基于大數據的供應鏈金融信用風險評估實證研究

周雷　邱勛　朱奕　毛曉飛

摘? ?要：通過將前沿大數據征信技術與評分卡方法相結合，以整車制造行業供應鏈為場景，對供應鏈金融信用風險進行測度。借助Python軟件，從“企查查”API數據接口和萬得數據庫獲取相關數據，對27家核心企業122條供應鏈多維指標進行數據挖掘、WOE編碼和變量篩選，構建指標體系。然后，運用大數據和人工智能建模思路，建立涵蓋14個特征解釋變量的Logistic回歸模型，并運用多種工具訓練和改進模型形成可用于實務的Logistic評分卡。經實證檢驗，最終確定的信用評估模型區分能力強，風險預測準確率能達到96.77%?；诖髷祿腖ogistic評分卡將供應鏈信用等級數字化，相較于傳統的信用評級更具有實用性，因此，大數據技術的運用對提升供應鏈金融信用風險評估和管理水平具有重要價值。

關鍵詞：供應鏈金融;信用風險;Logistic評分卡;人工智能

中圖分類號：F832? 文獻標識碼：B? 文章編號：1674-2265（2022）05-0064-07

DOI：10.19647/j.cnki.37-1462/f.2022.05.009

一、引言

金融科技創新驅動數字供應鏈金融快速發展，但也使信用風險的識別與評估更加復雜。為了對供應鏈金融信用風險進行有效識別與管控，大多數學者從理論分析與風險測度兩方面展開研究。在理論分析方面，付瑋瓊（2020）[1]運用供應鏈金融網絡拓撲結構及依賴共生模型來說明核心企業主導模式下的依賴性壟斷現象及其對供應鏈金融風險的作用機理。曹允春等（2020）[2]指出大數據等金融科技技術不斷推動供應鏈金融智慧化，各交易主體跨界聯動及數據挖掘可以解決傳統風險評估中的供應鏈關系識別、信用風險指標關聯性等問題。趙成國和江文歆（2021）[3]基于供應鏈金融生態發展邏輯，從資源、組織、知識分析視角建立供應鏈金融生態風險管理內外協同共生機制，并提出了供應鏈金融生態風險評估和管理建議。周雷等（2021）[4]運用博弈論分析了區塊鏈賦能供應鏈金融的作用機理，指出區塊鏈的智能合約技術有助于提高信用風險評估效率。在風險測度方面，大數據征信在很大程度上改變了傳統征信對數據采集、加工和分析的方式以及對客戶信用風險預測的效果（張瑜等，2021）[5]，特別是能夠通過重新設計信用評級模型以及創新風險識別系統，更有效地控制和評估供應鏈金融風險（Tian等，2019）[6]。因此，部分學者使用主成分分析和邏輯回歸模型、Rough和GADEMATEL模型、GA-BP神經網絡模型、PSO-SVM供應鏈金融預警模型、Copula 模型等進行了信用風險測度（余得生和李星，2019;周茜等，2019;孫中葉和徐曉燕，2021;李健和張金林，2019;胡海青等，2020）[7-11]。

國家“十四五”規劃指出，要加快構建全國一體化大數據中心體系，加強信用信息歸集、共享、公開和應用。大數據技術在供應鏈金融信用風險評估中的應用，對于防控信用風險、提升供應鏈發展水平具有重要的現實意義。但是，從已有的相關文獻來看，理論研究和機理分析較多，部分實證研究也大多從學術角度出發，未能提供可以直接實踐應用的供應鏈金融信用風險評價工具;或者僅針對某個特定供應鏈企業案例展開，對整個行業場景的實踐指導價值較弱。鮮有學者將實務中普遍運用的評分卡工具用于供應鏈金融信用風險測度，而本文將前沿大數據征信模型與評分卡工具相結合，針對具體行業場景的供應鏈金融信用風險評估以應用為導向進行深入研究，具有一定的創新性和現實針對性。

