基于支持向量機(jī)的農(nóng)業(yè)供應(yīng)鏈金融信用風(fēng)險(xiǎn)評(píng)價(jià)

曾梓銘

（桂林電子科技大學(xué) 商學(xué)院，廣西桂林 541004）

一、引言

農(nóng)業(yè)供給側(cè)結(jié)構(gòu)性改革使現(xiàn)代農(nóng)業(yè)體系不斷完善發(fā)展，農(nóng)業(yè)產(chǎn)業(yè)化速度和規(guī)模空前提升，農(nóng)業(yè)中小企業(yè)的融資需求不斷增加，從而催生出龐大的農(nóng)業(yè)融資市場(chǎng)。然而，由于農(nóng)業(yè)中小企業(yè)自身普遍存在信用弱、抵押物少、資金周轉(zhuǎn)困難等問題，加上農(nóng)產(chǎn)品具有價(jià)格波動(dòng)大、生產(chǎn)周期長、易腐爛變質(zhì)等特點(diǎn)，使其很難向商業(yè)銀行獲取融資。供應(yīng)鏈金融的出現(xiàn)，為解決農(nóng)業(yè)中小企業(yè)融資難問題提供了新途徑。供應(yīng)鏈金融以整條供應(yīng)鏈為考察對(duì)象，改變了傳統(tǒng)的風(fēng)險(xiǎn)管理模式，將針對(duì)單個(gè)企業(yè)的風(fēng)險(xiǎn)管理轉(zhuǎn)為對(duì)整條供應(yīng)鏈的風(fēng)險(xiǎn)管理。

然而，由于信息不對(duì)稱，商業(yè)銀行對(duì)于農(nóng)業(yè)中小企業(yè)的營運(yùn)情況、盈利狀況等信息掌握不完全，融資過程存在較大不確定性，容易引發(fā)信用風(fēng)險(xiǎn)。同時(shí)，加上信用風(fēng)險(xiǎn)在供應(yīng)鏈上具有傳導(dǎo)性，單個(gè)企業(yè)的信用風(fēng)險(xiǎn)容易傳染到供應(yīng)鏈上其他企業(yè)，使風(fēng)險(xiǎn)危害成倍擴(kuò)大，對(duì)供應(yīng)鏈穩(wěn)定運(yùn)作產(chǎn)生沖擊。我國農(nóng)業(yè)供應(yīng)鏈金融處于發(fā)展初期，商業(yè)銀行對(duì)利用供應(yīng)鏈金融進(jìn)行融資的農(nóng)業(yè)中小企業(yè)的資信水平評(píng)估尚不成熟，農(nóng)業(yè)中小企業(yè)仍存在較高的信用風(fēng)險(xiǎn)。因此，如何有效提高供應(yīng)鏈金融信用風(fēng)險(xiǎn)評(píng)估水平，降低貸款風(fēng)險(xiǎn)的發(fā)生，是農(nóng)業(yè)供應(yīng)鏈金融健康發(fā)展的關(guān)鍵。

二、文獻(xiàn)綜述

在供應(yīng)鏈金融風(fēng)險(xiǎn)評(píng)估方法上，胡海青等(2011)[1]結(jié)合核心企業(yè)信用狀況和供應(yīng)鏈關(guān)系，發(fā)現(xiàn)基于SVM的信用風(fēng)險(xiǎn)評(píng)價(jià)模型在供應(yīng)鏈金融風(fēng)險(xiǎn)評(píng)估中更具有優(yōu)越性。吳屏等（2015）[2]通過歸納線上供應(yīng)鏈金融風(fēng)險(xiǎn)因素的特征，建立基于BP神經(jīng)網(wǎng)絡(luò)的信用風(fēng)險(xiǎn)評(píng)估體系并驗(yàn)證了其有效性。逯宇鐸等(2016)[3]以汽車上市中小企業(yè)為研究樣本，運(yùn)用Lasso-logistic模型進(jìn)行變量篩選和參數(shù)估計(jì)，得出了較高的評(píng)估準(zhǔn)確率。戴昕琦(2018)[4]結(jié)合線上供應(yīng)鏈金融融資模式特點(diǎn)，利用隨機(jī)森林模型與SMOTE 算法構(gòu)建信用風(fēng)險(xiǎn)評(píng)估模型，證明了基于C－SMOTE算法的隨機(jī)森林模型能顯著降低商業(yè)銀行線上供應(yīng)鏈金融風(fēng)險(xiǎn)。李健等（2019）[5]以汽車供應(yīng)鏈作為樣本，運(yùn)用隨機(jī)森林模型和盲數(shù)理論篩選變量，并通過對(duì)比多種評(píng)估模型的預(yù)測(cè)效果，發(fā)現(xiàn)PSO-SVM模型具有較高的預(yù)測(cè)準(zhǔn)確率。

