供應(yīng)鏈金融視角下的房地產(chǎn)企業(yè)信用風(fēng)險

徐勇戈（教授），李 冉

一、引言

2006年深發(fā)展銀行（平安銀行）正式推出了供應(yīng)鏈金融業(yè)務(wù)模式，該模式是近幾年商業(yè)銀行如火如荼開展的一種新型業(yè)務(wù)模式。供應(yīng)鏈金融的發(fā)展有效完成了“三去一降一補(bǔ)”五大任務(wù)中的“降成本”與“去杠桿”兩大任務(wù)，供應(yīng)鏈金融迎來了新的發(fā)展契機(jī)。2017年中央經(jīng)濟(jì)工作會議確定了“打好防范化解重大風(fēng)險攻堅戰(zhàn)，重點是防控金融風(fēng)險”，并明確“促進(jìn)形成金融和實體經(jīng)濟(jì)、金融和房地產(chǎn)、金融體系內(nèi)部的良性循環(huán)”，房地產(chǎn)企業(yè)融資面臨窘境。鑒于此，各地銀監(jiān)局加大了監(jiān)管力度，并依法查處多家銀行的違規(guī)授信融資行為。如浙商銀行杭州分行存在向資本金不到位的房地產(chǎn)開發(fā)商發(fā)放貸款的事實，浙江銀監(jiān)局對其處以20萬元人民幣罰款；漢口銀行通過同業(yè)投資通道違規(guī)向“四證不全”的房地產(chǎn)項目發(fā)放貸款，被湖北銀監(jiān)局處以50萬元的罰款，并對相關(guān)責(zé)任人給予警告處分。由此可見，在新型的供應(yīng)鏈金融模式下，房地產(chǎn)企業(yè)通過銀行渠道融資愈發(fā)困難，導(dǎo)致一些有條件的房企加快了在債券市場融資的節(jié)奏。然而，房地產(chǎn)企業(yè)通過銀行融資仍然是一個重要的途徑和渠道。

供應(yīng)鏈金融作為商業(yè)銀行為中小型企業(yè)提供的一種新型融資模式，滿足了供應(yīng)鏈上中小企業(yè)的融資需求，真正建立起了中小企業(yè)與商業(yè)銀行之間的雙贏合作平臺。與傳統(tǒng)的融資方式不同的是，供應(yīng)鏈金融模式的風(fēng)險敞口報告了供應(yīng)鏈中的資金流、信息流和物流等信息，能夠為商業(yè)銀行客觀地評價企業(yè)信用提供可靠完整的信息。同時與傳統(tǒng)信用風(fēng)險相比，供應(yīng)鏈金融的信用風(fēng)險具有危害性大、傳播范圍廣、突發(fā)性強(qiáng)等特點。供應(yīng)鏈金融是將供應(yīng)鏈上企業(yè)的運(yùn)營狀況作為風(fēng)險控制變量納入評價體系以度量企業(yè)信用情況，進(jìn)而為整個供應(yīng)鏈企業(yè)提供全面的金融服務(wù)。傳統(tǒng)商業(yè)銀行決定是否向供應(yīng)鏈企業(yè)發(fā)放貸款時必須對其信用風(fēng)險時行評價，因此供應(yīng)鏈企業(yè)控制信用風(fēng)險至關(guān)重要。

二、相關(guān)理論與文獻(xiàn)回顧

（一）供應(yīng)鏈金融研究現(xiàn)狀

對于供應(yīng)鏈金融的界定，最具代表性的是Michael提出的供應(yīng)鏈金融的含義：以核心企業(yè)為關(guān)系對象并對供應(yīng)鏈金融上的資金可獲得性及資本運(yùn)營成本進(jìn)行管理。Alyon認(rèn)為供應(yīng)鏈金融是信用、信息、資金及商品材料在供應(yīng)鏈上的企業(yè)之間進(jìn)行流動整合的一個整體。供應(yīng)鏈金融的發(fā)展與壯大，得益于這種全新的金融市場模式有效彌補(bǔ)了傳統(tǒng)供應(yīng)鏈的參與主體的缺陷。對于中小企業(yè)來說，供應(yīng)鏈金融模式為其提供了低成本的融資平臺與高效率的運(yùn)營平臺。

