基于GBDT的醫(yī)藥供應(yīng)鏈金融信用風(fēng)險評價

劉平山 曾梓銘

【摘 要】 “兩票制”改革下，醫(yī)藥產(chǎn)業(yè)鏈面臨重構(gòu)，醫(yī)藥中小企業(yè)融資需求不斷增加，從而催生出萬億級別的供應(yīng)鏈金融市場。然而，由于醫(yī)藥供應(yīng)鏈上信息不對稱以及信用風(fēng)險傳染，醫(yī)藥中小企業(yè)存在較高的信用風(fēng)險，如何有效評估醫(yī)藥供應(yīng)鏈金融信用風(fēng)險是把握億萬市場機會的關(guān)鍵。文章結(jié)合醫(yī)藥行業(yè)特征，構(gòu)建醫(yī)藥供應(yīng)鏈金融信用風(fēng)險評估體系，并在因子分析基礎(chǔ)上，運用梯度提升決策樹（Gradient Boosting Decision Tree，GBDT）進行信用風(fēng)險評估。通過與支持向量機（Support Vector Machine， SVM）、Logistic回歸模型和BP神經(jīng)網(wǎng)絡(luò)對比，發(fā)現(xiàn)GBDT模型具有更高的預(yù)測準(zhǔn)確率和分類真實性，驗證了供應(yīng)鏈金融模式下GBDT模型應(yīng)用于醫(yī)藥行業(yè)信用風(fēng)險評估的優(yōu)越性和有效性。

【關(guān)鍵詞】 醫(yī)藥供應(yīng)鏈金融; GBDT模型; 兩票制; 信用風(fēng)險

【中圖分類號】 F830.56? 【文獻標(biāo)識碼】 A? 【文章編號】 1004-5937（2021）16-0024-08

一、引言

2017年1月，國家衛(wèi)計委發(fā)布了《關(guān)于在公立醫(yī)療機構(gòu)藥品采購中推行“兩票制”的實施意見（試行）》（國醫(yī)改辦〔2016〕4號），“兩票制”改革正式開始試行。“兩票制”是指藥品從制藥廠銷售給經(jīng)銷商開一次發(fā)票，經(jīng)銷商銷售給醫(yī)院再開一次發(fā)票。在“兩票制”的政策下，醫(yī)藥流通環(huán)節(jié)大大縮減，醫(yī)藥產(chǎn)業(yè)鏈上下游兩端“多、散、亂”的問題得到有效解決，提高了醫(yī)藥行業(yè)的供應(yīng)鏈效率，為醫(yī)藥行業(yè)的健康發(fā)展創(chuàng)造了良好環(huán)境。與此同時，醫(yī)藥行業(yè)面臨重構(gòu)，扁平化趨勢突出，包括制藥企業(yè)、醫(yī)藥流通企業(yè)和代理商等都面臨較大的壓力和挑戰(zhàn)。由于處于供應(yīng)鏈強勢地位的醫(yī)院有著普遍的賒銷和較長的回款賬期，使得處于供應(yīng)鏈弱勢地位的醫(yī)藥分銷企業(yè)面臨越來越大的資金壓力，對融資的需求也不斷增加。新的壓力也產(chǎn)生了新的機會，從而催生出萬億級別的供應(yīng)鏈金融市場。

然而，由于醫(yī)藥供應(yīng)鏈上信息不對稱，商業(yè)銀行對于醫(yī)藥中小企業(yè)的營運情況、盈利狀況等信息掌握不完全，融資過程存在較大不確定性，容易引發(fā)信用風(fēng)險。同時，加上信用風(fēng)險在供應(yīng)鏈上具有傳導(dǎo)性，單個企業(yè)的信用風(fēng)險容易傳染到供應(yīng)鏈上其他企業(yè)，使風(fēng)險危害成倍擴大，對供應(yīng)鏈穩(wěn)定運作產(chǎn)生沖擊[1]。我國醫(yī)藥供應(yīng)鏈金融處于發(fā)展初期，商業(yè)銀行對利用供應(yīng)鏈金融進行融資的醫(yī)藥中小企業(yè)的資信水平評估尚不成熟，醫(yī)藥中小企業(yè)仍存在較高的信用風(fēng)險。如何在“兩票制”政策下有效評估醫(yī)藥中小企業(yè)的信用水平，降低貸款風(fēng)險的發(fā)生，是把握億萬級別市場機會，促進醫(yī)藥供應(yīng)鏈金融健康發(fā)展的關(guān)鍵。

