供应链金融视角下中小农业企业信用风险预警及防范研究

付玮琼

(哈尔滨商业大学，黑龙江 哈尔滨 150028)

一、引言

我国农业发展面临的首要问题就是金融支持匮乏，主要表现为中小农业企业和农户融资难。由于农业自然灾害风险大和农副产品同质化竞争的影响，三农金融的发展一直滞后于其他产业，截至2018年9月末，全国涉农贷款余额32万亿元，仅占各项贷款的24%，而2018年中国农业(农林牧渔业)产生的GDP总量为67，538亿元，涉农贷款余额与农业增加值相比显著不符。与农业龙头企业相比，中小农业企业由于基础薄弱、自身实力不济、小规模经营、财务真实性低、缺乏有效抵押物，使其融资信用风险增加，导致银行等金融机构更偏爱于资产多的大型农业企业，将有限的融资资金“回流”至本企业，进一步加大了农业中小企业融资的难度。而农业供应链金融的出现为中小农业企业融资提供了一条有效的途径。[1]近几年政府工作报告中始终将农业发展列为重中之重，金融服务逐渐向农业倾斜；2017年中央一号文件提到“农业供给侧改革”，鼓励金融机构为农业经营主体提供小额贷款、支付结算和保险等金融服务，为农业融资的发展提供了“战略背书”。2018年“中共中央国务院关于实施乡村振兴战略的意见”提出乡村经济多元化发展，鼓励部分涉农平台响应国家三农政策，通过成立经济合作社或者经济发展公司发展三农供应链金融。农业中小企业和个体农户众多，符合供应链金融发展的行业属性，在国家政策的大力支持下，农业已成为供应链金融率先突破的行业。农业供应链融资实质为借助农业核心企业的信用担保，为中小农业企业增信，解决融资信用不足的危机，降低银行等金融机构的融资风险。与传统的融资模式相比，农业供应链金融模式虽然可以缓解中小农业企业融资的压力，但是根据信息不对称理论，金融机构和企业间信息仍然不对称，影响了金融机构对融资风险的预判，同时由于核心企业的加入，银行更偏向于将农业供应链整体作为监控的对象，在关注贷款主体经营状况之外，还要考虑它与核心企业的关系及供应链融资的水平。综合以上因素全面考察中小农业企业的信用风险，增强银行预判贷款企业风险的能力具有重要的现实意义。

信用风险被认为是一种违约风险，是指因交易方未能履行契约中的义务而造成经济损失的风险，这是银行等金融机构面临的最重要的风险。[2]目前国内外学者在企业信用风险实证研究方面做出积极的贡献。主要概括为两个方面：一是信用风险评价和预警指标的选取。Martin[3]从拉丁美洲农业金融机构的信用风险评价中提炼出重要的风险因素并用几个财务指标度量农业企业信用风险；Moretto[4]提出应在供应链金融背景下考虑企业信用风险评估，但是未提出供应链金融的量化指标；在此基础上，增加了宏观环境因素和融资债项因素进行信用风险测评，其科学性有待考究；[5]显然在评判企业信用风险时大多数研究仅仅是与企业财务指标挂钩，考虑因素比较有限，并未考虑农业供应链金融上的其他因素，如核心企业的管理能力、供应链金融的推动作用，因此需要进一步拓展和完善。二是预警方法的选择。目前常用的预警方法主要为定性和定量评级两类。定性评级以专家打分为基础，从宏观环境、贷款企业自身、核心企业状况等全方面考量设计调查问卷，虽然风险因素考虑较为全面，但是预测结果受主观评判的影响较大；定量评级主要以统计学为基础的模型评级法，其研究结果依赖数据的分析，更为客观和科学。不同的方法对数据有严格的要求，如线性判别要求符合线性关系或者大样本数据，多元判别数据必须满足正态分布等。[6][7]逻辑回归模型对于变量没有具体要求，广泛用于各个领域：医学、运动、农业、教育、商业等，是判断二分类因变量回归分析最常用的多元统计方法，近几年常用于企业风险的识别。[8][9]将构建好的模型带入具体公司的数据，可以直接得到风险发生的概率，预判风险快捷方便。

