基于公路运力信用结构的供应链金融授信分析

胥丽莉， 孙 杰， 李欣怡

(上海大学 管理学院,上海 200444)

0 引言

供应链金融从1.0版本到3.0版本信用一直是关键。随着客户需求的转变所导致运输物流各子行业之间的界限，以及物流和价值链其他环节的界限愈加模糊，公路运力供应链叠加金融服务的创新模式开始出现。然而，公路运力具有层层转包的特点，并且中国数量庞大的车辆95%为挂靠运营，并不属于公路运力型中小物流企业(小型三方和专线)的资产，加之中小物流企业财务数据缺乏，较难满足传统的信用指标与信用评价，获得金融支持机会少。据中国物流与采购联合会统计，2019年社会物流总费用14.6万亿元，其中运输费用7.7万亿元，公路货运占比77.81%，由此推算公路物流的运输费用约6万亿元，物流公司运费应收款账期在3～6个月之间，垫资压力大。加之，每年约300万辆车需要更新，所产生的购车资金需求约5000亿元。面对公路运力庞大的资金需求，能否从信用的角度挖掘出公路运力的信用结构组成，提炼出信用结构与授信额度的关系，并以此为基础确定授信额度，实现传统信用评价的升级，解决公路运力融资困境，同时为大型企业、银行等金融机构提供流动性释放决策？

为此，本文组织了如下研究框架：文章第一章首先进行文献回顾，明确中小公路货运企业现有的信用评估方法及金融机构现有的授信额度决策方式；第二章从供应链金融增信要素入手，构建出主体信用、交易信用及监管信用三维信用增信结构，并就公路运力的特点，建立信用结构指标；第三章解析三维信用结构与授信额度的关系，为授信模型建立提供总体思路与技术路线；第四章从公路运力授信比率设定、运输收入分析等进行授信模型分析，明确信用结构各指标体系对模型的影响；第五章进行算例分析；最后第六章进行全文总结，并对今后研究方向进行展望。

1 文献回顾

储雪俭等[1]指出，运力供应链与商品供应链的区别在于：商品供应链融资倾向于资产的抵押质押，运力供应链融资主要是信用。为此，基于相关研究主题，文献回顾主要分为(1)信用评估，即明确中小公路货运企业现有的信用评估方法(2)授信分析，即明确金融机构现有的授信额度决策方式。

1.1 信用评估

目前代表性的信用评估方式主要有五类：

第一类是以财务指标为基础的信用评估，主要适用于上市公司。如You Zhu et al.[2]选取了77家上市中小企业和11家上市核心企业的季度财务数据和非财务数据作为样本，对金融机构中小企业的信用进行了评估。刘颖[3]等按照企业规模、盈利能力、发展能力、偿债能力、运营能力将财务指标分类。You Zhu et al.[4]提出一种改进的混合集成ML方法RS MultiBoosting，指出财务指标在提高中小企业的融资能力中仍至关重要。

第二类是以财务指标与上下游运营数据为基础的信用评估。Caniato et al.[5]提出基于对买方与供应商关系评估，通过买方的信誉而为供应商提供信用融资的反向保理模式。Antonella Moretto et al.[6]提出将财务评估与供应商评级整合到供应链信用评级模型。马毅[7]等提出在互联网平台上留下包括第三方数据、企业主要商品性能状态数据、平台交易数据和相关用户网络轨迹数据进行信用分析。

第三类是以核心企业的信用为基础的信用评估。WeiMing Mou et al.[8]运用模糊层次分析法(FAHP)，构建了供应链融资信用风险评价体系，对核心企业信用风险进行了定量度量和评价。

第四类是以担保、保险为基础的信用评估。Qihui Lu et al.[9]研究了零售商向银行借款时，由第三方或供应商提供部分信用担保实现融资的模型。邹德志[10]指出通过信用保证基金进行增信能最大限度地降低交易中的信息不对称问题。

第五类是综合性信用评估。Chao LI[11]通过中小企业资质、核心企业资质、在线供应链运行状态等指标，对在线供应链金融信用风险进行评估。储雪俭[12]等则表示通过将订单信息、车辆轨迹信息、财务信息进行交叉验证作为信用风险评估的指标之一，可以对运力供应链上中小物流企业融资需求提供资信参考。

