基于Logistic模型下供应链金融信用风险评价研究中存在的问题探析

□ 狄诗涵

供应链金融因在缓解中小企业融资困境方面效果显著而得到广泛关注，但也因供应链运营情况复杂以致信用风险难以控制而受到发展制约。通过梳理利用Logistic模型对供应链金融中小企业信用风险进行评价方面的文献，对现有研究在指标筛选、数据处理和违约判定等方面存在的问题进行探讨并提出建议，以期为今后同类研究提供参考意见。

中小企业作为传统融资业务中的“长尾客户”，由于多层次金融市场的缺失，使得其暴露于无主流金融机构覆盖的尴尬境地，融资难、融资贵俨然成为限制中小企业发展的主要瓶颈。在此发展环境下，供应链金融作为金融理论与实践最重要的创新应运而生。在实践应用上，供应链金融借用核心企业信息优势来弥补中小企业信用缺位，缓解信息不对称，进而提升中小企业的信用水平；在优势特点上，该模式突破了传统信贷业务在抵质押担保、审批流程等方面的限制，业务模式符合中小企业的特点，对支持中小企业发展具有重要意义；在市场需求上，供应链金融本质上给予了中小企业全新的融资工具，满足了核心企业转型升级的诉求并变现其产业链长期隐藏的价值，有利于商业银行拓展新的利润增长点，同时，我国金融管制造成金融资源配置的低效率，也使得供应链融资的需求十分旺盛。

虽然供应链金融已经成为国内外学者和银行实业界的关注焦点，但是对风险的评估和控制成为影响其发展的关键因素。供应链金融考察整个供应链信用水平，参与主体众多、融资模式灵活、契约设计复杂，商流、信息流、资金流、物流难以协调和控制，使得供应链金融信用风险具有突发性强、传染速度快、违约影响因素多、波及面广等特点，风险的失控将严重影响供应链金融生态圈秩序的构建。因此，如何判断供应链金融中的中小企业风险，建立科学的信用风险评估体系、定量测定贷款人违约概率成为供应链金融发展的关键所在。

对此，国内外对供应链金融信用风险评价开展了较多实证研究。国外学者多运用CreditMetrics模型、KMV模型、CreditRisk+、CreditPortfolioRisk模型，但由于在适用原则、管理制度、财务信息和数据积累等方面的差异，该类方法在我国的应用还不够成熟，因此国内学者多利用Logistic模型、BP神经网络、支持向量机等开展实证研究。由于Logistic模型在稳健性、适用性和数据要求方面特有的优势，成为供应链金融中小企业信用风险评价的主要方法。本文通过梳理相关文献，理出了Logistic模型的关键技术路线，发现国内现有研究中存在的问题并提出相关建议，以期为供应链金融信用风险评价研究和实践提供参考意见。

基于Logistic模型下供应链金融信用风险评价研究的技术路线

Logistic回归模型是一种二元概率方程式，可方便用于被解释变量只有两种值的情况，在不同解释变量情况下对不同结果的概率进行预测。在供应链金融信用风险评价中将评价指标设为解释变量，违约结果设为被解释变量，从而对企业的违约概率进行判断。Logistic模型依靠宽松的假设条件、对数据的搜集和处理难度较低、违约阈值设置较为灵活、因变量表示0到1的违约概率与供应链金融风险评价研究目标契合等优势，更加符合我国当前国情，成为风险评价中的主要度量模型。

总结归纳现有研究，对Logistic模型下供应链金融信用风险评价研究的技术路线做出以下梳理。

（一）筛选确定指标

现有研究大多是在传统信用风险评价指标体系基础上，引入供应链的多层指标，涉及交易对手、融资项下资产、行业环境以及供应链整体运营状况等，共同构成了供应链金融模式下信用风险评价指标体系。在具体指标选择上，大多数研究者采用主观选择法对最终指标进行确定，也有学者采用频数统计法和专家评价法来筛选风险评价指标。如张浩构建的中小企业信用评级指标体系包括了经营状况、成长能力、合作情况、信誉状况、外部环境和管理者素质等一级指标[1]。熊熊等根据主体评级和债项评级的原则构建了包含申请人、交易对手、融资项下资产、供应链运营4项主体指标的评价体系[2]。相较传统授信方式，供应链金融淡化了财务分析，不仅考查财务指标，而且考查交易对手资信、商品价格稳定性、交易流程的控制能力、企业交易记录及整个供应链运营状况，规避了中小企业在披露信息和财务等方面存在的融资障碍。

（二）搜集样本数据

一方面，在数据采集方面，采用证券交易所上市公司数据仍是主要的来源渠道。同时，也有不少作者通过对企业实地调研以及设计问卷来获得第一手数据；其他获取数据的方法也如随机模拟数据等。另一方面，数据所属行业类别也较多样如汽车、钢铁、能源等，但仍以制造业为主。如熊熊从国泰安数库中小企业板102家上市公司选取财务数据，对于无法获得其他指标数据采用随机模拟生成[2]。

（三）数据处理分析

在确定风险评价指标后，通过对样本数据做logistic回归得出最终风险评价模型。由于Logistic回归方法对模型中自变量的多维相关性较为敏感，需要利用主成分分析来选择代表性的自变量，以减少候选变量之间的相关性。确定出主要指标变量后，通过Logistic回归模型分析得出最终的信用风险评价模型，进而通过样本数据和违约切割点得出模型的判定准确率，并利用样本外数据进行实证对比分析。

