綠色供應鏈金融風險評估研究
——基于Logit模型與BP神經網絡的比較研究

楊曉葉

（中國人民大學商學院，北京 100872）

引 言

隨著經濟的發展，很多融資行為成為促進經濟發展和產業升級的重要措施。但是目前仍然有大量的中小企業無法得到充足的資金支持，且融資難、融資貴的現象早已非常普遍，而且隨著經濟的持續放緩這種現象將變得更加明顯［1］。根據有關數據統計，中國99%的中小企業提供了80%的就業，貢獻了50%的GDP［2］。很顯然，這種不均衡、不適當的發展情況是目前很多中小企業面臨的問題，同時這種融資難的情況也越來越值得學界進行深入研究。

由于環境問題越來越嚴重，綠色生產、綠色經營得到了社會各界的重視。黨的十八屆五中全會中將綠色發展作為重點，并提倡將綠色環保的理念與供應鏈融資相結合，為能源行業、鋼鐵行業、化工行業等中小企業解決資金問題，并完善綠色生產、回收資源等環節，最終形成環境友好、文明綠色的可持續發展，因此綠色供應鏈應運而生。而地處沿海的河北省有著獨特的港口資源，包括秦皇島港、唐山港、黃驊港等，也包括鋼鐵行業和化工加工行業，這些地區的中小企業如果無法合理進行綠色生產和資源回收再利用，那么危害的將不僅僅是陸地環境，同時還有海洋環境。

因此中小企業會面臨可再生材料回收以及資金問題這兩個核心問題［3］。現在賒銷已經成為交易的一種主流方式，處于上游的供應商將貨物供給下游企業后，由于資金無法及時返回，容易造成資金短缺的后果，甚至有些信用較低的企業會造成資金供應鏈的斷鏈［4］。 “互聯網＋金融”以及“互聯網＋綠色資金管理”則可以解決資金融通以及綠色材料回收問題。因此， “綠色供應鏈金融”系列金融產品可以緩解中小企業的困境［5］。

供應鏈金融的發展也會帶來風險。由于面對的不確定因素更多，環境更復雜，綠色供應鏈金融風險更具隱蔽性、多樣性和復雜性。因此本文重點探討如何科學的識別和評估綠色供應鏈金融風險，進而達到規避與防控供應鏈金融風險的目標。

1 綠色供應鏈和綠色供應鏈金融的概念

綠色供應鏈金融是為了達到綠色制造的目的，充分發揮供應鏈中企業的綜合優勢，綠色供應鏈金融與一般供應鏈金融的區別見表1［5］。

表1 兩種供應鏈融資的區別

2 綠色供應鏈金融模式框架

綠色供應鏈金融發展的前提是存在著供應鏈關系，且該供應鏈應該是正向且穩定的。處于下游的回收商將包括零售商、消費者、物流公司等的可回收再利用或再生產的產品交付給上游制造商或生產商，以滿足制造商或者生產商的重新加工，這樣就形成了綠色供應鏈的循環。由于賒銷方式的暢行，中小企業如果沒有及時回收資金，則會產生資金缺口，因此需要與上游的制造商簽訂電子訂單，向銀行申請資金融通，并以訂單收益來償還銀行貸款。與此同時，環保部門也需要向制造企業和回收商提供排污權證明，為這些企業順利向銀行申請融資提供了保障。本文主要參考沿海地區的生產制造企業循環供應鏈的研究成果，并進行實地走訪調研，得到圖1所示的綠色供應鏈金融模式流程。