二、場景選擇與變量篩選

（一）場景選擇

大數據供應鏈金融信用風險評估模型的構建首先需要選擇合適的研究對象和模型訓練場景。整車制造行業具有典型的供應鏈協同特征，該行業一般以整車制造企業為核心企業，上游汽車零配件供應商與下游整車經銷商圍繞整車制造核心企業合作，形成上下游相互協作的供應鏈。整車制造行業供應鏈的供應商數量多、交易脈絡復雜、應收賬款和資金需求量較大，具有開展應收賬款質押融資的有利條件。而應收賬款質押融資正是供應鏈金融發展較為成熟的主流模式。因此，本文以整車制造行業供應鏈為場景探索大數據技術在供應鏈金融信用風險評估中的應用具有典型性和代表性。樣本具體選擇條件如下：（1）核心企業為整車制造的上市公司，屬于國民經濟行業分類中的“汽車制造業——汽車整車制造業”;（2）中小融資企業選取自核心企業的上游供應商，考慮數據可得性，根據證監會《上市公司行業分類指引》將中小板、創業板中的汽車制造業供應商認定為所選樣本。根據以上篩選條件，共選取27家上市公司核心企業和122條樣本供應鏈作為本文實證研究對象。

在選擇場景的基礎上，評估指標設計參考中國知網（CNKI）的35篇相關文獻，并咨詢大數據技術應用與供應鏈金融領域的專家，初步確定了42個原始指標供篩選。指標主要包括六個維度：中小融資企業情況、核心企業情況、供應鏈關系、宏觀經濟狀況、信用評級情況、信息披露質量。各項指標數據來源為：供應鏈關系數據，通過“企查查”關系圖譜API接口獲取，數據爬取前申請Key，以JSON（JavaScript Object Notation）半結構化數據形式返回;上市公司的主體信用評級數據，采用華政ESG信用評級作為代理變量;核心企業和中小融資企業的信息披露質量數據，也選自華政ESG信用評級中的信息披露選項;其他指標主要通過萬得數據庫整理導出。上述指標數據選取的時間點為2020年12月31日，均使用Python3.8軟件編程進行數據挖掘和建模分析。

在整車制造供應鏈場景下，設定被解釋變量為汽車行業上市公司主體的好壞，對好樣本賦值為0，壞樣本賦值為1。由于我國汽車行業上市公司截至2021年10月沒有發生實質的退市，通常上市公司總體評級參考標準為A級以上，因此，本文將A級作為好壞樣本的切分點，評級為A級及以上的樣本標簽為好樣本，A級以下（不含A級）的為壞樣本。根據采集的數據，122個汽車行業供應鏈樣本中，好樣本95個，占比77.87%;壞樣本27個，占比22.13%。為解決數據平衡性問題，筆者使用Python進行了SMOTE過采樣算法處理。

（二）變量篩選

1. 分箱與WOE編碼。運用大數據技術構建Logistic評分卡模型，先需要對各原始特征變量進行分箱與WOE編碼處理，然后再篩選出滿足Logistic回歸模型要求的解釋變量。分箱的本質是連續變量的離散化，即對不同屬性的變量，根據不同的類別打上不同的特征值;分箱最終的目的是讓每一組內差異盡可能小，組間的差異盡可能大。分箱之后需要對變量進行編碼。WOE編碼是Logistic評分卡模型常用的編碼方式。WOE稱為證據權重（Weight of Evidence），計算公式如（1）式所示。WOE在信貸業務中是衡量違約概率的指標，其本質是壞客戶與好客戶的比例的對數。WOE越大，該分箱的壞客戶比例越高，也就是說通過對變量進行WOE編碼，并將WOE作為特征值，則特征值不僅代表了變量的一個分類，還代表了這個分類對預測違約概率的權重或者說對信用風險評估的貢獻度。

公式（1）中，[pi1]是第[i]分箱中壞客戶占所有壞客戶的比例，[pi0]是第[i]分箱中好客戶占所有好客戶的比例;[*Bi]是第[i]分箱中壞客戶數;[*BT]是所有壞客戶數;[*Gi]是第[i]分箱中好客戶數;[*GT]是所有好客戶數。

