我國汽車類上市公司供應鏈金融信用風險評價

沈 波，薛冰玉，楊仙佩，萬杉杉，雷星竹，楊忻悅

（江西財經大學 信息管理學院，江西 南昌 330032）

1 引言

改革開放以來，我國國民經濟迅猛發展，而中小企業已經成為國民經濟結構的重要組成力量。對于中小企業而言，融資問題成為阻礙其發展的關鍵因素。基于此，我國從歐美發達國家引入供應鏈金融模式，為中小企業的融資拓寬渠道。供應鏈金融，即銀行將核心企業與上下游中小企業聯系起來，將原材料采購、加工制成中間產品及最終產品、銷售給消費者這些環節連成一個整體，為供應鏈中每個節點提供融資支持的一種模式。本文以汽車制造業為分析對象，以汽車整車制造企業為核心企業，以上游銷售零部件的企業為融資企業，通過建立融資企業的指標模型，對融資企業進行風險評價，以評價分析整個供應鏈金融中的信用風險。這對于解決中小企業融資難的問題具有一定的實踐價值[1]。

2 國內外研究現狀

為解決中小企業在融資過程中信用缺失、融資難等問題，我國引進了供應鏈金融這一全新的融資模式[2]。Iris Heckmanna（2015）從供應鏈中斷導致的嚴重后果出發，提出新型的量化供應鏈風險管理的方法[3]。周涵（2015）認為我國供應鏈金融在發展的黃金時期遇上了互聯網金融的發展，供應鏈金融2.0的發展帶動了各類企業對供應鏈金融的創新熱情，推動了產融結合的互聯網金融之路[4]。同時，張小雪（2017）認為供應鏈金融能夠解決上下游的整體融資問題[5]。然而國內供應鏈行業發展的風險，逐漸成為了商業銀行開展供應鏈金融的潛在風險[4]。隨著我國供應鏈金融業務呈現出多元化趨勢，供應鏈金融業務在風險管理方面的諸多問題開始逐漸顯露[4]。因此，為了更好的應對供應鏈金融特有的風險，在供應鏈金融不斷發展的過程中，如何控制其信用風險顯得尤為重要[6]。針對供應鏈金融的風險管理，國內外學者應用不同的量化風險評估模型和方法來度量和應對供應鏈金融中的風險[7]。基于前人的理論基礎和研究結果，本文將選取國內較為具有代表性的汽車行業為研究對象，著重從理論的角度采用定量分析方法對汽車供應鏈金融的信用風險進行分析。

3 汽車類上市公司供應鏈金融信用風險評價指標體系構建

隨著供應鏈金融的產生，信用風險成為商業銀行等金融機構提供融資時面臨的主要風險，銀行要做出正確的融資決策，就必須先對中小企業進行信用評級[7]。我們通過建立評價指標體系來測量中小企業的信用風險。

3.1 信用風險評價體系構建的基本原則

信用風險評價體系構建依據信用風險評價指標的全面性、科學性、層次性和可操作性四大原則，為解決指標來源有據可依的問題，從上市公司的財務報告中提取信息，從各個方面建立信用風險評價體系。

3.2 供應鏈金融信用風險評價指標的選擇

總指標共分為三個部分：融資企業、核心企業和供應鏈運行狀況。對于融資企業，綜合了相關文獻[6，8-10]，選取了與供應鏈金融信用風險相關的20個指標，分別從盈利能力、償債能力、營運能力、成長能力以及企業基本情況五個方面對上市公司進行全面的分析，從而得到較客觀的企業信用風險的評價結果。對于核心企業，從盈利能力、償債能力、信用狀況、行業地位四個方面建立指標。對于領導者素質、供應鏈運行情況等需要定性分析的指標，采用了問卷調查的形式，向行業內較專業的人士進行問卷調查，將各個指標用分級的方式量化，從而得到更專業、客觀的評價。

3.3 供應鏈金融信用風險評價指標體系的建立

由于核心企業一般為大型公司，信用水平較高，供應鏈金融主要是為中小型融資企業提供融資服務，因此本文只分析汽車供應鏈中融資企業的信用風險狀況，以此來預測整個供應鏈金融的信用風險。最終的指標體系見表1。

