供應(yīng)鏈金融背景下甘肅中藥材核心企業(yè)評(píng)價(jià)問題研究
——基于CART決策樹算法的預(yù)測與分析

榮飛瓊,馬維敏,李 坤

(蘭州財(cái)經(jīng)大學(xué) a.信息工程學(xué)院; b.金融學(xué)院, 甘肅 蘭州 730000)

一、引言

近年來,供應(yīng)鏈金融已成為中藥材產(chǎn)業(yè)中小規(guī)模企業(yè)新的融資模式。甘肅省也在嘗試這種新的融資模式,以應(yīng)對省內(nèi)中藥材企業(yè)融資困難問題。因此,分析供應(yīng)鏈金融中各參與主體的關(guān)系,挖掘供應(yīng)鏈金融發(fā)展的核心問題并提供有效的解決方案,就成為理論研究的重點(diǎn)。

供應(yīng)鏈金融這一術(shù)語由Allen N.Berger首先提出[1],目的是解決企業(yè)融資困難問題。這一新型融資模式出現(xiàn)之后,國內(nèi)外學(xué)者對其進(jìn)行了更多深入研究。Pellegrino將供應(yīng)鏈融資的概念定義為:需以核心企業(yè)為主導(dǎo),供應(yīng)鏈上所有企業(yè)作為一個(gè)整體從銀行等金融機(jī)構(gòu)獲得資金融通[2]。J.Martin和E.Hofmann將供應(yīng)鏈上的核心企業(yè)與鏈上中小企業(yè)進(jìn)行對比,從中得出核心企業(yè)無論資信等級(jí)還是融資渠道皆存在著突出優(yōu)勢[3]。國內(nèi)部分學(xué)者將博弈論運(yùn)用在供應(yīng)鏈金融的研究中。嚴(yán)廣樂利用信息經(jīng)濟(jì)學(xué)與博弈論的理論,對供應(yīng)鏈金融模式中的中小企業(yè)、銀行和第三方物流企業(yè)間的相互作用關(guān)系加以研究[4]。馬娟指出,在供應(yīng)鏈金融的中介服務(wù)中,傳統(tǒng)金融企業(yè)和第三方物流公司之間的異業(yè)聯(lián)合是一個(gè)建立契約關(guān)系的聯(lián)合博弈行為[5]。鄭忠良和包興構(gòu)建了一個(gè)銀企博弈模型,研究銀行如何設(shè)置融資業(yè)務(wù)的檢查率和懲戒機(jī)制,來規(guī)避應(yīng)收賬款融資業(yè)務(wù)的信用風(fēng)險(xiǎn)[6]。而銀企博弈模型對于主體行為違約與貸款的博弈關(guān)系問題,目前尚未有學(xué)者進(jìn)行深度的研究和探討。

本文使用的CART決策樹算法,已有諸多成熟的研究成果。基于決策樹的集成學(xué)習(xí)方法,L.Breiman提出了隨機(jī)森林算法:隨機(jī)森林通過構(gòu)建多個(gè)決策樹,并通過投票或平均預(yù)測結(jié)果來進(jìn)行集成。每個(gè)決策樹都是通過對訓(xùn)練數(shù)據(jù)進(jìn)行自助采樣(Bootstrap)和隨機(jī)特征選擇來構(gòu)建的[7]。對于隨機(jī)森林中特征重要性的理解和解釋問題,G.Louppe介紹了一種常用的變量重要性度量方法,即基于減少不純度(Impurity)的平均減少(Mean Decrease)方法[8]。隨著更多學(xué)者的研究,決策樹算法的應(yīng)用有了進(jìn)一步的發(fā)展。L.Rokach綜述了基于集成學(xué)習(xí)的分類器,其中包括基于決策樹的集成方法,對決策樹算法在集成學(xué)習(xí)中的應(yīng)用進(jìn)行了廣泛概述[9]。 王建強(qiáng)等人探討了在不平衡數(shù)據(jù)環(huán)境中使用決策樹算法的相關(guān)問題,并提出了相應(yīng)的解決方案[10]。因此,本文采用的CART決策樹算法有大量理論和實(shí)踐依據(jù)。

在對上述國內(nèi)外研究成果回顧和分析的基礎(chǔ)上,本文旨在通過銀企博弈模型分析核心企業(yè)對于供應(yīng)鏈融資的重要性。同時(shí),構(gòu)建一個(gè)基于CART決策樹算法的供應(yīng)鏈金融核心企業(yè)綜合評(píng)級(jí)預(yù)測模型,利用部分國內(nèi)中藥材上市企業(yè)數(shù)據(jù),對企業(yè)的“綜合評(píng)價(jià)等級(jí)”進(jìn)行預(yù)測。使用甘肅省中藥材上市企業(yè)的當(dāng)期數(shù)據(jù)驗(yàn)證模型的有效性,最終推廣到整個(gè)中藥材產(chǎn)業(yè)供應(yīng)鏈實(shí)際應(yīng)用中去。

二、銀企完全信息靜態(tài)博弈分析

本文將采用完全信息靜態(tài)博弈來分析銀企之間的兩種類型博弈,一種為供應(yīng)鏈金融的融資模式,其中存在核心企業(yè)的參與,中小企業(yè)以核心企業(yè)的資信水平作為擔(dān)保,從銀行等金融機(jī)構(gòu)獲得資金;另一種為傳統(tǒng)融資模式下的銀企博弈。