以資產負債率為例，該變量為連續變量，經分箱處理后，可以劃分為三檔區間，分別為低于43.60%、介于43.60%與64.52%之間以及高于64.52%。然后運用采集的數據，根據公式（1）可以計算出資產負債率變量各分箱對應的WOE，如表1所示。根據表1，資產負債率變量各分箱的WOE與壞客戶率成正比，壞客戶率越高，WOE越大。因此， WOE不僅可以作為資產負債率變量離散化處理后各分箱類別的特征值，而且反映了該類別對預測違約概率的權重。采用同樣的方法，可以對本文各評估指標變量都進行分箱與WOE編碼，作為變量的特征值用于后續的分析、篩選與建模。

2. 相關性分析與IV變量篩選。經過分箱與WOE編碼，類別變量實現了賦值，連續變量也進行了離散化處理并取得了特征值，從而可以進行相關性分析與IV（信息增益值）變量篩選。兩變量間的線性相關性可用皮爾森相關系數來衡量，該系數的取值范圍為[-1，1]。相關系數越接近0，說明兩變量線性相關性越弱;越接近1或-1則兩變量線性相關性越強。當指標間兩兩相關系數的絕對值大于0.7時，說明兩者的相關性較強，會影響其對被解釋變量的可解釋性。因此，當兩指標間的相關系數絕對值大于0.7時，選擇IV較高的指標作為備選解釋變量，去除區分能力較低的指標。將連續變量離散化必然伴隨信息的損失，并且分箱越少，信息損失越大。為了衡量特征變量上的信息量以及特征對預測函數的貢獻度，定義IV如公式（2）所示。

其中，[n]代表分箱個數，[i]代表第[i]個分箱，[bad%]是這個分箱的壞客戶，即標簽為1的客戶占整個特征中所有壞客戶的比例，[good%]是這個分箱的好客戶，即標簽為0的客戶占整個特征中所有好客戶的比例。

IV通過在WOE基礎上乘以系數，不僅避免了負數出現，而且考慮了分箱中樣本占總體樣本的比例及其預測貢獻。對分箱而言，IV越大代表了這個分箱的壞客戶越多。對整個變量而言，IV代表了特征變量上的信息量對模型的貢獻度和排序的區分度。換言之，代表了分箱后模型對違約概率的預測效率。根據信息增益值IV的判定標準，一般需要大于0.03，模型預測方為有效，因此，在兩兩相關系數大于0.7的各組變量中去除IV較低指標的基礎上，還需要去除雖然相關系數小于0.7，但是IV小于0.03的指標，這些指標包括營業利潤、信息披露質量、公司治理能力、GDP增長率、產業景氣指數AIC、核心企業資產負債率。

3.多重共線性檢驗。多重共線性指解釋變量之間由于存在相關關系而導致回歸模型失真的情況。本文選取VIF（方差膨脹系數）來衡量多重共線性，如公式（3）所示，其中[Ri]是被篩選的解釋變量[i]與其他解釋變量的復相關系數。

VIF值越大代表解釋變量多重共線性程度越嚴重。本文將VIF閾值設置為10，當VIF>10，被視為出現多重共線性的情況。因此，篩選出所有方差膨脹系數小于10的變量，這些變量之間沒有嚴重的多重共線性，可以構建Logistic回歸模型。

三、Logistic回歸模型

（一）模型建立

Logistic回歸模型是指被解釋變量為二級計分或二類評定的回歸分析，一般形式如式（4）。

公式（4）中，[w0]表示常數項，[Xk]代表各解釋變量，[wk]表示對應的回歸系數，[ε]為隨機誤差項。被解釋變量為企業違約發生比的自然對數，其中[p]為違約概率，越接近0表示企業違約風險越低，越接近1表示企業違約風險越高;[p1-p]被定義為發生比（odds），表示客戶違約的相對概率。