1.2 授信分析

授信额度与授信模型一直是研究的重点。陈林和周宗放[13]基于子公司对母公司违约风险的影响和贷款收益管理的多目标决策，构建了企业集团成员企业授信额度优化配置模型。李响[14]从小微企业经营状况、信用等级出发，构建授信额度测算模型。Chengfu Wang et al.[15]研究了在线零售商在电子商务平台融资和银行信贷融资之间，进行贷款利率和费率均衡和协调。吴宏亮[16]用区块链搭建商业银行供应链金融授信模式公有链金融平台，给核心企业发放信用令牌额度。

从上述文献回顾可以看出，目前具有代表性的五种信用评估方式，主要都是从“征信”角度出发，而没有从“增信”角度考虑如何挖掘业务实质来帮助中小企业增加自身信用，促进金融机构授信模式创新。同时，即使少数以公路运力为场景进行了信用评估研究，也仅限于相关指标的阐述，未就指标对最终授信的影响进一步分析。此外，就授信分析来看，虽然国内外学者对授信额度的影响因素及额度算法与模型都有相当程度的专研，但如何将这些方法运用到中小公路货运企业。如何有效描绘出公路运力供应链的信用节点，挖掘出公路运力供应链中的信用结构表征，利用运营大数据，通过增信来建立供应链金融中的授信模型，解决公路运力庞大的资金需求，是一个重要但少有研究的问题。急需相应的理论体系来形成实践的指导支撑，以提升供应链金融的应用范畴，解决公路运力的实际问题。

2 公路运力信用结构分析

2.1 供应链金融增信要素：业务真实、交易闭环、融资自偿

受到钢贸、青岛港等事件的影响，金融机构始终心有余悸，授信和风控体系绕不开融资自偿。为此，通过业务真实与交易闭环来证实未来业务收入的能力，是供应链金融能够实现增信的基本要素。

业务真实性可以从控合同、控业务、控流程来判断。控合同包括合同本身的真伪辨别，要素是否齐全，是否具有法律效力等；控业务包括供应链上、下游客户及合作时间、业务规模、结算方式等；控流程包括通过采用信息化工具，对流程相关的数据进行采集、验证等。交易闭环则可以通过合同、订单、运单、回单、对账单、发票等交易完成的可信度来判断。

因而，将合同、订单、相关流程数据等供应链金融增信要素的判断指标，归集为财务指标以外的信用评估指标，构建财务指标所代表的主体信用、交易闭环指标所代表的交易信用以及业务真实性指标所代表的监管信用，形成三维信用增信结构，是对中小公路货运企业财务报表所不能体现的信用部分的一种增信补充。通过交易信用、监管信用有效证实中小公路货运企业未来业务收入的能力，通过主体信用来检验，能有效扩大供应链金融运作范畴。

2.2 三维信用增信结构组成

(1)主体信用

公路运力主体信用即银行等金融机构以财务报表所反应信息所形成的各项信用评估指标。综合牟伟明[17]对供应链金融视角下中小企业信用风险进行评价，结合公路运力企业一般为非上市企业、资金垫付普遍、应收账款账期相对较长等特点，分析提取出公路运力主体信用的指标如表1序号1～8。

(2)交易信用

公路运力交易信用即通过合同、订单、运单、回单、对账单、发票等形成的交易闭环作为征信评估的各项指标。综合刘志威[18]采用层次分析法分析跨境电子商务交易信用评价体系，结合现代公路运力信息系统使用较为普遍、业务数据化、数据价值化的操作已有实现，以各运作节点数据载体为基础，建立交易信用指标如表1序号9～14。

(3)监管信用

公路运力监管信用即借助第三方工具对流程相关的数据进行采集，所形成的信用评估指标，如GPS数据、油卡信息等。按照真实性、独立性、有效性的原则，构建监管信用指标如表1序号15～20。

表1 公路运力主体信用、交易信用、监管信用指标

3 信用结构与授信额度

3.1 授信比率的调节：监管信用

在运力供应链中，中小公路货运企业应收账款账期通常达到3～6个月，而油费、路桥费、维修费等成本需要实时支付，从而产生资金需求。针对中小公路货运企业的资金额度需求，金融机构可以资金的需求实质——运力成本垫付，作为授信比率设定基础，即明确中小公路货运企业的成本构成即可明确授信比率的基础值设定。

