基于大数据的供应链金融信用风险研究——以中小电商企业为例

□ 刘明静 房艳君

一、引言

中小企业在我国国民经济中的地位日益显著，供应链金融对解决中小企业融资难、融资贵难题具有显著功效。但与传统的融资方式相比，由于其本身的局限性和不确定性，供应链金融面临较大的风险和新的挑战。并且因中小电商企业具有规模小、成长性高的特点，传统的供应链金融风险控制方法实效性较差。本文通过建立供应链金融信用评价指标体系，将中小电商企业的案例带入Logistic风险度量模型中，评价指标与企业资信水平的关系，由此提出相应的风控措施，希望可以对破解我国中小电商企业的融资难题提供一定的参考。

国内外学者对供应链金融风险的研究主要包括评价、度量和控制三个方面。

马佳（2008）利用主成分分析法和logistic回归方法构建了一个更加客观的供应链金融信用风险评价体系，并且应用套期保值设计并实例分析了针对市场风险的供应链金融业务方案。夏泰凤（2011）针对金融仓储服务模式，通过构建数理模型，分析了风险控制指标的选择，得出银行对贷款风险的限制能够有效控制季节性存货质押融资业务风险这一结论。雷晓燕（2012）针对应收账款融资，分别利用主成分分析方法和VaR风险评估方法对其信用风险和操作风险进行定性定量分析，并提出相应的控制措施。田家欢（2013）在对比供应链金融模式与传统信贷模式的基础上，给出供应链金融信用风险识别、度量方法，最终从商业银行和宏观环境两方面提出了管控供应链金融风险的决策建议。范堃（2013）对供应链金融风险识别和关键变量的控制进行了研究，用中信银行的实例验证了授信额度模型的有效性，并对提高管控制度标准化提出对策和建议。白瑞（2014）在中小企业融资视角下，研究了如何对三种融资模式中面临的具体操作风险进行控制，总结出把控信用风险的四个方面（产业选择、现金流管理、贷后检查及信息沟通），提出了基于质押率和金融衍生产品的市场风险控制措施。平宇可（2019）基于信息不对称和贸易自偿理论，利用单案例研究法，研究了京东金融在大数据环境下如何对供应链金融信用风险、市场风险和操作风险进行识别、分析和控制。金香淑等人（2020）在分销商-零售商两级供应链中引入收益共享-双向期权契约，构建了联合契约模型，并通过数值算例对关键参数进行了敏感性分析。

Jan k. Bruckner（2000） 提出了基于期权的抵押贷款定价模型，分析了违约成本信息的不对称性对供应链金融风险的影响。Vipul Agrawal和Sridhar Seshadri （2000）指出零售商通过和风险中立的经销商签订商业风险共享合同，可以降低其所面临的金融风险，最大程度增加订单量，从而提高供应链的整体效率。Dawn Barnes-Schuster（2002）通过建立一个两周期模型，研究了期权等金融衍生工具可以提高供应链的协调能力和灵活性，在控制金融风险中发挥着重要作用。George A. Zsidisin （2003）针对供应管理专业人员，提出了供应风险可以通过购买的商品服务对企业盈利能力的影响、市场因素和供应商特点来感知的观点。]Chih-Yang Tsai（2007） 通过建立供应链金融现金周转模型，得出了资产证券化（ABS）为应收账款融资，可以缩短现金周转周期（CCC）、降低现金流入风险的结论。Jörn-Henrik Thun和Daniel Hoenig（2009）在对德国汽车工业的调查的基础上，得出了相比于反应性供应链金融管理，预防性供应链金融风险管理的企业在灵活性和安全性方面具有更好的价值的结论。George Baryannis和Sahar Validi等人（2019）审查了使用人工智能、大数据分析和数据编程方法解决供应链风险管理问题的供应链文献，并为先进技术与供应链风险管理相融合的未来研究提出了方向。Zulqurnain Ali和Bi Gongbing （2019）采用交易成本法，针对中小企业研究了无风险融资方案，认为供应链金融能够降低违约风险，降低信贷交易成本，提高供应链有效性。Ram L. Kumar和Sung June Park（2019）综合考虑了供应链风险、风险管理策略和供应链价值度量的各种关系，提出了基于财务理论的供应链价值度量方法。

总体来看，在理论研究方面，国内在此领域的研究起步较晚，研究深度上略显不足，在供应链金融风险控制中缺乏创造性意见，但我国相关学者研究热情不减，近几年发展迅速，成果频出。

二、指标体系的构建

本文的指标选取参考了刘颀桓的B2B电商企业信用评价体系。B2B（Business to Business）顾名思义是一种企业与企业之间的电子商务模式，具有应用广泛和接受度高的特点。因此，本文在此体系的基础上进行了中小电商企业的普适化处理（表1）。为了全面、系统地对供应链金融信用风险的影响因素进行研究，本文从宏观和微观两个角度，选取了中小电商融资企业、核心企业、供应链和宏观环境四个一级指标。针对中小电商企业具有规模小、成长性高的特点，本文全方面地选择了偿债能力、盈利能力等短期能力指标和发展能力、创新能力等长期能力指标，即兼有财务指标和非财务指标。

