基于供应链金融的商业银行信用风险评估

李倩LI Qian；苏越良SU Yue-liang

（华南理工大学工商管理学院，广州 510640）

（School of Business Administration，South China University of Technology，Guangzhou 510640，China）

0 引言

据统计，中小企业占我国企业数的99%，对我国的经济增长具有巨大的推动作用。但是由于中小企业自身规模小且信用级别低，使得中小企业一直面临着融资困难的尴尬局面。供应链金融服务起源于20 世纪90年代，最开始是由国内外的先进物流企业和商业银行开展的。供应链金融业务是针对供应链的业务结构、交易方式及运作特点而设计的，以供应链中最具有信用实力的大企业为核心，围绕与之在生产过程、销售过程中开展业务的多家中小企业，将整个供应链链条涉及到的上下游企业连起来，整体考察供应链的信用状况，更好地为中小企业提供金融服务，从而促进整个供应链价值的增长[1]。供应链金融融资对中小企业而言是一个很好的融资文案，然而如何选取指标对这种模式下中小企业的信用风险进行评估就是银行亟需解决的问题，本文的研究具有很强的现实意义。

1 相关研究综述

在国外，供应链金融最初是从供应链管理发展起来的，是它的重要组成部分，TowerGroup 咨询公司对其定义如下：供应链金融是以发生在供应链上的商业交易价值为基础，设计一系列的为供应商提供流动资本融资和现金流的解决方案[2]。圣加伦大学的Hofmann（2005）通过对供应链的功能和结构的分析，将供应链金融视为一种实现供应链价值增值的方法[3]；供应链金融在国内的发展是由实践到理论的，深圳发展银行最早开展供应链金融业务，1999年，开始推出动产及货权质押授信业务，2003年，提出了“自偿性贸易融资”相关理念和“1+N”供应链融资模式，再到2006年正式整合推出“供应链金融”[4]，贸易融资的客户数量以及相关业务量均取得50%的增长，2006 在保持整体不良率低于0.5%的情况下实现了全年累计近3000 亿的融资额。由此可见，通过供应链金融业务不仅可以扩大商业银行的授信范围，为更多的中小企业提供贷款机会，同时有效的控制的银行的不良贷款率，吸引了更多的银行开展供应链金融信贷业务。理念研究方面王琪（2010）从实践需求出发，结合供应链金融的特点，利用决策树的方法建立评估体系[5]，黄静、赵庆祯（2009）利用朴素的贝叶斯方法对测量融资企业的还款能力，在此基础上，银行可通过对不同还款能力的企业制定相应融资政策来规避信用风险[6]。孔媛媛等（2010）考虑到新融资模式下信用风险的评价范围广、不确定性太强，在评价时对难以量化的指标和关系进行模糊化处理[7]；胡海青、张琅等（2011）通过实证对比支持向量机评估模型与BP 神经网络算法建立的信用评价体系发现SVM 分类模型更为准确、稳定性也更高[8]。

2 供应链金融模式的信用风险评估指标体系

供应链金融模式最大的创新是：改变了传统的商业银行的授信模式，不再是对融资企业的个体信用进行静态考察（如图1），在此基础上，还重点分析整条供应链信用状况（如图2）。传统信贷业务中，在分析企业的还贷能力时，是以单个的企业作为考察主体，通过对财务报表的分析来确定授信与否；在新的融资模式下银行在进行审核时将关注重点由对个体企业财务状况等传统指标的考察，转到对整个供应链信用水平、供应链运作状况、核心企业实力及担保意愿的关注。这种转变要求银行在对信用风险进行评价时需要考虑更多的影响因素，指标选择范围的扩大以及指标之间相互作用的不确定性加大了信用风险评估的难度，因此，指标的选取和模型构建决定了供应链金融信用风险管理的成败。

图1 传统融资模式下各参与主体关系图

图2 供应链金融模式下各参与主体关系图

基于上文的分析，传统模式下银行的考察对象是融资企业个体，考察内容是三大财务报表所反映的盈利能力、偿债能力等指标，而在供应链金融融资模式下，银行不再单单评估于单个企业的抵押物或资信水平，更侧重于对整条供应链及其交易的信用状况进行全方位的分析，不仅考察融资企业的经营状况，融资企业所处的行业状况、供应链上核心企业的资信状况以及供应链的运作状况等也列入其中。构建评估指标体系时应遵循：①全面性原则（不漏），即选择的指标要全面、综合的反正出融资企业的信用风险；②避免指标相互涵盖（不重），不同指标对企业信用状况的解释程度不相同，容易出现相近或者重叠[9]；③层次性原则，建立从低到高、从单一到复杂的层次分布结构；④操作性原则，指标数据要便于采集，可以衡量。借鉴传统的信用风险评估指标体系，结合供应链金融融资模式的特点，重点关注中小企业与核心企业的业务关系，减弱对财务报表的依赖性，从而设计出基于供应链金融的信用风险评估指标体系，主要包括以下四个方面：