与以往研究不同的是，在充分考虑农业供应链业务特征的基础上，全面分析农业供应链金融模式运作机理及特点，选择适合的财务指标综合反映不同模式的信用风险因素；除中小农业企业的自身财务状况外，重点考虑农业企业与核心企业间的合作关系及供应链融资背景对信用风险的影响，完善中小农业企业信用风险评价的指标体系；选择预判信用风险较为准确和快捷的logistic回归方法，对供应链金融视角下农业中小企业的信用风险进行预警分析，以期为中小农业企业金融业务实践提供决策借鉴。

二、农业供应链金融模式及信用风险分析

农业供应链金融信用风险相对于工业等其他行业来说更为复杂多变，不仅受到经济危机、政策导向等系统性因素影响，还受到农户经营能力、贷款规划及投资方向、风险偏好等个体因素的影响；更重要的差别在于农业融资信用风险的数据收集较为困难，由于难以获得直接的信息数据，本文选择以中小农业企业代替农户来反映农业供应链金融信用风险的测评。供应链金融模式根据实际业务操作和主体不同，可以细分出多种形式。目前常见的模式存货、预付款、应收账款三种融资模式。依据中小企业的经营特点不同又细分为基于应收账款的融资模式、基于存货的融通仓融资模式以及基于预付账款的保兑仓融资模式。[2][10]结合农业供应链金融的实践情况，从参与的主体类型不同划分更为清晰和符合实际，运作模式如图1所示，其中①②③分别代表常见的三种模式，由于本文以中小农业企业为研究对象，因而主要对中小农业企业参与的供应链融资模式进行分析，找出信用风险的来源。

(一)金融机构+核心企业+中小农业企业(上游)

该模式运作机理及信用风险为：农业中小企业以担保质押物(应收账款)向金融机构贷款，并在核心企业的担保下，获得金融机构的融资。处于上游的农业中小企业向核心企业提供农产品，凭借与核心企业的交易关系作为担保，将未结清货款的应收账款凭证质押给金融机构，以获得信贷资金。三方签订协议，实现责任分摊，从某种程度上削弱了融资风险。但是作为债权方的中小农业企业，如果长时间收不回应收账款，会造成企业资金周转速度降低，经营成本增加、导致呆账坏账的出现，影响企业的资信水平，直接导致信用危机的产生；同时，合作的核心企业地位强势，在账期方面处于绝对优势，合作中可能会出现推脱责任、口头承诺付款、拖延账期的风险。如果中小农业企业的应收账款数量和时间上有较大变动，就应该提防该企业是否已经有转移应收账款账目、隐瞒真实账目的情况。因此，在考察信用风险时要关注应收账款周转、主营业务利润、销售净利润、净资产利润、成本费用利润、流动资产周转等财务指标。

(二)金融机构+核心企业+第三方物流+中小农业企业(下游)

该模式运作机理及信用风险为：当处于供应链下游的中小农业企业缺乏采购所需农产品或其他原材料的资金即预付款时，凭借与上游供应商(核心企业)的合作关系，向金融机构申请短期贷款专项用于支付这笔预付账款；同时核心企业与金融机构、物流企业和中小企业签订四方协议，并保证承担回购义务；此外，第三方物流企业作为农产品仓储监管方，当金融机构给核心企业开出承兑汇票后，核心企业向第三方物流企业交货作为质押品，此时转为仓单质押。显然，贷款企业自身的资信能力及农产品质押品的情况都会对企业信用风险产生影响。农产品本身不易储存，配套保障的条件决定了其是否能长时间保存，政策、市场需求的波动会对其价格产生影响。同时监管方面信息不透明也是引起信用风险的重要原因。供应商的资信能力直接影响着买卖合同的真实性，进而影响信贷资金的安全性。因此，本文决定增加供应链稳定度、集成度、供应商资信水平、存货周转等指标来反映信用风险。

(三)金融机构+核心企业+中小农业企业+政府+其他

该模式运作机理及信用风险为：该模式是是在前两者运作基础上增加了政府和其他一些信托公司、保险公司等。目前更多的龙头企业会选择与政府合作以降低风险。政府主要协调各参与者，并与核心企业共同为中小企业融资担保，从某种程度上可以降低信用风险，因此，我们用与中小企业合作的核心企业是否与政府合作作为评判信用风险的指标之一。