供應(yīng)鏈金融在我國仍然處于初步發(fā)展階段，然而，受益于多樣化的金融服務(wù)產(chǎn)品（如應(yīng)收賬款融資、商業(yè)票據(jù)融資以及融資租賃等）的不斷發(fā)展，供應(yīng)鏈金融發(fā)展較為迅速。目前我國供應(yīng)鏈金融市場規(guī)模剛剛突破8萬億，按照目前的發(fā)展趨勢，到2020年我國供應(yīng)鏈金融的市場規(guī)模可達(dá)15萬億～20萬億元，說明未來可以挖掘的潛力仍然很大。

國內(nèi)學(xué)者對于供應(yīng)鏈金融的研究主要集中在其概念及路徑的定性分析上。陳志新、張忠指出，供應(yīng)鏈金融的本質(zhì)是在傳統(tǒng)的金融機(jī)構(gòu)與中小企業(yè)之間引入第三方核心企業(yè)，提升中小企業(yè)的信用等級，進(jìn)而解決傳統(tǒng)中小企業(yè)融資難問題。同時韓明輝從供應(yīng)鏈交易的角度出發(fā)，針對采購階段、運(yùn)營階段及銷售階段劃分了三種供應(yīng)鏈金融模式，即保稅倉融資、融通融資及應(yīng)收賬款融資。通過研究三種模式的信用風(fēng)險規(guī)避，來解決中小企業(yè)融資難的問題。

（二）供應(yīng)鏈金融信用風(fēng)險的研究現(xiàn)狀

供應(yīng)鏈金融作為一種全新的商業(yè)模式，其對于傳統(tǒng)商業(yè)銀行的風(fēng)險控制提出了更高的要求。對于信用風(fēng)險研究，國內(nèi)外學(xué)者早已進(jìn)行了探索，最具有代表性的研究是Altman在1968年提出的Z-score多元線性判別的評分模型。而我國起初對于企業(yè)金融信用風(fēng)險度量的研究，主要是評級機(jī)構(gòu)針對企業(yè)的經(jīng)營狀況采用傳統(tǒng)的統(tǒng)計方法進(jìn)行評級，比較知名的是大公國際、中誠信、聯(lián)合資信及鵬元資信四大資信評估有限公司。企業(yè)信用評估結(jié)果可為傳統(tǒng)商業(yè)銀行對企業(yè)授信提供一定的參考，但這種度量方法的主觀性比較強(qiáng)、工作量大且收效甚微。隨著社會的發(fā)展，現(xiàn)代信用風(fēng)險的度量模型逐步被應(yīng)用到信用風(fēng)險度量和識別中，如：基于期權(quán)理論的KMV模型、基于VaR模型的信用風(fēng)險度量模型以及現(xiàn)代統(tǒng)計方法。

國外學(xué)者M(jìn)artin根據(jù)logistic模型對20世紀(jì)80年代的58家企業(yè)的信用風(fēng)險中存在的違約率進(jìn)行了度量及預(yù)測。我國學(xué)者對于供應(yīng)鏈金融的信用風(fēng)險的實證研究近幾年日益增多。牟偉明（2014）分析了目前國內(nèi)供應(yīng)鏈金融模式的運(yùn)作方式，并通過貝葉斯分類的方法對中小企業(yè)信用風(fēng)險進(jìn)行了評價分析。方煥等（2015）采用Logistic模型，對上市農(nóng)業(yè)類企業(yè)在供應(yīng)鏈金融中的風(fēng)險進(jìn)行了度量，得到了判別農(nóng)業(yè)類企業(yè)違約情況的模型。但隨著統(tǒng)計模型在實務(wù)中的廣泛應(yīng)用，機(jī)器學(xué)習(xí)和數(shù)據(jù)挖掘技術(shù)無論是在個人信貸還是企業(yè)信用風(fēng)險評級與風(fēng)控中都得到了重視。楊青龍等（2016）利用Lasso方法對企業(yè)財務(wù)困境預(yù)測指標(biāo)進(jìn)行了篩選，采用傳統(tǒng)Logistic模型和機(jī)器學(xué)習(xí)方法對企業(yè)財務(wù)困境進(jìn)行了預(yù)測，并對不同方法進(jìn)行了比較分析。趙亞星等（2017）將隨機(jī)森林算法應(yīng)用到建筑供應(yīng)鏈風(fēng)險評價中，通過實證分析度量了20個核心企業(yè)所對應(yīng)的建筑供應(yīng)鏈風(fēng)險，證明該方法應(yīng)用于建筑供應(yīng)鏈風(fēng)險評價中具有可行性。