圖1 綠色供應鏈金融的流程

3 綠色供應鏈金融風險評價指標的確定

根據前文對綠色供應鏈金融風險影響因素的相關分析，初步設計出綠色供應鏈金融風險評價綜合指標體系，如表2所示，共五大類，分15個二級指標，34個三級指標。

4 模型樣本的選取

本文主要針對 《中小企業劃型標準規定》的要求，選取鋼鐵制造業為主要研究背景，在將某些數據遺失和數據殘缺的中小企業剔除后，本文共挑選了30家中小企業。這些中小企業均為符合要求的員工人數在1000以內，營業收入在4億元以下，同時普遍有著巨大的資金需求。由于鋼鐵制造業會排放污水、廢氣等污染物，因此政府部門會綜合考察企業排放污染物的程度和是否達到標準，進而發放排污權證明。在獲得了排污許可之后，則會面臨這融資難問題，這正是本文研究的重點。本文樣本數據來自中國鋼鐵網、國泰安數據庫、鋼鐵信息網、河北省統計局、河北省國資委、國家企業信用信息公示系統，經綜合整理后得到30家中小企業近3年的樣本數據，樣本將這3年的數據整理成90個樣本點。為了進一步檢驗模型的預測精度，研究過程中按2∶1的比例將總樣本隨機分為訓練樣本和測試樣本，訓練樣本數據60個，測試樣本30個，共90個樣本。同時，訓練樣本和測試樣本中又各包括違約樣本和非違約樣本，將存在違約行為的企業稱為ST企業，3年內未出現違約記錄的企業稱為非違約企業，用非ST企業來表示。違約企業主要是指近3年的財務數據不良、存在不良資產或無法盈利的企業，這樣的企業可能會有破產的風險。面臨破產的企業會出現大量的違約行為，如無法按時償還貸款、履行合同等。

將指標數據進行歸一化處理，逆向指標進行負向處理。企業的各種指標水平和量綱都是不同的，有些是正向的，有些是負向的，為了使各指標的相關性保持一致，本文將指標進行正向化和無量綱化處理。

表2 綠色供應鏈金融風險評價指標體系

5 綠色供應鏈金融指標體系的優選

本文采用SPSS20軟件計算指標相關矩陣，將相關程度超過0.8的指標進行過濾。除此之外，發現絕大多數指標之間是存在相關性的，說明可以做主成分分析和因子分析，提取共同因子。限于篇幅，以 “核心企業風險”這個一級指標為例，列舉出了不同企業之間的相關性和顯著性，如表3所示。

表3 核心企業風險指標相關系數分析

綜合考慮，剔除指標銷售利潤率X123、速動比率X131、應收賬款周轉率X111。同理，通過相關性分析，其他初始指標予以剔除的有：污染治理水平X211、注冊時間X311、交易總額增加率X313、銷售利潤率X422、企業管理水平X411、周轉率X522、訂單有效性X541。

5.1 指標敏感性檢驗

運用SPSS20軟件包計算變差系數，并將變差系數從大到小進行排序，然后將敏感性較低，即變差系數較小的指標過濾掉。根據以往文獻和實際樣本特征綜合分析，本文對變差系數小于0.1，即Cvi＜0.1的指標予以剔除。共有核心企業的資產負債率X133（0.0848）、外部環境的產業政策X221（0.0402）、綠色質押物中的排污權評估值X532（0.0807）被剔除。基于以上分析，共剩余21個指標，如表4所示。

5.2 指標的主成分分析

由圖2可見，主成分7之后特征值下降變得稍微平緩，通過碎石圖也可以發現主成分個數確定的較為合理，可以反映指標體系的幾乎全部信息。本文選擇前7個主成分作為特征根進行分析。

在建立和運行一個較為完善的評價模型過程中，驗證是十分重要的，驗證既包括樣本的訓練，也包括對測試樣本的回代檢驗。在訓練樣本時，模型通常有兩種錯誤，一種是企業有違約情況出現，而模型驗證錯誤，稱其為第1類錯誤；另一種是企業沒有違約記錄而模型結果顯示為有錯誤，這類情況稱為第2類錯誤。一般來說，第1類錯誤損失為第2類錯誤損失的60倍左右，因此應該盡量預防第1類錯誤。因此在驗證模型性能時，除了關注兩種錯誤出現的概率，還應該重點關注第1種錯誤。因此本文通過Logit模型和BP神經網絡模型對樣本進行檢驗。