1）融资企业自身状况。即传统的信用风险评估指标体系，主要包括融资企业的基础能力指标、盈利能力指标、偿债能力指标、历史信用记录等，反映个体融资企业的还款能力和还款意愿。

2）核心企业资信分析。在供应链金融融资模式中，核心企业为中小企业的融资起一定的担保作用，核心企业的基本状况、盈利能力、及担保状况反映核心企业的还款能力和还款意愿。

3）供应链运营状况。包括融资企业在供应链中的地位、供应链的经营现状、稳定性、发展潜力等。

4）宏观环境因素。包括供应链产业所处的行业现状及前景、竞争态势以及相关的经济法律政策等。

根据这4 个一级指标，共选15 个二级指标和56 个三级指标。相关性分析结果显示有9 个指标的相关系数大于0.6，根据原则②，予以删除，得到包含47 个三级指标的供应链金融信用风险评估指标体系，如表1 所示。

表1 供应链金融业务信用风险评价指标体系

3 基于Logistic 模型的供应链金融信用风险评价实证研究

3.1 Logistic 模型原理

Logistic 回归，是指应变量为二级计分或二类评定的回归分析，其因变量是一个二分类变量。构建Logistic 模型时，设变量X=（X1，X2，…，Xn）T是一个n 维随机变量，即文中所选取的指标，n=21。因变量Yi表示第i 个企业的信用风险，Yi∈{0，1}。Yi=1 表示融资i 企业还款，Yi=0 表示融资企业i 不还款，融资企业还款的概率是关于X 的函数，其值为：P（Y=1｜X）=π（X）。定义：

θ=（θ0，θ1，θ2，…，θm）T是解释变量X 的logit 系数，则相应的logistic 方程为：

二项Logistic 模型在拟合时采用最大似然法来估计方程中解释变量，似然函数为：

似然函数最大值求法是先对其取自然对数，然后再分别对θ0，θ1，θ2，…，θn，求偏导，得n+1 个似然方程，并令其为0，即：

解以上n+1 个似然方程即可得似然函数取得最大值时解释变量的估计值，用表示，将其代入logistic 方程求出拟合值π（X），拟合值代表了指标X=（X1，X2，…，Xn）T为的融资企业还款的概率，π（X）值越接近1，则申请人信用越好，π（X）值越接近0，则申请人信用越差。

3.2 样本选择及处理

本文选取西安汽车业的15 家中小作业作为样本（样本企业所处的行业及地域相同，可减少采集数据的难度），财务数据来自于“国泰君安”等数据库，定性指标如企业规模、员工素质等的数据按照5 级量化标准通过问卷调查获得。用SPSS 软件对自变量取对数后的数据进行描述性统计，证实各变量的跨度与变化幅度较大，表明有较强的解释力度。

3.3 主成分分析

主成分分析数学模型为：

其中a1i，a2i，…，ani（i=1，2，…m）为X 的协方差阵的特征值所对应的特征向量，ZX1，ZX2，…，ZXn是标准化的原始变量[10]。主成分析前需通过KMO 检验和球形检验来判定是否适合做因子分析，结果如表2。

表2 KMO 检验和球形检验结果

KMO 值为0.683 大于适合做因子分析的最低值0.6，同时球形检验P 值等于0，说明适合进行因子分析。运用SPSS 统计分析软件的Factor 过程对表1 中的47 个指标进行主成分分析，结果显示前21 个主成分的累计贡献率达到81.41%，符合累积贡献率大于80%的标准，因此选取 F1，F2，…，F21作为最终指标进行分析并计算出主成分的值。

运用SPSS 统计分析软件的Factor 过程对表1 中的47 个指标进行主成分分析，结果显示前21 个主成分的累计贡献率达到81.41%，符合累积贡献率大于80%的标准，因此选取F1，F2，…，F21作为最终指标进行分析并计算出主成分的值。

3.4 Logistic 回归结果及分析

采用SPSS 软件对主成分分析得出的21 个指标进行Logistic 回归模型分析，显著性水平取0.05。选用向前逐步选择引入法（Forward Stepwise）进行迭代，至对数似然比不再变化为止。结果如表3。