盡管供應(yīng)鏈金融模式為當(dāng)前企業(yè)融資提供了很大的幫助，但是作為供應(yīng)鏈企業(yè)的信用風(fēng)險研究，國內(nèi)商業(yè)銀行風(fēng)險度量的方法還存在很多缺陷。基于此，本文以供應(yīng)鏈中的房地產(chǎn)企業(yè)為研究對象，綜合考慮影響房地產(chǎn)公司信用風(fēng)險的財務(wù)因素，利用Lasso方法篩選預(yù)測指標(biāo)。然后通過建立Logistic模型及SVM模型，比較傳統(tǒng)模型與數(shù)據(jù)挖掘方法的預(yù)測效果，構(gòu)建最符合房地產(chǎn)企業(yè)實際情況的分類模型，為供應(yīng)鏈金融下商業(yè)銀行信用風(fēng)險控制提供一種可行、有效的途徑。

三、指標(biāo)體系與算法說明

（一）指標(biāo)體系

公司信用風(fēng)險評估的基礎(chǔ)是建立完備的信用風(fēng)險評估指標(biāo)體系，本文從財務(wù)指標(biāo)切入，參照已有的供應(yīng)鏈金融企業(yè)信用風(fēng)險影響因素的研究，從全面性、科學(xué)性及可操作性原則出發(fā)，將影響行業(yè)信用風(fēng)險的財務(wù)指標(biāo)分為四類：盈利能力、營運(yùn)能力、償債能力和成長能力。所有的房地產(chǎn)行業(yè)上市公司的財務(wù)數(shù)據(jù)采用2016年年報，數(shù)據(jù)來源于Wind數(shù)據(jù)庫，具體指標(biāo)的名稱及符號見表1。

由表1中四大類共計22個財務(wù)指標(biāo)可以發(fā)現(xiàn)，財務(wù)數(shù)據(jù)各自的含義可能存在一定的差異，但是每一個維度下的變量難免存在一些信息的重疊和交叉。同時將所有的變量放進(jìn)模型進(jìn)行建模，可能會造成過擬合或者多重共線性等問題，因此本文在進(jìn)行風(fēng)險識別建模之前，采用Lasso回歸進(jìn)行變量選擇，篩選出最重要的一組變量來簡化模型。

表1 信用風(fēng)險評估指標(biāo)體系

（二）算法說明

1.Lasso方法。Lasso法是目前機(jī)器學(xué)習(xí)領(lǐng)域比較流行且基本的一種選擇變量的算法，與一般的線性模型的區(qū)別在于：Lasso模型通過加入范數(shù)懲罰項來約束模型中回歸系數(shù)的大小，通過數(shù)據(jù)壓縮的思想將模型中不重要變量的系數(shù)通過迭代的思想降為0，從而達(dá)到變量選擇的目的。Lasso模型的一般形式如下：

在約束條件下求滿足以下條件的參數(shù)：

根據(jù)矩陣的求解方式，Lasso的回歸參數(shù)的表達(dá)形式如下：

一般而言，Lasso的目標(biāo)函數(shù)是凸型的且不可導(dǎo)，傳統(tǒng)基于導(dǎo)數(shù)的方法不可用，一般采用R軟件中的lars包進(jìn)行求解。