表4 敏感性分析所得指標

表5 主成分提取表

圖2 特征根數值碎石圖

6 實證分析

6.1 基于Logit模型的檢驗

本文在大量研究對比不同風險評估模型的基礎上進行綜合比較，選定Logit模型作為綠色供應鏈金融風險預警模型。

Logit模型是一個二元選擇模型，其變量僅有0和1兩個。為了使因變量Y更容易被理解，本文將違約企業，即被ST的企業用 “1”來表示，沒有違約的企業，即未被ST的企業用 “0”來表示。違約企業的概率計算公式為P（Y）＝1－F（X）。借鑒以往的論文和科研成果，將臨界值定位0.647［7］，并對比臨界值在0.5和0.647下的模型判定成果。本文一共提取了7個因子 （F1、F2、F3、F4、F5、F6、F7），使用SPSS對計算出的共同因子進行Logit分析，使用最大似然估計法來做參數估計，結果表示所有指標都具有較好的顯著程度。模型的主成分系數估計如表6所示。

表6 系數估計矩陣

根據計算的系數估計值，帶入到Logit模型方程中，可以得到企業違約概率的為：

在進行預測檢驗時，先用訓練樣本進行訓練，查看預測的準確度，然后再用測試樣本進行檢驗，精確度的臨界值分別界定為0.5和0.647。當臨界值為0.5時，可以通過表7說明Logit模型對評價的平均準確率為93.15%，其中對違約樣本的判別準確率為93%，對非違約樣本的判別準確率為93.3%，即違約樣本企業15家，只有1家不能完全判別準確，非違約樣本企業45家，只有3家不能完全判別準確，說明所建模型具有較高的判別準確率。

表7 Logit模型對訓練樣本的判斷結果

同樣，當訓練樣本預測產生較為滿意的結果后，還需要對測試樣本進行檢驗，驗證模型是否具有普遍性。如表8所示，將測試樣本帶入Logit模型后，結果表明對非違約樣本預測的預測準確率為88%，對違約樣本預測的準確率為100%，有5家違約企業，均能夠檢測出；有25家非違約企業，能夠準確檢測出22家，模型對測試樣本的綜合預測準確率達到94%，說明Logit模型對該指標體系有著較為準確的評估能力。

表8 Logit模型對測試樣本的判斷結果

在初步確定了模型的可行性和準確性后，本文改進了以往文獻中僅用單一的臨界值做判定的方法，通過將臨界值設定為兩個值來進行對比分析。通過不同的臨界值設定，得到不同的測試結果，進一步驗證模型的準確性，運行結果見表9。

表9 不同臨界值的預測準確率

將臨界值確定為0.5時，測試樣本的準確率為94%，將臨界值確定為0.647時，測試樣本的準確率為82%。通過研究發現，Logit模型在研究精度為0.5時，無論訓練樣本還是測試樣本的準確率都在90%以上，因此結果較為準確。而當臨界值為0.647時，準確率有所下降，但總體也仍然保持在80%以上，屬于能夠接受的范圍，證明該模型具有較高的判定率。

6.2 基于BP神經網絡的檢驗

以往的大量研究中將BP神經網絡算法運用于供應鏈金融狀況的評估，并且認為BP神經網絡在進行風險評價方面有著較高的準確度。因此本文將BP神經網絡模型同Logit模型的評價效果進行綜合對比，探索更適合綠色供應鏈金融的風險評估模型［8］。