通常公路运力成本可分为固定成本和变动成本。其中燃油费和路桥费直接与公路运力的每单业务运作挂钩，且资金支付方式多为实时支付，为此通过统计分析公路运力燃油费、路桥费在整个成本组成中所占比值，即可以得出授信比率的基础值。

监管信用指标包括GPS轨迹、里程、油卡、油量等，与授信比率基础值确定所依托的燃油费、路桥费指标密切相关。通常路桥费需要通过GPS轨迹与里程进行场景真实性判定，油卡、油量直接与燃油费关联，因此通过监管信用指标可以对授信比率的基础值进行调节。调节方式表现为基础值的下浮影响，当监管信用中的某一项指标取值越高，如GPS轨迹与里程匹配度越高，则授信比率下浮值越低；GPS轨迹与里程匹配度越低，则授信比率下浮值越高。

3.2 授信额度的控制：交易信用

供应链金融业务中，金融机构对于融资企业授信额度控制的要点在于融资自偿，即可预期融资企业在未来所实现的业务收入能够覆盖金融机构的授信敞口。面对中小公路货运企业的融资额度需求，金融机构可根据对中小公路货运企业运输收入的预期，乘以授信比率，确定授信额度基数。

运输收入可由单位运价、预期货量与运距计算得出，但只有当货物完好地实现最终的交付时才能确定收入的实现，当存在货损或货物未完全交付时，运输收入都将打折。交易信用指标根据交易闭环理念进行构建，数据匹配度与交易完成可信度的评估，可对运输收入的确认进行调节，从而有效控制授信额度。交易信用对运输收入的影响同样表现为基础值的下浮影响，当交易信用中的某一项指标取值越高，如合同数据、订单数据、运单数据匹配度越高，则运输收入调节下浮值越低；匹配度越低，则运输收入调节下浮值越高。

3.3 增信的判定：主体信用

根据主体信用所构建的财务指标，可以计算出企业自由现金流。自由现金流是金融机构在中小企业无增信情况下对企业偿还能力的基本判断。

为此，可将主体信用的现金流约束作为增信的判定或检验。当通过交易信用调节的运输收入乘以受监管信用调节的授信比率而确定的授信额度，大于主体信用的现金流约束时，则说明基于三维信用结构实现了增信；当测算授信额度小于主体信用的现金流约束时，则说明中小公路货运企业的低信用被检验出，不能实现增信，可规避金融机构盲目授信的风险；当测算授信额度等于主体信用的现金流约束时，则说明二者评判效力一致，证实了增信指标的实用性。通过上述对增信的判定，可以使金融机构进行更精准的授信额度决策。

4 授信模型构建

4.1 模型假设及参数设定

本文模型假设如下：

(1)公路运输行业平均净利率6%。

(2)银行等金融机构授信为一定周期时间内的授信，而非针对某一单业务的授信。

(3)授信期内所处政治、经济、法律环境不会发生明显波动。

(4)物流量作为随机变量，服从正态分布。

(5)监管信用对授信比率的调节，交易信用对运费收入的调节均表现为线性关系。

本文参数设定如表2。

表2 参数设定一览表

4.2 授信比率设定

根据3.1通过统计分析公路运力燃油费、路桥费在整个成本组成中所占比值，即可以得出授信比率的基础值。为此，文章选取了中国物流与采购联合会发布的2018年5月21至2019年5月24日《中国公路物流运价周指数报告》不同车型、不同线路的周运价数据，共36周，108条数据，按照物流行业运输业务平均净利率6%的行业指标测算出运营成本值。同时通过查阅不同线路的运距，访谈运输业务占比80%以上的第三方物流企业确定出不同车型的百公里油耗和单位公里的路桥费(9.6米车型，油耗25L/百公里，平均路桥费1.8～2.0元/公里；13.5米车型，油耗28～30L/百公里，平均路桥费2.4～2.5元/公里；17.5米车型，油耗38L/百公里，平均路桥费2.4～2.5元/公里)，结合相应时间下金投网(http://www.cngold.org)所发布的全国31个省市0号柴油的价格，计算出不同车型、不同线路、不同时间的燃油费及路桥费。

