供應鏈視角下中小企業融資風險評估

常州工程職業技術學院經貿學院付彬

供應鏈視角下中小企業融資風險評估

常州工程職業技術學院經貿學院付彬

本文基于供應鏈融資風險特點，建立融資信用評估指標體系。從商業銀行的視角出發，來剖析中小企業的融資風險，包括用來反映融資企業狀況的相關指標，同時采用定量指標來反映相關因素，然后通過基于PCA的logistic回歸模型以及支持向量機進行建模分析。研究發現，兩個模型在進行融資信用評估時都表現較為良好，但是支持向量機在預測企業是否違約方面更加準確。同時，SVM模型可以有效地控制第一類錯誤的發生概率，這對于商業銀行來說尤為關鍵，因此商業銀行采用SVM模型進行供應鏈融資風險評估是具有可行性的。

風險評估 logistic回歸 支持向量機

一、引言

隨著經濟的不斷發展，中小企業面臨的市場競爭也越來越激烈。企業不得不快速發展，因此融資成為企業不可缺少的一環。對于中小企業而言，由于自身規模限制無法承受金融市場上高額的融資費用，因此非常依靠商業銀行的貸款這一渠道來獲取資金。但很多中小企業由于缺乏足夠的資產抵押、財務信息不夠透明、經營水平不高等原因，無法達到商業銀行的融資標準而很難獲得融資。同時，對于商業銀行而言，在面對財務狀況良好、抵押資產充分的大型企業和財務透明度較差的中小企業時，自然會更傾向于向大型企業提供信貸支持，這種逆向選擇使得中小型企業從傳統融資渠道獲得授信支持更加困難。

供應鏈融資自然地就產生了，它可以為與供應鏈中核心企業有著緊密聯系的中小企業實現一種更加有效地融資手段，同時對于商業銀行而言，它們在實現風險有效可控的情況下提供了新的業務拓展點。對于傳統融資手段而言，商業銀行將融資主體進行獨立的信用評價，根據其發展狀況、財務狀況、擔保情況等來判斷是否可以發放貸款。在供應鏈融資的情況下，商業銀行可以根據供應鏈中核心企業的資信情況的評估以及評估對于核心企業所處的供應鏈的實際貿易情況，來分析融資對象的資信狀況。在供應鏈快速發展的今天，商業銀行應該不斷完善供應鏈風控體系，提高供應鏈融資的服務效率，同時保證發放貸款的資金風險安全，為中小企業的快速成長提供更好的融資渠道，同時實現自身新的盈利增長點。

二、供應鏈融資風險特點

供應鏈融資與商業銀行傳統信貸在多方面有著較大的差異，供應鏈融資建立在供應鏈的基礎之上，它突破了商業銀行傳統的信貸視角，在融資過程中的參與主體更加多樣化，引入了物流企業、監管企業等主體。因此，供應鏈金融融資風險有著自身獨特的特點。

（一）信用評估對象轉變在傳統商業銀行融資額過程中，商業銀行主要著重于個體企業的財務狀況，信貸基礎主要是企業在生產銷售中的存貨、應收賬款和應付賬款。商業銀行在供應鏈金融視角下，不再將目光僅僅局限于個體的企業的信用狀況，而是針對供應鏈核心企業的資信實力的評估，以及評估對于核心企業所處的供應鏈的實際貿易情況，可以對供應鏈上的其他企業進行融資評價。

（二）信用風險較為集中傳統的融資渠道中，銀行的信用評估對象通常為單個企業，信用風險的來源也只有獨立的企業。但供應鏈融資中，銀行的資信對象從傳統的獨立企業個體轉為對整體供應鏈授信，信用風險來源于一整條供應鏈。因此若供應鏈中的某個企業一旦產生信貸危機，會沿著供應鏈將信用風險傳播，影響到供應鏈上的其他企業通過供應鏈進行信貸活動。

（三）還款資金密封自償資金密封性指的是銀行發放給資信對象的款項有指定的用途，從流程設計上確保這一點的實現。融資企業和商業銀行簽訂融資協議時，會規定這筆款項的具體用途，保證銀行的款項不挪作他用。而自償性指的是銀行回收借款的來源是企業在供應鏈中產業的穩定的現金流。例如銀行在生產過程中沉淀的存貨作為抵押物進行供應鏈融資，那么存貨的銷售收入可以作為穩定的還款來源。或者是融資企業針對供應鏈上某核心企業的應收賬款作為基礎申請的融資，這筆款項由于來源于中小企業與核心企業的交易，較為有保障。銀行針對供應鏈中的現金流、信息流以及物流狀況進行監控，可以將信用風險掌握在可控范圍內。