2.Logistic方法。選擇Logistic模型評價供應(yīng)鏈金融的信用風(fēng)險是傳統(tǒng)的方式之一，它主要是對運(yùn)用供應(yīng)鏈金融模式來融資的企業(yè)的違約率進(jìn)行評估。假設(shè)融資企業(yè)出現(xiàn)信用風(fēng)險的條件概率為P（Yi=1|Xi）=pi，其中Yi表示房地產(chǎn)企業(yè)融資的違約風(fēng)險。本文中Y=1表示高違約風(fēng)險，Y=0表示低違約風(fēng)險，X=（x1，x2，x3，…，xp）T隨機(jī)變量代表影響信用風(fēng)險的因素，因此模型的函數(shù)表達(dá)式為：

在實際判別信用風(fēng)險分類時，具體到一家企業(yè)的判別表達(dá)式如下：

3.SVM方法。支持向量機(jī)作為機(jī)器學(xué)習(xí)中常用的分類模型，近幾年在信用風(fēng)險研究中被廣泛應(yīng)用。支持向量機(jī)（SVM）在二分類問題中應(yīng)用比較廣泛，其主要理論是通過尋找一個超平面對訓(xùn)練樣本進(jìn)行分割，以確保不同的最小分類錯誤率。對于樣本數(shù)據(jù)，在線性可分的情況下，一般存在一個或者多個超平面可以將樣本數(shù)據(jù)完全區(qū)分，分類超平面的一般形式為g（x）=wTx+b=0。SVM的核心思想是盡最大努力使分開的兩個類別有最大間隔，這樣才使得分隔具有更高的可信度，而且對于未知的新樣本才有更好的泛化能力。經(jīng)過兩個平面距離推導(dǎo)分類間隔為2/ ‖ w‖，即分類超平面滿足分類條件下，使得分類間隔最大化，也即使 ‖ w‖最小化。為了之后的求導(dǎo)和計算方便，進(jìn)一步等價于最小化 ‖ w‖2/2。假設(shè)超平面完成對樣本的完全分割，記錄兩種樣本的標(biāo)簽為｛+1，-1｝，那么對于分類器來說，g（x）＞0和g（x）＜0就可以分別代表兩個不同的類別：+1和-1。則可令：y（iwTxi+b）≥1，這就是目標(biāo)函數(shù)的約束條件，現(xiàn)在分類問題就變成了一個最優(yōu)化問題：

這是一個凸二次規(guī)劃問題，一般引入拉格朗日函數(shù)和對偶變量轉(zhuǎn)化后進(jìn)行求解。該模型對于信用風(fēng)險識別和分類問題的解決十分有效，通過已有的樣本數(shù)據(jù)訓(xùn)練模型，采用訓(xùn)練后的模型將高違約風(fēng)險和低違約風(fēng)險的企業(yè)分類，能夠有效降低供應(yīng)鏈金融中銀行的信貸風(fēng)險。

四、實證研究

（一）樣本選擇

本文選取截至2016年年底A股市場所有的房地產(chǎn)上市企業(yè)共計149家為樣本，在對數(shù)據(jù)進(jìn)行缺失值處理以后，剩余139個可用樣本。參照目前大多數(shù)研究對于信用風(fēng)險的分類，將上市公司中ST和?ST的樣本作為高違約風(fēng)險樣本，其他為低違約風(fēng)險樣本。139家上市企業(yè)中，按照上述分類存在133家低違約風(fēng)險、6家高違約風(fēng)險。高違約風(fēng)險的樣本僅僅占總樣本的4.3%，導(dǎo)致機(jī)器學(xué)習(xí)分類中的數(shù)據(jù)不平衡。因此本文采用SMOTE算法對不平衡的樣本數(shù)據(jù)進(jìn)行算法處理，在原有的基礎(chǔ)上得到112個新的樣本，其中新樣本中有76家為低違約風(fēng)險，36家為高違約風(fēng)險，高違約風(fēng)險的樣本占總樣本的32.14%，重新構(gòu)造的樣本可以進(jìn)行分類建模和風(fēng)險識別。本文在進(jìn)行信用風(fēng)險識別模型構(gòu)造時，將樣本按照7∶3的比例分為訓(xùn)練集和測試集，同時本文采用準(zhǔn)確率、精準(zhǔn)率、召回率、F1-score及AUC等作為分類器模型評價指標(biāo)。