為提高供應(yīng)鏈金融下醫(yī)藥中小企業(yè)信用風(fēng)險評估水平，從醫(yī)藥供應(yīng)鏈金融視角，構(gòu)建基于醫(yī)藥行業(yè)的信用風(fēng)險評估體系，并運用GBDT模型進行信用風(fēng)險評估。通過與SVM模型、Logistic回歸模型和BP神經(jīng)網(wǎng)絡(luò)的評估效果進行對比，驗證GBDT模型的準(zhǔn)確性和有效性，為供應(yīng)鏈金融下醫(yī)藥行業(yè)信用風(fēng)險評估提供借鑒。

二、相關(guān)文獻回顧

關(guān)于供應(yīng)鏈金融的內(nèi)涵，Allen et al.[2]最早提出完整的概念框架來分析中小企業(yè)信貸問題，初步提出了供應(yīng)鏈金融的概念，認(rèn)為供應(yīng)鏈金融能夠有效解決中小企業(yè)融資困難。Atkinson [3]指出供應(yīng)鏈金融是技術(shù)和服務(wù)的結(jié)合體，通過聯(lián)系供應(yīng)方、需求方和金融服務(wù)商，為供應(yīng)鏈上下游企業(yè)提供產(chǎn)品和服務(wù)，以加快資金周轉(zhuǎn)、增加供應(yīng)鏈的可視度和降低中小企業(yè)的融資成本。胡躍飛等[4]從銀行角度出發(fā)，認(rèn)為供應(yīng)鏈金融是對供應(yīng)鏈上各企業(yè)的金融資源進行有效整合，并通過引入金融服務(wù)商為供應(yīng)鏈中的資金流管理提供一系列解決方案。Gomm[5]提出，供應(yīng)鏈金融通過對供應(yīng)鏈中的現(xiàn)金流進行有效的管理和控制，可以降低融資風(fēng)險和融資成本，提高供應(yīng)鏈的整體運作效率。Wuttke et al.[6]認(rèn)為，供應(yīng)鏈金融是在供應(yīng)鏈的基礎(chǔ)上，使買方可以使用反向保理，從而提供透明靈活的資金解決方案，實現(xiàn)供應(yīng)鏈融資結(jié)構(gòu)的優(yōu)化。盧強等[7]認(rèn)為供應(yīng)鏈金融主要由供應(yīng)鏈上的參與者和支持者構(gòu)成，是建立在供應(yīng)鏈網(wǎng)絡(luò)交易關(guān)系基礎(chǔ)上的金融活動，其融資貸款的基礎(chǔ)不是簡單的軟信息或硬信息，而是供應(yīng)鏈網(wǎng)絡(luò)的資產(chǎn)和運營資金。

在供應(yīng)鏈金融風(fēng)險度量指標(biāo)的選擇方面，熊熊等[8]從質(zhì)押物的特征、交易對手的能力和行業(yè)環(huán)境等方面設(shè)計供應(yīng)鏈金融風(fēng)險評價指標(biāo)，建立了主體和債權(quán)評級的信用風(fēng)險評估體系。黃靜思等[9]結(jié)合供應(yīng)鏈的影響因素和企業(yè)的宏觀環(huán)境，通過層次分析法得出要重視整個供應(yīng)鏈的系統(tǒng)風(fēng)險。逯宇鐸等[10]利用汽車行業(yè)的中小企業(yè)數(shù)據(jù)進行實證分析，得出供應(yīng)鏈金融信用風(fēng)險發(fā)生與資產(chǎn)負(fù)債率和產(chǎn)權(quán)比率呈負(fù)相關(guān)關(guān)系，與企業(yè)的營運能力、償債能力、成長能力和供應(yīng)鏈的關(guān)系強度呈正相關(guān)關(guān)系。劉艷春等[11]建立了SEM和灰色關(guān)聯(lián)度模型，發(fā)現(xiàn)企業(yè)自身狀況、行業(yè)風(fēng)險和供應(yīng)鏈營運能力與供應(yīng)鏈金融下企業(yè)的信用風(fēng)險正相關(guān)，認(rèn)為要加強中小企業(yè)數(shù)據(jù)庫的建設(shè)。范方志等[12]選取融資企業(yè)財務(wù)數(shù)據(jù)、核心企業(yè)財務(wù)數(shù)據(jù)和融資項目的特征等指標(biāo)，采用定性與定量相結(jié)合的方法評估中小企業(yè)信用風(fēng)險，發(fā)現(xiàn)中小企業(yè)信用風(fēng)險主要來源于自身。何平均等[13]在供應(yīng)鏈金融信用風(fēng)險評價指標(biāo)中加入了客戶集中度，得出客戶集中度能夠顯著提高Logistic回歸模型的預(yù)測準(zhǔn)確度。