(一)模型建立

1.決策空間

在完全信息靜態(tài)博弈中,銀行的決策在于選擇是否放貸給中藥材中小企業(yè),中藥材中小企業(yè)的決策在于獲得貸款后是否履約。

2.基本假設(shè)及模型參數(shù)

在供應(yīng)鏈融資中,假定銀行愿意放貸的概率為yj(j=1、2),不放貸的概率為1-yj(y1為供應(yīng)鏈融資中銀行放貸的概率,y2為傳統(tǒng)融資中銀行放貸的概率),中藥材中小企業(yè)還款的概率為xj(j=1、2),不還款的概率為1-xj(x1為供應(yīng)鏈融資中銀行放貸的概率,x2為傳統(tǒng)融資中銀行放貸的概率) ;銀行愿意提供給某中藥材中小企業(yè)融資額為L,銀行收回的貸款利息率為i。

當(dāng)銀行選擇放貸時(shí),中藥材中小企業(yè)使用這筆資金獲得的投資收益率為r,投資成功的概率為p(其中0

(二)博弈模型分析

在完全信息靜態(tài)博弈中,供應(yīng)鏈融資中銀企雙方博弈的矩陣形式如表1所示。

表1 供應(yīng)鏈融資中銀企完全信息靜態(tài)博弈支付矩陣

在博弈模型中,如果銀行選擇放貸,銀行的期望效用可以表示為:

E貸=x1(Li-S)+(1-x1)[-L(1+i)-S+M]

(1)

若銀行選擇不貸款,則期望效用函數(shù)為:

E(不貸)=0

(2)

令(1)(2)兩式相等,求得:

(3)

中藥材中小企業(yè)守約的期望效用為:

E(守信)=y1(pLr-Li)+(1-y1)E

(4)

中藥材中小企業(yè)違約時(shí)的期望效用為:

E(違約)=y1(L+pLr-c)

(5)

令(4)(5)兩式相等,求得:

(6)

在完全信息情況下,傳統(tǒng)融資中銀企雙方博弈的矩陣形式如表2所示。

表2 傳統(tǒng)融資中銀企完全信息靜態(tài)博弈支付矩陣

中藥材中小企業(yè)守約的期望效用為:

E(守信)=y2(pLr-Li)+(1-y2)E

(7)

中藥材中小企業(yè)違約時(shí)的期望效用為:

E(違約)=y2(L+pLr)

(8)

令(7)(8)兩式相等,求得:

(9)

根據(jù)上述計(jì)算結(jié)果,可以觀察到y(tǒng)1>y2,這表明在有核心企業(yè)參與的供應(yīng)鏈金融的融資模式中,銀行的放貸概率高于傳統(tǒng)融資中銀行的放貸概率,凸顯了核心企業(yè)在供應(yīng)鏈融資中的重要性。

三、中藥材產(chǎn)業(yè)核心企業(yè)評(píng)價(jià)指標(biāo)體系構(gòu)建

由于中藥材產(chǎn)業(yè)的特殊性和復(fù)雜性,評(píng)價(jià)核心企業(yè)的標(biāo)準(zhǔn)和指標(biāo)會(huì)受到多種因素的影響。筆者考慮到甘肅省中藥材行業(yè)的特殊性、政府的政策導(dǎo)向,以及金融機(jī)構(gòu)的風(fēng)險(xiǎn)管理需求,結(jié)合甘肅省中藥材產(chǎn)業(yè)自身特點(diǎn)建立評(píng)價(jià)指標(biāo)體系,并明確評(píng)價(jià)指標(biāo)的維度和權(quán)重。

(一)備選指標(biāo)的確定

本文在一般中藥材核心企業(yè)評(píng)估指標(biāo)體系的基礎(chǔ)上,結(jié)合甘肅省中藥材企業(yè)的特征,給出如下備選指標(biāo)集合(Ia):華證ESG評(píng)級(jí)(I1)、GDP年增長率(I2)、預(yù)測凈利潤增長率(I3)、研發(fā)人員數(shù)量占比(I4)、前五大供應(yīng)商采購金額占比(I5)、大客戶銷售收入占比(I6)、成本費(fèi)用利潤率(I7)、企業(yè)倍數(shù)(I8)、銷售毛利率(I9)、博士人數(shù)占比(I10)、大供應(yīng)商采購金額占比(I11)、應(yīng)收賬款周轉(zhuǎn)率(I12)、研發(fā)支出總額占營業(yè)收入比例(I13)、存貨周轉(zhuǎn)率(I14)、資產(chǎn)負(fù)債率(I15)、流動(dòng)資產(chǎn)周轉(zhuǎn)率(I16)、總資產(chǎn)周轉(zhuǎn)率(I17)、應(yīng)付賬款周轉(zhuǎn)率(I18)、企業(yè)規(guī)模(I19)、前五大客戶銷售收入占比(I20)、應(yīng)收賬款比例(I21)、區(qū)間違規(guī)處罰金額(I22)、藥企區(qū)間違規(guī)處罰金額占比(I23)、區(qū)間違規(guī)處罰次數(shù)(I24)、區(qū)間訴訟案金額(I25)、藥企主體信用評(píng)級(jí)(I26)、區(qū)間違規(guī)處罰金額占比(I27)、藥企主體歷史信用評(píng)級(jí)(I28)、藥企綜合評(píng)級(jí)數(shù)值(I29)、綜合管理人員人數(shù)占比(I30)。

