我国汽车类上市公司供应链金融信用风险评价

2018-04-16薛冰玉杨仙佩万杉杉雷星竹杨忻悦

物流技术 2018年3期

沈波，薛冰玉，杨仙佩，万杉杉，雷星竹，杨忻悦

（江西财经大学信息管理学院，江西南昌 330032）

1 引言

改革开放以来，我国国民经济迅猛发展，而中小企业已经成为国民经济结构的重要组成力量。对于中小企业而言，融资问题成为阻碍其发展的关键因素。基于此，我国从欧美发达国家引入供应链金融模式，为中小企业的融资拓宽渠道。供应链金融，即银行将核心企业与上下游中小企业联系起来，将原材料采购、加工制成中间产品及最终产品、销售给消费者这些环节连成一个整体，为供应链中每个节点提供融资支持的一种模式。本文以汽车制造业为分析对象，以汽车整车制造企业为核心企业，以上游销售零部件的企业为融资企业，通过建立融资企业的指标模型，对融资企业进行风险评价，以评价分析整个供应链金融中的信用风险。这对于解决中小企业融资难的问题具有一定的实践价值[1]。

2 国内外研究现状

为解决中小企业在融资过程中信用缺失、融资难等问题，我国引进了供应链金融这一全新的融资模式[2]。Iris Heckmanna（2015）从供应链中断导致的严重后果出发，提出新型的量化供应链风险管理的方法[3]。周涵（2015）认为我国供应链金融在发展的黄金时期遇上了互联网金融的发展，供应链金融2.0的发展带动了各类企业对供应链金融的创新热情，推动了产融结合的互联网金融之路[4]。同时，张小雪（2017）认为供应链金融能够解决上下游的整体融资问题[5]。然而国内供应链行业发展的风险，逐渐成为了商业银行开展供应链金融的潜在风险[4]。随着我国供应链金融业务呈现出多元化趋势，供应链金融业务在风险管理方面的诸多问题开始逐渐显露[4]。因此，为了更好的应对供应链金融特有的风险，在供应链金融不断发展的过程中，如何控制其信用风险显得尤为重要[6]。针对供应链金融的风险管理，国内外学者应用不同的量化风险评估模型和方法来度量和应对供应链金融中的风险[7]。基于前人的理论基础和研究结果，本文将选取国内较为具有代表性的汽车行业为研究对象，着重从理论的角度采用定量分析方法对汽车供应链金融的信用风险进行分析。

3 汽车类上市公司供应链金融信用风险评价指标体系构建

随着供应链金融的产生，信用风险成为商业银行等金融机构提供融资时面临的主要风险，银行要做出正确的融资决策，就必须先对中小企业进行信用评级[7]。我们通过建立评价指标体系来测量中小企业的信用风险。

3.1 信用风险评价体系构建的基本原则

信用风险评价体系构建依据信用风险评价指标的全面性、科学性、层次性和可操作性四大原则，为解决指标来源有据可依的问题，从上市公司的财务报告中提取信息，从各个方面建立信用风险评价体系。

3.2 供应链金融信用风险评价指标的选择

总指标共分为三个部分：融资企业、核心企业和供应链运行状况。对于融资企业，综合了相关文献[6，8-10]，选取了与供应链金融信用风险相关的20个指标，分别从盈利能力、偿债能力、营运能力、成长能力以及企业基本情况五个方面对上市公司进行全面的分析，从而得到较客观的企业信用风险的评价结果。对于核心企业，从盈利能力、偿债能力、信用状况、行业地位四个方面建立指标。对于领导者素质、供应链运行情况等需要定性分析的指标，采用了问卷调查的形式，向行业内较专业的人士进行问卷调查，将各个指标用分级的方式量化，从而得到更专业、客观的评价。

3.3 供应链金融信用风险评价指标体系的建立

由于核心企业一般为大型公司，信用水平较高，供应链金融主要是为中小型融资企业提供融资服务，因此本文只分析汽车供应链中融资企业的信用风险状况，以此来预测整个供应链金融的信用风险。最终的指标体系见表1。

表1 传统模式下信用风险评价指标体系

4 建立信用风险评价模型

4.1 数据来源及处理

本文中小企业选择50家中小板、创业板上市企业中的汽车零配件制造商，具体企业见表2。

表2 样本企业

所有具体样本数据来自各个上市公司2016年年报，通过通达信终端获取，对于某些要求不是很精确并且比较模糊的指标，如融资企业的领导者素质、员工素质、企业荣誉、供应链状况的合作强度、合作久度，采用问卷调查的方式获取数据并通过加权平均获得最后指标得分。

