大數據背景下供應鏈金融中小企業(yè)信用風險評價研究*

（貴州財經大學，貴州 貴陽 550025）

0 引言

供應鏈金融的產生是為了滿足供應鏈條上下游企業(yè)由于真實貿易產生的短期融資需求。供應鏈金融作為一種創(chuàng)新的融資模式，可以靈活地為中小融資企業(yè)提供金融產品以及服務。2017 年國務院辦公廳印發(fā)的《關于積極推進供應鏈創(chuàng)新與應用的指導意見》中，明確指出了應當積極妥善的發(fā)展供應鏈金融，鼓勵商業(yè)銀行等金融機構輔助核心企業(yè)建立供應鏈金融平臺，為上下游中小微企業(yè)提供了便捷的融資渠道。

就目前發(fā)展現狀而言，我國供應鏈金融雖然發(fā)展很快，但仍然處于初級階段，供應鏈金融發(fā)展的深度與廣度均有待提高。供應鏈金融“暴雷”事件頻出，究其根本原因是由于鏈上的各利益關系主體存在信息不對稱現象，也就是人們常說的信息孤島。傳統(tǒng)銀行等金融機構對于供應鏈金融行業(yè)的交易流程并不能深入了解，不能夠很好地實現當前資金流、物流、信息流的高質量融合。由于傳統(tǒng)供應鏈金融機構對于風險識別與管理的成本都較高。因此，加大了對于供應鏈金融風險管理的難度。本文在當前大數據的背景下對中小企業(yè)供應金融信用風險進行評價，收集了汽車行業(yè)中小上市公司數據作為樣本，利用主成分分析和邏輯回歸建模對供應鏈金融信用風險度量分析，實證表明其模型準確率達到89.3%。

1 文獻回顧

危害供應鏈金融的持續(xù)性和穩(wěn)定性的首要原因是供應鏈運營中斷。為了加強供應鏈金融風險管理，部分學者研究從供應鏈風險產生的來源和風險管理進行分析。董士浩、李稚[1]針對國際供應鏈復雜多變的特點，通過系統(tǒng)動力學仿真案例分析得出供應鏈關系是影響國際供應鏈金融風險的重要因素之一。張婉榮、朱盛萍[2]針對供應鏈風險來源的多樣性，從供應鏈金融宏觀系統(tǒng)風險、網絡結構的合理性以及內部原因等三個維度提出了新的供應鏈風險管理評估框架。李健、張金林[3]指出，供應鏈金融作為一種新型高效便捷的融資模式，雖然可以高效解決供應鏈金融上下游企業(yè)的融資問題，但由于供應鏈具有鏈上傳導作用，企業(yè)信用風險更容易傳導到整條供應鏈，進而對宏觀經濟產生影響。供應鏈金融可以有效地推動我國供給測改革，同時有效緩解中小企業(yè)融資難題。同時伴隨著不同于傳統(tǒng)金融業(yè)務的信用風險，節(jié)點化分析是供應鏈金融信用風險管理的基礎。曹允春、林浩楠、李彤[4]建議利用金融科技來應對系統(tǒng)性風險交易流風險、財務流風險以及信息流風險等傳統(tǒng)供應鏈金融問題。付瑋瓊[5]提出不同供應鏈金融模式下核心企業(yè)參與的可能性風險，并基于復雜系統(tǒng)理論和共生理論構建了核心企業(yè)主導的供應鏈金融網絡拓撲結構及依賴共生模型。楊青[6]通過演化博弈模型對銀行與電商平臺之間委托代理關系分析，指出銀行與電商的付出成本會影響供應鏈金融業(yè)務的監(jiān)管。當銀行對電商平臺的融資企業(yè)進行授權管理時，存在一定監(jiān)管漏洞問題，進而會帶來一定供應鏈融資風險。綜上分析，造成供應鏈金融信用風險的原因有很多，多數學者從供應鏈金融交易流程的角度進行分析管理。

2 基于邏輯回歸模型的信用風險評估

2.1 樣本及初始財務指標選取

在經濟生活中許多現象都是以分類變量，而不是連續(xù)變量來表示的，研究變量的取值只有兩類情況，即“是”與“否”。對于分類變量的分析，Logistic 回歸模型仍然具有不可替代的作用。Logistic 回歸模型是指因變量為二級計分或二類評定的回歸分析，一般形式如下：

其中，θ0表示常量，θk表示對應的回歸系數。Xk代表各指標變量。因變量表示Pk企業(yè)出現的概率，越接近0 表示企業(yè)違約風險越低，越接近于1 表示企業(yè)違約風險越高。

為了便于檢驗本文所構建的評估指標體系以及所構建的信用風險評估模型的適用性，本文先對28 家公司的資信情況進行分類。根據國務院國資委財務監(jiān)督與考核評價局2015 年新出臺的《企業(yè)績效評價標準值》來評判企業(yè)的信用風險狀況，以債務風險指標中的帶息負債比率為標準對樣本企業(yè)進行分類。如果企業(yè)債務風險指標中的帶息負債比率高，就說明它有信用風險，否則就是沒有信用風險。通過這種劃分政策，最后有8 家是有信用風險的公司，20 家是無信用風險的公司。