需要說明的是,備選指標(biāo)的選擇是基于以下幾方面因素考慮的:

第一,結(jié)合甘肅省中藥材企業(yè)自身特點(diǎn),金融機(jī)構(gòu)對企業(yè)關(guān)注點(diǎn)的選擇非常重要。筆者從相關(guān)研究、實(shí)踐經(jīng)驗(yàn)、行業(yè)標(biāo)準(zhǔn)和金融機(jī)構(gòu)的需求等角度出發(fā),綜合考慮企業(yè)的財(cái)務(wù)狀況、經(jīng)營能力、創(chuàng)新能力、風(fēng)險(xiǎn)管理等方面的情況,來進(jìn)行指標(biāo)選擇。

第二,考慮指標(biāo)數(shù)據(jù)的獲取來源,有針對性地確定備選指標(biāo)。本文在大數(shù)據(jù)環(huán)境下,自由獲取豐富的數(shù)據(jù)資源,這種方法可以確保有更多可靠和全面的數(shù)據(jù),從而更好地支持指標(biāo)的建立和后續(xù)進(jìn)行評(píng)估分析。

第三,使用逐步回歸法來評(píng)估備選指標(biāo)對于評(píng)估結(jié)果的影響,并決定是否保留或剔除這些指標(biāo)。具體而言,本文假設(shè)存在一個(gè)指標(biāo)變量(Ii(Ii∈Ia)),其偏回歸平方和為Vi=min{V(1,2,3,…,s)},其中V(1,2,3,…,s)是I(1,2,3,…,S)的偏回歸平方和。

本文根據(jù)以下準(zhǔn)則進(jìn)行剔除決策:設(shè)定一個(gè)顯著性水平α1,計(jì)算一個(gè)新的F值:

(10)

如果Fnew≤Fα1,則剔除該指標(biāo)變量,否則保留。一旦Ii被剔除后,可以按照同樣的原則對其他指標(biāo)變量I(1,2,3,…,S)進(jìn)行選擇。通過這個(gè)過程,最終形成了一個(gè)合理的指標(biāo)體系Ia={I1,I2,I3,…,Im},并建立了相應(yīng)的擬合模型:

(11)

(二)指標(biāo)構(gòu)建方法

本文在指標(biāo)構(gòu)建過程中,充分考慮了可獲得數(shù)據(jù)的種類,并運(yùn)用線性和非線性的數(shù)據(jù)處理方法,得出最終的指標(biāo)構(gòu)建方法確保了指標(biāo)的全面性和準(zhǔn)確性。該方法能夠從多個(gè)角度綜合評(píng)估中藥材產(chǎn)業(yè)核心企業(yè)的績效和風(fēng)險(xiǎn)。

在數(shù)據(jù)處理過程中,本文運(yùn)用了回歸分析、因子分析、主成分分析等方法。這些方法能夠揭示指標(biāo)之間的相關(guān)性、重要性和潛在結(jié)構(gòu),幫助篩選和權(quán)衡各個(gè)指標(biāo)的貢獻(xiàn)度。評(píng)價(jià)指標(biāo)具體構(gòu)建方法見表3。

四、模型算法及實(shí)證研究

(一)模型算法

1.決策樹理論

決策樹算法是一種監(jiān)督學(xué)習(xí)算法,既可用于分類問題也可用于回歸問題。分類與回歸樹CART(Classification And Regression Trees )是一種決策樹學(xué)習(xí)算法,它可以處理分類和回歸問題。在CART算法中,每次都選擇最優(yōu)特征來劃分?jǐn)?shù)據(jù),并且該特征能夠最大程度地減少目標(biāo)變量的不確定性(對于分類問題,使用基尼系數(shù)來量化不確定性;對于回歸問題,使用方差或平均絕對偏差)。

CART生成的是二叉樹,每個(gè)內(nèi)部節(jié)點(diǎn)都有兩個(gè)子節(jié)點(diǎn),所使用的分割方式是二分法。這種結(jié)構(gòu)使得CART算法非常適合于機(jī)器學(xué)習(xí)任務(wù),因?yàn)樗梢宰匀坏剡m應(yīng)任何輸入數(shù)據(jù)的分布,并且生成的模型易于理解和解釋。

決策樹的一個(gè)重要優(yōu)點(diǎn)是它的可解釋性。一旦決策樹被訓(xùn)練完成,它的決策過程非常直觀。當(dāng)然,決策樹也有其缺點(diǎn),例如容易過擬合,對于數(shù)據(jù)的微小變化非常敏感等,因此常常需要通過剪枝等技術(shù)來防止過擬合,提高決策樹的泛化能力①。

2.決策樹的組成

決策樹通過學(xué)習(xí)一組訓(xùn)練數(shù)據(jù),決策樹模型以樹狀結(jié)構(gòu)表示了對數(shù)據(jù)的劃分規(guī)則,最終形成的樹結(jié)構(gòu)中的每個(gè)節(jié)點(diǎn)和分支都對應(yīng)著一條決策路徑。在決策樹中,從根節(jié)點(diǎn)到每個(gè)葉節(jié)點(diǎn)的路徑,代表了一個(gè)可能的決策路徑。數(shù)據(jù)的分類或預(yù)測結(jié)果就是基于這些決策路徑得到的②。