表1 指标体系及其描述

三、样本选取

根据2011年6月18日工业和信息化部、国家统计局、国家发展和改革委员会、财政部联合印发的《关于印发中小企业划型标准规定的通知》可知，中小（微）电商企业是指从业人员（10～300人）300人以下或资产总额（100～12000万元）12000万元以下的企业。本文选取了中小企业板和创业板2020年的20家上市电商公司（其中不良公司9家，优质公司11家），用以代表我国中小型电商企业。截至2020年12月31日为止，我国上市的电商企业共有74家，规模相对较小，因此中小企业板和创业板上市的电商企业可以在一定程度上反映我国中小型电商企业的现状。数据主要来源于国泰安数据库和其他专业的财经类网站。

由于部分非财务指标无法衡量，我们依据吕跃进的评价等级确定理论，根据心理因素对搜集到的数据按照5个等级:1、3、5、7、9进行打分，分数越高说明样本数据表现越好，企业的守约概率越大。

四、模型分析

（一）模型建立

信用评价指标筛选方法主要有：主成分分析法、层次分析法（AHP）和专家打分、相关性分析、鉴别性分析法等。层次分析法和专家打分、相关性分析、鉴别性分析法具有主观性较强的缺点；而主成分分析法具有客观科学的特点。信用风险度量模型主要有：Logistic、SVM和朴素贝叶斯（NB）等。由于SVM是借助二次规划来求解支持向量，这涉及到m阶矩阵的计算，对大规模样本实施难度大且解决多分类问题存在困难；而Logistic虽存在多重共线性及无关变量的干扰，但其具有数据要求较低、实用性较好、计算简便、变量解释能力强等诸多有点。通过优缺点的对比，本文决定选择了主成分分析法和Logistic回归模型来进行研究。

（二）主成分分析

通过SPSS26.0对样本数据进行基本描述统计，统计结果如表2所示：

表2 数据描述统计量

研发人员投入 20 1 9 2.7 2.364企业征信状况 20 1 9 7.5 2.666核心企业成本费用利润率20 -0.13584 1.052151 0.174062 0.276807核心企业净资产收益率 20 -0.13703 0.366781 0.093097 0.109702核心企业速动比率 20 0.3597 2.6833 1.239925 0.639532核心企业资产负债率 20 0.205445 0.930843 0.499415 0.186943合作久度 20 1 9 4.4 3.185合作深度 20 1 9 2 2行业发展状况 20 1 7 3.8 2.191行业竞争状况 20 1 9 2.8 2.745政府政策 20 1 9 6.2 3.205法律法规 20 1 9 6.8 3.037有效个案数（成列） 20

图1 散点图Fig.1:scatter diagram

图1为主成分的碎石图，分析图可得特征值随组件号个数的变化而变化，从第9个开始下降趋势逐渐减弱，我们可以通过解释方差更准确客观地判断主成分的个数。

表3 总方差解释

18 0.036 0.133 99.935 19 0.018 0.065 100 20 1.77E-15 6.55E-15 100 21 5.77E-16 2.14E-15 100 22 3.93E-16 1.45E-15 100 23 1.91E-16 7.06E-16 100 24 -3.63E-17 -1.35E-16 100 25 -1.32E-16 -4.89E-16 100 26 -2.72E-16 -1.01E-15 100 27 -4.59E-16 -1.70E-15 100

提取方法：主成分分析法。

表3是利用SPSS26.0对原始数据进行主成分分析，主成分特征根大于1且累计贡献率达到80%以上说明主成分解释良好。从上表可得，9个具有代表性的综合指标能够有效代替27个原始数据。