表3 模型整体显著性的对数似然比检验结果

共进行了9 次逐步迭代，最后一步似然比Chi-square值为150.406，df 为9，p 值为0.000，可认为模型在显著性水平为0.05 时是整体显著的。此外，还需对此模型的拟合优度进行检验，其结果如表4。

表4 模型拟合优度评价结果

表4 中数据可见，2Log likelihood 结果从162.179 逐步减小直至46.179，同时cox&snell 及Nagelkerke 的所对应的R2逐步增大到0.671 和0.893，即方程解释了因变量89.3%以上的变动，即说明模型拟合优度是较高的。经过9次迭代得出结果，第9 次的参数估计结果如表5。

表5 回归系数估计值及其显著性检验结果

由表5 可以看到，选择九步的回归结果，F1、F2、F4、F9、F11、F14、F17、F18和F21主成分及常数系数的P值均小于0.05，因此都被保留在模型中，其系数由B 列给出。因此F1、F2、F4、F9、F11、F14、F17、F18和F21对于预测中小融资企业的是否违约影响显著，即中小融资企业的基本素质、营运能力、盈利能力、短期偿债能力、信用记录；供应链中中小融资企业与核心企业的关系质量、关系强度、关系久度及中小融资企业在供应链中的地位；核心企业的短期偿债能力、盈利能力、信用状况及供应链所处的宏观环境等因素对中小融资企业是否违约都有显著影响。

估计的Logistic 回归模型为：

因此，中小融资企业的违约概率为：

中小融资企业数据代入模型即可计算出π（X）值。令π（X）=0.5 分界值，大于0.5 视为融资企业履行还款约定，π（X）值越接近1，则融资信用越好；小于0.5 则视为融资企业违约，π（X）值越接近0，则融资企业信用越差。

Logistic 回归模型对样本总体的判定结果如表6，总体预测准确率为91.8%，其中对履约中小融资企业判别的准确率为93.6%，对违约企业判别的准确率为89.1%，第一类错误率（将“违约”判断为“履约”）为10.9%，第二类错误率（“履约”判定为“违约”）为6.4%。

表6 Logistic 模型对样本总体的判定结果（供应链金融模式）

3.5 传统评价体系评估结果及对比分析

利用传统的评价体系进行评估时，只对融资企业自身状况的指标进行主成分分析，即表1 中的前22 个指标，按照同样的方法最后得Logistic 回归模型对样本总体的判定结果如表7，可以看出传统的评价体系下，履约中小融资企业判别的准确率为60.1%，对违约企业判别的准确率为70.5%，第一类错误率为39.9%，第二类错误率为29.5%。

表7 Logistic 模型对样本总体的判定结果（传统模式）

通过与供应链金融信用风险评估体系的结果比较可以看出，供应链金融模式下的中小企业守约概率89.1%大于传统模式下的守约概率60.1%；并且，供应链金融模式下的第二类错误6.4%也远远低于传统模式下的29.5%，说明，供应链金融业务的开展扩大了银行的授信范围，降低用风险。

4 结语

本文分析了供应链金融模式的特点，重点考虑了整条供应链及其交易的信用状况。在传统的商业银行传统的信用评价指标体系的基础上，加入了核心企业资信状况、供应链运作状况以及宏观环境的因素，建立了基于供应链金融融资模式的新型信用风险评估体系。并且应用定量的方式，对比分析新旧两种不同风险评估体系下银行对中小企业授信的信用风险，证实了供应链金融融资模式对于供应链金融业务的开展扩大了银行的授信范围，降低用风险，能在一定程度上解决中小企业融资困难的局面。

[1]李雯靓.基于多主体的供应链金融信用风险博弈仿真研究[D].广州：华南理工大学，2011.

[2]Towergroup.While Supply Chain Finance is a Powerful Concept for Wholesale Banking[J].

[3]Hofmann E.Supply Chain Finance:some conceptual insights[J].Logistik Management,2005.

[4]深圳发展银行-中欧国际工商学院“供应链金融”课题组.供应链金融[M].上海远东出版社,2009.

[5]王琪.基于决策树的供应链金融模式信用风险评估[J].新金融，2010(4).

[6]黄静，赵庆祯.基于朴素贝叶斯的供应链金融信用风险预测分析[J].物流科技，2009(8).

[7]孔媛媛，王恒山，朱珂，李晟.模糊影像图评价算法在供应链金融信用风险评估中的应用[J].数学的实践与认识，2010,40(21).

[8]胡海青,张琅,张道宏.供应链金融视角下的中小企业信用风险评估研究——基于SVM 与BP 神经网络的比较研究[J].管理评论，2012(11）.

[9]吴青.《巴塞尔协议Ⅱ》、内部信用评级及小企业贷款[J].国际金融研究，2007(05).