图1 中小农业企业供应链金融模式种类

三、基于信用违约概率估计的风险预警模型的构建

预警模型是根据输入的预警指标判别警点状态，对系统发出预警与否的信号，金融机构据此做出相应的决策。好的预警模型应该简单、准确易操作。本文根据中小农业企业信用违约概率设计信用违约预警模型。首先，建立中小农业企业信用风险预警指标，利用因子分析法对指标进行初步筛选形成新的风险因素解释变量；其次，建立logistic模型，估计农业供应链金融企业信用违约概率—得出中小企业违约概率P值；最后，选择预警判断依据 “较大程度发生和较大程度不发生”的分界点P=0.5作为预警警点，当发生概率小于0.5时，认为该企业信用风险较高。[11]

(一)研究样本的选取

本文的研究样本选自沪深上市的中小企业板农林牧渔业和农副食品加工业共34家企业，利用国泰安和RESSET数据库收集34家中小农业企业2016年第三季度财务数据及2016至2018三年的财务报表，部分数据手动整理。34家企业有三家企业存续年份不足三年，数据有缺失值，剔除后剩余31家全部纳入研究样本。对于信用风险的预判值，考虑到数据的可获得性、真实性以及有效性，通过和讯网个股财务评估中对于企业综合能力、盈利能力、偿债能力的星级表现进行评判，其中整体星级状况在6颗星以上，且每一项指标均无1颗星以下的情况被认为是信用风险良好的企业，风险预判值F记为1，否则被认为是信用风险较差，记为0。

(二)风险预警指标的选取

参考中国银行对于企业信贷的债项评级，同时考虑供应链金融背景下，参与主体的复杂性及信用风险分散的特征，本文决定从贷款企业的财务能力、供应链融资发展水平、供应链整体状况三个方面选取指标。

1.中小农业企业财务状况

目前，银行认为现金流量指标能够准确反映企业一定时期偿债能力及财务变动状况；盈利能力和运营能力能反映企业的实际经营运作状况 财务能力的情况；股利支付能力、创新能力能够反映企业的资产状况及未来的发展趋势。这些指标可以通过企业的主营业务收入及资产负债情况进行核查，受经营者的主观影响小，能迅速的反映企业的信用风险，达到较好的风险预警效果。在参考前人研究的基础上，用现金流动负债比、现金流量增长率、销售现金比及成本费用利润率体现企业偿债能力；[12]用总资产增长率、摊薄每股收益及总资产净利润率体现企业股利支付能力；[13]用主营业务利润率、营业利润率、销售净利率、净资产收益率及净利润增长率来表示企业盈利能力；[14]用总资产周转率、流动比率、速动比率、现金比率来表示企业的营运能力；[15]用主营业务收入增长率和销售现金比率反映企业的成长能力。[16]

2.供应链融资状况

供应链融资状况主要从融资抵押品周转情况及融资能力两方面考虑。第一，从农业供应链金融的运作流程中不难发现中小农业企业通过两种途径向银行贷款：一是购销合同或抵押仓单；二是农产品或其他具有价值的实物载体；对应财务数据中的应收账款和农产品存货两个数据，这也是供应链金融风险要考虑的重要因素。本文用应收账款周转率、流动资产周转率和存货周转率反映融资抵押品的情况。[17]第二，对于供应链融资能力主要采用应付票据和短期贷款之和与企业年末总资产之比来反应该企业的供应链融资发展水平。[18]应付票据是指企业因购买农产品或者农资用具等开出的商业或银行承兑汇票，可以反映预付款融资情况； 短期贷款是企业为了提高短期资金流动性向银行借入的尚未偿还的短期借款，包括为完成全年生产经营任务筹借的经营周期借款和向银行临时申请的临时借款，能够反映企业融资水平。