通過指標體系構建，并運用相關性分析、多重共線性檢驗、IV等多種方法進行變量篩選，最終根據機器學習梯度下降樹算法GBDT重要程度排序，確定被納入Logistic回歸模型的具體變量，共包括14個特征解釋變量。為了區分核心企業與中小融資企業的財務指標變量，將核心企業的指標名稱加上尾綴“.H”，同時所有解釋變量都經過了分箱和WOE編碼。WOE編碼可以把原始指標與壞客戶率之間可能存在的非線性特征轉換為線性，這為構建包括Logistic回歸在內的廣義線性模型奠定了基礎。然后，通過估計Logistic回歸，得到大數據供應鏈金融信用風險評估模型的系數，如表2所示。需要說明的是，由于WOE編碼始終與壞客戶率成正相關，即變量的WOE編碼值與供應鏈金融違約概率成正比，因此，所有的模型系數均為正數。但是，對于指標本身的原始實際值與違約概率成負相關關系的負向指標，在后續制作Logistic評分卡與解釋模型結果時，需要將其還原，以方便理解。例如，負向指標營業利潤率，該指標越高，壞客戶比例越低，WOE編碼就越小，則預測違約概率也越低，因此，該指標的模型系數雖然也為正數，但是實際是負相關關系。

由于Logistic回歸模型的被解釋變量是對數發生比[lnp1-p]，因此，每個特征解釋變量的估計系數都可以解釋為對該對數發生比的作用。將表2中的模型系數用對數發生比模型表示，如下式所示。該模型即是本文構建的大數據供應鏈金融信用風險評估模型，各變量的回歸系數均至少在5%的水平下顯著。

（二）模型檢驗

根據大數據建模原理，通過對構建的Logistic回歸模型設置不同的拒絕概率閾值，不斷測試模型，計算出各評估指標的最優值，結果如表3和圖1所示，其中準確率、精確率、召回率和提升度均為最大值，相應地，誤分類率為最小值。通過表3和圖1可知，本文構建的大數據信用風險評估模型預測的最大準確率為96.77%，AUC值約為0.88，接近于1，模型對供應鏈金融信用風險的預測效果較好;經模型排序后拒絕分箱中壞客戶濃度最大可達總體的4.01倍，風險排序能力和區分度強;實際為好客戶卻預測為壞客戶和實際為壞客戶卻預測為好客戶的概率之和僅為3.23%，誤分類率較低。

四、Logistic評分卡構建與應用

為了將建立的Logistic回歸信用風險評估模型直觀展示，本文進一步將回歸模型轉換為Logistic評分卡。Logistic評分卡分值可以定義比率對數線性表達式，如（5）式所示。

公式（5）中，A與B是常量，根據希望Logistic評分卡模型最終輸出的總分區間設定，且一般均大于0，B前面的負號表示違約概率越低，信用得分越高。通常情況下，分值越高代表風險越低，分值越低代表風險越高。將構建的Logistic回歸模型（4）代入式（5），省略隨機誤差項，可以得到可實際應用的Logistic評分公式，如式（6）所示。

公式（6） 中，[A-Bw0]為基礎分，[Xk]是以WOE編碼為特征值的各解釋變量，[wk]表示對應的Logistic回歸模型系數。

轉換過程中，首先，將通過檢驗的Logistic回歸模型系數以及設定的常量A、B代入評分公式（6），可以得到基礎分564分。其次，把各變量每個分箱的特征值WOE分別代入公式（6）中該變量對應的X，得到每個分箱特征值的評分結果。最后，將各分箱對應的WOE編碼還原為指標的實際值區間，得到指標各分箱類別的Logistic評分。

采用上述方法，計算出各指標的Logistic評分，然后匯總、整理，形成完整的供應鏈金融信用風險評分卡，如表4所示。評分卡將每個指標的實際值劃分為三檔，評分時，在基礎分上逐一加上每個評級指標對應的分檔得分（負分為減去），得到最終的供應鏈金融信用風險評分。結果分數越高，代表該條供應鏈的信用資質越好，出現信用風險的概率越低?；贚ogistic回歸模型轉換和生成的供應鏈金融信用風險評分卡，不僅具有與原Logistic回歸模型一致的顯著性水平，而且具有很強的可解釋性和實際操作應用價值，能夠使供應鏈金融業務人員無須深入了解大數據建模原理，即可根據評分卡直接得出客戶的信用評分，以輔助授信決策和風險管理。

