基于倉儲流水數據的大宗商品貿易商信用評估模型

廖 望 蔡文學

（華南理工大學 電子商務系，廣東 廣州 510006）

一、引言

近年來，我國的大宗商品貿易蓬勃發展，對國民經濟的影響逐步增強。1990—2017年，我國對幾類主要大宗商品的消費量占全球比重均呈上升趨勢。2017年，我國煤炭和鋼鐵消費量分別占世界總消費量的65.2%和46.7%，成為世界第一大煤炭、鋼鐵消費大國。而現今，我國大宗商品貿易融資面臨著許多風險，如2012年“上海鋼貿信貸違約事件”、2014年“青島港銅融資事件”，給銀行及相關企業造成了巨大經濟損失。銀行在大宗商品貿易融資業務中面臨的風險主要分為信用風險、貨物風險以及操作風險[1-2]，其中信用風險是最重要也是最難控制的風險[3]。因此，對銀行來說，完善的企業信用風險評價體系可以保證銀行的收益，降低融資風險[4-5]。

長期以來很多學者對供應鏈金融中企業的信用風險評價進行了研究，大部分研究側重于對融資企業的盈利能力、償債能力、經營狀況等方面的考量。李敬明和阮素梅等（2015）選取資產負債率、資本積累率、企業償債能力及行業增長率四個評價指標，評價供應鏈金融中企業信用風險[6]。劉兢軼和王彧婧等（2019）從融資企業的償債能力、盈利能力、發展能力、核心企業的信用狀況以及行業發展情況等方面對融資企業的信用風險進行考察[7]。Wang和Ding等（2020）綜合考慮融資項下資產情況、供應鏈的整體情況、融資企業資質、核心企業資質、宏觀行業環境等因素構建企業信用風險評價體系[3]。Zhu和Xie等（2016）從融資企業的財務狀況和運營情況出發，提出針對供應鏈金融的中小企業信用風險評價體系[8]。

綜合國內外文獻看，目前研究存在以下局限：第一，大多研究采用靜態指標數據對企業的信用進行評估，這些靜態指標數據一般是在企業申請融資時對企業進行調查收集得到，如企業的資信數據以及企業的財務數據。通過這類靜態指標數據只能得到企業貸前的信用情況，而隨著時間推移，企業的信用水平會發生動態變化。第二，目前針對供應鏈金融中企業信用風險評價主要圍繞融資企業的資產情況進行評價，財務數據是其進行指標構建以及信用評估的主要依據，但這些研究對財務數據存在缺失的中小企業來說有一定的局限[9]。第三，銀行受到信息不對稱的制約[10]，由于這些數據由融資企業掌控，數據容易偽造，商業銀行無法直接獲取原始交易數據并且無法驗證企業提供數據的真實性，虛假交易、虛構融資、非法獲利現象不能避免[11]。因此，企業相關信息的不透明、不真實現象使銀企之間信息不對稱，大大增加銀行風險評估的難度[12]。

互聯網和大數據技術的日趨成熟為企業信用評價數據的收集和處理帶來了機遇[13]，從而能夠在信用風險評價中引入更多維度的數據。供應鏈金融中，融資主體在實際經營中存在交易行為，這些交易行為產生的數據具有數據量大、覆蓋面廣、實時性強等優點，能全面客觀地反映企業的經營狀況、償債能力和發展能力。融資企業的經營情況直接反映了企業能否按時償還貸款，是銀行決定是否融資的關鍵因素，因而基于企業的營運數據及非財務數據能夠對企業信用進行更加全面準確的評估[14-16]。在信用評價中利用企業的交易信息能夠減少信息不對稱[17]，解決傳統融資企業信用評價體系中企業信用評價滯后、財務數據缺失、數據不真實等問題。

大宗商品貿易中，貨物進出倉庫過程中會產生大量的倉儲流水數據，這些流水數據是貿易商正常經營交易過程中產生的客觀真實數據，能夠真實反映貿易商的交易活動、庫存變動及貨物存儲情況。對因資信信息不可信或財務數據無法獲得的企業來說，倉儲流水數據為其信用風險評估提供了新角度。通過對這些流水數據穩定性和趨勢性進行分析，可以根據流水特征判斷其交易行為的真實性及經營能力，從而對企業的信用水平以及履約能力進行判斷，大幅降低貿易商與銀行之間的信息不對稱，為銀行大宗商品貿易融資業務提供決策支持。

倉儲流水數據作為貿易商在進行大宗商品的交易動態過程的體現，可以從時間特征及強度特征角度衡量[18]，時間特征體現為流水數據的時間變化狀態等，強度特征體現為流水的次數及數量等，因此，本文構建基于動態倉儲流水數據的貿易商信用評估模型，通過貿易商的歷史倉儲流水數據計算其信用值，從倉儲流水數據的穩定性和趨勢性反映貿易商經營的穩固性，同時也能間接反映融資企業的償債能力和發展能力，為大宗商品貿易融資提供有效信用評估手段。