表1 傳統模式下信用風險評價指標體系

4 建立信用風險評價模型

4.1 數據來源及處理

本文中小企業選擇50家中小板、創業板上市企業中的汽車零配件制造商，具體企業見表2。

表2 樣本企業

所有具體樣本數據來自各個上市公司2016年年報，通過通達信終端獲取，對于某些要求不是很精確并且比較模糊的指標，如融資企業的領導者素質、員工素質、企業榮譽、供應鏈狀況的合作強度、合作久度，采用問卷調查的方式獲取數據并通過加權平均獲得最后指標得分。

信用風險評價模型即通過對企業進行數據分析能夠得出企業違約風險概率的一種模型，Logistic模型是目前計算違約概率方面研究比較成熟的一種模型，二分類的Logistic回歸模型的變量取值只有兩個值，而企業在貸款中也只有違約和不違約兩種情況，因此二分類的Logistic模型非常符合企業計算違約概率風險度量的預測[9]。

本文在構建Logistic信用風險評價模型前，需要先對評價指標進行因子分析和主成分分析。因子分析的目的在于得到比原始指標少、能夠解釋絕大部分指標的主因子，以此為基礎進行主成分分析，得到主成分的數據后，再和已觀測到樣本企業的數據結合構建Logistic模型。

4.2 因子分析

4.2.1 KMO和Bartlett球形檢驗。用SPSS19軟件運行，結果見表3。根據統計學家的觀點，如果KMO值小于0.5，則不適合進行因子分析；如果KMO值大于0.5，則適合進行因子分析。檢驗結果顯示，KMO值為0.625＞0.5，表示樣本數據適合進行因子分析。

Bartlett球形檢驗顯著性水平Sig.＜0.05，適合進行因子分析。

表3 KMO和Bartlett的檢驗

4.2.2 解釋的總方差。利用最大方差法旋轉成分矩陣，公共因子進行主成分分析。以公共因子的特征值大于1為納入標準進行判定，若特征值小于1，則不納入。從表4可知，特征值大于1的公共因子有7個，這7個公共因子旋轉因子解的累計解釋方差的百分比為76.415%，說明這7個公共因子很好地解釋了所有指標[9]。

表4 解釋的總方差

4.2.3 主成分系數矩陣及其分析。根據表5，選取主成分分析得到的7個主成分，分別用F1,F2,F3,F4,F5,F6,F7表示，并作為主成分進行分析[3]。

表5 成分系數矩陣

旋轉后的因子載荷矩陣見表6。

表6 旋轉成分矩陣

F1主要代表了營業利潤率、資產凈利率、成本費用利潤率、銷售凈利率、凈資產收益率、銷售毛利率等指標的信息量，反映的是融資企業的盈利能力，故命名為盈利能力因子。

F2主要代表了速動比率、流動比率、流動資產周轉率、資產負債率等指標的信息量，反映的是融資企業的償債能力，故命名為償債能力因子。

F3主要代表了總資產增長率、資本積累率、營業收入增長率等指標的信息量，反映的是融資企業的成長能力，故命名為成長能力因子。

F4主要代表了總資產周轉率、應收賬款周轉率、企業規模等指標的信息量，反映的是融資企業的營運能力和基本情況，命名為營運和規模因子。

F5主要代表了合作強度、企業聲譽、合作久度等指標的信息量，反映的是融資企業的基本情況和供應鏈的合作穩定性，命名為聲譽和穩定性因子。

F6主要代表了利息保障倍數、領導者素質等指標的信息量，反映的是融資企業的償債能力和基本情況，命名為利息倍數與領導者素質因子。

F7主要代表了現金流動負債比率、凈利潤增長率、員工素質等指標的信息量，反映的是融資企業的償債能力、成長能力和基本情況，命名為綜合因子。

4.3 Logistic回歸分析

4.3.1 數據處理。本文將主成分分析的7個公共因子F1-F7作為解釋變量[10]，是否有違約風險作為被解釋變量，對50個樣本數據進行Logistic分析。用p表示企業的信用風險，信用狀況正常的企業記為p=0，有信用風險的企業記為p=1。