運用上述Logistc評分卡，對122條供應鏈的信用風險進行評分，評分區間的頻數分布如圖2所示。從總體上看，汽車行業供應鏈金融信用風險得分集中在[200，800]區間，其中[700，800]區間最多，而高于900分的情況較少。進一步以一家供應鏈核心企業——北汽福田汽車股份有限公司（A股，以下簡稱福田汽車）為例，將福田汽車及其上游中小融資企業真實的原始數據代入Logistic評分卡模型，計算福田汽車上游中小融資企業的信用評分，結果如圖3所示。根據模型輸出結果，這10家供應鏈上游融資企業的信用風險評分均屬于中上水平。其中評分最高的金力泰為福田汽車上游重要供應商，從事汽車原廠涂料的生產和銷售，在垂直細分領域具有極強的競爭力;評分最低的通合科技為新能源電動汽車充電電源及配套設備供應商，在創業板上市，尚未形成穩定的盈利能力，但評分仍略高于基礎分，總體信用風險可控，若能抓住“雙碳”機遇，加大技術投入和產品研發，仍具有廣闊的發展前景。

根據華政ESG評分，上述各家企業的信用評級均為BBB級，與本文構建的大數據供應鏈金融信用風險評估模型的評分結果較為吻合，但是本文模型的區分度更高，更加精準地刻畫了汽車行業供應鏈金融的信用風險狀況，即實現了信用等級的數字化。傳統風險評估模型的底層指標篩選和建模邏輯大多采用德爾菲法、層次分析法等依賴專家經驗判斷的方法，指標選擇、區間分級和權重確定存在一定的主觀性，評級結果以信用等級形成給出，精確度和可解釋性有限。而基于大數據技術建立的供應鏈金融信用風險評估模型，不事先設定指標區間和權重，通過數據挖掘和機器學習構建和優化評估體系，不僅能定量、客觀地預測違約概率，而且通過將模型轉換為Logistic評分卡，建立起原始指標與評分結果間的對應關系，實現了信用等級數字化、可解釋的呈現，能夠清晰獲知被評估對象的精確得分和每項指標的特征分。

綜上，本文建立的Logistic回歸模型對供應鏈金融信用風險的預測準確率高，基于該模型構建的評分卡方便業務人員操作應用，且相較于傳統第三方評級機構10個等級的信用評級結果，評分更加精確，也更具實用性和參考價值，能夠具體解釋和分析評分結果與指標特征間的定量關系。

五、結論與建議

本文運用大數據技術和人工智能建模思路，借助Python3.8軟件，對整車制造企業供應鏈金融信用風險進行測度，從“企查查”API數據接口和萬得數據庫挖掘相關數據，將27家核心企業122條供應鏈指標數據分箱、WOE編碼和變量篩選，建立了涵蓋14個特征解釋變量的Logistic回歸模型，并運用多種工具驗證模型，生成了Logistic評分卡。實證檢驗結果表明：本文最終確定的Logistic回歸模型對供應鏈金融的信用風險區分能力較強，預測準確率能夠達到96.77%;基于上述模型構建的Logistic評分卡將不同信用等級數字化，相較于已有的第三方信用評級工具更加具有大數據征信參考價值和實用性。因此，運用大數據技術測度供應鏈金融信用風險對提升供應鏈融資風險管理水平具有重要的現實意義。

具體而言，根據構建的大數據供應鏈金融信用風險評估模型回歸系數以及最終生成的供應鏈金融信用風險評分卡，核心企業與中小融資企業自身的財務指標和表現，均會對供應鏈金融信用風險產生顯著影響，主要結論如下：

其一，核心企業的經營狀況、盈利能力對供應鏈金融信用風險有重要影響。在5%的顯著性水平下，核心企業的銷售成本率與供應鏈金融違約概率成正相關關系;營業利潤率與供應鏈金融違約概率成負相關關系。（1）銷售成本率指標刻畫核心企業經營過程中的成本費用控制能力，核心企業成本費用控制能力越強，銷售成本率越低，信用評分越高，供應鏈金融違約的概率越小。（2）營業利潤率刻畫核心企業的盈利能力和發展前景，核心企業營業利潤率越高，盈利能力越強，發展前景就越好，整條供應鏈的信用評分就越高，越能帶來更多的融資便利，違約風險就越低。