（二）Lasso變量選擇的回歸結(jié)果

由于不同的財務(wù)指標(biāo)通常具有不同的量綱和單位，數(shù)據(jù)之間往往不具有可比性，因此在數(shù)據(jù)挖掘中，對數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化是一個重要的環(huán)節(jié)。這樣量綱和單位才不會影響數(shù)據(jù)分析和數(shù)據(jù)建模的結(jié)果。建立Lasso模型時各變量的系數(shù)如下圖。當(dāng)模型顯示R2為0.945、Cp值最小為19.627時，從原始變量22個備選變量中選擇16個作為可用變量。

Lasso系數(shù)選擇圖

采用Lasso模型進(jìn)行回歸分析，結(jié)果見表2。由表2可知，在房地產(chǎn)企業(yè)信用風(fēng)險評價中，總資產(chǎn)凈利率、每股收益、營業(yè)周期、存貨周轉(zhuǎn)天數(shù)、流動比率和現(xiàn)金比率的回歸系數(shù)不顯著，表明在房地產(chǎn)企業(yè)信用風(fēng)險研究中存在多余變量。

表2 Lasso回歸系數(shù)

通過表2可以看出，經(jīng)過Lasso模型對變量進(jìn)行篩選后，指標(biāo)體系中的22個指標(biāo)減少到了16個指標(biāo)，表明變量篩選作為模型建立的重要環(huán)節(jié)是十分必要的。Laaso回歸的絕對值的大小反映了各個指標(biāo)在房地產(chǎn)企業(yè)信用風(fēng)險評價中的重要性程度。可以發(fā)現(xiàn)，這些指標(biāo)中重要性排名前五的指標(biāo)分別為流動資產(chǎn)周轉(zhuǎn)率、銷售凈利率、凈資產(chǎn)收益率、速動比率和總資產(chǎn)周轉(zhuǎn)率，估計參數(shù)分別0.3455、-0.2622、-0.2172、0.1292和-0.1135，主要集中在企業(yè)的盈利能力和運(yùn)營能力兩大類指標(biāo)，即企業(yè)資金的可持續(xù)性至關(guān)重要。商業(yè)銀行在評估房地產(chǎn)企業(yè)的信用風(fēng)險時可以重點考察這些影響因素。

（三）房地產(chǎn)信用風(fēng)險分類識別的實證分析

本文采用112個樣本數(shù)據(jù)進(jìn)行建模，已知新樣本中有76家為低違約風(fēng)險，36家為高違約風(fēng)險，將樣本按照7∶3的比例分為訓(xùn)練集和測試集，在Lasso模型選擇變量的基礎(chǔ)上，對房地產(chǎn)企業(yè)的信用風(fēng)險進(jìn)行分類和識別。此過程分為兩步：采用訓(xùn)練集建立模型，然后對測試集中的樣本進(jìn)行預(yù)測，并通過統(tǒng)計指標(biāo)對Logistic模型、SVM模型在房地產(chǎn)信用風(fēng)險中應(yīng)用的優(yōu)劣進(jìn)行對比和分析。