在供應(yīng)鏈金融風(fēng)險評估的模型選擇方面，胡海青等[14]結(jié)合核心企業(yè)信用狀況和供應(yīng)鏈關(guān)系，發(fā)現(xiàn)基于SVM的信用風(fēng)險評價模型在供應(yīng)鏈金融風(fēng)險評估中更具有優(yōu)越性。李曉宇等[15]基于商業(yè)銀行視角，從第三方企業(yè)、核心企業(yè)、融資企業(yè)和外部風(fēng)險四個方面進行供應(yīng)鏈金融信用風(fēng)險評價，構(gòu)建了基于Logistic分析的信用風(fēng)險評估模型，為商業(yè)銀行降低信貸風(fēng)險提供借鑒。吳屏等[16]通過歸納供應(yīng)鏈金融風(fēng)險因素的特征，建立基于BP神經(jīng)網(wǎng)絡(luò)的信用風(fēng)險評估體系并驗證了其有效性。徐鵬[17]通過結(jié)構(gòu)方程模型對線上農(nóng)產(chǎn)品供應(yīng)鏈金融風(fēng)險進行評估，解決了風(fēng)險指標(biāo)關(guān)聯(lián)性較重的問題，發(fā)現(xiàn)信用風(fēng)險對線上農(nóng)產(chǎn)品供應(yīng)鏈金融的影響最大。戴昕琦[18]利用隨機森林與SMOTE算法，并結(jié)合線上供應(yīng)鏈金融融資模式特點，建立信用風(fēng)險評估模型，證明了基于C-SMOTE算法的隨機森林模型能顯著降低商業(yè)銀行線上供應(yīng)鏈金融風(fēng)險。李健等[19]以汽車供應(yīng)鏈作為樣本，運用隨機森林模型和盲數(shù)理論篩選變量，并通過對比多種評估模型的預(yù)測效果，發(fā)現(xiàn)PSO-SVM模型具有較高的預(yù)測準(zhǔn)確率。劉兢軼等[20]從制造業(yè)中小企業(yè)的財務(wù)數(shù)據(jù)出發(fā)，構(gòu)建了供應(yīng)鏈金融模式下中小企業(yè)信用風(fēng)險評估指標(biāo)體系，并結(jié)合因子分析和Logistic回歸模型進行信用風(fēng)險評價。

當(dāng)前對供應(yīng)鏈金融信用風(fēng)險評估的研究主要集中在汽車、制造業(yè)和農(nóng)業(yè)等領(lǐng)域，關(guān)于醫(yī)藥領(lǐng)域的研究較少。此外，在評估模型的選擇上，使用集成算法的研究較少。GBDT模型由于其數(shù)據(jù)處理能力強、調(diào)參優(yōu)化時間短和對異常值的魯棒性強等特點，在各個領(lǐng)域得到廣泛的應(yīng)用。例如，譚中明等[21]從借款人決策行為角度出發(fā)，通過Logistic回歸模型篩選顯著性變量，運用GBDT對P2P網(wǎng)貸借款人的信用風(fēng)險進行評價，實驗結(jié)果表明GBDT具有較高的預(yù)測精度和穩(wěn)定性。鑒于此，通過結(jié)合醫(yī)藥供應(yīng)鏈金融的特點，從融資企業(yè)狀況、核心企業(yè)狀況、融資項下資產(chǎn)狀況和供應(yīng)鏈整體狀況四個層面，構(gòu)建基于醫(yī)藥行業(yè)的信用風(fēng)險評估體系，并通過對比GBDT模型、SVM模型、Logistic回歸模型和BP神經(jīng)網(wǎng)絡(luò)的信用風(fēng)險評估效果，以進一步完善供應(yīng)鏈金融下醫(yī)藥企業(yè)信用風(fēng)險評估方面的研究。