3.決策樹的構(gòu)建

決策樹的構(gòu)建過程主要由特征選擇、樹的生成和剪枝這三個(gè)步驟組成。首先,在特征選擇階段,本文會(huì)選取能夠使目標(biāo)變量的不確定性減小到最小的特征作為節(jié)點(diǎn)的劃分依據(jù)。然后,通過遞歸的方式生成決策樹,即在每個(gè)內(nèi)部節(jié)點(diǎn)上都重復(fù)特征選擇和劃分的過程,直到滿足某種停止條件。最后,為了防止過擬合,我們可能需要對生成的決策樹進(jìn)行剪枝,以達(dá)到模型復(fù)雜度和預(yù)測能力之間的平衡。

(二)數(shù)據(jù)獲取及預(yù)處理

1.數(shù)據(jù)獲取

在實(shí)證分析階段,本文以Wind數(shù)據(jù)庫作為主要數(shù)據(jù)來源。Wind數(shù)據(jù)庫作為一個(gè)綜合性的金融數(shù)據(jù)庫,涵蓋了廣泛的金融市場數(shù)據(jù)、宏觀經(jīng)濟(jì)數(shù)據(jù)、企業(yè)財(cái)務(wù)數(shù)據(jù)、行業(yè)研究報(bào)告等信息,能夠提供本文所需的絕大部分上市企業(yè)指標(biāo)數(shù)據(jù)。本文從中選取了國內(nèi)中藥材行業(yè)的276家上市公司作為研究樣本。選取的上市企業(yè)基本都是所在地區(qū)的中藥材行業(yè)頭部企業(yè),是當(dāng)?shù)刂兴幉漠a(chǎn)業(yè)發(fā)展的核心支柱。鑒于此,最終以69家中藥材上市企業(yè)作為樣本,根據(jù)前文構(gòu)建的指標(biāo)體系,選取了它們在2010—2022年度的全部指標(biāo)數(shù)據(jù)。而甘肅省的2家上市企業(yè)作為本文評(píng)估的重點(diǎn)企業(yè),它們2017—2022年度的指標(biāo)數(shù)據(jù)同樣作為歷史數(shù)據(jù)參與了模型訓(xùn)練。最后,根據(jù)模型預(yù)測結(jié)果,判斷其是否能夠成為甘肅省中藥材行業(yè)供應(yīng)鏈金融支持的核心企業(yè)。

表3 評(píng)價(jià)指標(biāo)構(gòu)建方法*

數(shù)據(jù)選取和預(yù)處理過程的具體步驟如下:

(1)使用Wind數(shù)據(jù)庫中國內(nèi)中藥材行業(yè)69家上市企業(yè)的相關(guān)數(shù)據(jù)。

(2)明確最終確定的指標(biāo)集合中各個(gè)指標(biāo)的含義及計(jì)算方法,確定各樣本在不同指標(biāo)中的取值。

(3)將選取的上市企業(yè)樣本依據(jù)時(shí)間標(biāo)準(zhǔn),劃分為訓(xùn)練集和驗(yàn)證集。訓(xùn)練集用于訓(xùn)練決策樹模型,驗(yàn)證集用來測試模型預(yù)測的準(zhǔn)確度。除了2022年的數(shù)據(jù)為驗(yàn)證集數(shù)據(jù)以外,其他各個(gè)年份的數(shù)據(jù)都為訓(xùn)練集數(shù)據(jù)。在決策樹模型準(zhǔn)確率較高的前提下,根據(jù)已知年份的指標(biāo)數(shù)據(jù),預(yù)測未來時(shí)間段的企業(yè)的綜合評(píng)價(jià)等級(jí)取值。

(4)模型預(yù)測出中藥材上市企業(yè)綜合評(píng)價(jià)等級(jí)數(shù)值,根據(jù)供應(yīng)鏈金融核心企業(yè)綜合評(píng)價(jià)等級(jí)閾值③的計(jì)算結(jié)果,將企業(yè)等級(jí)分為“具備核心企業(yè)能力”“弱核心企業(yè)能力”“強(qiáng)核心企業(yè)能力”三個(gè)等級(jí)。

2.數(shù)據(jù)預(yù)處理

由于源數(shù)據(jù)庫存在數(shù)據(jù)采集不完善的問題,所以有一定規(guī)模的指標(biāo)存在數(shù)據(jù)在一個(gè)時(shí)間段內(nèi)缺失的情況。鑒于此,筆者設(shè)計(jì)了多種方法來建立數(shù)據(jù)序列,填充缺失數(shù)據(jù)。而對于缺失較多的特征指標(biāo),為保證預(yù)測效果,選擇了直接丟棄。具體處理方法在上文指標(biāo)體系構(gòu)建部分中進(jìn)行了說明。

另外,在數(shù)據(jù)預(yù)處理過程中,通常會(huì)包含數(shù)據(jù)標(biāo)準(zhǔn)化過程,以此來消除不同特征或變量之間的量綱差異,避免某些特征對模型訓(xùn)練產(chǎn)生過大的影響。但是,本文采用的決策樹模型是一種非參數(shù)的監(jiān)督學(xué)習(xí)方法,它通過創(chuàng)建分支規(guī)則來預(yù)測目標(biāo)變量。構(gòu)建決策樹時(shí),算法會(huì)選擇一個(gè)特征并設(shè)置一個(gè)閾值,將數(shù)據(jù)切分為兩部分。選擇哪個(gè)特征和閾值,取決于切分后可以獲得最大的信息增益、基尼指數(shù)的降低等。所以,無論數(shù)據(jù)樣本是原始未處理的,還是經(jīng)過了標(biāo)準(zhǔn)化(比如所有特征都被縮放到0～1之間),決策樹的構(gòu)建過程都是一樣的。因此,在本文數(shù)據(jù)預(yù)處理過程中,標(biāo)準(zhǔn)化的步驟被省略了。