二、基于倉儲流水數據的貿易商信用評估模型構建

貿易商的倉儲流水數據屬于時間序列數據，通過構造衡量指標，對倉儲流水數據進行多視角分析，能夠反映貿易商信用的變化情況。本文將倉儲流水數據中影響貿易商最終信用的因素進行整合，構建基于動態倉儲流水數據的貿易商信用評估模型。模型中，貿易商信用值有以下影響因素。

時間影響因子：時間影響因子反映時間遠近對貿易商信用產生的影響，不同時間點的出庫流水情況對貿易商信用有不同的影響，對銀行而言，最關心的是貿易商當前的經營情況與貨物水平，離當前時間點越近的流水數據，越能真實地反映貿易商的信用情況。因此，離當前時刻近的流水數據參考價值更高，最近的流水記錄所占的比重應高于其他時刻的流水記錄。設tk為第k月流水數據的時間節點，t當前時間為當前時間點，時間影響因子的定義如式（1）所示：

月出庫次數影響因子：指當月出庫次數，反映貿易商當月出庫的頻繁程度，貿易商倉儲流水中出庫次數越多，說明其訂單越多，表示貿易商越可信；引入月出庫次數影響因子以增加信任值計算的準確性和可信性。設n為流水數據包含的總月份數，fk為貿易商第k月出庫次數，為流水數據中出庫次數的總和，Fk為月出庫次數影響因子，則月出庫次數影響因子如式（2）所示：

月出庫貨物量影響因子：月出庫貨物量影響因子，表示當月出庫貨物量與倉儲流水數據時間窗口內最大月出庫貨物量之比。當月出庫貨物量變大時，因子值會相應增大，出庫量越大的月份，對其最終信用值的影響越大，隨著出庫貨物量規模的增大，信用值也將提高，因此得到月出庫貨物量影響因子的計算公式如式（3）所示，mk代表第k月的月出庫貨物量，mMax為流水數據時間窗口中月出庫貨物量的最大值。

累計出庫貨物量占累計入庫貨物量比：在貿易商正常經營情況下，其累計出庫貨物量應與累計入庫貨物量大致相當，若累計出庫貨物量與累計入庫貨物量相差過大則說明經營流水存在問題，因此引入累計出庫貨物量占累計入庫貨物量比來反映貿易商倉儲流水數據的總體情況，計算公式如式（4）所示，其中mk代表第k月的月出庫貨物量，ek代表第k月的月入庫貨物量。

波動懲罰因子：貿易商每月出庫流水的波動情況反映了貿易商經營的穩定性，因此引入出庫流水波動懲罰因子。計算公式如式（5）所示，其中n代表流水數據的時間跨度，l代表時間窗口內當月出庫貨物量相比于上月減少m的次數（m為設定的閾值范圍），在波動懲罰因子的作用下，若貿易商的出庫流水產生較大的波動，貿易商的信用值會受到懲罰。

綜上，構建基于倉儲流水數據的貿易商信用評估計算公式：

三、仿真實驗與結果分析

（一）仿真參數設置

為了驗證模型的有效性，對該信用評估模型進行倉儲流水數據的仿真測試，比較仿真生成的不同特征的倉儲流水數據下模型計算結果的差異。鋼材作為大宗商品，具有交易量大、交易金額高、價格波動大等特征，容易受到宏觀經濟的影響。對經營鋼材貿易的貿易商來說，易面臨融資難和融資貴的問題。因此，本仿真實驗以鋼材行業為例，通過在Arena仿真軟件中構建鋼鐵貿易商仿真模型模擬鋼鐵貿易商接收客戶訂單和原材料物資采購庫存流程。假設鋼鐵貿易商的補貨提前期L均值μ=15天，方差σ2=2，鋼材最大庫存量為1000噸，安全庫存量為400噸。本文選取近15年國內月度鋼材出口量的數據①數據來源：西本咨詢網。（見圖1），通過仿真軟件對鋼材日均需求量進行參數分布擬合，擬合結果顯示鋼材日需求量服從參數為TRIA（4，15.8，38）的三角分布，以此作為鋼鐵貿易商日需求量分布的依據，仿真時長設置為三年，通過改變鋼鐵貿易商的訂單時間間隔模擬具有不同流水特征的鋼鐵貿易商，根據仿真結果計算得到鋼鐵貿易商相應的月出入庫貨物量以及月出入庫次數，根據信用評估模型計算得出貿易商三年間的月度信用值（懲罰因子的閾值m設定為月出庫貨物量的兩倍標準差），并將貿易商的信用值歸一化到[0—1]區間內。