三、評估體系與算法模型

（一）評估體系

供應(yīng)鏈金融以整條供應(yīng)鏈為考察對象，改變了傳統(tǒng)的風(fēng)險管理模式，將針對單個企業(yè)的風(fēng)險，轉(zhuǎn)換為整條供應(yīng)鏈的風(fēng)險，因此，僅以單一融資企業(yè)的財務(wù)數(shù)據(jù)作為評估標(biāo)準(zhǔn)的傳統(tǒng)信用風(fēng)險評估體系不再適用。通過對以往文獻采用的評估指標(biāo)進行歸納和總結(jié)，結(jié)合醫(yī)藥供應(yīng)鏈金融信用風(fēng)險的特征，從融資企業(yè)狀況、核心企業(yè)狀況、融資項下資產(chǎn)狀況和供應(yīng)鏈整體狀況四個層面，構(gòu)建醫(yī)藥供應(yīng)鏈金融信用風(fēng)險評估體系（詳見表1）。

1.融資企業(yè)狀況。融資企業(yè)作為供應(yīng)鏈金融業(yè)務(wù)的融資主體，其自身狀況對信用風(fēng)險評價具有重要影響。該實驗主要從企業(yè)基本素質(zhì)、盈利能力、償債能力、成長能力和營運能力五個方面進行融資企業(yè)狀況評價。其中，企業(yè)基本素質(zhì)主要由企業(yè)規(guī)模、財務(wù)披露質(zhì)量和企業(yè)管理水平表示;盈利能力、償債能力、成長能力和營運能力主要參考傳統(tǒng)信用風(fēng)險評級指標(biāo)，由相關(guān)財務(wù)數(shù)據(jù)表示。

2.核心企業(yè)狀況。核心企業(yè)是供應(yīng)鏈金融的切入點，能夠為融資企業(yè)提供支持和擔(dān)保，是維持供應(yīng)鏈金融穩(wěn)定運作的關(guān)鍵因素。本文從盈利能力、償債能力和信用狀況三方面反映核心企業(yè)狀況。這三方面因素能夠體現(xiàn)核心企業(yè)還款意愿的強弱，一旦中小企業(yè)無法償還貸款，核心企業(yè)也可以通過履行回購協(xié)議和擔(dān)保義務(wù)，有效降低信用風(fēng)險的發(fā)生。

3.融資項下資產(chǎn)狀況。融資項下資產(chǎn)是金融機構(gòu)重點關(guān)注的對象，一方面，融資項下資產(chǎn)與企業(yè)的盈利情況密切相關(guān)，直接影響企業(yè)的還款能力;另一方面，一旦企業(yè)違約，金融機構(gòu)將通過變賣融資項下資產(chǎn)變現(xiàn)，以彌補損失。本文運用存貨質(zhì)量、應(yīng)收賬款質(zhì)量和預(yù)付賬款質(zhì)量來衡量融資項下資產(chǎn)狀況。

4.供應(yīng)鏈整體狀況。供應(yīng)鏈整體狀況影響著供應(yīng)鏈節(jié)點上的每個企業(yè)，當(dāng)供應(yīng)鏈整體運作出現(xiàn)問題，鏈上每個企業(yè)的運營狀況也會受到牽連，從而增加信用風(fēng)險發(fā)生的概率。本文從宏觀環(huán)境和供應(yīng)鏈運營狀況兩個角度來衡量供應(yīng)鏈的整體狀況，其中宏觀環(huán)境由地區(qū)經(jīng)濟環(huán)境和行業(yè)發(fā)展前景來衡量，供應(yīng)鏈運營狀況由信息化水平和協(xié)同處理能力來衡量。

（二）算法模型

GBDT是一種基于Gradient Boosting策略訓(xùn)練出來的決策樹類算法，主要由梯度提升、決策樹算法和縮減三部分構(gòu)成。GBDT的核心思想是減少殘差，其每一次迭代是為了減少上一次迭代所產(chǎn)生的殘差。當(dāng)模型預(yù)測結(jié)果與實際觀測值不一致時，在殘差減少的梯度方向生成一棵新的決策樹，以減少上一次的殘差，連續(xù)反復(fù)迭代直至輸出結(jié)果與實際觀測值基本趨近一致。模型不斷優(yōu)化改進的一個標(biāo)志是模型的損失函數(shù)迭代下降，GBDT算法就是在損失函數(shù)梯度下降方向構(gòu)建新的模型。