信用风险评价模型即通过对企业进行数据分析能够得出企业违约风险概率的一种模型，Logistic模型是目前计算违约概率方面研究比较成熟的一种模型，二分类的Logistic回归模型的变量取值只有两个值，而企业在贷款中也只有违约和不违约两种情况，因此二分类的Logistic模型非常符合企业计算违约概率风险度量的预测[9]。

本文在构建Logistic信用风险评价模型前，需要先对评价指标进行因子分析和主成分分析。因子分析的目的在于得到比原始指标少、能够解释绝大部分指标的主因子，以此为基础进行主成分分析，得到主成分的数据后，再和已观测到样本企业的数据结合构建Logistic模型。

4.2 因子分析

4.2.1 KMO和Bartlett球形检验。用SPSS19软件运行，结果见表3。根据统计学家的观点，如果KMO值小于0.5，则不适合进行因子分析；如果KMO值大于0.5，则适合进行因子分析。检验结果显示，KMO值为0.625＞0.5，表示样本数据适合进行因子分析。

Bartlett球形检验显著性水平Sig.＜0.05，适合进行因子分析。

表3 KMO和Bartlett的检验

4.2.2 解释的总方差。利用最大方差法旋转成分矩阵，公共因子进行主成分分析。以公共因子的特征值大于1为纳入标准进行判定，若特征值小于1，则不纳入。从表4可知，特征值大于1的公共因子有7个，这7个公共因子旋转因子解的累计解释方差的百分比为76.415%，说明这7个公共因子很好地解释了所有指标[9]。

表4 解释的总方差

4.2.3 主成分系数矩阵及其分析。根据表5，选取主成分分析得到的7个主成分，分别用F1,F2,F3,F4,F5,F6,F7表示，并作为主成分进行分析[3]。

表5 成分系数矩阵

旋转后的因子载荷矩阵见表6。

表6 旋转成分矩阵

F1主要代表了营业利润率、资产净利率、成本费用利润率、销售净利率、净资产收益率、销售毛利率等指标的信息量，反映的是融资企业的盈利能力，故命名为盈利能力因子。

F2主要代表了速动比率、流动比率、流动资产周转率、资产负债率等指标的信息量，反映的是融资企业的偿债能力，故命名为偿债能力因子。

F3主要代表了总资产增长率、资本积累率、营业收入增长率等指标的信息量，反映的是融资企业的成长能力，故命名为成长能力因子。

F4主要代表了总资产周转率、应收账款周转率、企业规模等指标的信息量，反映的是融资企业的营运能力和基本情况，命名为营运和规模因子。

F5主要代表了合作强度、企业声誉、合作久度等指标的信息量，反映的是融资企业的基本情况和供应链的合作稳定性，命名为声誉和稳定性因子。

F6主要代表了利息保障倍数、领导者素质等指标的信息量，反映的是融资企业的偿债能力和基本情况，命名为利息倍数与领导者素质因子。

F7主要代表了现金流动负债比率、净利润增长率、员工素质等指标的信息量，反映的是融资企业的偿债能力、成长能力和基本情况，命名为综合因子。

4.3 Logistic回归分析

4.3.1 数据处理。本文将主成分分析的7个公共因子F1-F7作为解释变量[10]，是否有违约风险作为被解释变量，对50个样本数据进行Logistic分析。用p表示企业的信用风险，信用状况正常的企业记为p=0，有信用风险的企业记为p=1。

本文基于国务院国资委财务监督与考核评价局颁发的《企业绩效评价标准值》2016版的已获利息倍数较低值来评价企业的信用风险状况。将低于已获利息倍数0.5的企业划分为有违约风险的企业。本文将50个企业分为6个有违约风险的企业和44个没有违约风险的企业，见表7。

表7 企业违约风险程度

4.3.2 建立模型。对已经标准化的数据采用SPSS22，对50家汽车零部件上市公司得出的主成分数据进行Logistic回归分析，用以分析每个主成分对供应链金融信用风险影响程度，结果见表8[11]。

表8 检验样本分类表

从表8中可以看出，在这50个样本中，有信用风险的企业预测的正确率为83.3%，没有信用风险的企业预测的正确率为95.5%，总预测正确率为94%，说明回归模型的预测准确率较高。

可以得出如下Logistic模型回归概率方程，即：

4.3.3 模型检验。由表9可以得到Logistic回归模型的Cox-SnellR2的值为40.3%和77.5%，模型的拟合度一般。从表10可以看出，Hosmer检验的sig.值为1远大于0.05，说明在95%的显著性水平上模型得出的预测值与实际的观测值间的差异不显著，分组的划分与变量取值不相关，不能拒绝关于模型拟合数据较好的假设。