本文首先使用Logistic模型對訓(xùn)練樣本進(jìn)行訓(xùn)練并建立模型，然后對測試樣本進(jìn)行建模并分類。Logistic模型本質(zhì)上是一種廣義的線性回歸模型，回歸結(jié)果見表3。進(jìn)行Logistic回歸時，企業(yè)信用風(fēng)險中0表示低違約風(fēng)險、1表示高違約風(fēng)險，各個指標(biāo)同樣進(jìn)行標(biāo)準(zhǔn)化處理，因此在回歸模型中系數(shù)的絕對值大小具有可比性。可以發(fā)現(xiàn)，Logistic的回歸結(jié)果與Lasso篩選變量的回歸結(jié)果一致，前五個最重要的變量分別為流動資產(chǎn)周轉(zhuǎn)率、銷售凈利率、凈資產(chǎn)收益率、速動比率和總資產(chǎn)周轉(zhuǎn)率，主要集中在企業(yè)的盈利能力和運(yùn)營能力上。同時我們發(fā)現(xiàn)，在采用傳統(tǒng)的Logistic回歸時，各個變量對于企業(yè)信用風(fēng)險的影響存在一定差異。其中對企業(yè)信用風(fēng)險具有正向作用的有9個，具有負(fù)向影響的有7個。商業(yè)銀行在對房地產(chǎn)企業(yè)信用風(fēng)險評估時應(yīng)綜合考慮企業(yè)多樣化的財務(wù)指標(biāo)，對重點的財務(wù)指標(biāo)（如流動資產(chǎn)周轉(zhuǎn)率、銷售凈利潤、凈資產(chǎn)收益率等）進(jìn)行監(jiān)控和預(yù)警。

表3 Logistic模型回歸結(jié)果

根據(jù)Logistic模型回歸結(jié)果對測試樣本進(jìn)行預(yù)測，預(yù)測的房地產(chǎn)企業(yè)信用風(fēng)險的分類結(jié)果與實際的房地產(chǎn)行業(yè)信用風(fēng)險的分類的混淆矩陣見表4：

表4 Logistic模型測試集混淆矩陣

從模型分析及預(yù)測結(jié)果可以看出，Logistic模型對房地產(chǎn)企業(yè)信用風(fēng)險的分類的預(yù)測效果尚可，Logistic模型的預(yù)測結(jié)果中有22個低信用風(fēng)險的公司被正確預(yù)測，有兩個低信用風(fēng)險公司被錯判為高信用風(fēng)險公司，表明高信用風(fēng)險企業(yè)能夠被全部識別，這也驗證了Logistic模型在銀行傳統(tǒng)的風(fēng)險識別中具有一定的作用。與之不同的是，支持向量機(jī)SVM模型作為一種機(jī)器學(xué)習(xí)的方法，不注重傳統(tǒng)的回歸系數(shù)的大小，采用智能訓(xùn)練學(xué)習(xí)對企業(yè)信用進(jìn)行評估。本文同樣使用上述訓(xùn)練集數(shù)據(jù)建立模型，然后根據(jù)財務(wù)指標(biāo)對測試集的公司信用風(fēng)險進(jìn)行預(yù)測，預(yù)測的混淆矩陣結(jié)果見表5。

表5 SVM模型測試集混淆矩陣

根據(jù)表5可得，SVM模型對房地產(chǎn)企業(yè)的信用風(fēng)險分類和識別的準(zhǔn)確率達(dá)到了100%，在測試集樣本的34個公司中，有24個低違約風(fēng)險的公司和10個高違約風(fēng)險的公司，分類結(jié)果與實際相符。這說明SVM模型作為新分類模型在房地產(chǎn)行業(yè)信用風(fēng)險評估中具有更好的預(yù)測效果。為了對兩種模型的效果進(jìn)行對比，本文對Logistic模型和SVM模型進(jìn)行了一系列對比分析，比較結(jié)果如表6所示。