3.供应链整体状况

主要从核心企业信用状况、供应链稳定程度及供应链集成程度三个方面考虑。

第一，核心企业信用状况。核心企业的信用状况可以从其管理水平、规模、核心企业的财务信息等方面反映，而这些指标与核心企业的行业地位是具有相关性的，因此可以将该指标简化为用核心企业的行业地位来反映。[5]一些核心企业与政府合作共同为农业中小企业担保融资，降低了融资风险。本文从中小农业企业三年的财务报表中查找上下游合作的核心企业，若该核心企业与政府合作或者是行业内的龙头企业，则其信用水平较好记为1，否则记为0。第二，供应链稳定度可以通过中小农业企业与合作的上下游企业的时间来衡量，通过查找企业官网和连续三年的财务报表判断其与上下游企业合作的时间，当合作关系保持在三年及三年以上的，我们认为供应链稳定程度高，记为1，否则稳定程度低记为0。第三，供应链集成度用购销关系的稳定性来衡量，特别是农业供应链更需要购销关系稳定以保证企业经营运作，增强银行的信任度。根据李咏梅[19]的建议，我们用财务报表中前五名供应商和采购客户的比例表示供应链集成度，即将三年的前五名供应链和采购商的比例取均值与其方差相比取对数得到值。具体的信用风险预警指标如表1 所示。

表1 中小农业企业信用风险预警指标初筛

(三)基于logistic的模型构建

Logistic回归模型是一种广义的线性回归，其因变量可以是二分类，也可以是多分类的，由于二分类变量非常适合方程中因变量的结果为“非是即否”的非连续情况，这与社会科学研究结果非常贴切，因此更为常用。其基本使用条件为：一、因变量为二分类的数值型分类变量，即0/1变量，服从二项分布；二、自变量和Logistic概率是线性关系；三、各观测对象间相互独立。[20]

(1-1)

其中P表示中小农业企业发生违约的概率大小。P最大值趋近于1，最小值趋近于0，当P值约接近于1时，认为企业发生违约的概率越小，信用风险越小，反之信用风险越大；为了使预警信号更明确，通常情况取值0.5，即企业的概率值小于0.5，记为违约组，否则记为正常组。

将上述的非线性函数(1-1)用Logit 变换可以转变为线性函数(1-2)，也验证了自变量和logistic概率存在线性关系。

(1-2)

四、实证研究

(一)样本的描述性统计

根据中小农业企业违约概率的预判值F，将24个指标分类进行比较，即预判值F为1的企业和预判值为0的企业指标呈现的结果有一定差异，可以粗略判断不同类型中小农业企业的经营状况及信用风险发生的高低，如表2所示。

表2 描述性统计结果

销售净利润率平均为11.4%不到30%，说明农业行业利润率较低，特别是农业中小企业；净资产收益率10.8%不足15%，低于大型农业企业；主营业务收入增长率均值为20%超过10%，说明上市的中小农业企业处于成长期，增长势头较好；流动比率均值为2.988>2，速动比率为2.058>1，说明中小农业企业的短期偿债能力一般。预判值为1的企业和预判值为0的企业相比：主营利润率、营业利润率、净资产收益率的均值前者高于后者，大体可以判断预判值为1的企业经营能力更佳，企业信用度更好；主营业务增长率前者高于后者，说明前者增长速度更快；总资产增长率高于后者(33.1%>14.5%)，而总资产周转率后者高于前者(94.8%>43.0%)说明总资产的快速增长并未带来了销售收入的快速增长，有可能是由于企业负债规模扩大而造成的虚假增长；流动比率、现金比率和速动比率后者均过于前者说明后者流动资产占用资金较多，资金利用率不高；现金流动负债比后者大于前者，说明后者承担债务和最大付息能力较强；销售现金比率后者大于前者，说明企业收入质量较好，资金利用效果好；摊薄每股收益和总资产利润率后者大于前者，说明企业未来的资本盈利水平较好；存货周转率、流动资产周转率及应收账款周转率后者均比前者高，说明后者的存货周转天数短，销售效率高，企业流动资产周转快，坏账损失少，偿债能力强；供应链融资能力、供应链稳定度、集成度及核心企业信用度后者均比前者有较好的水平。从这些数据我们可以初步判断预判值为1的企业信用风险发生的概率相对较低。

