基于GBDT的醫藥供應鏈金融信用風險評價

劉平山 曾梓銘

【摘 要】 “兩票制”改革下，醫藥產業鏈面臨重構，醫藥中小企業融資需求不斷增加，從而催生出萬億級別的供應鏈金融市場。然而，由于醫藥供應鏈上信息不對稱以及信用風險傳染，醫藥中小企業存在較高的信用風險，如何有效評估醫藥供應鏈金融信用風險是把握億萬市場機會的關鍵。文章結合醫藥行業特征，構建醫藥供應鏈金融信用風險評估體系，并在因子分析基礎上，運用梯度提升決策樹（Gradient Boosting Decision Tree，GBDT）進行信用風險評估。通過與支持向量機（Support Vector Machine， SVM）、Logistic回歸模型和BP神經網絡對比，發現GBDT模型具有更高的預測準確率和分類真實性，驗證了供應鏈金融模式下GBDT模型應用于醫藥行業信用風險評估的優越性和有效性。

【關鍵詞】 醫藥供應鏈金融; GBDT模型; 兩票制; 信用風險

【中圖分類號】 F830.56? 【文獻標識碼】 A? 【文章編號】 1004-5937（2021）16-0024-08

一、引言

2017年1月，國家衛計委發布了《關于在公立醫療機構藥品采購中推行“兩票制”的實施意見（試行）》（國醫改辦〔2016〕4號），“兩票制”改革正式開始試行。“兩票制”是指藥品從制藥廠銷售給經銷商開一次發票，經銷商銷售給醫院再開一次發票。在“兩票制”的政策下，醫藥流通環節大大縮減，醫藥產業鏈上下游兩端“多、散、亂”的問題得到有效解決，提高了醫藥行業的供應鏈效率，為醫藥行業的健康發展創造了良好環境。與此同時，醫藥行業面臨重構，扁平化趨勢突出，包括制藥企業、醫藥流通企業和代理商等都面臨較大的壓力和挑戰。由于處于供應鏈強勢地位的醫院有著普遍的賒銷和較長的回款賬期，使得處于供應鏈弱勢地位的醫藥分銷企業面臨越來越大的資金壓力，對融資的需求也不斷增加。新的壓力也產生了新的機會，從而催生出萬億級別的供應鏈金融市場。

然而，由于醫藥供應鏈上信息不對稱，商業銀行對于醫藥中小企業的營運情況、盈利狀況等信息掌握不完全，融資過程存在較大不確定性，容易引發信用風險。同時，加上信用風險在供應鏈上具有傳導性，單個企業的信用風險容易傳染到供應鏈上其他企業，使風險危害成倍擴大，對供應鏈穩定運作產生沖擊[1]。我國醫藥供應鏈金融處于發展初期，商業銀行對利用供應鏈金融進行融資的醫藥中小企業的資信水平評估尚不成熟，醫藥中小企業仍存在較高的信用風險。如何在“兩票制”政策下有效評估醫藥中小企業的信用水平，降低貸款風險的發生，是把握億萬級別市場機會，促進醫藥供應鏈金融健康發展的關鍵。

為提高供應鏈金融下醫藥中小企業信用風險評估水平，從醫藥供應鏈金融視角，構建基于醫藥行業的信用風險評估體系，并運用GBDT模型進行信用風險評估。通過與SVM模型、Logistic回歸模型和BP神經網絡的評估效果進行對比，驗證GBDT模型的準確性和有效性，為供應鏈金融下醫藥行業信用風險評估提供借鑒。