在農(nóng)產(chǎn)品供應(yīng)鏈金融的研究上，方煥等（2017）[6]在理論分析的基礎(chǔ)上，構(gòu)建Logistic模型來預(yù)測(cè)農(nóng)業(yè)類企業(yè)的違約情況，為供應(yīng)鏈金融信用風(fēng)險(xiǎn)評(píng)估提供了新的理論思路。楊軍等（2017）[7]對(duì)農(nóng)業(yè)中小企業(yè)的三種融資模式進(jìn)行分析，并構(gòu)建Logistic模型對(duì)農(nóng)業(yè)供應(yīng)鏈金融信用風(fēng)險(xiǎn)進(jìn)行評(píng)估。鄒建國等(2019)[8]運(yùn)用主體加債項(xiàng)的評(píng)估方法，結(jié)合主成分分析和Logistic回歸度量供應(yīng)鏈金融模式下的農(nóng)戶信用增進(jìn)。

綜上所述，眾多學(xué)者對(duì)供應(yīng)鏈金融信用風(fēng)險(xiǎn)的評(píng)估方法進(jìn)行了多方面研究，但在農(nóng)業(yè)供應(yīng)鏈金融信用風(fēng)險(xiǎn)評(píng)估上，大多學(xué)者仍然采用Logistic模型。隨著計(jì)算機(jī)技術(shù)的發(fā)展，機(jī)器學(xué)習(xí)算法開始廣泛應(yīng)用于信用風(fēng)險(xiǎn)評(píng)估，并取得良好效果。鑒于此，以農(nóng)業(yè)中小企業(yè)為研究樣本，將SVM模型用于構(gòu)建農(nóng)業(yè)供應(yīng)鏈金融信用風(fēng)險(xiǎn)評(píng)估體系，以提升評(píng)估準(zhǔn)確率。

三、指標(biāo)體系與算法模型

（一）指標(biāo)體系

通過對(duì)以往文獻(xiàn)采用的評(píng)估指標(biāo)進(jìn)行歸納和總結(jié)，結(jié)合醫(yī)藥供應(yīng)鏈金融信用風(fēng)險(xiǎn)的特征，篩選出如下指標(biāo)：凈資產(chǎn)收益率(X1)、資產(chǎn)報(bào)酬率（X2）、資產(chǎn)凈利率(X3)、銷售凈利率(X4)、成本費(fèi)用利潤率(X5)、資產(chǎn)負(fù)債率(X6)、流動(dòng)比率(X7)、速動(dòng)比率(X8)、產(chǎn)權(quán)比率（X9）、現(xiàn)金流動(dòng)負(fù)債比(X10)、營業(yè)收入增長率(X11)、營業(yè)利潤增長率(X12)、凈利潤增長率(X13)、總資產(chǎn)增長率(X14)、存貨周轉(zhuǎn)率(X15)、應(yīng)收賬款周轉(zhuǎn)率(X16)、流動(dòng)資產(chǎn)周轉(zhuǎn)率(X17)和總資產(chǎn)周轉(zhuǎn)率(X18)。

由于選取了18個(gè)初始變量，變量維數(shù)較高，無論是使用經(jīng)典計(jì)量算法或機(jī)器學(xué)習(xí)算法，都存在模型指標(biāo)的高相關(guān)性和高維性，導(dǎo)致模型擬合過度、參數(shù)估計(jì)無效等后果。因此先對(duì)變量進(jìn)行因子分析，提取出具有主要解析能力的變量，再利用得到的變量進(jìn)行實(shí)證分析。