汽車行業(yè)是以整車制造的企業(yè)作為核心企業(yè)，其上游零配件供應商以及下游整車的經銷商多且交易脈絡復雜。企業(yè)之間的三角債務關系復雜，一個中小企業(yè)的違約行為將會導致整個供應鏈條上的連鎖反應，造成的嚴重后果。因此，本文選取汽車行業(yè)作為供應鏈金融信用風險研究樣本。該樣本從盈利能力、經營能力、償債能力、成長能力、現金流量六個維度選取指標。最終選取了預計負債(元)、凈資產收益率(平均)、銷售凈利率(TTM)、流動比率、速動比率、現金流動負債比、凈利潤增長率、凈資產增長率、總資產增長率、存貨周轉率(次)、應收賬款周轉率(次)、資產負債率、非流動負債/負債合計、凈利潤/利潤總額等14個指標作為因子來研究中小融資企業(yè)違約風險。本文的指標數據主要來源于RESSET 金融研究數據庫。

2.2 主成分分析

運用spss18 軟件對28 家公司數據進行主成分分析，提取主成分因子。樣本數據處理與檢驗，有效樣本數量為28 個。用KMO 和Bartlett 法對指標體系進行檢驗，結果如表1 所示。一般來說，KMO 值大于0.5 時，數據是比較適合做主成分分析的，當KMO 值小于0.5，數據就不適合做主成分分析。表1 中顯示的KMO 值為0.679，大于0.5，顯著性水平小于0.05，表明該數據適合做主成分分析。

表1 KMO 和Bartlett 檢驗

1）公因子解釋程度分析。為了降低所選14 個評價指標的多重相關性，本文采用主成分分析法。碎石圖是反映各個因子的重要程度，因子相關性越強，特征值越大，直線越陡峭。所得碎石圖如圖1 所示。由圖1 可知，前4 個指標的特征值均大于1，可以看出大部分指標的被解釋程度都比較高。

2）主成分因子提取。依據總方差及旋轉后的成分矩陣綜合計算分析，如表2 所示，選取前4 個主成分因子分別定義為F1、F2、F3、F4，且由圖1 可知，這4 個主成分因子解釋程度較高，通過表2 可知，這4 個主成分因子基本包含了所有指標信息。這4 個因子分別定義為：F1 主要表示銷售凈利率、凈資產收益率(平均)，主要代表企業(yè)的盈利能力；F2 主要表示流動比率、速動比率、資產負債比率，主要代表企業(yè)的償債能力；F3 主要表示應收賬款周準率、存貨周準率，主要代表企業(yè)的運營能力；F4 主要表示總資產增長率、凈資產周轉率，主要代表企業(yè)成長能力。

圖1 碎石圖

表2 旋轉后的成分矩陣

2.3 模型預測正確率

將上述提取的4 個主成分因子作為協(xié)變量，企業(yè)違約概率為因變量，由于企業(yè)只會出現違約和不違約兩種情況。Logistic 模型的基本原理是把因變量分為對立的兩個結果。故本文采二分類的Logistic 回歸模型進行實證分析，并“帶息負債比率＞0.5”的企業(yè)定義為“1”，“帶息負債比率＜0.5”企業(yè)定義為“0”。Logistic 模型都會犯兩類錯誤，即Ⅰ類錯誤和Ⅱ類錯誤。將預測集樣本數據代入預測模型中進行模型效果檢驗，得到的檢驗結果如表3 所示。判定結果顯示，總體判定準確率達到89.3%。

表3 預測表（分界值為0.5）

從以上分析中可以看出，大體來說Logistic 模型在評價汽車企業(yè)違約風險準確度較高，具有一定的操作性和可行性。

3 結論與建議

本文以28 家公司做為樣本進行實證研究，從盈利能力、經營能力、償債能力、成長能力、現金流量六個維度選取14 個評價指標，通過主成分分析得到了4 個主成分因子，并基于Logistic 模型構建汽車行業(yè)中小上市公司供應鏈金融信用風險評價模型，實證結論如下：

1）非信用危機公司與信用危機公司在指標凈資產收益率、凈資產收益率、營業(yè)利潤率、營業(yè)利潤/營業(yè)總收入、凈利潤增長率、總資產增長率、每股凈資產、每股收益、總資產現金回收率、經營凈現金流量/帶息債務、固定資產周轉率上有顯著差別。該模型總體預測準確度較高，達到了89.3%。汽車中小上市公司供應鏈金融信用風險測度模型具有可預測性。這為銀行等金融機構提供了較好的供應鏈金融信用風險評價參考模型。

2）實證過程中將14 個指標進行整合得到4 個主分因子。從全文模型分析來看，為了預防汽車中小企業(yè)供應鏈金融“暴雷”事件的發(fā)生，可以從如下方面入手：重點關注汽車企業(yè)自身盈利能力和現金流量；企業(yè)有足夠的利潤和現金流量，企業(yè)供應鏈融資出現違約的可能性就會大大降低；同時，協(xié)調好各個指標的關系，做到企業(yè)的償債能力、盈利能力、企業(yè)自身成長能力協(xié)調發(fā)展。

總之，可以進一步將本文研究結果應用到企業(yè)的實踐當中，幫助現有供應鏈金融信用風險做出準確預測，以幫助銀行等金融機構快速并且準確地識別信用風險較低的企業(yè)。同時，優(yōu)化企業(yè)投融資結構、經營策略及人才培養(yǎng)方案等，形成企業(yè)健康發(fā)展的長效機制。對大數據背景下規(guī)范供應鏈金融的穩(wěn)定發(fā)展等具有現實意義。