1.初始化估計函數(shù)，使損失函數(shù)極小化

f0（x）是只有一個根節(jié)點的樹，L（yi，c）是損失函數(shù)，其中c是使損失函數(shù)最小化的常數(shù)。

2.令迭代次數(shù)為m=1，2，…，M

（1）對樣本i=1，2，…，N，計算損失函數(shù)的負(fù)梯度，把它作為殘差估計：

（2）擬合殘差對rm j生成一棵回歸樹，以估計回歸樹葉節(jié)點區(qū)域，得到第m棵樹節(jié)點區(qū)域Rm j，j=1，2，…，J。

（3）對j=1，2，…，J，利用線性搜索估計葉節(jié)點區(qū)域的值，令損失函數(shù)最小化：

（4）更新學(xué)習(xí)器fm（x）：

3.在相同的葉節(jié)點區(qū)域?qū)⑺衏m j值累加，得到最終回歸樹

四、信用風(fēng)險實證分析

（一）數(shù)據(jù)的收集與說明

以供應(yīng)鏈金融業(yè)務(wù)發(fā)展相對成熟的醫(yī)藥行業(yè)為研究對象，通過在中小板和創(chuàng)業(yè)板上選取110家醫(yī)藥企業(yè)、2017—2019年度數(shù)據(jù)作為研究樣本。定量指標(biāo)數(shù)據(jù)主要通過國泰安數(shù)據(jù)庫、銳思數(shù)據(jù)庫以及行業(yè)報告中獲取;定性指標(biāo)數(shù)據(jù)主要參考企業(yè)公告和新浪財經(jīng)等相關(guān)財經(jīng)網(wǎng)站披露的信息進行評分。以下對財務(wù)披露質(zhì)量、企業(yè)管理狀況、對外擔(dān)保情況、履約情況、信息化水平和協(xié)同處理能力六個指標(biāo)的衡量方式進行詳細(xì)說明，主要參考戴昕琦[18]和李健等[19]的研究進行衡量。

1.財務(wù)披露質(zhì)量。根據(jù)企業(yè)是否有因財務(wù)披露問題而受到處分進行評分，分值區(qū)間為0—1。無處分為1分，存在一項處分扣0.2分，扣完為止。

2.企業(yè)管理狀況。根據(jù)企業(yè)高管是否因為管理原因受到處分進行評分，分值區(qū)間為0—1。無處分為1分，存在一項處分扣0.2分，扣完為止。

3.對外擔(dān)保情況。根據(jù)企業(yè)的對外擔(dān)保數(shù)量進行評分，分值區(qū)間為0—1。無擔(dān)保為1分，存在一筆擔(dān)保扣0.2分，扣完為止。

4.履約情況。根據(jù)企業(yè)是否因未履約而被起訴進行評分，分值區(qū)間為0—1分。沒有因未履約而被起訴為1分，存在一起訴訟扣0.2分，扣完為止。

5.信息化水平。參照李健等[19]的研究，企業(yè)信息化水平可表示為存貨占用資金與流動資金之比，因此供應(yīng)鏈整體信息化水平可用融資企業(yè)與核心企業(yè)存貨占用資金與流動資金之比的均值來衡量。

6.協(xié)同處理能力。參照李健等[19]的研究，企業(yè)協(xié)同處理能力可用企業(yè)的存貨周轉(zhuǎn)率來衡量，因此供應(yīng)鏈整體協(xié)同處理能力可用融資企業(yè)與核心企業(yè)存貨周轉(zhuǎn)率的均值來衡量。

（二）因子分析

由于選取了30個初始變量，變量維數(shù)較高，無論是使用經(jīng)典計量算法或機器學(xué)習(xí)算法，都存在模型指標(biāo)的高相關(guān)性和高維性，導(dǎo)致模型擬合過度、參數(shù)估計無效等后果。因此，先對變量進行因子分析，提取出具有主要解析能力的變量，再利用得到的變量進行實證分析。