基于以上過程和步驟,本文共選取了69家企業(yè),25個(gè)指標(biāo)④在2010—2022年度總共2700多個(gè)數(shù)據(jù)樣本。本文評(píng)價(jià)指標(biāo)體系的構(gòu)建基于“減少專家評(píng)估的指標(biāo)建設(shè)”原則,故只需對這4萬多個(gè)數(shù)據(jù)進(jìn)行Label預(yù)測,即可預(yù)測出企業(yè)在未來時(shí)間段的“綜合評(píng)價(jià)等級(jí)”。這樣就減少了人工干預(yù)的可能,最大限度地排除了主觀因素,使“用數(shù)據(jù)說話”的思想得到體現(xiàn)。

(三)實(shí)證研究

1.模型訓(xùn)練

(1)模型核心算法能力。在決策樹訓(xùn)練過程中,決策樹會(huì)根據(jù)特征的屬性值進(jìn)行分割,構(gòu)建出一系列的決策節(jié)點(diǎn),并根據(jù)目標(biāo)變量的取值確定每個(gè)分割點(diǎn)的最佳位置。本文的待預(yù)測指數(shù)為連續(xù)值,故采用回歸類型的決策樹算法,建立若干If-Else規(guī)則以形成足夠復(fù)雜的樹狀規(guī)則鏈來達(dá)到預(yù)測推理目的。模型建立的具體描述如下:

第一,本文預(yù)測的目標(biāo)是一個(gè)綜合指數(shù),該指數(shù)由多項(xiàng)指標(biāo)共同計(jì)算得出。為了有效預(yù)測綜合評(píng)級(jí)指數(shù),搜尋并建立了一個(gè)完整的特征指標(biāo)體系,包含諸多與藥企評(píng)級(jí)相關(guān)性極強(qiáng)的指標(biāo),并用第m年的特征指標(biāo)來預(yù)測m+1年的綜合指數(shù)。

第二,本文采用了CART決策樹變體模型。CART決策樹與傳統(tǒng)決策樹在分割準(zhǔn)則、決策節(jié)點(diǎn)和剪枝策略等方面存在一些差異。CART決策樹既可以用于分類問題,也可以用于回歸問題,而傳統(tǒng)的決策樹算法主要用于分類問題;另外,CART算法每次只生成二叉樹,傳統(tǒng)的決策樹算法可以有多個(gè)分支,條件也是多元的。因此,本文結(jié)合研究問題及數(shù)據(jù)特征,選擇了CART決策樹算法用于實(shí)驗(yàn)。

為了說明本文決策樹模型的算法,此處以一棵完整的樹規(guī)則中某一規(guī)則鏈為例進(jìn)行描述。通過運(yùn)行決策樹算法,當(dāng)“華證ESG評(píng)級(jí)”取值≤0.5時(shí),可直接得出預(yù)測的最終評(píng)級(jí)1.121;當(dāng)取值>0.5時(shí),還會(huì)進(jìn)一步判斷“華證ESG評(píng)級(jí)”取值是否≤3.5;若是,則對“前五大供應(yīng)商采購金額占比”取值進(jìn)行判斷,是否≤12.99;若否,則判斷“GDP年增長率”是否≤7.6,以此類推直至得到最終結(jié)果。

(2) 算法特殊參數(shù)設(shè)置。樹的末端節(jié)點(diǎn)被稱作葉節(jié)點(diǎn)。決策樹理論上可以構(gòu)建非常復(fù)雜的樹來擬合訓(xùn)練集中每一個(gè)樣本,若一個(gè)葉節(jié)點(diǎn)上只存在一個(gè)樣本,由于該樣本不具備較好的統(tǒng)計(jì)效應(yīng),用這個(gè)葉節(jié)點(diǎn)所在規(guī)則鏈的推理結(jié)果作為預(yù)測結(jié)果就不具備普遍適用性,即導(dǎo)致泛化性較差問題,所以,本文約束了樹的最大深度(即規(guī)則鏈的最大長度)以及樹葉子節(jié)點(diǎn)上包含的最小樣本數(shù)。要求在模型訓(xùn)練的過程中,當(dāng)模型樹結(jié)構(gòu)達(dá)到最大深度限制時(shí),或者再進(jìn)一步分裂葉子節(jié)點(diǎn),將導(dǎo)致子葉節(jié)點(diǎn)中包含的樣本數(shù)量小于規(guī)定的最小樣本數(shù)時(shí),則停止分裂。在本文的實(shí)際實(shí)驗(yàn)中,約束樹的最大深度為20,每個(gè)樹節(jié)點(diǎn)所包含的訓(xùn)練樣本數(shù)不少于50,葉節(jié)點(diǎn)中包含的最小樣本數(shù)為50。

(3)算法優(yōu)劣勢。選擇CART決策樹算法,主要原因是其能在較好的擬合精度和泛化性下,仍然保持非常好的可解釋性。它建立的樹狀規(guī)則能為人腦快速理解,這將有助于實(shí)際場景的使用,使用者對其決策過程越理解,則越能信任算法的計(jì)算結(jié)果。