二、相關文獻回顧

關于供應鏈金融的內涵，Allen et al.[2]最早提出完整的概念框架來分析中小企業信貸問題，初步提出了供應鏈金融的概念，認為供應鏈金融能夠有效解決中小企業融資困難。Atkinson [3]指出供應鏈金融是技術和服務的結合體，通過聯系供應方、需求方和金融服務商，為供應鏈上下游企業提供產品和服務，以加快資金周轉、增加供應鏈的可視度和降低中小企業的融資成本。胡躍飛等[4]從銀行角度出發，認為供應鏈金融是對供應鏈上各企業的金融資源進行有效整合，并通過引入金融服務商為供應鏈中的資金流管理提供一系列解決方案。Gomm[5]提出，供應鏈金融通過對供應鏈中的現金流進行有效的管理和控制，可以降低融資風險和融資成本，提高供應鏈的整體運作效率。Wuttke et al.[6]認為，供應鏈金融是在供應鏈的基礎上，使買方可以使用反向保理，從而提供透明靈活的資金解決方案，實現供應鏈融資結構的優化。盧強等[7]認為供應鏈金融主要由供應鏈上的參與者和支持者構成，是建立在供應鏈網絡交易關系基礎上的金融活動，其融資貸款的基礎不是簡單的軟信息或硬信息，而是供應鏈網絡的資產和運營資金。

在供應鏈金融風險度量指標的選擇方面，熊熊等[8]從質押物的特征、交易對手的能力和行業環境等方面設計供應鏈金融風險評價指標，建立了主體和債權評級的信用風險評估體系。黃靜思等[9]結合供應鏈的影響因素和企業的宏觀環境，通過層次分析法得出要重視整個供應鏈的系統風險。逯宇鐸等[10]利用汽車行業的中小企業數據進行實證分析，得出供應鏈金融信用風險發生與資產負債率和產權比率呈負相關關系，與企業的營運能力、償債能力、成長能力和供應鏈的關系強度呈正相關關系。劉艷春等[11]建立了SEM和灰色關聯度模型，發現企業自身狀況、行業風險和供應鏈營運能力與供應鏈金融下企業的信用風險正相關，認為要加強中小企業數據庫的建設。范方志等[12]選取融資企業財務數據、核心企業財務數據和融資項目的特征等指標，采用定性與定量相結合的方法評估中小企業信用風險，發現中小企業信用風險主要來源于自身。何平均等[13]在供應鏈金融信用風險評價指標中加入了客戶集中度，得出客戶集中度能夠顯著提高Logistic回歸模型的預測準確度。

在供應鏈金融風險評估的模型選擇方面，胡海青等[14]結合核心企業信用狀況和供應鏈關系，發現基于SVM的信用風險評價模型在供應鏈金融風險評估中更具有優越性。李曉宇等[15]基于商業銀行視角，從第三方企業、核心企業、融資企業和外部風險四個方面進行供應鏈金融信用風險評價，構建了基于Logistic分析的信用風險評估模型，為商業銀行降低信貸風險提供借鑒。吳屏等[16]通過歸納供應鏈金融風險因素的特征，建立基于BP神經網絡的信用風險評估體系并驗證了其有效性。徐鵬[17]通過結構方程模型對線上農產品供應鏈金融風險進行評估，解決了風險指標關聯性較重的問題，發現信用風險對線上農產品供應鏈金融的影響最大。戴昕琦[18]利用隨機森林與SMOTE算法，并結合線上供應鏈金融融資模式特點，建立信用風險評估模型，證明了基于C-SMOTE算法的隨機森林模型能顯著降低商業銀行線上供應鏈金融風險。李健等[19]以汽車供應鏈作為樣本，運用隨機森林模型和盲數理論篩選變量，并通過對比多種評估模型的預測效果，發現PSO-SVM模型具有較高的預測準確率。劉兢軼等[20]從制造業中小企業的財務數據出發，構建了供應鏈金融模式下中小企業信用風險評估指標體系，并結合因子分析和Logistic回歸模型進行信用風險評價。