（二）算法說明

1.Logistic模型。Logistic模型受自變量的多維相關(guān)性影響很大，需要先采用因子分析法，減少變量之間的相關(guān)性，選出有代表性的自變量。Logistic回歸模型的前提是企業(yè)的守約概率服從Logistic分布，把供應(yīng)鏈金融信用風(fēng)險(xiǎn)評(píng)估體系中一系列指標(biāo)（Xk,k=n）作為自變量，通過建立Logistic回歸模型預(yù)測(cè)企業(yè)是否有違約風(fēng)險(xiǎn)。Logistic模型的Y作為因變量，只有0和1兩個(gè)取值，0為違約，1為守約。

2.SVM模型。支持向量機(jī)（SVM）是機(jī)器學(xué)習(xí)方法中常用的分類模型，近幾年廣泛應(yīng)用于信用風(fēng)險(xiǎn)研究。支持向量機(jī)的原理是尋找一個(gè)最優(yōu)分類超平面分割訓(xùn)練樣本，確保最小的分類錯(cuò)誤率。分類超平面表示為：

其中w是可調(diào)整的權(quán)值向量，b是偏置。歸一化后，使線性可分的樣本集合（xi，yi），xi∈Rn,n是樣本數(shù)量，yi∈{+1，-1}（i=1,2,…,n）,滿足：

支持向量機(jī)的核心思想是盡可能使兩個(gè)分開的類別具有最大間隔，這樣才能使分隔有更高的可信度，使新樣本有更好的泛化能力。由兩個(gè)平面距離推導(dǎo)可得分類間隔為2/‖w‖，即‖w‖最小化等價(jià)于分類超平面最大化。為了方便后續(xù)求導(dǎo)和計(jì)算，進(jìn)一步等價(jià)于‖w‖2/2最小化。使式（2）等號(hào)成立的樣本點(diǎn)叫做支持向量，滿足條件（2）的最小超平面被稱為最優(yōu)分類超平面。

四、信用風(fēng)險(xiǎn)實(shí)證分析

（一）數(shù)據(jù)來源與因子分析

通過選取58家上市農(nóng)業(yè)中小企業(yè)為研究對(duì)象，利用RESSET數(shù)據(jù)庫獲取企業(yè)2017-2018年度相關(guān)數(shù)據(jù)。在116個(gè)樣本中，違約樣本為78個(gè)，無違約樣本為38個(gè)。

在做因子分析之前，需要檢驗(yàn)各變量之間的關(guān)聯(lián)度，判斷變量是否適合做因子分析。利用變量做KMO和Bartlett檢驗(yàn)，得到KMO值為0.731（KMO>0.6），說明適合做因子分析。利用最大方差旋轉(zhuǎn)分析法，得到前5個(gè)因子的累計(jì)方差貢獻(xiàn)率為81.4%，表明這5個(gè)因子能夠較好地反應(yīng)所有變量信息。因此，選取前5個(gè)因子作為初始變量，進(jìn)行實(shí)證分析。

（二）信用風(fēng)險(xiǎn)評(píng)估

1.基于 Logistic 模型的信用風(fēng)險(xiǎn)評(píng)估。運(yùn)用Logistic模型，將上述因子分析得到的5個(gè)主因子作為自變量，企業(yè)信用水平作為因變量進(jìn)行回歸分析，得到回歸結(jié)果如表1。

表1 方程中的變量

根據(jù)表1結(jié)果可知，最終篩選出F1、F3、F4和F5這四個(gè)變量，可以得出Logistic回歸模型的概率方程為：

從表2可知，模型對(duì)違約企業(yè)判別的準(zhǔn)確率為76.3%；對(duì)無違約企業(yè)判別的準(zhǔn)確率為94.9%，模型的總體評(píng)估準(zhǔn)確率為88.8%。經(jīng)進(jìn)一步計(jì)算，Logistic模型的第一類錯(cuò)誤率為23.7%，第二類錯(cuò)誤率為5.1%。