通过计算不同时期，燃油费占运营成本比重、路桥费占运营成本比重及二者总体占运营成本比重可以看出：燃油费与路桥费二者几乎以1:1的比重分摊着运营成本，占比均在30%左右，二者作为公路运输的主要成本来源，占据了70%左右的运营成本。同时，统计发现某一时刻曲线出现波峰的状况绝大部分原因在于此阶段油价的变动，如图1。此外，我们有趣的发现，无论燃油费和路桥费9.6米车型成本都较高，而13.5米车型与17.5米车型分别在燃油费和路桥费上具有优势。

进一步计算不同车型燃油费、路桥费分别占运营成本比重均值，可以看出在统计的108条数据中，燃油费占运营成本比重均值为33.93%，路桥费占运营成本比重均值为37.07%，二者总占比为71%，如表3。为此，确定出公路运力供应链金融授信授信比率的基础值为71%。

表3 公路运力燃油费、路桥费占运营成本比重

根据监管信用对授信比率基础值的调节，可用公式将授信比率W表示为:

W=0.71λ-(w1+w2+w3+w4+w5+w6)

(1)

其中，w1,w2,w3,w4,w5,w6取值范围为[0,1]，0表示最低匹配度，1表示最高匹配度；λ取值范围为(0,9.45]，0表示最低匹配度时的综合影响系数。

4.3 运输收入分析

小公路货运企业运输收入，主要由单位运价P、货量Q和运距S决定，即:

V=P*Q*S

(2)

在不考虑季节波动的影响下，P可以通过附录的样本数据确定基础值，S则根据实际的订单情况确定，物流量Q作为随机变量，服从正态随机分布，只要确定出授信周期内的最低货量Q*，则可以确定出最低的偿债能力水平。其中

Q*=-Zασ+μ

(3)

将(3)式代入(2)式，可以得到

V=PQS=PQ*S=P(-Zασ+μ)S

(4)

方程(4)中，参数P和S都可以直接得到。Zα为给定置信度α时的分位数，也可以通过查表直接得到。而σ为授信期为1时，货量的标准差，μ为授信期为1时，货量的期望值，可以通过极大似然估计确定其大小。

根据3.2交易信用对运输收入的影响，结合(4)，可将修正后的运输收入公式表示为

V=P(-Zασ+μ)S×0.1667(v1+v2+v3+v4+v5+v6)

(5)

通过附录样本数据确定P值为0.29，则V可进一步表示为:

V=0.0483(-Zασ+μ)(v1+v2+v3+v4+v5+v6)S

(6)

其中，v1,v2,v3,v4,v5,v6取值范围为[0,1]，0表示最低匹配度,1表示最高匹配度。

4.4 授信额度模型

根据(1)和(6)，可以得出授信额度L=VW的具体表达:

L=[0.0483(-Zασ+μ)(v1+v2+v3+v4+v5+v6)S]

[0.71λ-(w1+w2+w3+w4+w5+w6)]

(7)

结合3.3主体信用对增信的检验，主要表现为通过财务报表所展示的自由现金流对授信额度进行检验。文章采用自由现金流量=净利润+(利息支出-利息收入)-[(本期流动资产-本期流动负债)-(上期流动资产-上期流动负债)]-非流动资产变动，即

FCF=l6+l7-l8-[(l1-l2)-(l3-l4)]-l5

(8)

金融机构风险偏好为风险规避情况下，当L>FCF时，实现了增信，L取FCF；当L

金融机构风险偏好为风险中性或风险偏好情况下，当L>FCF时，实现了增信，L不变；当L

结合(7)和(8)，金融机构风险偏好为风险规避情况下，得出L模型为(9)；金融机构风险偏好为风险中性情况下，得出L模型为(7)。

(9)

5 算例分析

由于金融机构风险偏好为中性的情况授信额度确定相对简单，本节故选取金融机构风险偏好为风险规避的情况进行算例分析，而后可推及至前者。根据公式(9)所确定授信模型，需要采集中小物流企业的物流量、订单及财务报表等数据。由于我国目前供应链金融还处于发展阶段，具有公信力的供应链金融机构还在萌芽中，且数据信息一般不公开，加之中小物流企业自身的公开数据也凤毛麟角，因此贴切的数据难以获得。

