基于BP 神經網絡的化工行業供應鏈金融信用風險評價

李 昕，湯 健 （江蘇大學 管理學院，江蘇 鎮江212013）

LI Xin, TANG Jian (School of Management, Jiangsu University, Zhenjiang 212013, China)

0 引 言

化工行業作為國民經濟的支柱產業之一，在國民經濟中占有重要的地位。由于產品種類繁多，生產流程長并且復雜的特點，化工行業上下游情況較為復雜。同時，化工行業匯集著數以萬計的中小企業。據《中國化學工業年鑒》數據，我國化工行業的企業整體數量已達數十萬家，值得注意的是中小化工企業占90%以上。在化工行業，中小企業貢獻了行業持續穩定發展的決定動力。與其他行業類似，“融資難”同樣困擾著化工中小企業。由于化工行業具有的輕資產性、價格波動性、交易分散性等特點，化工中小企業的“融資難”問題與其他中小企業相比更加復雜多變。在面臨化工中小企業的融資需求時，銀行等金融機構如何開展風險控制識別及措施值得進一步深入研究。

1 相關研究綜述

供應鏈金融是當下金融與供應鏈管理的重要構成[1]。對供應鏈金融的概念界定，Kouvelis（2015） 認為，資金提供者基于供應鏈環節真實發生的商業貿易開發的一系列融資、服務產品[2]。近年來，我國學者也對供應鏈金融進行了深入研究，蘭軍（2019） 提出供應鏈金融是一種銀行等金融機構從供應鏈管理的角度，涉及供應鏈多個節點如供應、生產、銷售、運輸，針對中小融資企業采購生產所需原料或半成品等不同行為，幫助其提高信用等級并提供階段性融資及配套服務的業務模式[3]。具體到銀行等金融機構的實踐層面，深圳發展銀行是國內最早開展供應鏈金融業務的金融機構[4]，通過引入供應鏈金融概念，在國內商貿融資的基礎上推出全新的“1+N”融資模式，將部分資金覆蓋到供應鏈上下游流動資金緊缺的中小企業是該模式的最大亮點[5]。近年來，供應鏈金融穩步發展，預付賬款類融資、存貨類融資和應收賬款類融資構成了供應鏈金融主要類型，具體可以劃分為倉單質押授信、先票/款后貸授信、保兌倉、融通倉、國內信用證業務等[6]。

涉及到供應鏈金融信用風險評價的文獻，Hu 和Ansell（2007） 運用專家評分法考慮企業財務指標及宏觀環境變量對供應鏈金融信用風險的影響[7]；黃靜思等（2014） 研究發現供應鏈系統風險對供應鏈金融的信用風險影響較大[8]；Su 和Lu（2017）考慮上下游產業及貫穿供應鏈整體的物流企業，建立模型結合仿真技術測量信用風險[9]；范方志等（2017） 采用多目標決策分析法，將供應鏈核心企業及融資企業的財務數據設為變量納入指標體系[10]；顧治程和蔣艷（2017） 采用Logistic 回歸模型分析供應鏈金融信用風險[11]。與此同時，胡海清等（2012） 建立了支持向量機預警模型[12]；葉曉楓和魯亞會（2017） 運用數學思想，依靠財務指標建立隨機森林考慮樸素貝葉斯的信用風險預警模型[13]；蔣曼曼（2017） 采用主成分分析研究企業的財務指標并設定一個Logistic 預警模型[14]；戴昕琦（2018） 以線上供應鏈金融為研究對象，分析其融資模式，從SMOTE 算法角度考慮信用風險大小[15]。

近年來，不少學者發現將人工智能模型與信用風險評價相結合可以繼續完善信用風險評價的準確度，因此以BP 神經網絡為代表的人工智能模型逐漸成為預警企業財務危機的主流方式。其中，Hamadi 和Abdelmoula（2010） 以資金需求企業的財務數據運用BP 神經網絡建立了預警模型[16]；Lang Zhang 等（2015） 采用SVM 模型和BP 神經網絡分析供應鏈上下游中小企業的信用風險狀況[17]。楊斌等（2016） 將29 家有融資需求的企業數據結合信用風險評價模型證明了BP 神經網絡對信用風險評價具有一定的可行性[18]。蔡靜雯等（2016） 則從金融機構的角度出發，運用BP 神經網絡模型測量出樣本判別分類的準確率高達92%[19]。綜上所述，對供應鏈金融信用風險的研究近年來趨向客觀、復雜，本文將利用BP 神經網絡來構建評價指標體系，以預測供應鏈中化工行業中小企業的信用風險。