當前對供應鏈金融信用風險評估的研究主要集中在汽車、制造業和農業等領域，關于醫藥領域的研究較少。此外，在評估模型的選擇上，使用集成算法的研究較少。GBDT模型由于其數據處理能力強、調參優化時間短和對異常值的魯棒性強等特點，在各個領域得到廣泛的應用。例如，譚中明等[21]從借款人決策行為角度出發，通過Logistic回歸模型篩選顯著性變量，運用GBDT對P2P網貸借款人的信用風險進行評價，實驗結果表明GBDT具有較高的預測精度和穩定性。鑒于此，通過結合醫藥供應鏈金融的特點，從融資企業狀況、核心企業狀況、融資項下資產狀況和供應鏈整體狀況四個層面，構建基于醫藥行業的信用風險評估體系，并通過對比GBDT模型、SVM模型、Logistic回歸模型和BP神經網絡的信用風險評估效果，以進一步完善供應鏈金融下醫藥企業信用風險評估方面的研究。

三、評估體系與算法模型

（一）評估體系

供應鏈金融以整條供應鏈為考察對象，改變了傳統的風險管理模式，將針對單個企業的風險，轉換為整條供應鏈的風險，因此，僅以單一融資企業的財務數據作為評估標準的傳統信用風險評估體系不再適用。通過對以往文獻采用的評估指標進行歸納和總結，結合醫藥供應鏈金融信用風險的特征，從融資企業狀況、核心企業狀況、融資項下資產狀況和供應鏈整體狀況四個層面，構建醫藥供應鏈金融信用風險評估體系（詳見表1）。

1.融資企業狀況。融資企業作為供應鏈金融業務的融資主體，其自身狀況對信用風險評價具有重要影響。該實驗主要從企業基本素質、盈利能力、償債能力、成長能力和營運能力五個方面進行融資企業狀況評價。其中，企業基本素質主要由企業規模、財務披露質量和企業管理水平表示;盈利能力、償債能力、成長能力和營運能力主要參考傳統信用風險評級指標，由相關財務數據表示。

2.核心企業狀況。核心企業是供應鏈金融的切入點，能夠為融資企業提供支持和擔保，是維持供應鏈金融穩定運作的關鍵因素。本文從盈利能力、償債能力和信用狀況三方面反映核心企業狀況。這三方面因素能夠體現核心企業還款意愿的強弱，一旦中小企業無法償還貸款，核心企業也可以通過履行回購協議和擔保義務，有效降低信用風險的發生。

3.融資項下資產狀況。融資項下資產是金融機構重點關注的對象，一方面，融資項下資產與企業的盈利情況密切相關，直接影響企業的還款能力;另一方面，一旦企業違約，金融機構將通過變賣融資項下資產變現，以彌補損失。本文運用存貨質量、應收賬款質量和預付賬款質量來衡量融資項下資產狀況。

4.供應鏈整體狀況。供應鏈整體狀況影響著供應鏈節點上的每個企業，當供應鏈整體運作出現問題，鏈上每個企業的運營狀況也會受到牽連，從而增加信用風險發生的概率。本文從宏觀環境和供應鏈運營狀況兩個角度來衡量供應鏈的整體狀況，其中宏觀環境由地區經濟環境和行業發展前景來衡量，供應鏈運營狀況由信息化水平和協同處理能力來衡量。

（二）算法模型

GBDT是一種基于Gradient Boosting策略訓練出來的決策樹類算法，主要由梯度提升、決策樹算法和縮減三部分構成。GBDT的核心思想是減少殘差，其每一次迭代是為了減少上一次迭代所產生的殘差。當模型預測結果與實際觀測值不一致時，在殘差減少的梯度方向生成一棵新的決策樹，以減少上一次的殘差，連續反復迭代直至輸出結果與實際觀測值基本趨近一致。模型不斷優化改進的一個標志是模型的損失函數迭代下降，GBDT算法就是在損失函數梯度下降方向構建新的模型。