圖1 國內鋼材月度出口量與日需求量擬合

表1 仿真實驗參數設置

（二）不同類型鋼鐵企業信用風險演化特征

仿真模型中，主要從訂單時間間隔對不同類型的鋼鐵貿易商進行設置。假設不同類型貿易商的鋼材需求量均服從參數為 TRIA（4，15.8，38）的三角分布，而訂單時間間隔根據泊松分布進行模擬。仿真針對的貿易商類型主要分為三類：成長型貿易商、平穩型貿易商和衰退型貿易商。

由于不同類型的貿易商訂單時間間隔不同，假設對成長型貿易商，其訂單時間間隔越來越短，第一年服從參數為λ=3的泊松分布，第二年服從參數為λ=2的泊松分布，第三年服從參數為λ=1的泊松分布；對穩定經營的貿易商，其訂單時間間隔保持一定，設置為服從參數為λ=2的泊松分布；對衰退型貿易商，其訂單時間間隔越來越長，第一年服從參數為λ=1的泊松分布，第二年服從參數為λ=2的泊松分布，第三年服從參數為λ=3的泊松分布。訂單時間間隔參數設置如表2所示。以此進行時長三年的仿真實驗，對仿真結果進行統計可以得到鋼鐵貿易商每月出庫貨物量及每月出庫次數等出庫流水數據（見圖2）。

圖2 月出庫貨物量、月出庫次數對比

表2 訂單時間間隔設置

可以看出，對平穩型貿易商，由于其訂單時間間隔在三年間均服從一致的泊松分布，所以統計得到的月出庫流水數據較為平穩，波動程度不大。對成長型貿易商，隨著訂單時間間隔的縮短，其月出庫次數以及月出庫貨物量總數逐漸增加；對衰退型貿易商，隨著訂單時間間隔的延長，接到的訂單越來越少，月出庫次數以及月出庫貨貨物量總數逐漸減少。

通過信用評估模型對三年36個采樣時間點上的仿真數據進行信用值計算，可得到成長型貿易商、平穩型貿易商及衰退型貿易商的信用變化狀態趨勢、波動情況（見圖3）及不同時間點的信用值（見表3）。綜合對比成長型、平穩型和衰退型貿易商的信用值曲線，可以發現三組貿易商的信用值曲線由于仿真參數不同而存在差異，最終呈現不同的趨勢。對成長型貿易商，第一年由于其訂單時間間隔較長，月出庫貨物量及月出庫次數保持在較低水平，因此其信用值也較低。而隨著貿易商所接到的訂單越來越頻繁，信用值也持續增長，最終達到較高的信用值，最高信用值為0.838。平穩型貿易商由于訂單時間間隔較穩定，在前兩年信用值總體呈現出穩定上升的趨勢，隨著倉儲流水數據的時間跨度增大，所包含的流水數據增多，信用值逐漸收斂。對衰退型貿易商，第一年月出庫次數和月出庫貨物量較為穩定，一段時間后達到較高的信用值，其最高信用評價值為0.721。然后由于其訂單時間間隔逐漸延長，接到的訂單越來越少，導致其出庫貨物量和出庫次數減少，在時間影響因子、月出庫次數影響因子、月出庫貨物量影響因子及波動懲罰因子的共同作用下，其信用值與原來相比呈現下降趨勢。

圖3 信用值曲線對比

表3 貿易商在不同時間點上的信用值

（續表）

可以看出，對上述不同類型的貿易商在不同時間點的信用值分析，信用值會受到貿易商實際經營的影響，對成長型貿易商和衰退型貿易商，由于其信用值變化幅度較大，若在大宗商品貿易融資中不能夠對其信用進行動態評價，將會與貿易商實際的信用評估產生較大誤差，增大信用風險的發生概率。

因此，本文研究的基于動態倉儲流水數據的信用評估模型，能夠將具有不同流水特征的貿易商進行有效劃分，同時模型能夠根據貿易商動態的倉儲流水對其信用值進行動態調節，銀行能夠以此作為參考從倉儲流水數據的角度對融資企業的信用風險進行更加全面的評估。

四、結論

銀企之間的信息不對稱是供應鏈金融發生風險的重要原因，針對目前大宗商品貿易融資過程中銀行對貿易商信用評估沒有較好的解決方案，本文基于動態倉儲流水數據構建了貿易商的信用評估模型，模型綜合考慮貿易商歷史倉儲流水數據的時間、出庫次數、出庫貨物量、累計出庫貨物量占累計貨物量入庫比例以及出庫貨物量的波動情況對貿易商最終信用值的影響，并通過對企業的訂單時間間隔進行參數設計仿真出具有不同流水特征的貿易商，仿真實驗結果表明該模型對具有不同倉儲流水特征的貿易商有區分作用，并能根據流水特征動態調節貿易商的信用值，驗證了模型的有效性。銀行可以將基于倉儲流水數據的動態信用評估與靜態指標信用評估相結合，從而更加全面、準確地評估貿易商的信用水平。