在做因子分析之前，需要檢驗各變量之間的關(guān)聯(lián)度，判斷變量是否適合做因子分析。利用KMO和Bartlett檢驗對因子分析的可行性做出評判。一般情況下，當(dāng)KMO值大于0.9，說明很適合做因子分析;介于0.8—0.9之間說明適合;介于0.6—0.8之間說明一般適合;在0.5以下說明不適合做因子分析。表2為KMO和Bartlett檢驗的結(jié)果，其中KMO值為0.649，KMO>0.6，說明能夠?qū)σ陨献兞孔鲆蜃臃治觥?/p>

利用最大方差旋轉(zhuǎn)分析法，選取特征值大于1的主成分變量。主成分變量特征值大于1的是前9個變量，其特征值分別是4.032、3.303、2.961、2.363、2.170、1.802、1.798、1.592和1.086，方差貢獻率分別為13.439%、11.009%、9.871%、7.876%、7.233%、6.007%、5.992%、5.305%和3.620%，累計方差貢獻率達到70.352%，表明這9個主成分能夠較好地反映所有變量信息。因此，選取F1—F9作為初始變量，進行實證分析。

由表3旋轉(zhuǎn)后成分矩陣可知，F(xiàn)1在X4、X5、X6、X7和 X24上具有較高的載荷，可以表示為融資企業(yè)的盈利能力和存貨質(zhì)量;F2在X8、X9、X10和X11上具有較高的載荷，可以表示為融資企業(yè)的償債能力;F3在X18、X19、X20和X21上具有較高的載荷，可以表示為核心企業(yè)的盈利能力和償債能力;F4在X16、X17和X26上具有較高的載荷，可以表示為融資企業(yè)的營運能力和預(yù)付賬款質(zhì)量;F5在X15、X29和X30上具有較高的載荷，可以表示為融資企業(yè)的存貨周轉(zhuǎn)能力和供應(yīng)鏈運營情況;F6在X2和X3上具有較高的載荷，可以表示為融資企業(yè)的基本素質(zhì);F7在X12和X14上具有較高的載荷，可以表示為融資企業(yè)的成長能力;F8在X22和X23上具有較高的載荷，可以表示為核心企業(yè)的信用狀況;F9在X25和X28上具有較高的載荷，可以表示為應(yīng)收賬款質(zhì)量和行業(yè)發(fā)展前景。

（三）實證結(jié)果分析

模型的評估效果主要以訓(xùn)練集準(zhǔn)確率、測試集準(zhǔn)確率、總體準(zhǔn)確率、第一類錯誤率和AUC值這五個指標(biāo)衡量。其中，第一類錯誤率表示模型有效識別違約企業(yè)的能力，該值越小，說明模型識別違約企業(yè)的能力越強。AUC值表示模型的分類性能，該值越接近于1，說明分類真實性越高。

將因子分析提取出來的9個因子作為解釋變量，運用Python3的Anaconda科學(xué)計算平臺構(gòu)建GBDT模型，對330個樣本進行信用風(fēng)險評估。為確保模型的有效性和泛化能力，選擇70%的樣本作為訓(xùn)練集，30%的樣本作為測試集。

為了進一步優(yōu)化GBDT模型的分類性能，需要對相關(guān)參數(shù)進行調(diào)試。首先將learning_state定為0.1，然后利用網(wǎng)格搜索法對其他參數(shù)進行優(yōu)化。經(jīng)調(diào)試，得到n_estimators=70，max_depth=9，min_samples_split=50，max_features=3，subsample=0.5。以訓(xùn)練集231家企業(yè)（樣本數(shù)的70%）的數(shù)據(jù)為基礎(chǔ)，將9個解釋變量作為輸入變量進行訓(xùn)練，構(gòu)建GBDT預(yù)測模型。運用得到的GBDT模型對測試集樣本進行測試，并將評估結(jié)果與SVM模型、Logistic回歸模型（LR）和BP神經(jīng)網(wǎng)絡(luò)進行對比，結(jié)果見表4。

由表4可知，GBDT模型的訓(xùn)練集準(zhǔn)確率、測試集準(zhǔn)確率和總體準(zhǔn)確率均高于SVM模型、Logistic回歸模型和BP神經(jīng)網(wǎng)絡(luò)，說明GBDT模型具有更高的預(yù)測準(zhǔn)確率。GBDT模型的第一類錯誤率為19.2%，遠低于其他3個模型的第一類錯誤率，表示GBDT模型能更有效地識別違約企業(yè)，防止違約風(fēng)險的發(fā)生。