1.初始化估計函數，使損失函數極小化

f0（x）是只有一個根節點的樹，L（yi，c）是損失函數，其中c是使損失函數最小化的常數。

2.令迭代次數為m=1，2，…，M

（1）對樣本i=1，2，…，N，計算損失函數的負梯度，把它作為殘差估計：

（2）擬合殘差對rm j生成一棵回歸樹，以估計回歸樹葉節點區域，得到第m棵樹節點區域Rm j，j=1，2，…，J。

（3）對j=1，2，…，J，利用線性搜索估計葉節點區域的值，令損失函數最小化：

（4）更新學習器fm（x）：

3.在相同的葉節點區域將所有cm j值累加，得到最終回歸樹

四、信用風險實證分析

（一）數據的收集與說明

以供應鏈金融業務發展相對成熟的醫藥行業為研究對象，通過在中小板和創業板上選取110家醫藥企業、2017—2019年度數據作為研究樣本。定量指標數據主要通過國泰安數據庫、銳思數據庫以及行業報告中獲取;定性指標數據主要參考企業公告和新浪財經等相關財經網站披露的信息進行評分。以下對財務披露質量、企業管理狀況、對外擔保情況、履約情況、信息化水平和協同處理能力六個指標的衡量方式進行詳細說明，主要參考戴昕琦[18]和李健等[19]的研究進行衡量。

1.財務披露質量。根據企業是否有因財務披露問題而受到處分進行評分，分值區間為0—1。無處分為1分，存在一項處分扣0.2分，扣完為止。

2.企業管理狀況。根據企業高管是否因為管理原因受到處分進行評分，分值區間為0—1。無處分為1分，存在一項處分扣0.2分，扣完為止。

3.對外擔保情況。根據企業的對外擔保數量進行評分，分值區間為0—1。無擔保為1分，存在一筆擔保扣0.2分，扣完為止。

4.履約情況。根據企業是否因未履約而被起訴進行評分，分值區間為0—1分。沒有因未履約而被起訴為1分，存在一起訴訟扣0.2分，扣完為止。

5.信息化水平。參照李健等[19]的研究，企業信息化水平可表示為存貨占用資金與流動資金之比，因此供應鏈整體信息化水平可用融資企業與核心企業存貨占用資金與流動資金之比的均值來衡量。

6.協同處理能力。參照李健等[19]的研究，企業協同處理能力可用企業的存貨周轉率來衡量，因此供應鏈整體協同處理能力可用融資企業與核心企業存貨周轉率的均值來衡量。

（二）因子分析

由于選取了30個初始變量，變量維數較高，無論是使用經典計量算法或機器學習算法，都存在模型指標的高相關性和高維性，導致模型擬合過度、參數估計無效等后果。因此，先對變量進行因子分析，提取出具有主要解析能力的變量，再利用得到的變量進行實證分析。

在做因子分析之前，需要檢驗各變量之間的關聯度，判斷變量是否適合做因子分析。利用KMO和Bartlett檢驗對因子分析的可行性做出評判。一般情況下，當KMO值大于0.9，說明很適合做因子分析;介于0.8—0.9之間說明適合;介于0.6—0.8之間說明一般適合;在0.5以下說明不適合做因子分析。表2為KMO和Bartlett檢驗的結果，其中KMO值為0.649，KMO>0.6，說明能夠對以上變量做因子分析。

利用最大方差旋轉分析法，選取特征值大于1的主成分變量。主成分變量特征值大于1的是前9個變量，其特征值分別是4.032、3.303、2.961、2.363、2.170、1.802、1.798、1.592和1.086，方差貢獻率分別為13.439%、11.009%、9.871%、7.876%、7.233%、6.007%、5.992%、5.305%和3.620%，累計方差貢獻率達到70.352%，表明這9個主成分能夠較好地反映所有變量信息。因此，選取F1—F9作為初始變量，進行實證分析。

由表3旋轉后成分矩陣可知，F1在X4、X5、X6、X7和 X24上具有較高的載荷，可以表示為融資企業的盈利能力和存貨質量;F2在X8、X9、X10和X11上具有較高的載荷，可以表示為融資企業的償債能力;F3在X18、X19、X20和X21上具有較高的載荷，可以表示為核心企業的盈利能力和償債能力;F4在X16、X17和X26上具有較高的載荷，可以表示為融資企業的營運能力和預付賬款質量;F5在X15、X29和X30上具有較高的載荷，可以表示為融資企業的存貨周轉能力和供應鏈運營情況;F6在X2和X3上具有較高的載荷，可以表示為融資企業的基本素質;F7在X12和X14上具有較高的載荷，可以表示為融資企業的成長能力;F8在X22和X23上具有較高的載荷，可以表示為核心企業的信用狀況;F9在X25和X28上具有較高的載荷，可以表示為應收賬款質量和行業發展前景。