其二，反映供應鏈上下游中小融資企業的償債能力、盈利能力和運營效率的財務指標對供應鏈金融信用風險的影響均較大。（1）在5%的顯著性水平下，中小融資企業的資產負債率與供應鏈金融信用風險成正相關關系。資產負債率是綜合反映企業償債能力的重要指標，資產負債率越高，企業債務負擔越重，信用評分就越低，債務違約概率就越大。（2）在5%的顯著性水平下，中小融資企業的營業利潤率、總資產增長率與供應鏈金融違約概率成負相關關系。其中，營業利潤率衡量中小融資企業的盈利能力，該指標越大，表明企業的盈利能力越強，從而保障企業還款付息，信用評分就越高，供應鏈金融鏈條的違約風險也就越小;總資產增長率反映了中小融資企業的增長潛力，資產增長越快，相應的評分就越高，信用風險越低。（3）在5%的顯著性水平下，中小融資企業的應收賬款周轉率、總資產周轉率、流動資產周轉率均與供應鏈融資違約概率成負相關關系。周轉率指標衡量企業的運營效率和資產的流動性，上述指標越大，表明企業的運營效率越高，資產變現能力越強，相應的信用評分就越高，供應鏈融資違約概率就越小。

結合以上實證研究結論，可以從大數據技術賦能供應鏈金融信用風險評估和治理的角度提出以下建議：第一，供應鏈上的核心企業和中小融資企業要運用大數據等新一代信息技術提高財務管理水平和信用風險治理能力，從而提升供應鏈金融質效和整條供應鏈的財務健康度。根據實證檢驗結果，供應鏈上的核心企業與中小融資企業具有密切的信用聯系，兩者的財務指標和經營狀況均會對供應鏈金融信用風險產生顯著影響。在數字化時代，要運用大數據、人工智能等新一代信息技術，精準評估供應鏈信用風險，同時引導核心企業和上下游中小融資企業加大技術投入，推進企業智能化改造和數字化轉型，改進財務管理，降低運營成本，提升財務績效和風控能力，從而獲得更高的信用評分，提升供應鏈融資可獲得性，滿足核心企業和中小融資企業的各類金融服務需求，提高整條供應鏈的財務健康度和協同運營績效，實現可持續發展。第二，構建供應鏈數據化生態圈，實現供應鏈上核心企業、上下游中小融資企業的融資交易流程透明化。傳統供應鏈金融的相關利益方主體存在信息不對稱現象，運用大數據、區塊鏈等技術構建供應鏈數據化生態圈，能夠使得供應鏈各主體的運營和金融活動中所發生的數據和信息均被不可篡改地完整記錄在平臺上，實現信息流、資金流、物聯和商流的全程可追溯，金融機構、大數據征信機構等相關主體經授權可隨時查詢數據，采集動態、可信的各類供應鏈企業財務指標與全周期貿易信息，從而為全面、準確評估供應鏈金融信用風險奠定基礎，在有效識別、評估和管控信用風險的前提下，拓展數字供應鏈金融新生態，賦能供應鏈健康發展。

參考文獻：

[1]付瑋瓊.核心企業主導的供應鏈金融模式風險機理研究 [J].企業經濟，2020，39（01）.

[2]曹允春，林浩楠，李彤.供應鏈金融創新發展下的風險變化及防控措施 [J].南方金融，2020，（04）.

[3]趙成國，江文歆.金融生態視角下供應鏈金融風險管理體系構建 [J].財會通訊，2021，（06）.

[4]周雷，鄧雨，張語嫣.區塊鏈賦能下供應鏈金融服務小微企業融資博弈分析 [J].金融理論與實踐，2021，（09）.

[5]張瑜，廖長勇，王新軍.基于分層模型的銀行客戶信用風險預測研究 [J].金融發展研究，2021，（10）.

[6]Tian Z，Hassan A F S，Razak N H A. 2019. Big Data and SME financing in China [J].Journal of Physics： Conference Series，1018（1）.