为了对模型计算过程有个清晰的认识，文章选取了深圳证券交易所中小企业版运输仓储行业的企业数据进行算例分析，相关数据采集如下。

根据表4，可以计算出:

表4 模型参数取值表

为此，①L=[0.0483(-Zασ+μ)(v1+v2+v3+v4+v5+v6)S][0.71λ-(w1+w2+w3+w4+w5+w6)]=9,926,784,FCF=l6+l7-l8-[(l1-l2)-(l3-l4)]-l5=5,541,194。

此时，由于L>FCF值，实现了增信，由于金融机构风险偏好为风险规避，则取FCF值5,541,194为授信额度。

为了测算模型的有效性，我们改变v1,v2,v3,v4,v5,v6,w1,w2,w3,w4,w5,w6的取值，设定为0.5，相应的λ值设定为4.725，得出结果如下:②L=[0.0483(-Zασ+μ)(v1+v2+v3+v4+v5+v6)S][0.71λ-(w1+w2+w3+w4+w5+w6)]=2,481,696。

此时，由于L

进一步，可以确定L=FCF时，v1,v2,v3,v4,v5,v6,w1,w2,w3,w4,w5,w6以及λ的取值，根据①②，可以设定v1,v2,v3,v4,v5,v6,w1,w2,w3,w4,w5,w6均为x，λ为9.45x，则有:③L=[0.0483(-Zασ+μ)(v1+v2+v3+v4+v5+v6)S][0.71λ-(w1+w2+w3+w4+w5+w6)]=5,541,194,x=0.747，λ=7.060。

v1,v2,v3,v4,v5,v6,w1,w2,w3,w4,w5,w6取值为0.747，调节系数λ值为7.060，即合同数据、回单数据等代表的交易信用以及GPS轨迹与里程匹配度、GPS轨迹与车辆匹配度等代表的监管信用评估值在75%左右的水平时，授信额度与现金流约束值相等，二者评判效力一致，增信指标具有实用性。

当然，实际授信过程中，具体企业交易信用指标与监管信用指标的取值不一定是等值，但通过实际取值计算出L与FCF的值则可以确定出最终的授信额度。

6 结论启示

本文从中小企业融资难问题的实质——信用评估难入手。首先，通过文献研究，分析出目前具有代表性的五种信用评估方式，主要都是从“征信”角度出发，而没有从“增信”角度考虑。其次，在明确供应链金融增信要素为业务真实、交易闭环、融资自偿前提下，将合同、订单、相关流程数据等供应链金融增信要素的判断指标，归集为财务指标以外的信用评估指标。结合公路运力中小货运企业的特点，构建出主体信用、交易信用及监管信用三维信用增信结构；同时，通过解析三维信用结构与授信额度的关系，明确授信模型构建总体思路；接着，文章一方面通过分析我国公路运力成本的统计数据，确定出授信比率的基础值以及监管信用对基础值的影响。一方面通过物流企业货量服从正态分布的特征，模拟出公路运力运费收入以及交易信用对运费收入的影响。结合两者构建出受主体信用现金流约束检验的公路运力信用结构的供应链金融授信额度模型。针对金融机构不同的风险偏好，授信额度有不同的选择。最后，通过选取金融机构风险偏好为风险规避的情况进行算例分析，厘清了合同、订单等数据匹配度，回单、对账单等数据可信度以及GPS轨迹与里程匹配度等运营数据在供应链金融授信开展中所起到的增信作用。实现了传统信用评价与融资的升级，一定程度上为解决公路运力中小物流企业融资难及银行等金融机构开展流动性释放决策提供了参考。

此外，文章在确定信用结构对授信额度影响时的一些参数取值范围设定上具有一定的片面性，需要对开展中小物流企业供应链金融业务的大量实际数据进行采集分析。同时，算例分析所采取的样本量应该更广泛并贴近实际。此外，监管信用对授信比率的调节、交易信用对运费收入的调节均表现为线性关系的假设还需放开，进一步论证是否存在非线性关系，这是文章的不足之处也是后续深入研究的方向所在。