基于BPSO-RF的航運企業信用風險評價研究

匡海波 程躍輝 孟斌

摘 要：航運企業是實現“一帶一路”倡議的“橋頭堡”，是助力“交通強國”、“海運強國”等國家戰略的“前哨兵”。本文從航運企業的財務指標和非財務指標兩方面出發構建航運企業信用風險評價指標體系，以中國上市航運企業2016-2020年的季度數據為研究對象，通過離散二進制粒子群優化算法構建BPSO-RF模型，測度航運企業的信用風險。結果表明，中遠海特由于企業盈利能力和償債能力表現不佳，致使自身成為信用得分倒數第一的企業，而海峽股份由于自身良好的償債能力和外部較好的宏觀環境，是企業信用風險得分第一的主要原因。

關鍵詞：航運企業;信用風險評價;隨機森林

中圖分類號：U692? ? ? ? ? ? ?文獻標識碼：A? ? ? ? ? ? 文章編號：1006—7973（2021）06-0057-04

1 引言

黨的十八大以來，習近平總書記先后12次視察航運企業，對新時代航運業發展寄予厚望，指出“經濟要發展，國家要強大，交通特別是海運首先要強起來”。我國始終貫徹“一帶一路”、“海運強國”的國家戰略，“強國”的基礎是經濟，經濟的增長離不開貿易，而貿易的最重要載體就是航運。航運業始終處于國際市場的前沿，是國際經濟走向的晴雨表。

航運業又是極具風險性的行業。2020年，航運企業受到新冠肺炎疫情和中美貿易戰的影響，航運企業融資由“寒冬期”進入“冰河時代”。因此，急需構建一套科學合理的航運企業信用風險評價方法，以解決航運企業的融資難題。在此背景下，本文從航運企業的特點出發，通過基于離散二進制粒子群優化算法優化的隨機森林模型（BPSO-RF）建立航運企業的信用風險評價模型。

2 基于BPSO-RF的信用風險評價模型

本文將隨機森林CART樹個數和CART樹的最大深度作為離散二進制粒子群的優化目標，隨機森林中預測錯誤的樣本個數作為BPSO優化算法中的適應度函數，具體的構建步驟如下：

Step1：初始化隨機森林模型，設置CART樹個數為100，不限制CART樹的最大深度;

Step2：根據隨機森林的結構隨機產生一個初始粒子群和與之對應初始速度，粒子群中的每個個體都編碼為二進制串，這些二進制串中都包含了隨機森林的CART樹個數和CART樹的最大深度的信息;

Step3：將初始粒子群解碼并輸入到隨機森林中進行訓練，計算初始粒子群的每個粒子的適應度值，記錄個體歷史最優值和群歷史最優值。計算個體的位速度得到新的粒子群，將新的種群重新二進制編碼后再次輸入到隨機森林中進行適應度的計算。循環此過程直到模型的預測達到預期效果或循環達到了最大迭代過程，結束BPSO優化算法。

Step4：將最終得到CART樹個數和CART樹最大深度輸入到隨機森林中，可將隨機森林的性能優化到最好。

3 實證研究

3.1樣本選取和數據來源

選取2016-2020五年間每個季度的航運上市企業數據為實證樣本，樣本數據來源于同花順行業分類板塊中的交通運輸業的子行業航運企業。五年間航運上市企業共22家，本文對原始航運企業進行缺失值統計，除掉數據缺失超過20%的航運企業樣本。共獲得376個樣本。其中，18個樣本為風險航運企業，358個樣本為非風險企業。將獲取的376個航運企業樣本經過標準化和缺失值處理。使用SMOTE算法對風險航運企業進行上采樣，人工生成340個風險樣本，樣本集總數為716個。將716個航運企業樣本的數據集的70%作為訓練集，30%作為測試集。

3.2航運企業信用風險指標體系構建

本文梳理國內外相關文獻[1-4]，選取了16個財務指標，8個非財務指標，評價指標體系如表1所示。

在利用相同測試集進行訓練的條件下，將BPSO-RF模型同RF模型、SVM（支持向量機）模型、LR（邏輯回歸）模型、DT（決策樹）模型進行比較。結果表明，SVM模型、LR模型、DT模型在相同測試集中，模型準確率和AUC值均低于0.75，說明SVM模型、LR模型、DT模型都不適合作為航運上市企業信用風險評價模型。RF模型的評估結果均好于SVM模型、LR模型、DT模型，評估結果均高于82%。說明RF模型對航運上市企業信用風險評價中效果較好。

本文使用粒子群算法對RF模型進行優化，其中，BPSO-RF模型總體的準確率為91.40%，召回率為92.16%，精確率為92.16%，AUC值為0.913。對比RF模型評估結果，本文使用的BPSO-RF模型對于航運企業信用風險的預測全面優于RF模型，且提升較為明顯。

3.4評價指標重要性分析

由圖1圖2可知，企業償債能力、盈利能力和企業基本情況平均得分較好，分別為0.084、0.057和0.055，平均得分占比分別為27%、18%和18%，說明航運企業信用風險狀況主要受企業償債能力、盈利能力和企業基本情況的影響。企業營運能力、成長能力平均得分較差，分別為0.035、0.030和0.009，平均得分占比分別為11%、10%和3%，說明航運企業信用風險狀況受其營運能力、成長能力和信用情況的影響較少。由于企業自身對失信行為等負面新聞的披露情況較少，數據收集并不完全準確，使得企業的信用情況占比最少。