三、供應鏈融資視角下中小企業融資風險評估指標體系

（一）供應鏈融資信用評估相關影響要素分析

（1）行業背景。供應鏈金融中資信考察對象為整體供應鏈，因此融資企業的行業背景會在較大程度上影響資信風險狀況。供應鏈融資的三種模式中，作為融資基礎的應收賬款、應付貨款、企業存貨，在很大程度上都與整個行業走勢相關。商業銀行更傾向于將資金融給行業發展前途較好的企業，行業整體走勢較好時，企業的貨款、貨物流轉更加流暢，它違約的風險性自然而然會下降很多。

（2）融資企業狀況。供應鏈金融中借款主體的企業狀況，仍然是需要著重分析的一環。商業銀行較為關注融資企業的經營現狀以及財務狀況和歷史信用記錄，從這些可以判斷出企業的還款能力、經營水平等等，從而判斷融資企業的違約可能性大小。經營狀況良好，收入穩定，信用評級較高的企業當然更容易得到銀行的授信。

（3）核心企業狀況。核心企業作為供應鏈中的核心，融資主體一般而言都是與核心企業關系較為緊密的中小企業。商業銀行在進行授信時，非常關注核心企業的財務指標、經營現狀等等，從而判斷中小企業是否有穩定的還款來源。當核心企業規模較大，運營穩定時，其上下游的中小企業更容易獲得商業銀行的授信。

（4）供應鏈狀況。供應鏈的穩定是銀行授信的基礎。若核心企業與融資中小企業關系不能長久保持穩定的話，銀行建立在供應鏈上的融資以及授信等一系列就變得非常不牢固，中小企業違約風險會大幅增加。

（二）供應鏈融資信用評估指標初選本文基于國內相關研究文獻，結合傳統商業銀行信用風險評估的一些傳統指標，并考慮到部分指標的可得性，按照上述因素分類，篩選出本文的基本評估指標。

（1）行業背景指標選取。一是宏觀經濟狀況。微觀企業運行始終處于整體的宏觀經濟背景之中，國家經濟發展狀況良好，對供應鏈整體的行業有較大的推動作用。在整體宏觀走勢良好情況下，銀行也更加愿意為企業授信。二是行業發展趨勢。供應鏈都處在某個具體的行業之中，若整體行業發展良好，那整個供應鏈運轉起來也就會更加順暢高效。對商業銀行而言，新興且有發展潛力的行業里的供應鏈更受到青睞。若整體行業呈落后、衰退趨勢，供應鏈的融資風險勢必會增大。

（2）融資企業狀況指標選取。一是企業基本狀況。企業的基本狀況反映了企業融資時來自內部的風險大小，主要是包括了企業的內部管理水平、企業員工的素質水平以及企業整體的發展規模。企業管理水平越高，企業的未來收益預期也就越好，銀行也就越愿意授信。企業規模越大，在競爭中越容易占得先機，因而信用風險越小。二是企業盈利能力。企業在負債之后，企業的盈利是能夠償還貸款的基礎。對于風險管理而言，企業的盈利能力是非常重要的一個方面，需要全面考量。企業的盈利能力主要是通過一些企業的財務指標來反映的，如凈資產收益率、銷售利潤率等。三是企業經營水平。無論任何情況下，對企業授信后都將依靠未來的經營活動作為還款，因此，企業的經營水平實質上在決定企業的信用風險方面有著舉足輕重的作用，在反映企業的經營水平上主要是選取了應收賬款周轉率、存貨周轉率等相關指標。四是企業償債能力。融資企業的償債能力直接決定了企業是否能到期按時歸還信貸資金，選取可以反映企業償債能力的財務指標，如利息保障倍數、速動比率等。五是企業信用記錄。企業的歷史信用記錄可以從側面一定程度上反映企業的信用風險，因此歷史上是否存在逾期賬款未歸還的情況，需要納入到考慮的范圍內。

（3）核心企業狀況指標選取與供應鏈狀況指標選取。核心企業的指標選取供應鏈狀況指標選取與融資企業的選取類似。如表1所示：

（三）供應鏈融資信用評估指標篩選通過供應鏈融資信用評估指標的初選，得到32個三級指標。這些指標中有很多屬于相近的財務指標，多少會存在一定的相關性，將進行相關系數的檢驗，剔除一些指標，同時，由于本文數據均來自同一時間段的同一地區的相關數據，因此宏觀經濟發展狀況以及行業發展趨勢在樣本中幾乎沒有任何變化，因此將剔除宏觀經濟現狀A1、行業政策法律A2、現狀行業發展現狀A3、行業競爭情況A4等指標。