從特征指標(biāo)的類型看,本文所構(gòu)建的特征指標(biāo)中,既存在分類型特征指標(biāo)也存在連續(xù)型特征指標(biāo),線性回歸或者神經(jīng)網(wǎng)絡(luò)模型都不擅長處理這種多類型特征的數(shù)據(jù)集合。而決策樹算法能夠處理這種多類型的數(shù)據(jù),包括連續(xù)型數(shù)據(jù)、離散型數(shù)據(jù)和分類型數(shù)據(jù),對于處理特征空間中的非線性關(guān)系、交互作用和高維數(shù)據(jù)具有較強(qiáng)的適應(yīng)性,所以決策樹是本文綜合指標(biāo)預(yù)測的最佳算法選擇。

(4) 特征工程及預(yù)測目標(biāo)構(gòu)建描述。本文模型的預(yù)測目標(biāo)是一個(gè)綜合評(píng)級(jí)指數(shù),也就是指標(biāo)體系中的“藥企綜合評(píng)級(jí)數(shù)值”(I29)⑤,該指標(biāo)也是CART決策樹模型的標(biāo)簽。該指標(biāo)的歷史值可由多個(gè)具有強(qiáng)相關(guān)性的評(píng)級(jí)指標(biāo)共同計(jì)算得出,其中每個(gè)指標(biāo)的權(quán)重根據(jù)其對藥企綜合評(píng)價(jià)的影響程度來決定。具體計(jì)算方法見表3評(píng)價(jià)指標(biāo)I29的計(jì)算公式。鑒于此,為了準(zhǔn)確預(yù)測“藥企綜合評(píng)級(jí)數(shù)值”(I29)的未來值,本文建立了一個(gè)較為完整的特征指標(biāo)體系,包含了諸多藥企評(píng)級(jí)影響因素指標(biāo),并用第m年的特征指標(biāo)取值來預(yù)測第m+1年的“藥企綜合評(píng)級(jí)數(shù)值”(I29)。

2. 模型擬合結(jié)果分析

本文收集了2700多個(gè)樣本,以2021年的真實(shí)數(shù)據(jù)作為模型指標(biāo)取值,預(yù)測了2022年各企業(yè)“綜合評(píng)價(jià)等級(jí)”指標(biāo)值。2022年企業(yè)“綜合評(píng)價(jià)等級(jí)”指標(biāo)取值是歷史數(shù)據(jù),是真實(shí)存在的,因此,為了測量模型的泛化能力,取2022年的企業(yè)真實(shí)數(shù)據(jù)作為驗(yàn)證集,來對模型預(yù)測結(jié)果的準(zhǔn)確性進(jìn)行判斷。其余年份數(shù)據(jù)作為訓(xùn)練集引入模型訓(xùn)練過程。由此得到在兩個(gè)數(shù)據(jù)集上的MSE,如表4所示。

表4 兩個(gè)數(shù)據(jù)集上的MSE數(shù)據(jù)統(tǒng)計(jì)

從MSE對比來看,模型沒有顯示出明顯的過擬合現(xiàn)象,且總體擬合精度控制在較小范圍內(nèi),因此認(rèn)為該結(jié)果是可接受的,模型的預(yù)測結(jié)果也是準(zhǔn)確的。

另外,為了深入理解計(jì)算出來的決策樹的推理過程,本文還繪制了整個(gè)決策樹的樹型圖,該樹型圖包含了模型所有的規(guī)則鏈。部分特征指標(biāo)核心規(guī)則鏈樹狀圖如圖1所示。

3.模型預(yù)測結(jié)果分析

(1) 模型預(yù)測結(jié)果。上文中的模型擬合結(jié)果分析證實(shí)了模型的有效性,因此本文根據(jù)2022年的企業(yè)實(shí)際指標(biāo)數(shù)據(jù),對選取的69家藥企進(jìn)行了2023年四個(gè)季度的綜合評(píng)級(jí)指標(biāo)預(yù)測。部分企業(yè)預(yù)測結(jié)果如下表5所示。

表5 部分企業(yè)四個(gè)季度綜合評(píng)級(jí)指標(biāo)預(yù)測*

從預(yù)測結(jié)果可以看出,影響力、綜合實(shí)力越強(qiáng)的企業(yè)的綜合評(píng)價(jià)指標(biāo)預(yù)測值越大,反之,實(shí)力較弱的藥企的綜合評(píng)價(jià)指標(biāo)預(yù)測值越小。本文特別關(guān)注了甘肅省的2家上市藥企的預(yù)測結(jié)果。為了更客觀、全面地反映這2家企業(yè)在2022的綜合評(píng)級(jí)預(yù)測結(jié)果,對它們在2022年4個(gè)季度的預(yù)測結(jié)果進(jìn)行了平均值處理,得到佛慈制藥綜合評(píng)級(jí)值為1.37925,隴神戎發(fā)綜合評(píng)級(jí)值為1.10855。

(2) 閾值計(jì)算。已在“數(shù)據(jù)獲取”部分予以明確。模型預(yù)測的綜合評(píng)價(jià)等級(jí)數(shù)值,需要根據(jù)核心企業(yè)綜合評(píng)價(jià)等級(jí)閾值的計(jì)算結(jié)果,將企業(yè)等級(jí)分為“具備核心企業(yè)能力”“弱核心企業(yè)能力”“強(qiáng)核心企業(yè)能力”三個(gè)等級(jí)。

