，中國物流金融市場有著廣闊的空間，據前瞻產業研究院供應鏈金融行業報告數據顯示,到2020年,我國供應鏈金融的市場規模可達14.98萬億元左右。

當前，人類已經進入大數據時代，對發展物流金融也提出了新命題和新任務。伴隨著中國物流產業的快速發展、物流金融技術的進步和物流金融市場的發展，中國物流金融管理實踐的模型化趨勢日趨明顯。

一、做好物流金融模型管理的重要性

二十一世紀以來，隨著計算機應用技術的發展和Internet的在物流業和金融業的日益普及，在物流金融管理和決策過程中，產生了大量而復雜的物流金融信息。

實踐表明，大量而復雜的物流金融信息在給管理者帶來方便的同時也帶來一系列問題。由于信息量過大，尤其是大量的非結構性數據，傳統的數據庫技術和數據處理手段已經不能滿足要求，超過了管理者已經掌握分析方法和處理數據能力，因而常常對海量物流金融數據興嘆。同時一些信息真偽難辯，給信息的使用者和管理者帶來了一定的麻煩。

在這種日益數據復雜化的情形下，給物流金融分析方法管理實踐的發展和應用提出了新的使命和挑戰。也就是說，誰在實踐中掌握了數量分析技術，就可在金融管理工作中少失誤，贏得主動，減少技術性風險。

物流金融技術包括對物流金融交易過程中金融契約進行風險管理和收益評估的具體的計量方法和財務分析數據。物流金融技術的發展水平決定著物流金融產品與服務的供給水平，也決定著物流金融市場的廣度和深度。就物流金融具體業務而言，物流金融的計量分析主要體現在四個方面。第一，如何對供應鏈不同環節開發同融資產品，如何分析評估各類物流金融產品的風險水平；第二，如何選擇具有不同風險表現的行業組成開展供應鏈融資；第三，如何把供應鏈融資產品與其他金融產品進行組合，從而將物流金融風險控制在合理的水平上。

二、物流金融模型的基本層次和類型

在大數據背景下，可計算的物流金融內涵相當豐富，除了傳統意義上的倉單、應收票據等可以進行量化分析，越來越多的企業數據通過復雜的算法獲得信息。可計算的金融時代，金融就是算法。隨著物流金融業務越來越數字化，越來越可計算化，物流金融也越來越算法化。

根據物流金融產品的多樣化和金融系統的復雜化，可以將物流金融數量分析分成四個層次，層次越高，數據模型所提供的價值越大。

第一個層次，數據模型告訴我們發生了什么。其數據范圍和內容主要限于物流金融的財務數據，目的是通過分析財務數據，僅僅告訴管理者和決策者發生了什么，不探求和分析詳細的內容和原因，因而對決策的幫助小。第二個層次，模型告訴我們問題到底是什么。通過模型分析，能夠提供給抉擇有用的信息，并告訴管理者和決策者問題的所在，分析出問題的原因。這種數據已經不是單純的財務數據，而是延伸到市場、銷售以及相對應的管理和業務活動中了，具備了在線分析的能力，屬于商務智能。第三個層次，數據模型告訴我們問題的根源并進行未來預測。通過模型，可以找到物流金融數據之間的因果關系，需要采取對應的措施。第四個層次，數據模型告訴我們最佳的情況是什么。這是個模型優化過程，能通過數據分析將日常的數據轉化為企業的實際成果，提高決策的速度和質量。在這種情形下，大數據的應用已不再是一次性或者短期行為，而是融入到管理和決策的日常行為中，因而對于不同確定性系數的問題，通過大數據分析予以消除和控制。

數據挖掘是模型化的重要手段，它具有滿足客戶需求、降低風險，實現最大化收益，簡化管理流程，優化資源配置等優點。數據挖掘可以分為無監督和有監督兩大類。在無監督數據挖掘中，可以對各個變量不予以區分，而是考察變量之間的關系，常用方法有描述和可視化、關聯規則分析、聚類分析、主成分分析等。在有監督數據挖掘中，可以根據一些變量建立模型，預測另外一些變量，前者被稱之為自變量，后者被稱之為因變量。常用方法有判別分析、貝葉斯分類算法、k近鄰法、線性模型和廣義線性模型等方法。

三、建立物流金融模型的基本步驟

物流金融模型的建立一般需要經過六個階段。

1.物流金融業務理解。物流金融參與各方可以從各自業務的角度對融資項目進行理解，進而轉化成一個數據挖掘的問題，并設計實施方案。

2.物流金融數據理解。通過物流金融平臺采集物流金融所涉及到數據，考察數據的質量。

3.物流金融數據準備。從采集來的原始數據中，篩選建模所需要的變量，進行數據轉換和清理。

4.物流金融模型建立。選擇多種方法建模，并進行模型優化。

5.物流金融模型評估。對模型進行全面評估，檢查建模過程步驟是否完整、參數解讀是否準確、論證邏輯是否清晰、模型結論與業務目標是否一致。

6.物流金融模型的發布與展示。通過信息平臺、會議、書函等多種形式展示物流金融模型的結果。

四、加快中國物流金融模型化進程的策略

由票據化到數據化，再到模型化（可計算化）是一個歷史發展過程。物流金融數據的可視化可以重新定義物流金融的數據模型，判斷物流價值。

物流金融的模型化是根據數理統計和數據決策原理所建立物流金融模型進行分析和決策的過程。加快中國物流金融模型化進程需要做好如下工作。

第一，不斷優化物流金融發展環境。中國的物流金融創新必須充分利用當代社會由工業化向信息化轉型所提供的有利的信息環境，充分利用信息化所具有的擴散性、滲透性和共享性的額特點，建立和完善物流金融立法和相應的制度規范，建立和完善適應大數據時代要求的物流將金融信息服務體系、物流金融安全保障體系和物流金融健康體系，實現物流金融現代化。

第二，利用大數據技術、物聯網技術、信息技術、自動化的搬運技術和分揀技術，提高各種層次和類型物流企業的管理精細化水平，提高對數據管理的效率和準確度，不斷推廣看板管理、精益管理、持續改進和平衡記分卡的快速推廣，從而提高物流金融業務的管理水平和服務能力。

第三，利用大數據、云計算技術，加快建設各類商業銀行的供應鏈金融系統，不斷開發物流金融產品，擴展物流金融渠道，商業銀行可以通過數據整合和模型構建和定量分析，提高供應鏈金融管理水平和風險控制能力。

第四，利用云計算、物聯網等技術，推進和加快建設物流金融公共信息平臺建設。近年來，為加強金融風險控制，國家級和區域級物流金融服務平臺不斷上線，在推動中國物流金融發展的進程中，中國起到了重要作用。面向未來發展，深化數據管理，加強區域物流金融數據合作，優化物流金融環境，不斷提高模型分析能力和水平

第五，利用大數據技術，進一步加快電商供應鏈金融發展。近年來，阿里巴巴、京東商城、慧聰網等電商供應鏈金融與商業銀行深度合作并不斷發力，形成了“互聯網+電商+物流”的金融模型，推動中國物流金融快速發展。在未來發展中，挖掘數據模型應用的深度和廣度，不斷發現客戶價值，推動新的發展。