(二)因子分析

24个预警指标数量较多，且可能存在多重共线性问题，会影响后续模型度量结果的可靠性。为了去除指标间的相关性同时最大限度的保留有效信息，本文运用SPSS24.O统计软件进行因子分析将多个具有共线性关系的指标转化为若干不相关的综合指标。

1.KMO和球形Bartlett检验

首先要对各指标进行因子分析可行性检验，本文采用KMO和球形Bartlett检验，检验结果如表3所示。KMO为0.538，根据Kaiser(1970)的建议，当KMO值>0.5，sig值<0.001时，应拒绝各指标相互独立的零假设，表明相关系数矩阵不是单位矩阵，原有指标间具有一定相关性，适合进行主成分分析以提取关键指标优化模型，如表3所示。

表3 KMO和巴特利特检验结果

2.主成分分析

第一步，通过SPSS24.0统计软件对影响中小农业企业信用违约各风险指标进行主成分分析，以得到线性无关的解释变量。本文采用方差最大旋转法，对样本数据进行正交旋转得到表4，提取特征根大于1的前七个公因子：其方差贡献率累计为84.999%，特征根大于1，方差累计贡献率至少在60%以上为较适合的主成分变量，[22]当到达80%以上就是合理的主成分变量。表4中主成分的特征根大于1的分别为6.652、4.400、3.074、1.855、1.351、1.173、1.045 分别解释了原指标变量的28.921%、19.130%、13.365%、8.066%、5.875%、5.099%、4.542%的信息， 累积贡献率达到了84.999%， 主成分变量较好，说明七个因子可以代替所有指标描述总体。

第二步，观察转轴后的主成分矩阵表，要删除的因素负荷量的绝对值低于0.5及交叉负荷量高于0.4的指标，根据这一原则删掉X14，重新转轴得到表5。我们将风险预警指标重新归类形成七个预警因子，营业利润率、销售净利率、净资产收益率、主营业务收入增长率、摊薄每股收益、总资产利润率和总资产增长率在因子F1上有较高的载荷，称F1为盈利及成长潜力因子；流动比率、速动比率、现金比率及现金流动负债比在因子F2上有较高载荷，称F2为营运与偿债能力因子；主营业务利润率、总资产周转率、流动资产周转率、应收账款周转率在因子F3上有较高载荷，称F3为销售盈利能力因子；核心企业信用度、供应链稳定度及供应链集成度在因子F4上有较高的载荷，称F4为供应链发展能力因子；净利增长和供应链融资水平在F5上有较高的载荷，称F5为融资能力因子；总资产增长率和现金流量增长率在F6上有较高载荷，称为F6为现金流因子；F7因子包括存货周转率，称为存货质量因子。

表4 总方差解释表

表5 旋转后的主成分矩阵表

表6 主成分得分系数矩阵

第三，建立主成分得分系数矩阵，如表6，得到因子表达式，算出各主成分值。如F3和F4的因子表达式，其他因子类推。

F3=-0.203*X1-0.015*X2-0.069*X3+0.064*X4-0.021*X5+0.015*X6-0.024*X7+0.296*X8-0.020*X9-0.009*X10+0.044*X11+0.046*X12-0.090*X13+0.062*X15+0.080*X16-0.085*X17+0.015*X18+0.257*X19+0.291*X20-0.059*X21-0.039*X22-0.008*X23+0.033*X24

F4=-0.051*X1-0.070*X2-0.021*X3-0.034*X4-0.049*X5-0.009*X6+0.087*X7-0.043*X8+0.027*X9+0.018*X10+0.108*X11+0.055*X12+0.053*X13+0.092*X15-0.005*X16-0.042*X17-0.085*X18+0.036*X19-0.016*X20-0.095*X21+0.248*X22+0.480*X23+0.477*X24

综上，利用因子分析将中小农业企业信用风险预警指标进行合理化处理，减少可测维度，消除指标间的共线性问题，保留主要部分的信息量，为logistic模型分析奠定基础。

(三)logistic回归分析

中小农业企业信用风险预测结果属于二分类的分析，非常适合用logistic模型进行分析。在已知中小农业企业财务数据和供应链稳定度等数据基础上，计算该企业某时期内的风险预测概率，如果概率值小于0.5这个分割点，则该企业面临信用风险。