本文實(shí)驗(yàn)主要利用企業(yè)在過往不同年份的綜合評(píng)價(jià)等級(jí)數(shù)據(jù)進(jìn)行閾值計(jì)算。在上文的指標(biāo)體系構(gòu)建部分中,關(guān)于企業(yè)“綜合評(píng)價(jià)等級(jí)”指標(biāo)的計(jì)算方法已經(jīng)明確。計(jì)算公式如下:

(12)

其中,μi為樣本企業(yè)在2010—2022年度的“綜合評(píng)價(jià)等級(jí)”指標(biāo)均值,n為選取企業(yè)數(shù)量,σμ1→i為全部選取企業(yè)“綜合評(píng)價(jià)等級(jí)”指標(biāo)均值的平均值對應(yīng)輸出的標(biāo)準(zhǔn)差。

需要說明的是,實(shí)驗(yàn)中閾值的計(jì)算,包括了樣本企業(yè)“綜合評(píng)價(jià)等價(jià)”的平均值以及選取企業(yè)“綜合評(píng)價(jià)等價(jià)”指標(biāo)均值的平均值標(biāo)準(zhǔn)差。平均值和標(biāo)準(zhǔn)差這兩個(gè)統(tǒng)計(jì)量,可以對未來的趨勢和情況進(jìn)行預(yù)測和決策支持,以涵蓋一定范圍內(nèi)的數(shù)據(jù)。其中平均值提供了數(shù)據(jù)集的集中位置的指標(biāo),可以幫助確定數(shù)據(jù)的中心傾向;而標(biāo)準(zhǔn)差是用于衡量數(shù)據(jù)集內(nèi)部變異程度的一種度量方式。因此,為了“閾值”計(jì)算的科學(xué)性,將閾值結(jié)果設(shè)置為平均值下調(diào)2個(gè)標(biāo)準(zhǔn)差。

圖1 特征指標(biāo)核心規(guī)則鏈樹狀圖⑥

(3)模型預(yù)測結(jié)果判定。根據(jù)閾值計(jì)算公式,本文分別選取了全部69家上市藥企和優(yōu)異且各年綜合評(píng)級(jí)數(shù)據(jù)完整的20家藥企進(jìn)行了兩次閾值計(jì)算,對應(yīng)的閾值分別為為1.037 1和1.363 4。因此,確定核心企業(yè)判定原則為:設(shè)樣本企業(yè)“綜合評(píng)價(jià)等級(jí)”指標(biāo)預(yù)測值為γ,若γ∈[1.037 1,+∞),則判定該企業(yè)為“具備核心企業(yè)能力”;若γ∈[1.037 1,1.363 4],則判定該企業(yè)為“弱核心企業(yè)能力”;若γ∈[1.363 4,+∞),則判定該企業(yè)為“強(qiáng)核心企業(yè)能力”。根據(jù)模型的預(yù)測結(jié)果,2023年甘肅省有2家上市企業(yè)具備了基本的供應(yīng)鏈金融核心企業(yè)能力,分別是佛慈制藥股份有限公司和甘肅隴神戎發(fā)藥業(yè)股份有限公司。筆者發(fā)現(xiàn)這2家企業(yè)2023年的“綜合評(píng)價(jià)等級(jí)”指標(biāo)分別為1.465 5和1.189 7,表明佛慈制藥具備強(qiáng)核心企業(yè)能力,而隴神戎發(fā)僅具備弱核心企業(yè)能力。可見,佛慈制藥作為供應(yīng)鏈金融模式中的核心企業(yè),是整個(gè)供應(yīng)鏈的主導(dǎo)者。它具備充分的供應(yīng)鏈管理能力、信用可靠性、資金實(shí)力、風(fēng)險(xiǎn)管理能力以及數(shù)據(jù)管理和技術(shù)能力,能夠確保供應(yīng)鏈金融的有效運(yùn)作和可持續(xù)發(fā)展。隴神戎發(fā)雖然具有了核心企業(yè)的基本能力,但在這些關(guān)鍵能力上還略有欠缺,需要進(jìn)一步提升和優(yōu)化。

五、結(jié)論與建議

首先,本文從甘肅省中藥材產(chǎn)業(yè)供應(yīng)鏈金融支持問題入手,通過建立完全信息靜態(tài)博弈模型,分析兩種融資模式下的銀企博弈行為,證明了核心企業(yè)在供應(yīng)鏈融資過程中的重要性,以及供應(yīng)鏈融資更易使中小企業(yè)獲得所需的融資支持。以69家國內(nèi)中藥材上市企業(yè)的財(cái)務(wù)數(shù)據(jù)作為原始數(shù)據(jù)源,構(gòu)建了一個(gè)CART決策樹模型。模型評(píng)估結(jié)果表明,該決策樹模型沒有顯示出明顯的過擬合現(xiàn)象,且總體擬合精度控制在較小范圍內(nèi),MSE指標(biāo)結(jié)果可接受,模型的預(yù)測結(jié)果也是準(zhǔn)確的。根據(jù)模型預(yù)測結(jié)果,判定了省內(nèi)中藥材企業(yè)是否能夠成為我省中藥材行業(yè)供應(yīng)鏈金融支持的核心企業(yè),并提出了政策建議。綜上所述,本文實(shí)證研究中構(gòu)建的決策樹模型預(yù)測結(jié)果準(zhǔn)確,模型穩(wěn)健可靠,可以推廣至實(shí)際應(yīng)用中去。