本文基于國務院國資委財務監督與考核評價局頒發的《企業績效評價標準值》2016版的已獲利息倍數較低值來評價企業的信用風險狀況。將低于已獲利息倍數0.5的企業劃分為有違約風險的企業。本文將50個企業分為6個有違約風險的企業和44個沒有違約風險的企業，見表7。

表7 企業違約風險程度

4.3.2 建立模型。對已經標準化的數據采用SPSS22，對50家汽車零部件上市公司得出的主成分數據進行Logistic回歸分析，用以分析每個主成分對供應鏈金融信用風險影響程度，結果見表8[11]。

表8 檢驗樣本分類表

從表8中可以看出，在這50個樣本中，有信用風險的企業預測的正確率為83.3%，沒有信用風險的企業預測的正確率為95.5%，總預測正確率為94%，說明回歸模型的預測準確率較高。

可以得出如下Logistic模型回歸概率方程，即：

4.3.3 模型檢驗。由表9可以得到Logistic回歸模型的Cox-SnellR2的值為40.3%和77.5%，模型的擬合度一般。從表10可以看出，Hosmer檢驗的sig.值為1遠大于0.05，說明在95%的顯著性水平上模型得出的預測值與實際的觀測值間的差異不顯著，分組的劃分與變量取值不相關，不能拒絕關于模型擬合數據較好的假設。

表9 模型摘要

表10 Hosmer和Lemeshow檢驗

5 結論

使用Logistic回歸分析預測模型中的評價指標進行分析，影響供應鏈金融信用風險的指標有盈利能力、償債能力、營運能力、成長能力和供應鏈穩定性。根據預測模型的公式，最主要的指標應為償債能力、成長能力和盈利能力。本文基于實證分析結果，結合時代背景，對汽車類供應鏈金融的各個環節提出以下幾點相關建議：

（1）企業應當加強自身的建設，提高自身的信用水平，減少不良貸款記錄，追求業績的穩定和提升。同時要避免財務杠桿過高，要適當降低負債水平，根據企業的發展狀況調整公司戰略。

（2）銀行等金融機構應當順應信息化的潮流，對企業及時進行數據更新分析，同時完善自身評價體系，并不斷修正指標體系。

（3）供應鏈之間應當加強合作。對于一類企業而言，一家企業的違約，不僅會影響自身，還會對供應鏈的其他企業造成影響。因此，供應鏈內部也應當互相監督，加強合作。

[參考文獻]

[1]楊軍.供應鏈金融信用風險測算分析—來自汽車行業50家上市公司經驗數據[J].物流技術,2015,(1):229-230.

[2]劉云星.我國上市服務型中小企業供應鏈金融信用風險管理研究[D].湘潭:湘潭大學,2015.

[3]呂明凡.供應鏈金融視角下企業信用風險的評價研究[D].烏魯木齊:新疆財經大學,2016.

[4]周涵.國內商業銀行供應鏈金融及其風險研究[D].昆明:云南財經大學,2015.

[5]張小雪.供應鏈金融解困中小企業融資難的優勢分析[J].產業與科技論壇,2017,(1):110-111.

[6]李勤,龔科.供應鏈金融模式下中小企業信用風險的案例分析[J].金融理論與實踐,2014,(8):66-71.

[7]潘煒.基于中小企業供應鏈金融信用風險評估的H公司授信評估研究[D].南京:南京理工大學,2015.

[8]程昌華.基于汽車產業的供應鏈金融運作及風險管理[D].廣州:華南理工大學,2015.

[9]顧治程,蔣艷,等.基于供應鏈金融的汽車行業上市公司信用風險實證研究[J].物流科技,2017,(2):136-141.

[10]萬云輝.基于供應鏈金融的汽車零配件企業信用風險評價研究[D].贛州:江西理工大學,2014.

[11]劉明.基于Logistic模型的供應鏈金融信用風險評價研究[D].哈爾濱:哈爾濱工業大學,2013.