表2 Logistic模型評(píng)估結(jié)果

2.基于SVM的信用風(fēng)險(xiǎn)評(píng)估。同樣將提取的5個(gè)主因子作為解析變量，運(yùn)用Python3的Anaconda科學(xué)計(jì)算平臺(tái)構(gòu)建SVM模型，對(duì)116個(gè)樣本進(jìn)行信用風(fēng)險(xiǎn)評(píng)估。為了確保模型的有效性，對(duì)選取81個(gè)樣本（接近總樣本數(shù)的70%）作為訓(xùn)練集，用于構(gòu)造SVM模型；選取35個(gè)樣本作為測(cè)試集，以檢驗(yàn)?zāi)Ｐ偷姆夯芰Α?/p>

SVM分類模型引入核函數(shù)能夠?qū)嵭懈呔S空間的內(nèi)積運(yùn)算，從而解決非線性分類。通過選擇合適的核函數(shù)和調(diào)節(jié)相關(guān)參數(shù)，可以提高SVM分類模型的預(yù)測(cè)準(zhǔn)確率。本文選擇徑向基核函數(shù)（RBF）來實(shí)現(xiàn)SVM模型在高維空間的內(nèi)積運(yùn)算，并綜合考慮最大分類間隔和最少錯(cuò)分樣本，在高維空間構(gòu)造軟間隔，采用交叉驗(yàn)證方法確定參數(shù)C=80，gamma=0.1。

以訓(xùn)練集112家企業(yè)的數(shù)據(jù)為基礎(chǔ)，將5個(gè)主因子作為輸入向量進(jìn)行訓(xùn)練，使用徑向基核函數(shù)（RBF）建立SVM預(yù)測(cè)模型。運(yùn)用得到的RBFSVM模型對(duì)測(cè)試集樣本進(jìn)行測(cè)試，預(yù)測(cè)效果如表8。

表3 SVM模型評(píng)估結(jié)果

由表3可知，模型對(duì)訓(xùn)練集樣本的評(píng)估準(zhǔn)確率為93.8%，對(duì)測(cè)試集樣本的評(píng)估準(zhǔn)確率為94.3%，模型的總體評(píng)估準(zhǔn)確率為94.0%。經(jīng)進(jìn)一步計(jì)算，可得SVM模型總體第一類錯(cuò)誤率為10.5%，第二類錯(cuò)誤率為3.8%。

3.兩種模型評(píng)估結(jié)果對(duì)比。由表4可知，SVM模型的總體預(yù)測(cè)準(zhǔn)確率為94.0%，比Logistic模型高了5.2%，說明SVM模型具有更高的評(píng)估準(zhǔn)確率。第一類錯(cuò)誤率表示對(duì)違約樣本的識(shí)別能力，因此第一類錯(cuò)誤率通常比第二類錯(cuò)誤率更重要。SVM模型的第一類分類錯(cuò)誤率為10.5%，比Logistic模型低了13.3%，表示SVM能更加有效地識(shí)別違約企業(yè)，滿足商業(yè)銀行對(duì)中小企業(yè)信用風(fēng)險(xiǎn)評(píng)估的要求。

表4 評(píng)估結(jié)果對(duì)比

五、結(jié)論

本文以上市農(nóng)業(yè)中小企業(yè)為研究樣本，構(gòu)建供應(yīng)鏈金融信用風(fēng)險(xiǎn)評(píng)估體系，并分別運(yùn)用Logistic模型和SVM模型進(jìn)行信用風(fēng)險(xiǎn)評(píng)估。結(jié)果表明，SVM模型的總體評(píng)估準(zhǔn)確率比Logistic模型高了5.2%，第一類分類錯(cuò)誤率低了13.3%，證明了在農(nóng)業(yè)供應(yīng)鏈金融下SVM模型的優(yōu)越性和有效性，為農(nóng)業(yè)供應(yīng)鏈金融信用風(fēng)險(xiǎn)評(píng)估提供了新方法。