結(jié)合本文實(shí)證研究結(jié)果,及甘肅省中藥材行業(yè)供應(yīng)鏈金融發(fā)展特點(diǎn),對中藥材行業(yè)供應(yīng)鏈金融核心企業(yè)評(píng)價(jià)的實(shí)際應(yīng)用給出以下建議:

(一)技術(shù)層面的建議

本文實(shí)證研究中的技術(shù)選擇是權(quán)衡了現(xiàn)有數(shù)據(jù)情況及可解釋性后做出的合理選擇,但還是有可深入和調(diào)整的空間。第一,由于來源渠道的限制,本文所使用的數(shù)據(jù)多限于上市企業(yè)的財(cái)務(wù)數(shù)據(jù),數(shù)據(jù)類型和數(shù)據(jù)規(guī)模相對偏小,未來研究中要積極拓展數(shù)據(jù)獲取方式,增加樣本容量,為充分發(fā)揮機(jī)器學(xué)習(xí)算法優(yōu)勢提供更充足的樣本數(shù)量。第二,由于Wind數(shù)據(jù)庫中指標(biāo)數(shù)據(jù)的時(shí)間區(qū)間存在差異,造成數(shù)據(jù)缺失。面對這種情況,本文采用缺失值填充的方法予以解決,但是這種方法存在缺陷,一定程度上影響了數(shù)據(jù)的準(zhǔn)確性和客觀性。未來研究中應(yīng)采取識(shí)別數(shù)據(jù)缺失、數(shù)據(jù)重建、尋求專業(yè)幫助等辦法解決數(shù)據(jù)缺失問題。第三,在數(shù)據(jù)規(guī)模進(jìn)一步擴(kuò)大,數(shù)據(jù)缺失問題得到有效解決的前提下,可以考慮增加樹模型的復(fù)雜度。同時(shí),進(jìn)一步考慮復(fù)雜樹模型如何有效地向決策人員提供良好解釋性的問題,因?yàn)檫@影響到?jīng)Q策人員對模型計(jì)算結(jié)果的信任程度。

(二)實(shí)踐層面的建議

本文基于CART決策樹模型進(jìn)行的實(shí)證研究,對于甘肅省中藥材供應(yīng)鏈金融的發(fā)展具有一定實(shí)踐意義,但是,關(guān)于甘肅中藥材產(chǎn)業(yè)中核心企業(yè)參與的供應(yīng)鏈金融支持的研究還需進(jìn)一步深入。第一,核心企業(yè)應(yīng)最大力度保證原有資金來源的穩(wěn)定,并發(fā)揮自身龍頭地位優(yōu)勢,吸引眾多社會(huì)資源(如民間資本)的加入,創(chuàng)新多元化供應(yīng)鏈融資,推動(dòng)中藥材產(chǎn)業(yè)提檔升級(jí)。此外,核心企業(yè)應(yīng)增加融資服務(wù)的附加值,大力推動(dòng)中藥材產(chǎn)業(yè)、金融科技和養(yǎng)生旅游等深度融合發(fā)展。第二,中小企業(yè)應(yīng)當(dāng)重視創(chuàng)新對企業(yè)的作用,引進(jìn)中藥材行業(yè)的技術(shù)創(chuàng)新人才,不斷增強(qiáng)自身的競爭力。農(nóng)村種植戶及合作社應(yīng)當(dāng)利用好供應(yīng)鏈模式,與核心企業(yè)建立長期合作關(guān)系,保持自身種植及銷售的連續(xù)性。第三,銀行等金融機(jī)構(gòu)應(yīng)加強(qiáng)供應(yīng)鏈融資的風(fēng)險(xiǎn)控制,通過對供應(yīng)鏈運(yùn)作的全程監(jiān)管,綜合分析評(píng)估核心企業(yè)及鏈上企業(yè)的潛在風(fēng)險(xiǎn)隱患,健全產(chǎn)業(yè)鏈風(fēng)險(xiǎn)控制體系。

[注釋]

① 摘自Leo Breiman,Jerome Friedman,Charles J.Stone,Richard A.Olshen共同撰寫的《分類與回歸樹》(ClassificationandRegressionTrees)一書。

②摘自Trevor Hastie,Robert Tibshirani,Jerome Friedman于2009年共同撰寫的《統(tǒng)計(jì)學(xué)習(xí)基礎(chǔ): 數(shù)據(jù)挖掘、推斷與預(yù)測》 (TheElementsofStatisticalLearning:DataMining,Inference,andPrediction) 一書。

③此處綜合評(píng)價(jià)等級(jí)的閾值計(jì)算原理及計(jì)算方法會(huì)在模型建立部分詳細(xì)說明。

④指標(biāo)體系中,指標(biāo)作為決策樹模型訓(xùn)練的標(biāo)簽Label,歷史值也是通過其他指標(biāo)計(jì)算而來的,無需數(shù)據(jù)來源。

⑤是表3確定的評(píng)價(jià)指標(biāo)體系中的指標(biāo)之一。

⑥因版面限制,本文只展示特征指標(biāo)核心規(guī)則鏈樹狀圖。