（1）數據來源。本文的數據來源于2013～2015年41家重慶市汽車行業的中小企業，主要的定量數據來源于《中國企業財務信息分析庫》，主要定性數據來源于重慶統計局對于重慶汽車行業中小企業的供應鏈調查。

（2）指標相關性分析。本文初選得到的供應鏈融資信用評估指標，大多數來源于供應鏈上的財務指標，且指標數目較大，容易存在指標之間的相關系數較大的問題，引起多重共線性的問題。所以將對指標做相關性分析，從高度相關的指標中篩選一些指標。

（3）鑒別力分析。在進行統計評估指標體系建立時，需要考慮到指標的鑒別力，即該指標是否能夠反映出各個個體之間的差異。若指標在不同的樣本之間，呈現一致的走勢的話，那么該指標在評價體系中起到的影響較小，就應該刪除。通常使用變差系數來對鑒別力進行分析比較：

表2 融資信用評估指標相關性檢驗

表3 融資信用評估指標鑒別力分析

（四）供應鏈融資信用評估指標體系建立通過以上初選步驟，篩去一些相關指標，最后采納的變量指標有22個，具體如表4所示。

四、供應鏈金融背景下中小企業融資信用風險實證研究

在建模時，一般首先會考慮使用線性回歸的相關方法。本文的因變量是一個分類變量，因此無法采用線性回歸的方法。所以考慮使用分類算法對模型進行回歸，本文將使用Logistic模型以及SVM模型兩種分類算法，對二分類自變量進行建模分析。

（一）信用風險模型的建立

（1）基于Logistic模型的建立。Logistic回歸是一種比較成熟的二分類算法，在商業銀行的信用評估中應用得較為廣泛。它的因變量是一個離散的二分類變量，取值為0或者1，在本文中針對供應鏈金融的融資風險信用評估，將因變量Y設為融資企業到期還款情況，將到期還款為1，到期違約未還款為0。本文構建的供應鏈融資信用評估指標體系，總共有21個變量。

表4 融資信用評估指標

統計局在對供應鏈進行調查時，定性指標采用的是5分的打分制模式，從1到五分，對其也先做標準化處理，將其轉變為0.2、0.4、0.6、0.8、1分。同時，由于企業的規模波動的數量級較大。對其進行對數變換，生成新的變量后，再進入模型。

一是主成分分析。由于建立的指標體系中的指標多達22個，若直接進行Logistic回歸很可能會造成多重共線性等相關問題，因此先對所有數據進行主成分分析達到降維和減少多重共線性的目的。用Spss對數據進行主成分分析時，首先要確定其KMO值的大小，若KMO≥0.6，反映模型可以做因子分析。若KMO≤0.5，則模型不大適合進行因子分析。用Spss對上述數據做的KMO分析值，為0.678≥0.6，說明模型適合進行主成分分析。

Spss中抽取的主成分默認是其特征根大于1為標準的。將本文數據輸入Spss,特征根大于1的主成分為前面8個，根據上面的主成分得分系數矩陣以及主成分的特征根矩陣，可以得到每個主成分的計算方法：

將因子數據進行正交旋轉得到的旋轉成分矩陣如表5所示。

F1主要解釋的是來自變量，x2、x5、x6、x7，體現了融資企業的盈利情況與經營狀況。F2主要解釋的是來自變量，x11，體現了融資企業的信用記錄狀況。F3主要解釋的是來自變量，x1、x18、x19，體現了融資企業與核心企業間供應鏈的關系情況。F4主要解釋的是來自變量，x13、x14，體現了核心企業的經營情況。F5主要解釋的是來自變量，x10、x11、x17、x22，體現了核心企業的信用記錄以及償債能力。F6主要解釋的是來自變量，x8、x9，體現了融資企業的短期償債能力。F7主要解釋的是來自變量，x4，體現了融資企業的應收賬款的流動性。F8主要解釋的是來自變量，x13，體現了融資企業的業務增長情況。

表5 旋轉成分矩陣

二是Logistic回歸。根據上文中得到的Fl到F8與22個變量之間的線性表達式，可以計算出八個主成分的得分情況。將八個主成分與因變量中小企業歷史信用違約記錄狀況放入到Logistic回歸模型中，進行回歸。回歸過程中采用向前逐步迭代的方法，一直迭代計算到對數的似然比穩定為止。回歸結果如表6所示。