（三）實證結果分析

模型的評估效果主要以訓練集準確率、測試集準確率、總體準確率、第一類錯誤率和AUC值這五個指標衡量。其中，第一類錯誤率表示模型有效識別違約企業的能力，該值越小，說明模型識別違約企業的能力越強。AUC值表示模型的分類性能，該值越接近于1，說明分類真實性越高。

將因子分析提取出來的9個因子作為解釋變量，運用Python3的Anaconda科學計算平臺構建GBDT模型，對330個樣本進行信用風險評估。為確保模型的有效性和泛化能力，選擇70%的樣本作為訓練集，30%的樣本作為測試集。

為了進一步優化GBDT模型的分類性能，需要對相關參數進行調試。首先將learning_state定為0.1，然后利用網格搜索法對其他參數進行優化。經調試，得到n_estimators=70，max_depth=9，min_samples_split=50，max_features=3，subsample=0.5。以訓練集231家企業（樣本數的70%）的數據為基礎，將9個解釋變量作為輸入變量進行訓練，構建GBDT預測模型。運用得到的GBDT模型對測試集樣本進行測試，并將評估結果與SVM模型、Logistic回歸模型（LR）和BP神經網絡進行對比，結果見表4。

由表4可知，GBDT模型的訓練集準確率、測試集準確率和總體準確率均高于SVM模型、Logistic回歸模型和BP神經網絡，說明GBDT模型具有更高的預測準確率。GBDT模型的第一類錯誤率為19.2%，遠低于其他3個模型的第一類錯誤率，表示GBDT模型能更有效地識別違約企業，防止違約風險的發生。

AUC值可由ROC曲線下的面積來表示。由圖1可知，GBDT模型的AUC值為0.97，比SVM模型的AUC值高了0.01，并高于Logistic回歸模型和BP神經網絡的AUC值，說明GBDT模型具有更高的分類真實性。

五、結論與建議

從醫藥供應鏈金融視角，構建了基于醫藥行業的信用風險評估體系，并在因子分析基礎上，運用GBDT模型進行信用風險評估。通過與SVM模型、Logistic回歸模型和BP神經網絡對比，發現GBDT模型具有更高的預測準確率和分類真實性，證明了醫藥供應鏈金融模式下GBDT模型的優越性和有效性，更符合商業銀行對融資企業信用風險評估的要求。根據研究結論，本文提出如下三方面建議：

第一，醫藥行業要構建具有自身特性的信用風險評估體系。醫藥行業要充分分析“兩票制”改革對自身產業鏈的影響，結合醫藥行業的特性選擇合適的評價指標和有效的算法模型，構建具有醫藥行業特色的信用風險評估體系，為企業融資貸款決策提供科學的評判依據。同時，成立相關的風險管理團隊，根據經濟環境和政策的變化，及時制定科學的風險防控措施。另外，要健全企業財務制度，提升品牌影響力和加強資金流轉性，以提高供應鏈金融下醫藥企業自身的信用等級，加強信貸審批的競爭力。

第二，商業銀行要完善醫藥行業信用數據庫。商業銀行需要對醫藥供應鏈上的每個參與方進行信用審核，加強信用數據庫建設，幫助有融資需求的醫藥企業創建信用檔案，作為企業申請融資貸款和商業銀行進行信用風險評估的重要參考依據。同時利用大數據技術及時更新企業信用數據，對企業的經營狀況實時動態跟蹤，幫助商業銀行對風險事件做出快速響應。此外，商業銀行要根據醫藥企業的需求和醫藥產業鏈的運作特點，進行金融產品創新，優化業務流程，以豐富融資途徑和提高融資效率，減少信用風險事件的發生。