2 基于BP 神經網絡的化工行業供應鏈金融信用風險指標體系構建

2.1 化工行業供應鏈金融信用風險指標的選取

供應鏈金融未興起時，金融機構在面對化工企業融資需求時，僅僅考慮融資企業本身存在的信用風險，調查分析其靜態財務指標，導致大多數的融資都匯集到大型化工企業。現實中面臨融資難問題的化工企業往往規模較小，財務數據較為零散、不透明，甚至會出現不符合法律法規的相關問題，因此，真正有融資需求的企業往往得不到融資貸款。而供應鏈金融從動態的視角出發，通過分析中小融資企業的信用風險，選取一套有效且完善的指標評價體系并結合化工產業鏈上下游企業尤其是核心企業相關特點，對中小融資企業所處產業鏈整體進行評價。

因此實施化工供應鏈金融的前提是為相關融資企業建立一套適用于化工行業供應鏈金融的信用風險體系。而化工中小企業的信用風險主要體現在融資企業、上下游核心企業、物流企業及供應鏈整體運營狀況等，所以本文將依托以下4 個與化工中小企業的信用風險息息相關的層面建立化工行業供應鏈金融的信用風險指標體系：

（1） 化工中小融資企業：化工中小企業因其規模較小往往沒有直接的信用等級。企業素質、經營能力、盈利能力、償債能力和發展能力等指標直接反應了融資企業的信用高低。化工中小企業信用越高，越能按時履行融資合同，對金融機構的風險也就越小。

（2） 核心企業信用狀況：核心企業因其規模、行業地位往往有一定的信用評級，掌握核心企業的財務和運營等狀況可以在化工中小企業違約時，履行部分擔保責任，對銀行等金融機構降低信用風險具有一定的意義。

（3） 化工供應鏈運營狀況：作為供應鏈金融主體的融資企業，既可以通過抵押廠房等固定資產又能夠憑借半成品等存貨進行抵押，然而化工產品價值伴隨著化工行業的發展程度上下波動，因此化工中小企業所處行業的發展狀況十分重要。

（4） 第三方物流企業：化工產品因其特殊性往往需要專業的物流運輸和倉儲服務，第三方物流企業的運營狀況直接決定著化工供應鏈上下游交易的穩定性，第三方物流企業在化工供應鏈的運轉中起到一定的監管作用。

在大量文獻研究和專家調查的基礎上，依據指標設計的原則和方法，建立了供應鏈金融視角下化工行業中小企業信用風險評價指標體系。指標體系及評分準則如表1 所示。

2.2 化工行業供應鏈金融信用風險BP 神經網絡模型的設計

對信用風險BP 神經網絡模型而言，首先要確定網絡的層級數目以及各個層級的神經元數目。Kolmogrov 理論證明具有3 層結構的BP 網絡其學習性較好。因此，本文利用3 層級BP 網絡結構進行訓練。

（1） 確定輸入層和輸出層：本文構建的是化工行業供應鏈金融信用風險評價指標體系，將上文28 個評價指標作為BP 神經網絡模型的輸入。由于信用風險評價的目標是判斷某個企業融資風險的高低，因此神經網絡的輸出結果只有一個，具體可以設置為［-1,1 ］之間的數值，信用風險從高到低遞增。

表1 評價指標體系及釋義

（2） 確定隱含層：在實際操作過程中可以通過試錯的方式確定隱含層的具體數值，具體而言可以通過下式確定：

式中：m表示輸出神經元；n代表輸入神經元；a為1～10 之間的常數。為確定最佳的隱含層單元數，本文設計了一個隱含層神經元可變的BP 神經網絡。

3 基于BP 神經網絡的信用風險模型訓練與實例驗證

（1） 數據來源與整理。本文樣本數據來源于Wind 數據庫，選取并篩選出在新三板掛牌的化工企業共112 家，根據《中小企業劃型標準規定》對化工行業營業收入在300 萬元至40 000 萬元之間為化工中小企業的標準剔除27 家，剩85 家化工中小企業。依據其財務報表將主營業務為醫藥化學、高端材料制造等企業共43 家剔除，剩42 家化工中小企業。

考慮到化工中小企業沒有直接可得的信用等級，直接用化工企業的信用評級進行BP 神經網絡的訓練不可取。對新三板上市的化工中小企業而言，其信用風險的高低可以從股價波動看出。對一定期限內股價上漲的企業，可以歸類為“低風險企業”，金融機構可以授信；對一定期限內股價沒有明顯波動的企業，歸類為“中性企業”，金融機構授信時需謹慎；對一定期限內股價下降的企業，歸類為“高風險企業”，金融機構拒絕授信。基于此標準，本文利用國泰安數據庫對42 組數據中化工企業自2019 年下半年的股價進行分析，發現有11 家企業受交易不活躍等因素的影響沒有形成完整的市場價格，另外8 家企業因財務信息不完整剔除，剩23 家。其中訓練樣本集包括20 家企業，測試樣本集包括3 家企業。在20 家訓練樣本集中，低風險企業8 家、中性企業6 家以及高風險企業6 家；在測試樣本集中，低風險企業1 家、中性企業1 家以及高風險企業1 家。不同企業信用風險的高低可以通過具體賦值表示：低風險企業為1，中性企業為0，高風險企業為-1。