表6 方程中的變量

a.在步驟1中輸入的變量：F3

b.在步驟2中輸入的變量：F8

c.在步驟3中輸入的變量：F5

d.在步驟4中輸入的變量：F1

F1，F3，F5，F8的四個主成分變量在置信度為5%下，都為顯著，因此最后的Logistic估計得回歸模型為：

將模型帶入到總體樣本中，進行預測，預測結果如表7。

表7 Logistic回歸預測結果

判斷的準確率達到86.70%，對于違約企業的預測準確率達到90.70%，對于信用良好的企業達到85%。

（二）基于SVM的模型的建立

（1）數據預處理。在數據收集后，對數據進行初步的處理是統計建模分析中必不可少的一環。收集到的原始數據由于量綱的不同以及數量級的巨大差異，若直接進入模型之中進行擬合，勢必會影響模型最后的擬合效果。因此，首先將對所有的數據進行標準化處理。數據標準化的具體計算公式如下：

（2）訓練樣本集與測試樣本集劃分。將標準化的數據重新加入到模型之中。在訓練樣本集中，將因變量Y設定為中小企業歷史信用違約記錄狀況，當Y＝1時表示企業沒有信用違約記錄即企業每次都按時還款，當Y=-1時，表示企業有過信用違約記錄即存在過逾期未按時歸還的款項。本文總體樣本數據規模為123個，選取其中82個作為訓練樣本集，另外的41個作為測試樣本集。

（3）核函數選取。SVM在對于線性不可分的數據處理時，選擇核函數是較為重要的一點，它決定了將數據以一種怎樣的方式映射到高維特征空間之中。核函數主要分為線性核函數和非線性核函數。在上文中，已經介紹了主要的三種非線性核函數，Poly函數、RBF函數、Sigmoid函數。關于各個核函數之間的差異以及使用范圍，目前學術界還沒有一個確切的定論，本文將分別使用四個核函數進行擬合，尋找最優核函數。同時利用交叉驗證，進行參數選擇，取得最優化的懲罰因子c，核函數中的參數，再利用最優核函數以及最優參數進行擬合。本文使用matlab軟件對數據進行處理建模，使用臺灣大學林智仁教授等人開發的libsvm包進行SVM建模分析。在分別使用四種核函數對原數據進行擬合后，得到的四種核函數進行模型擬合的結果對比如表8所示。

核函數為線性函數的建模分析結果中，迭代次數為109次，nSV為35次。Poly函數作為核函數時，nBSV較大，向量數目較多容易影響模型擬合效果。RBF函數作為核函數時，盡管迭代次數多與poly以及Sigmoid函數，但仍在可接受范圍內，同時其nBSV較小，且判決函數的偏置項b很小，可以有較好的擬合效果。對于Sigmoid作為核函數的擬合效果而言，其nBSV也較大，容易使判別分析誤差增大。因此本文將選取非線性核函數中的RBF函數作為擬合函數，進行后面繼續的分析。

表8 核函數結果對比

（4）參數尋優。利用libsvm軟件包進行交叉驗證時，其原理是將訓練樣本集均為m個子集，每次選取m-1個子集進行訓練作為訓練樣本集，同時剩下的那個子集作為測試樣本集，重復m操作，取m次操作的平均準確率作為結果。本文按照交叉驗證后，尋得的最優參數為：懲罰系數c=512，核函數中參數=0.00077135.

（5）建模分析。選用得到的最優參數，同時將核函數選為RBF函數，進行建模分析，可以發現，模型的分類判別率為92.6829%。

五、研究結論

本文應用了兩種供應鏈融資風險評估模型，對于文中的實證數據進行了研究：一是基于PCA的Logistic回歸；二是支持向量機（SVM）。得到的模型預測正確率以及對應的第一類、第二類錯誤率如表9所示。

表9 Logisic回歸模型與SVM模型結果對比

在本文中，第一類錯誤指的是企業融資信用風險較大，而被模型判定為可以進行授信。而第二類錯誤指的是企業有能力償還貸款，卻被模型判定為融資信用風險較高。在實際操作中，對于商業銀行而言，如何控制住第一類錯誤率是商業銀行應該首先考慮的問題，同時在此基礎上逐漸減小第二類錯誤，讓中小企業的融資困難的狀況得到改善。從表9中可以看出，在采用同樣的供應鏈融資信用風險評估指標體系下，SVM的模型表現要好于logistic,無論是樣本結果的預測率還是對第一類錯誤率的控制。這表明支持向量機在商業銀行對于中小企業進行融資信用風險評估的時候，是一個非常良好的工具。

［1］王帥、楊培濤：《黃慶雯基于多層次模糊綜合評價的中小企業信用風險評估》，《財經理論與實踐》2014年第5期。

（編輯成方）