3.5典型企業分析

以2020年航運上市企業為研究對象，使用構建的BPSO-RF模型對企業進行評價，企業信用風險得分，結果如表3所示。

剔除數據缺失超過20%的企業，2020年航運上市企業共有18家，信用得分高于0.9的航運企業有3家，得分低于0.5的航運企業僅有1家。中遠海特信用得分最低為0.402，海峽股份信用得分最高為0.980。航運企業信用風險平均的得分為0.748。雖然2020年航運企業受世界新冠疫情影響比較嚴重，但2020年下半年，由于中國疫情控制得當，全球對于中國物資需求旺盛，造成了集裝箱市場少見的運費增長高峰期，是航運運輸業信用風險狀況較好的原因。接下來重點介紹信用狀況最差的中遠海特和信用狀況最好的海峽股份的信用風險情況。

2020年，受世界新冠疫情影響，中遠海特自有及租入的多用途船共實現營業收入人民幣22.38億元，同比減少18.08%;實現船隊營業利潤人民幣-0.90億元，同比減虧0.08億元。重吊船共實現營業收入人民幣12.78億元，同比減少8.19%;重吊船實現營業利潤人民幣-0.49億元，同比減少0.68億元。由圖3可知，2020年企業償債能力和盈利能力準則層下的5個正向二級指標級企業流動比率、速動比率、銷售凈利率、銷售毛利率和總資產凈利率均遠低于行業均值，企業資產負債率1個負向指標高于行業均值。企業盈利能力和償債能力不佳是中遠海特信用得分較低的主要原因。

海峽股份是海南航運龍頭。2019年起，企業運營模式由“大輪班”模式改為“班輪化運營”模式，實行定船舶、定航線和定班次，關注格局變化發揮企業管理優勢。企業運營的西沙旅游航線在2019年和競爭對手開展合作營銷，毛利首度轉正，未來隨著西沙航線產品豐富性增加以及由觀光游向休閑游轉變，西沙航線的盈利能力有望再上一個臺階。2020年，受疫情影響，海峽股份營業總收入和客運量出現下降，但是企業為應對疫情帶來的影響，海峽股份積極調整和轉換運營與管理思路，拓展非主營收入，減少不必要的開支，挖掘利潤空間。除數據缺失的已獲利息倍數指標外，海峽股份的償債能力觀察圖4可知，2017-2020四年間企業流動比率和速動比率穩步上升，資產負債率逐年下降，并且企業流動比率和速動比率遠遠高于行業均值，資產負債率為航運企業中的最低值，良好的償債能力是海峽股份信用風險得分較高的主要原因。此外，海峽股份所在地海口的GDP指數和居民人均可支配收入較高，也是企業信用風險較好的原因之一。

4 結論

本文構建了基于BPSO-RF模型的航運上市企業信用風險評價模型。首先從企業的財務和非財務兩層面出發解析航運企業信用風險關鍵影響因素，構建了由24個評價指標組成的航運企業信用風險評價指標體系。然后，選取航運上市企業2016-2020五年間每個季度數據作為研究對象，依據模型關于各指標重要性得分分析了信用風險評價指標對航運企業的影響。最后，對航運企業的信用得分進行測算，重點剖析信用得分最低的中遠海特和得分最高的海峽股份的信用風險狀況。主要結論如下所示：

第一，航運企業信用得分高于0.9的航運企業有3家，得分低于0.5的航運企業僅有1家。雖然2020年航運企業受世界新冠疫情影響比較嚴重，但2020年下半年，由于中國疫情控制得當，全球對于中國物資需求旺盛，造成了集裝箱市場少見的運費增長高峰期，是航運業信用風險狀況整體表現較好的原因。中遠海特由于企業盈利能力和償債能力表現不佳，致使自身成為信用得分倒數第一的企業，而海峽股份由于自身良好的償債能力和外部較好的宏觀環境，是企業信用風險得分第一的主要原因。

第二，根據指標的重要性分析，企業償債能力、盈利能力和企業基本情況平均得分較好，分別為0.084、0.057和0.055，說明航運企業信用風險狀況主要受企業償債能力、盈利能力和企業基本情況的影響。企業營運能力、成長能力平均得分較差，分別為0.035、0.030和0.009，說明航運企業信用風險狀況受企業營運能力、成長能力和信用情況的影響較少。

參考文獻：

[1] Shang S ， Zhao Y ， Chen Z M . Research on Risk Management in Ocean Transportation Enterprises Based on Game Strategy Model[J]. Journal of Coastal Research， 2020， 111（sp1）.

[2] Spicas R， Kanapickiene R， Vijunas M， et al. Development of Enterprise Credit Risk Assessment Model for Lithuanian Credit Unions[J]. Transformations in Business & Economics， 2018， 17（1）： 152-177.

[3]胡海青， 張瑯， 張道宏. 供應鏈金融視角下的中小企業信用風險評估研究——基于 SVM 與 BP 神經網絡的比較研究[J]. 管理評論， 2012， 24（11）： 70-80.

[4]孟斌， 楊越， 刁姝杰. 基于顯著區分兩類客戶的小型建筑企業信用評價模型研究[J]. 系統工程理論與實踐， 2019（2）： 346-359.

基金項目：遼寧省社會科學規劃基金項目（L19CGL002）。