第三，政府應為醫藥供應鏈金融的發展創造良好的市場環境。我國醫藥供應鏈金融處于發展初期，尚未構建完善的評估體系對企業的信用風險進行研究，因此政府需要加大金融市場監管力度，完善相關法律法規，強化政策激勵措施，為醫藥供應鏈金融的發展創造良好的市場環境。同時要建立相關征信機構，搜集醫藥產業鏈上每個參與方的信用信息，并對社會公開企業的不良信用記錄，以強化企業的信用意識，降低企業的違約風險。

【參考文獻】

[1] HALLIKSA J，VIROLAINEN V M，TUOMINEN M.Risk analysis and assessment in network environments：a dyadic case study[J].International Journal of Production Economics，2002，78（1）：45-55.

[2] ALLEN N B，GREGORY F U.A more complete conceptual framework for SME finance[J].Journal of Banking and Finance，2006，30（11）：2945-2966.

[3] ATKINSON W.Supply chain finance：the next big opportunity[J].Supply Chain Management Review，2008，

22（4）：14-17.

[4] 胡躍飛，黃少卿.供應鏈金融：背景、創新與概念界定[J].金融研究，2009（8）：194-206.

[5] GOMM M L.Supply chain Finance：applying finance theory to supply chain management to enhance finance in supply chains[J].International Journal of Logistics，2010，13（2）：133-142.

[6] WUTTKE D A，BLOME C，FOERSTL K，et al.Managing the innovation adoption of supply chain finance—empirical evidence from six european case studies[J].Journal of Business Logistics，2013，34（2）：148-166.

[7] 盧強，宋華，于亢亢.供應鏈金融中網絡連接對中小企業融資質量的影響研究[J].商業經濟與管理，2018（9）：15-26.

[8] 熊熊，馬佳，趙文杰.供應鏈金融模式下的信用風險評價[J].南開管理評論，2009，12（4）：92-98.

[9] 黃靜思，宋河，宋新紅.供應鏈金融貸款風險識別與評價方法研究[J].金融理論與實踐2014（2）：46-49.

[10] 逯宇鐸，金艷玲.基于Lasso-logistic模型的供應鏈金融信用風險實證研究[J].管理現代化，2016（2）：98-100.

[11] 劉艷春，崔永生.供應鏈金融下中小企業信用風險評價——基于SEM和灰色關聯度模型[J].技術經濟與管理研究，2016（12）：14-19.

[12] 范方志，蘇國強，王曉彥.供應鏈金融模式下中小企業信用風險評價及其風險管理研究[J].中央財經大學學報，2017（12）：34-43.

[13] 何平均，李菁菁.客戶集中度與供應鏈金融信用風險——基于中小企業板制造業上市公司的實證研究[J].征信，2018（7）：21-26.

[14] 胡海青，張瑯，張道宏.供應鏈金融視角下的中小企業信用風險評估研究——基于SVM 與BP神經網絡的比較研究[J].管理評論，2012，24（11）：70-80.

[15] 李曉宇，張鵬杰.中國商業銀行供應鏈融資的風險評價研究.金融論壇，2014（9）：49-56.

[16] 吳屏，劉宏，劉首龍.試析線上供應鏈金融信用風險——基于BP神經網絡的模型設計[J].財會月刊，2015（23）：105-108.

[17] 徐鵬.線上農產品供應鏈金融風險防范研究[J].華南農業大學學報，2016，15（6）：93-103.

[18] 戴昕琦.商業銀行信用風險評估模型研究——基于線上供應鏈金融的實證[J].軟科學，2018，32（5）：139-144.

[19] 李健，張金林.供應鏈金融的信用風險識別及預警模型研究[J].經濟管理，2019，（8）：178-196.

[20] 劉兢軼，王■婧，王靜思.供應鏈金融模式下中小企業信用風險評價體系構建[J].金融發展研究，2019（11）：63-67.

[21] 譚中明，謝坤，彭耀鵬.基于梯度提升決策樹模型的P2P網貸借款人信用風險評測研究[J].軟科學，2018，32（12）：136-140.