（四）实证对比分析

实证对比分析分为两部分，首先是将样本数据代入已得出的概率模型，通过比较样本企业在模型中的守约概率与该企业真实的守约表现，进而得出风险评价模型的判别准确度。其次是将样本外企业数据代入概率方程，对该企业的信用风险进行评价预测，从而体现供应链金融融资模式的优势。在判断模型的准确度时，由概率方程模型得出企业守约的“理论概率”，进而与切割点比较来判定样本企业理论上是否为违约企业。然而以上只是在理论上判定企业是哪一类型的客户，在研究过程中判定真实情况下企业是否是好客户也需要一套判别标准。通过对以上理论情况和真实情况下的客户守约数进行比较，可得出该风险评价模型的违约判别准确度。

基于Logistic模型下供应链金融信用风险评价研究存在的问题

第一是指标选择，构建信用风险评级体系先要确定评级指标。然而由于供应链金融信用风险评价指标尚未有成熟标准，因此在初始尝试时出现的问题较多。首先是指标选取的主观性较强，缺少一套系统、规范的指标确定方法，由于每位研究者在关注维度和知识广度方面的差异使得评级指标层次不齐，极容易缺失某些重要指标。其次是财务指标依然占据绝对比重，而供应链整体运营指标存在选取单一、数量较少、挖掘度较低的现象，在实质上对融资企业孤立评价的局面仍未改变。最后是指标数量过多，这意味着授信企业将要花费更多的精力去开展授信调查，致使管理费用上升，银行利润空间被压缩，这一部分费用可能会补偿在中小企业上，拔高融资利率，最终不利于供应链金融的长远发展。

第二是数据选取，现有研究大多直接从深交所中小企业板块获取某时间段内的整体企业数据进行研究，在此过程中存在三个问题。首先是采集的样本企业没有区分行业类别而是采用所有的上市公司数据，而行业类别、状况和供应链特征作为评价指标体系当中重要的指标，对于供应链特征比较明显的行业如汽车制造、钢铁、能源等与供应链特征不明显的行业在风险评价模型上会存在差异，将二者的样本数据共同使用将会对模型的准确性产生较大影响。其次是未对样本企业是否开展供应链金融业务进行分类，未开展供应链金融业务的企业由于融资意愿较低导致信息披露质量较差从而产生企业申请人资质误判，同时也不具有融资项下产品情况等指标所需信息且不能代表供应链金融当中参与者的真实情况，用这类样本数据来实证分析得出的模型在对开展供应链金融业务的企业是否具有针对性将产生疑问。

第三是违约判定，在分析模型的准确性时需要将样本企业根据信用风险评价模型得出的理论守约结果与企业真实的违约情况进行对比，因此需要对企业在真实情况下和理论情况下是否违约进行判定。在判定真实情况下企业是否违约时，现有研究多根据是否被交易所通报批评、某类财务指标是否符合国家标准、企业综合运营能力评级等侧面指标是否达标的方法来“推断”企业的真实违约情况，并没有对样本企业是否真正存在违约行为作出辨别，极有可能出现虽然“侧面指标”不达标而信用状况良好和“侧面指标”达标却真实违约的企业，这将严重影响模型的真实性和可靠性。因此该切割点的设置十分重要，在选择阈值时应当要有科学依据，从而保证信用风险评价模型的客观准确度。

基于Logistic模型下供应链金融信用风险评价研究的相关建议

基于Logistic模型下供应链金融信用风险评价研究存在的上述问题，从指标选取、数据来源和违约判定三个方面提出针对性建议。

首先在指标选择方面，第一要关注评价指标对不同行业的适用性，由于不同行业的属性各异，因此能很好地反映某一行业信贷客户的信用风险识别模型未必能较好地在另一行业适用，需要根据各行业的特性对模型进行相应的调整。第二在确定指标时可以听取所属行业领域内的专家意见，找出每个行业特属的关键性指标，或采用专家评分、数量统计的方法来逐层筛选指标，降低研究者主观选择性。第三应当提高财务外指标所占的比重，降低对主体企业财务信息的依赖程度，更多引入可以反映供应链运营情况的指标，真正发挥供应链融资中利用链属企业増信的核心作用。

其次在数据方面，第一是尽量通过调研搜集一手数据，降低处理后的二手数据对模型真实性的干扰，并且随着供应链金融的发展相关数据将变得更加完善、获取难度也会大大降低。第二是注意数据的行业区分，采样时保证样本企业所属行业保持一致，充分考虑行业环境和供应链特征对模型的影响，从而提高模型在具体行业应用的稳定性。第三是数据择取已经开展供应链金融业务的中小企业，确保评价指标体系中的关键指标都可搜寻并且真实有效。

最后在违约判定方面，无论是真实违约情况还是理论违约情况，都应当按照符合客观的原则来判定。现实情况下企业是否违约，不能简单依据诚信档案或财务比率等“侧面指标”来划分，而应根据企业在相关业务中是否真正发生了违约行为，从而得出“坏客户”的真实数量值。理论情况下判定企业是否违约，切割阈值的选择十分重要，并且该切割点需要符合客观情况，而普遍采用0.5的设定值明显不符合真实信贷业务中对企业信用状况的判别，因此在研究时切割阈值设置应当参考银行同期贷款判别标准。通过以上两方面的客观判定，才能够得出可靠的模型准确度。

结语

供应链金融的核心思想是利用供应链核心企业以及整体运营情况为链属企业增加信用，对信用风险的识别和控制是银行对中小融资企业进行授信的主要环节，因此对相关研究细节展开讨论十分必要。随着供应链融资业务的趋于成熟、企业参与规模的扩大、企业信息数据库的完善，供应链金融信用风险评价相较以往会相对易于操作可行，因此研究细节也需要继续改进与调整。基于本文提出的探讨意见，从指标上引进更加多元化的供应链指标、数据上进行行业和业务分类处理、违约判定上采用贴近客观的准则，对相关信用风险评价进行实证研究将是本文下一步重点研究的内容。