表6 Logistic與SVM模型評價指標(biāo)匯總

從表6可以看出，Logistic模型的分類準(zhǔn)確率為94.12%，SVM模型的分類準(zhǔn)確率高達(dá)100%，說明在整體的預(yù)測能力即模型的泛化能力方面，SVM模型明顯優(yōu)于Logistic模型。從精確率來看，Logistic模型和SVM模型的測試集精確率都達(dá)到100%。而從召回率來看，Logistic模型為83.33%，明顯低于SVM模型，說明Logistic模型預(yù)測到的低違約風(fēng)險的公司占實際的低違約風(fēng)險的比例較低。盡管這樣的結(jié)果有助于銀行進(jìn)行風(fēng)險控制，但過度的風(fēng)險控制會阻礙銀行對房地產(chǎn)融資業(yè)務(wù)的開展。F1-socre是精確率和召回率的調(diào)和均值，是綜合評價模型分類效果優(yōu)劣的一個指標(biāo)。但通過比較F1-socre及AUC值，同樣可以發(fā)現(xiàn)SVM模型的預(yù)測效果要優(yōu)于Logistic模型，即Lasso-SVM模型在房地產(chǎn)行業(yè)信用風(fēng)險分類和識別中具有較好的應(yīng)用前景。

企業(yè)信用風(fēng)險的測度已經(jīng)在國內(nèi)外發(fā)展得比較成熟，也為商業(yè)銀行及金融機(jī)構(gòu)開展業(yè)務(wù)提供了參考依據(jù)。但在對信用風(fēng)險進(jìn)行分類和識別的過程中，人為影響仍然較大。通過采用機(jī)器學(xué)習(xí)的方法對企業(yè)信用風(fēng)險進(jìn)行研究，發(fā)現(xiàn)現(xiàn)代的技術(shù)方法對于信用風(fēng)險的研究具有重要作用，這也是未來企業(yè)信用風(fēng)險分類和識別研究的重要方向。本文的實證結(jié)果表明，機(jī)器學(xué)習(xí)方法較傳統(tǒng)的統(tǒng)計方法對于信用風(fēng)險分類識別效果更優(yōu)。在房地產(chǎn)企業(yè)所面臨的信用風(fēng)險中，企業(yè)的財務(wù)及經(jīng)營狀況是商業(yè)銀行對其授信時所考慮的重要因素，其中流動資產(chǎn)周轉(zhuǎn)率、銷售凈利率、凈資產(chǎn)收益率、速動比率和總資產(chǎn)周轉(zhuǎn)率指標(biāo)對房地產(chǎn)行業(yè)信用風(fēng)險評價的影響最大，而總資產(chǎn)凈利率、每股收益、營業(yè)周期、存貨周轉(zhuǎn)天數(shù)、流動比率和現(xiàn)金比率的影響相對較弱。

五、結(jié)論及建議

（一）結(jié)論

由于房地產(chǎn)行業(yè)具有項目開發(fā)周期長、投資規(guī)模大、涉及面廣的特點，房地產(chǎn)企業(yè)在項目運(yùn)營中面臨著高風(fēng)險，因此在供應(yīng)鏈金融中商業(yè)銀行對于房地產(chǎn)企業(yè)的信用風(fēng)險評估至關(guān)重要。本文基于房地產(chǎn)企業(yè)上市公司的財務(wù)數(shù)據(jù)建立評價指標(biāo)體系，采用Lasso模型回歸對信用風(fēng)險評價指標(biāo)進(jìn)行篩選，通過Logistic模型和SVM模型對供應(yīng)鏈金融模式下的房地產(chǎn)企業(yè)信用風(fēng)險進(jìn)行分類和識別，結(jié)果表明SVM方法優(yōu)于常用的Logistic模型，證明了供應(yīng)鏈金融下SVM算法運(yùn)用于房地產(chǎn)行業(yè)信用風(fēng)險評價的可行性。

（二）建議

第一，房地產(chǎn)企業(yè)應(yīng)根據(jù)自身產(chǎn)業(yè)的特殊性，綜合考慮供應(yīng)鏈上眾多的影響因素，定性和定量地建立具有房地產(chǎn)行業(yè)特色的信用風(fēng)險評估模型，為企業(yè)風(fēng)險決策提供參考。同時成立專業(yè)的風(fēng)險管理小組，結(jié)合特殊的宏觀經(jīng)濟(jì)環(huán)境和政策，制定科學(xué)的風(fēng)險防范實施方案。另外，在供應(yīng)鏈金融中房地產(chǎn)企業(yè)要想提高自身的信用評級，提高信貸審核的競爭力，就需要健全財務(wù)制度，提升企業(yè)品牌影響力，加快資金的流轉(zhuǎn)速度。