AUC值可由ROC曲線下的面積來表示。由圖1可知，GBDT模型的AUC值為0.97，比SVM模型的AUC值高了0.01，并高于Logistic回歸模型和BP神經(jīng)網(wǎng)絡(luò)的AUC值，說明GBDT模型具有更高的分類真實性。

五、結(jié)論與建議

從醫(yī)藥供應(yīng)鏈金融視角，構(gòu)建了基于醫(yī)藥行業(yè)的信用風(fēng)險評估體系，并在因子分析基礎(chǔ)上，運用GBDT模型進行信用風(fēng)險評估。通過與SVM模型、Logistic回歸模型和BP神經(jīng)網(wǎng)絡(luò)對比，發(fā)現(xiàn)GBDT模型具有更高的預(yù)測準(zhǔn)確率和分類真實性，證明了醫(yī)藥供應(yīng)鏈金融模式下GBDT模型的優(yōu)越性和有效性，更符合商業(yè)銀行對融資企業(yè)信用風(fēng)險評估的要求。根據(jù)研究結(jié)論，本文提出如下三方面建議：

第一，醫(yī)藥行業(yè)要構(gòu)建具有自身特性的信用風(fēng)險評估體系。醫(yī)藥行業(yè)要充分分析“兩票制”改革對自身產(chǎn)業(yè)鏈的影響，結(jié)合醫(yī)藥行業(yè)的特性選擇合適的評價指標(biāo)和有效的算法模型，構(gòu)建具有醫(yī)藥行業(yè)特色的信用風(fēng)險評估體系，為企業(yè)融資貸款決策提供科學(xué)的評判依據(jù)。同時，成立相關(guān)的風(fēng)險管理團隊，根據(jù)經(jīng)濟環(huán)境和政策的變化，及時制定科學(xué)的風(fēng)險防控措施。另外，要健全企業(yè)財務(wù)制度，提升品牌影響力和加強資金流轉(zhuǎn)性，以提高供應(yīng)鏈金融下醫(yī)藥企業(yè)自身的信用等級，加強信貸審批的競爭力。

第二，商業(yè)銀行要完善醫(yī)藥行業(yè)信用數(shù)據(jù)庫。商業(yè)銀行需要對醫(yī)藥供應(yīng)鏈上的每個參與方進行信用審核，加強信用數(shù)據(jù)庫建設(shè)，幫助有融資需求的醫(yī)藥企業(yè)創(chuàng)建信用檔案，作為企業(yè)申請融資貸款和商業(yè)銀行進行信用風(fēng)險評估的重要參考依據(jù)。同時利用大數(shù)據(jù)技術(shù)及時更新企業(yè)信用數(shù)據(jù)，對企業(yè)的經(jīng)營狀況實時動態(tài)跟蹤，幫助商業(yè)銀行對風(fēng)險事件做出快速響應(yīng)。此外，商業(yè)銀行要根據(jù)醫(yī)藥企業(yè)的需求和醫(yī)藥產(chǎn)業(yè)鏈的運作特點，進行金融產(chǎn)品創(chuàng)新，優(yōu)化業(yè)務(wù)流程，以豐富融資途徑和提高融資效率，減少信用風(fēng)險事件的發(fā)生。

第三，政府應(yīng)為醫(yī)藥供應(yīng)鏈金融的發(fā)展創(chuàng)造良好的市場環(huán)境。我國醫(yī)藥供應(yīng)鏈金融處于發(fā)展初期，尚未構(gòu)建完善的評估體系對企業(yè)的信用風(fēng)險進行研究，因此政府需要加大金融市場監(jiān)管力度，完善相關(guān)法律法規(guī)，強化政策激勵措施，為醫(yī)藥供應(yīng)鏈金融的發(fā)展創(chuàng)造良好的市場環(huán)境。同時要建立相關(guān)征信機構(gòu)，搜集醫(yī)藥產(chǎn)業(yè)鏈上每個參與方的信用信息，并對社會公開企業(yè)的不良信用記錄，以強化企業(yè)的信用意識，降低企業(yè)的違約風(fēng)險。

【參考文獻】

[1] HALLIKSA J，VIROLAINEN V M，TUOMINEN M.Risk analysis and assessment in network environments：a dyadic case study[J].International Journal of Production Economics，2002，78（1）：45-55.