1.估计的logistic回归模型

将前述因子分析得到的七个因子F1-F7作为logistic的解释变量，F为因变量，进行拟合分析。我们选用Wald向前逐步法来进行信用风险预测研究，即选择Forward Stepwise：Likelihood Ratio 作为建立模型的方法，计算结果如表7、8所示。表7是方差拟合优度和霍默思-莱梅肖检验，从中可以看出步骤1和步骤2中Omnibus检验显著性水平均小于0.05， 霍默思-莱梅肖检验步骤1显著性水平均小于0.05，说明接受原假设即该模型所有解释变量都有显著贡献，模型拟合度较好。

按照Walds 检验的结果分别剔除变量F1、F2、F5、F6、F7，保留F3、F4，如表8所示，两个因子分别在0.05和0.1水平下显著，从而得到农业中小企业信用风险预警模型，如式(1-3)所示。

(1-3)

2.模型结果及检验

基于以上预测模型P，将样本数据带入进行检验，风险预测结果如表9所示。从表9中可以发现：31家样本企业18家信用风险较大，15家准确预测，预测准确度为83.3%；13家信用风险小的企业，9家预测准确，预测准确度为69.2%；合计预测风险准确度为77.4%，超过60%，模型拟合较好，有实际意义。

表7 模型系数的 Omnibus 检验和霍斯默-莱梅肖检验

注：***、**和*分别表示在1%、5%和10%的统计水平上显著

表8 方程中的变量

注：***、**和*分别表示在1%、5%和10%的统计水平上显著

表9 模型预测结果表

同时，选取样本中的保龄宝公司检验，将该公司的数据标准化后代入因子表达式，分别得到F3=-0.05632，F4=-0.44383；将因子得分代入式1-3得到最终P值25.2%，其中P值小于50%，说明该企业信用风险高，发出预警信号，金融机构在选择是否贷款时可参考。同理得出其他企业的风险概率如表10所示，与实际风险值F值对比得出该模型的预测准确率较好。

表10 农业中小企业风险概率P与信用风险F对比

*表示预判准确

五、结果分析及风险防范

(一)结论及分析

1.基于logistic模型以中小板块农业企业的数据进行研究，发现选取的31家中小农业企业中，有7家企业信用风险概率被误判，Logistic回归模型整体预测准确率为77.4%。这是由于和讯网提供的企业综合能力、盈利能力、偿债能力的星级得分的评判标准与基于供应链金融背景下的中小农业企业信用风险评判方法不同，与传统融资模式有别，本文加入了核心企业特征、供应链稳定度、集中度及供应链融资水平等指标，符合供应链融资模式特征，客观反映了供应链融资模式下中小农业企业信用风险的预测结果。使得中小农业企业信用风险预警体系更为客观和全面。可见，利用Logistic回归模型对供应链融资视角下农业中小企业融资信用风险预警的准确率较高。

2.利用因子分析对24个指标进行缩减和归类，保留84.99%有效信息的基础上提取和归纳出七个因子：盈利及成长潜力因子、营运与偿债能力因子、销售盈利能力因子、供应链发展能力因子、融资能力因子、现金流因子和存货质量因子。在此基础上利用二元分类logistic 回归模型分析发现供应链金融背景下中小农业企业信用风险预警的主要影响因素是销售盈利能力因子和供应链发展能力因子，其方差贡献率分别为13.37%和8.07%，说明这些因子都有着较强的解释能力，也符合实际情况，其中包括部分财务数据及融资企业与核心企业的关系方面：主营业务利润率、总资产周转率、流动资产周转率及应收账款周转率、核心企业信用度、供应链稳定度及供应链集成度。