表2 風險評價原始數據表

本文從國泰安數據庫選取了樣本企業的相關定量指標作為訓練樣本數據。而對于“行業環境”等定性指標通過已有的文獻來進行賦值評價。這樣可以得到BP 神經網絡的原始數據表，如表2 所示。

BP 神經網絡對輸入有要求，訓練樣本被標準化處理后，屬性數據可以轉化為無量綱數據，有利于統一衡量。最大最小值法是目前運用最廣泛的標準化處理方法，具體處理為：

其中：cp是經過轉化后的樣本個體，是樣本數據X的單個個體，MIN（X）和MAX（X）分別表示樣本數據X的最大值及最小值。經過標準化處理后的數據維持在［0,1 ］之間，具體數據如表3 所示。

（2） 網絡訓練與仿真檢驗。BP 神經網絡提供Log-sigmoid 類S 型傳遞函數、Tan-sigmoid 類正切S 型傳遞函數、Purelin 類線性函數等函數。鑒于樣本已經通過最大最小值法處理，本文將Tan-sigmoid 函數運用到BP 神經網絡的輸入層到隱含層，將Log-sigmoid 函數運用在網絡的隱含層到輸出層，訓練算法則選擇trainglm 函數。最后構成一個28×20×1 的BP 神經網絡模型。模型的設定參數誤差為0.001，學習率為0.01，循環學習次數為1 000 次。在設定好BP 神經網絡的各項參數后，將已經處理好的數據訓練學習：訓練樣本包含1～20 號樣本數據，檢驗樣本包含21 號到23 號樣本，具體的驗證如下：

表3 標準化處理數據表

本文通過設定round 函數，對訓練結果進行取整以便訓練結果更加直觀。經過訓練得到：Y=（0,-1,0.5,1,0.5,-1,0,1,-1,1,0.5,1,1,-1,-0.5,1,1,0.5,1,0）；與實際情況相結合（見圖1） 可以發現，經過BP 神經網絡訓練的輸出結果與現實結果誤差較小，說明本文采用的BP神經網絡具有一定的有效性，可以應用到其他樣本檢驗測試。

圖1 BP 神經網絡回歸分析圖

將21 號至23 號樣本輸入調試好的信用風險評價模型中，經過多次運算得到的檢驗結果為：0.137,-0.924,0.839。

依據股價波動將檢驗結果與實際信用風險高低對比，可以發現21 號至23 號所代表的XX 化成、君X 科技、連X 化學3家企業的信用風險值分別為0,-1,1。以連X 化學為例，該企業的運算結果與實際信用風險誤差最小。在資料分析過程中，該企業的財務信息相對透明，所處供應鏈運營狀況較好，對應核心企業為國內鋼鐵龍頭企業，承擔運輸的企業同樣為5A 級物流企業，因此在3 家企業中信用風險最低。從實際運算來看，本文構建的化工行業供應鏈金融信用風險評價模型的評價結果與實際誤差較小，該BP 神經網絡具有較強的風險評價能力。對融資難的化工企業而言，其財務信息透明度，供應鏈上下游之間的運營狀況以及物流企業的穩定性直接影響著企業自身的信用風險大小。對銀行等金融機構而言，供應鏈金融業務順利開展的決定因素往往來源于信用風險評價結果，因此化工行業的中小企業必須對自身財務數據如盈利能力、償債能力等加以重視。

4 研究結論與展望

本文基于供應鏈金融視角，充分考慮供應鏈管理的相關理論，依托現有的供應鏈金融指標體系，充分考慮化工供應鏈上下游中小企業財務狀況、供應鏈整體運營情況，增加了第三方物流企業運營狀況等影響因素，構建了經營能力、償債能力、發展能力等28 個評價指標在內的化工行業供應鏈金融信用風險評價體系，并通過BP 神經網絡建立相關檢驗模型，研究發現本文選取的指標，為學者研究供應鏈金融信用風險提供了較好的方法。

在缺少化工中小企業信用評級的背景下，化工中小企業想要獲得銀行等金融機構的融資，必須意識到信用風險的重要性，要保證自身信用風險相對較低，這就要求其平穩發展，不斷完善財務信息，尋求行業地位高的核心企業合作。另外，除了金融機構，在投資多元化的熱潮中，風投以及依托貿易開展融資的第三方供應鏈金融都可以成為化工中小企業的融資選擇，面對不同的融資方，信用風險應是最被關注，被認為是否融資的決定因素。因此本文建立的化工行業中小企業供應鏈金融信用風險評價模型可以為融資機構提供一定的參考，在我國融資機構對化工中小企業的信用風險管理中具有較好的發展前景。