[7]余得生，李星.供應鏈金融模式下的中小企業信用風險評估：以電子制造業為例 [J].征信，2019，（10）.

[8]周茜，謝雪梅，張哲.供應鏈金融下科技型小微企業信用風險測度與管控分析：基于免疫理論 [J].企業經濟，2019，（08）.

[9]孫中葉，徐曉燕.農業供應鏈金融風險評估研究：基于GA-BP神經網絡模型 [J].技術經濟與管理研究，2021，（08）.

[10]李健，張金林.供應鏈金融的信用風險識別及預警模型研究 [J].經濟管理，2019，41（08）.

[11]胡海青，陳迪，張丹，張瑯.基于Copula的供應鏈金融質物組合價格風險測度研究 [J].運籌與管理，2020，29（03）.

An Empirical Study on Credit Risk Assessment in Supply Chain Finance Based on Big Data

—— Taking the Vehicle Manufacturing Industry as the Example

Zhou Lei1，3/Qiu Xun2/Zhu Yi1/Mao Xiaofei3

（1. School of Business，Suzhou Vocational University，Suzhou? ?215104，China;

2. School of Financial Management，Zhejiang Financial College，Hangzhou? ?310018，Zhejiang，China;

3. School of Economics and Management，Southeast University，Nanjing? ?211189，Jiangsu，China）

Abstract：By combining the cutting-edge big data credit technology with the scorecard method，the credit risk of supply chain finance is measured by taking the whole vehicle manufacturing industry supply chains as the scenario. Firstly，with the help of Python，relevant data is obtained from the "Qichacha" API and Wind database，data mining，WOE coding and variable screening were carried out for the indicator system with multi-dimensional indicators of 122 supply chains contained 27 core enterprises. Then，by using big data and AI modeling technologies，a logistic regression model covering 14 characteristic explanatory variables is established，and multiple tools are used to train and improve the model to form a logistic scorecard that can be used in practice. After empirical testing，the finalized credit assessment model has strong differentiation ability and can reach 96.77% risk prediction accuracy. The logistic scorecard based on big data digitizes the supply chain credit rating，which is more practical compared to the traditional credit rating，so the use of big data is of great value to improve the credit risk assessment and management of supply chain finance.

Key Words：supply chain finance，credit risk，logistic scorecard，AI

Abstract：By combining the cutting-edge big data credit technology with the scorecard method，the credit risk of supply chain finance is measured by taking the whole vehicle manufacturing industry supply chains as the scenario. Firstly，with the help of Python，relevant data is obtained from the "Qichacha" API and Wind database，data mining，WOE coding and variable screening were carried out for the indicator system with multi-dimensional indicators of 122 supply chains contained 27 core enterprises. Then，by using big data and AI modeling technologies，a logistic regression model covering 14 characteristic explanatory variables is established，and multiple tools are used to train and improve the model to form a logistic scorecard that can be used in practice. After empirical testing，the finalized credit assessment model has strong differentiation ability and can reach 96.77% risk prediction accuracy. The logistic scorecard based on big data digitizes the supply chain credit rating，which is more practical compared to the traditional credit rating，so the use of big data is of great value to improve the credit risk assessment and management of supply chain finance.

Key Words：supply chain finance，credit risk，logistic scorecard，AI

收稿日期：2022-01-09? ? ? 修回日期：2022-02-10

基金項目：江蘇高校哲學社會科學研究基金項目“數字經濟時代金融科技服務實體經濟高質量發展研究”（2022SJA1415）;浙江省高校科研資助項目“金融本質視角下的區塊鏈金融風險監管研究”（Y201941951）。

作者簡介：周雷，男，江蘇蘇州人，蘇州市職業大學講師、研究員，東南大學SRTP項目指導教師，研究方向為金融科技;邱勛，男，江西于都人，浙江金融職業學院副教授，研究方向為金融科技;朱奕，女，江蘇蘇州人，蘇州市職業大學商學院，研究方向為金融科技;毛曉飛，女，江蘇鎮江人，東南大學經濟管理學院，研究方向為供應鏈金融。