3.主营业务利润率、总资产周转率、流动资产周转率、应收账款周转率对农业中小企业的信用水平影响显著为正，其值越大代表利润率高、企业经济效益越好，应收账款质量高、资金利用率大，信用风险相对低；核心企业信用度、供应链稳定度越高、供应链集成度越大，中小农业企业融资信用度越高，风险发生概率越低；在供应链发展能力因子中，供应链稳定度和集成度这两个指标影响力更大，说明中小农业企业信用风险主要依赖于所处供应链的稳定性，其中，供应链集成度越大反映了中小企业对于上下游企业的依赖程度，显然，在供应链金融背景下，中小农业企业对于核心企业的依赖程度可以影响其信用风险，但依赖程度越大也可能会存在隐性风险，适当的去核心化对中小农业企业未来的发展可能会有更大的作用。

4.从以上分析可以看出该研究的方法和指标选择是值得借鉴的，但是不同行业的盈利能力的影响因素有差异，因此在考虑其他行业信用风险预测时应该在指标选择方面侧重不同。此外，核心企业信用度这一指标的影响力相对最弱，说明依据核心企业在行业中的地位来判断其信用水平的方式略有不足，因为即使是行业中的龙头企业也会面临着制度、合约及贸易等方面的风险，这同样对核心企业的信用有一定影响，从而影响其担保下的农业中小企业的融资风险。在日后的研究中应该通过核心企业的一些财务数据细化核心企业的信用状况，可能会得出更新的发现。

(二)信用风险防范建议

供应链金融背景下中小农业企业信用风险的防范不仅要考虑贷款主体本身，还应考虑核心企业信用、供应链稳定情况、物流情况甚至宏观政策的影响等。

1.完善外部制度体系，构建企业发展良好秩序。

降低中小农业企业融资信用风险首先需要配套的外部制度环境。第一，借助乡镇政府、核心企业和银行的力量，推广信息制度和文化，以乡镇政府为主导，以其公信力为基础，针对当地农业企业建立不同层级的征信评级系统，加强对农业核心企业的偿债能力、盈利能力等财务指标的分析，以科学评定核心企业的信用等级；考察核心企业与农户、中小农业企业合作的稳定度，在合同期限内，若二者合作关系破裂，应设置保障机制，避免风险波及金融机构；第二，通过立法合理添加土地经营权抵(质)押的细节，扩大农户和中小农业企业抵(质)押物的范围，避免信托公司介入，降低农户及中小农业企业的信用风险。第三，引入供应链金融保险业务，强化农业金融保险监管，在缓解中小农业企业融资难的同时，控制核心企业的强势地位，达到降低中小农业企业融资风险的目的。

2.控制中小农业企业贷款的准入条件，完善预警体系。

从财务数据的方差贡献率可知，影响中小农业企业信用风险的首要因素还是企业自身，因此应重点关注应收账款的相关指标，通过对账期、账龄的分析判断企业短期偿债能力；关注资产周转率、流动资产周转率等指标判断企业现金流的利用率；关注主营业务利润率判断企业盈利能力；对于其他未入选但是方差贡献率很高的因子，也不能忽视，如农产品的存货质量、流动比率、速动比率、现金流比率等指标。而对于农户的信用风险考察应更严格，要对其以往交易的情况、风险、自偿能力进行全面分析，控制准入资格。此外，还根据不同农产品的特性，参考历史售价，确定质押品的合适价值，才能构建完善的信用风险预警体系，确保商业银行安全的收回贷款。

3.推进金融机构创新融资模式，合理分配信用额度。

在国家政策的引领下推动金融机构创新融资产品，应根据中小农业企业特点大力发展应收账款融资模式。扩大农户及中小农业企业信贷途径，加强与股份制商业银行、城市商业银行合作，积极争取中国农业发展银行、国家开发银行等政策性银行的中长期贷款助推农田水利基础设施建设、粮食作物生产机械化建设等。此外，金融机构应注重对农业供应链中核心企业的激励，促进核心企业发挥组织、协调和监管作用，实现合理分配信用额度的目的。需要建立有效的协调机制，搭建一个由乡镇政府、农村信用社及少数龙头农业企业共同出资构建的信息平台，实现信息共享，从供应链角度合理分配信用额度，提高中小农业企业信用度。具体操作是根据农业行业发展动态、农产品价格波动等信息结合核心企业的信用度给供应链整体规定一个合理的贷款额度，再根据各个企业的应收账款下的信贷余额、保兑仓下的债务价值及可能发生的违约概率分配授信额度。