第二，供應(yīng)鏈金融下商業(yè)銀行應(yīng)完善區(qū)域房地產(chǎn)信用數(shù)據(jù)庫。這就不僅要考察房地產(chǎn)企業(yè)的信用資質(zhì)，還要考察供應(yīng)鏈上下游合作企業(yè)資質(zhì)，整合人行、工商、稅務(wù)、審計等部門的數(shù)據(jù)，完善數(shù)據(jù)庫建設(shè)，加強(qiáng)建立供應(yīng)鏈金融中企業(yè)的信用檔案，完善信貸數(shù)據(jù)庫，為我國供應(yīng)鏈金融行業(yè)的健康發(fā)展提供保障。建立科學(xué)有效的模型對融資企業(yè)的違約風(fēng)險進(jìn)行評價至關(guān)重要，詳細(xì)的企業(yè)信用數(shù)據(jù)庫可為商業(yè)銀行進(jìn)行風(fēng)險評估和貸款決策提供依據(jù)。商業(yè)銀行應(yīng)創(chuàng)新金融產(chǎn)品，建立多元化融資體系，不僅可提升資金的流動性以及資源的配置效率，同時可為房地產(chǎn)企業(yè)提供多元化融資渠道、降低企業(yè)的信貸違約概率。

第三，我國供應(yīng)鏈金融業(yè)務(wù)仍處于初步發(fā)展階段，對于供應(yīng)鏈金融中企業(yè)信用風(fēng)險的研究，并未建立一個完整的體系，因此政府層面應(yīng)加強(qiáng)對金融市場的監(jiān)管、創(chuàng)造良好的金融環(huán)境、制定供應(yīng)鏈金融中房地產(chǎn)行業(yè)信用規(guī)范、完善信托等相關(guān)法律法規(guī)，進(jìn)而縮小信用監(jiān)管盲區(qū)。同時應(yīng)建立信用監(jiān)管平臺，將責(zé)任人信用信息和企業(yè)信用信息聯(lián)系起來，強(qiáng)化責(zé)任人的信用意識。由政府牽頭，提高供應(yīng)鏈上下游企業(yè)整體的風(fēng)險控制能力，有效降低房地產(chǎn)的信用風(fēng)險。

主要參考文獻(xiàn)：

Karaa A.，Krichene A.．Credit-Risk Assessment Using Support Vectors Machine and Multilayer Neural Network Models：A Comparative Study Case of a Tunisian Bank［J］．General Information，2012（1）．

芮婧，潘淑娟．供應(yīng)鏈金融業(yè)務(wù)的信用風(fēng)險評價系統(tǒng)設(shè)計［J］．鄭州航空工業(yè)管理學(xué)院學(xué)報，2010（5）．

牟偉明．中小企業(yè)供應(yīng)鏈融資模式及其信用風(fēng)險測評［J］．財會月刊，2014（10）．

方煥，孟楓平．基于Logistic模型的供應(yīng)鏈金融信用風(fēng)險實證研究——以農(nóng)業(yè)類上市公司為例［J］．山西農(nóng)業(yè)大學(xué)學(xué)報（社會科學(xué)版），2015（11）．

楊青龍，田曉春，胡佩媛．基于LASSO方法的企業(yè)財務(wù)困境預(yù)測［J］．統(tǒng)計與決策，2016（23）．

趙亞星，王紅春．隨機(jī)森林算法在建筑供應(yīng)鏈風(fēng)險評價中的應(yīng)用［J］．物流技術(shù)，2017（8）．

李小莉，辛玉紅．基于供應(yīng)鏈金融的中小企業(yè)信貸市場演化分析［J］．運(yùn)籌與管理，2017（10）．