[2] ALLEN N B，GREGORY F U.A more complete conceptual framework for SME finance[J].Journal of Banking and Finance，2006，30（11）：2945-2966.

[3] ATKINSON W.Supply chain finance：the next big opportunity[J].Supply Chain Management Review，2008，

22（4）：14-17.

[4] 胡躍飛，黃少卿.供應(yīng)鏈金融：背景、創(chuàng)新與概念界定[J].金融研究，2009（8）：194-206.

[5] GOMM M L.Supply chain Finance：applying finance theory to supply chain management to enhance finance in supply chains[J].International Journal of Logistics，2010，13（2）：133-142.

[6] WUTTKE D A，BLOME C，F(xiàn)OERSTL K，et al.Managing the innovation adoption of supply chain finance—empirical evidence from six european case studies[J].Journal of Business Logistics，2013，34（2）：148-166.

[7] 盧強，宋華，于亢亢.供應(yīng)鏈金融中網(wǎng)絡(luò)連接對中小企業(yè)融資質(zhì)量的影響研究[J].商業(yè)經(jīng)濟與管理，2018（9）：15-26.

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

[9] 黃靜思，宋河，宋新紅.供應(yīng)鏈金融貸款風(fēng)險識別與評價方法研究[J].金融理論與實踐2014（2）：46-49.

[10] 逯宇鐸，金艷玲.基于Lasso-logistic模型的供應(yīng)鏈金融信用風(fēng)險實證研究[J].管理現(xiàn)代化，2016（2）：98-100.

[11] 劉艷春，崔永生.供應(yīng)鏈金融下中小企業(yè)信用風(fēng)險評價——基于SEM和灰色關(guān)聯(lián)度模型[J].技術(shù)經(jīng)濟與管理研究，2016（12）：14-19.

[12] 范方志，蘇國強，王曉彥.供應(yīng)鏈金融模式下中小企業(yè)信用風(fēng)險評價及其風(fēng)險管理研究[J].中央財經(jīng)大學(xué)學(xué)報，2017（12）：34-43.

[13] 何平均，李菁菁.客戶集中度與供應(yīng)鏈金融信用風(fēng)險——基于中小企業(yè)板制造業(yè)上市公司的實證研究[J].征信，2018（7）：21-26.

[14] 胡海青，張瑯，張道宏.供應(yīng)鏈金融視角下的中小企業(yè)信用風(fēng)險評估研究——基于SVM 與BP神經(jīng)網(wǎng)絡(luò)的比較研究[J].管理評論，2012，24（11）：70-80.

[15] 李曉宇，張鵬杰.中國商業(yè)銀行供應(yīng)鏈融資的風(fēng)險評價研究.金融論壇，2014（9）：49-56.

[16] 吳屏，劉宏，劉首龍.試析線上供應(yīng)鏈金融信用風(fēng)險——基于BP神經(jīng)網(wǎng)絡(luò)的模型設(shè)計[J].財會月刊，2015（23）：105-108.

[17] 徐鵬.線上農(nóng)產(chǎn)品供應(yīng)鏈金融風(fēng)險防范研究[J].華南農(nóng)業(yè)大學(xué)學(xué)報，2016，15（6）：93-103.

[18] 戴昕琦.商業(yè)銀行信用風(fēng)險評估模型研究——基于線上供應(yīng)鏈金融的實證[J].軟科學(xué)，2018，32（5）：139-144.

[19] 李健，張金林.供應(yīng)鏈金融的信用風(fēng)險識別及預(yù)警模型研究[J].經(jīng)濟管理，2019，（8）：178-196.

[20] 劉兢軼，王■婧，王靜思.供應(yīng)鏈金融模式下中小企業(yè)信用風(fēng)險評價體系構(gòu)建[J].金融發(fā)展研究，2019（11）：63-67.

[21] 譚中明，謝坤，彭耀鵬.基于梯度提升決策樹模型的P2P網(wǎng)貸借款人信用風(fēng)險評測研究[J].軟科學(xué)，2018，32（12）：136-140.