根據以往的研究，估計隱含層的節點個數應該在4～15之間，通過反復嘗試隱藏層節點數，最終確定隱藏層節點的個數為6。同時，選擇不同的訓練函數對預測結果會有很大的影響，如收斂快慢、收斂精度［9］。分別采用traingdx函數、traingd函數、trainscg函數和trainlm函數等常用訓練函數［10］進行BP神經網絡訓練，不同函數的訓練結果如表11所示。本文設定最大訓練步長epoch＝5000［11］， 誤差精度ε＝ 0.001， 選擇概率為 0.9。BP神經網絡訓練樣本和測試樣本的選擇同Logit的選擇是一樣的，60組訓練樣本，30組測試樣本，每種樣本的ST企業和非ST企業的比例為5∶1。

表10顯示，函數traingdx的迭代次數為237次，證明當迭代到237次時候就達到了所要求的函數精度，同時迭代次數較其他4個函數來說是最低的，因此基于BP神經網絡的綠色供應鏈金融訓練函數應采用traingdx函數。

表10 不同訓練函數的迭代次數

7 結果分析

（1）把Logit模型 （臨界值選擇為0.5時）與BP神經網絡的結果進行比較，比較結果如表10所示，針對訓練樣本，Logit模型的綜合預測準確率為94.5%，高于BP神經網絡的47.5%，針對測試樣本，Logit模型的綜合預測準確率為94%，高于BP神經網絡的34%，因此從整體角度考慮，Logit模型要更適合該指標體系的分析。

（2）一般BP神經網絡適合大樣本分析，而由于目前綠色供應鏈金融興起的較晚，供應鏈中的核心企業和回收商數量較少，加上樣本企業的數據涉及到財務、信用等方面，獲取較為困難，因此影響了BP神經網絡的準確性。

（3）通過觀察比較結果，對于第2類錯誤的預測，兩種模型差別不大，但是針對第1類模型，BP神經網絡的預測準確度低于Logit模型，而對于整個綠色供應鏈來講，第1類錯誤的損失要明顯高于第2類錯誤，因此Logit模型比較容易發現第1類錯誤。

（4）從對比結果表11中可以看出，對于訓練樣本集，Logit模型的預測綜合結果要比BP神經網絡更加準確；在測試樣本集中，Logit模型的預測準確率雖然有所下降，但預測結果仍然在90%以上，而BP神經網絡的的準確程度下降達到13.5%。這說明BP神經網絡模型的魯棒性比Logit模型的魯棒性要差，即證明Logit的學習能力要優于BP神經網絡。BP神經網絡針對第1類錯誤無法做出正確判斷的結果表明，該模型無法從數據的特征中識別出企業的違約情況，從而影響了 BP 神經網絡的泛化能力［12－14］。

表11 Logit模型與BP神經網絡評價結果對比

8 結論與建議

（1）對于綠色供應鏈風險分析模型。本文通過對Logit模型應用不同的臨界值進行驗證，得到的預測精度有所不同，本文驗證針對綠色供應鏈金融指標體系臨界值為0.5有較好的預測精度。同時，通過不同的評價模型進行對比分析，證明Logit模型比BP神經網絡具有更明顯的預測能力，對于兩類錯誤的預測準確程度都較高，特別是針對第1類錯誤，可以幫助綠色供應鏈企業有效地規避有可能違約的企業，提高風險預警能力。

（2）對于綠色供應鏈關系。各產業的核心企業、回收商、銀行、電商平臺建立良好的、穩定的、長期的戰略合作關系，對于供應鏈的長遠發展是非常必要的。同時綠色供應鏈金融風險的降低，需要有核心企業的信用、責任感、企業實力做保障，同時還需要加強供應鏈成員之間的合作，確保供應鏈金融能夠順利展開，提升整個供應鏈的價值水平。

（3）對于政策支持。由于綠色供應鏈金融興起比較晚，對于排污權的申領、排污權的交易等監管不到位，可能會引起資源回收不及時、資源浪費嚴重等現象；同時，政府應該加強宣傳排污權和排污許可的相關政策，為有能力的企業提供更多的政策支持和機會，使得綠色生產、可持續發展成為未來產業發展的主要方向。