表4 成分矩阵a

提取方法：主成分分析法。

a. 提取了 9 个成分。

将上述得出的九个主成分分别命名为F1,F2,F3,F4,F5,F6,F7,F8,F9,再根据主成分系数得分矩阵计算出主成分得分，得出如下关系式：

表5 旋转后的成分矩阵a

提取方法：主成分分析法。

旋转方法：凯撒正态化最大方差法。

a. 旋转在 11 次迭代后已收敛。

表5为用最大方差法正交旋转后得出的成分矩阵，这样所处理出来的数据各主成分代表的意义更加明确。

F1主要表达了X6,X7,X8的信息量，反映了融资企业的盈利能力。

F2主要表达了X17的信息量，反映了融资企业的履约状况。

F3主要表达了X2,X12,X15,X16的信息量，反映了融资企业创新能力和发展。

F4主要表达了X8的信息量，反映了融资企业的履约状况。

F5主要表达了X20,X26,X27的信息量，反映了核心企业偿债能力和政治环境。

F6主要表达了X18,X19,X24的信息量，反映了核心企业盈利能力和行业状况。

F7主要表达了X4,X5,X9的信息量，反映了融资企业偿债能力和经营能力。

F8主要表达了X21的信息量，反映了核心企业偿债能力。

F9主要表达了X13的信息量，反映了融资企业发展能力。

（三）Logistic回归分析

本文根据各公司财务报表中的违约诉讼情况和同花顺中的牛叉诊股对其进行信用等级评价，并运用SPSS26.0进行Logistic回归分析。

将上述线性关系式做矩阵相乘运算，得出各主成分综合得分情况（表6）。

表6 各主成分综合得分情况

运用SPSS26.0将上述的9个主成分代入二元Logistic回归模型中，采取向前步进（似然比）法，得到结果如表7、表8所示：

表7 方程中的变量

表8 模型

根据表8可知，F1、F2、F6除去项之后的显著性水平p值均小于0.05，由此可判断这3个主成分对企业守约状况有较大的影响，应予以保留，其他成分则剔除。

估计的回归模型如下：

（四）模型检验

由表9所示，步骤3正确的百分比为90%，说明表7、8所示数据准确有效。

表9 分类表a

a. 分界值为 .500。

（五）实证结果分析

通过上文用多元Logistic回归对中小电商企业供应链金融信用风险进行实证分析，可得到以下结论：

1.在所构建的四层面的指标中中小电商融资企业、核心企业和宏观环境对企业的守约状况有影响。在提取的9个主成分里，最终保留了3个主成分，中小电商企业的盈利能力和履约状况、核心企业的盈利能力和行业状况有着较为显著的影响。

2.中小电商融资企业的盈利能力与供应链金融的信用水平成正比。在主成分F1中，中小电商融资企业的成本费用利润率、净资产收益率、营业净利率的成分得分系数为正，说明此3个下属指标的值越大，主成分F1的值越大，从而中小电商融资企业的守约概率越大，供应链金融信用风险越小。中小电商企业的盈利能力可以在一定程度上代表企业的财务状况，财务状况越好，违约风险越低。

3.中小电商融资企业的履约状况与供应链金融的风险水平成反比。在主成分F2中，中小电商融资企业的违约状况的成分得分系数为负，说明此下属指标的值越大，主成分F2的值越小，从而中小电商融资企业的守约概率越小，供应链金融风险越大。中小电商企业的履约状况代表历史的违约率，历史违约率越高，未来的违约率越高，违约风险越高。

4.核心企业的盈利能力和行业状况与供应链金融的风险水平成正比。在主成分F6中，核心企业的成本费用利润率、净资产收益率和行业发展状况的成分得分系数为正，说明此3个下属指标的值越大，主成分F6的值越大，从而中小电商企业的守约概率越大，供应链金融信用风险越小。核心企业的盈利能力代表核心企业的财务状况，财务状况越好，核心企业的实力越强，核心企业对中小电商融资企业的担保能力越强，中小电商企业违约风险越低；宏观环境可以在一定程度上反映行业的发展前景和市场的发展潜力，宏观环境越优越，中小电商企业的违约风险越低。

五、结语

本文研究了大数据背景下中小电商企业的供应链金融信用风险问题，首先构建了电商特有的供应链金融信用风险评价的指标体系，然后运用主成分分析法和Logistic回归进行案例分析，最终得出融资企业的盈利能力和履约状况、核心企业的盈利能力以及宏观环境都对中小电商企业的供应链金融信用水平有着较大的影响这一结论。因此，为了有效控制供应链金融信用风险，本文引申出如下建议：

1.重视高相关度关键因素的评价审核。商业银行在开展电商供应链金融相关业务时应抓住事物的主要矛盾，着重审核与企业守约状况相关性高的融资企业和核心企业的财务状况以及宏观环境状况。将关键因素代入供应链金融信用风险评价模型中，可以得出企业的守约概率，据此判断银行是否可以为其授信。

2.建立健全风险监测预警和应急处理机制。随着经济活动的不断进行，企业的信用状况是一个不断发展变化的过程，因此商业银行需建立风险监测预警机制，分析潜在风险，时刻关注风险变化情况，一旦发生变化，立即启用应急处理机制进行有效地控制，维持供应链金融业务长久稳健地进行。

3.优化完善供应链金融信息服务系统。整合中小融资企业、核心企业、供应链和宏观环境信息，加强数据情报的传递与交流，实现信息资源有效共享，有利于商业银行及时准确获取信息，为充分应对突发状况，控制处理供应链金融风险提供了保障。只有通过数据的整合分析不断完善基础数据库，商业银行才能更加准确、科学地做出决策。

4.应用金融科技升级供应链金融风险控制体系。随着互联网技术和产业信息化进程的不断发展，金融科技为解决金融问题提供了多种可能。如大数据、物联网、区块链等金融科技在解决供应链金融过程中的信息不对称、贸易欺骗篡改等问题上发挥着重要作用。为了推进金融科技在供应链金融风控中的应用进程，国家政府应做好顶层设计，企业在战略规划、企业文化、技术开发、人才建设等方面要做到统筹兼顾。

另外，由于我国电商企业数量不足以及获取数据受限，本文采用的样本数据虽有一定的科学依据，但未能很好的代表电商企业现状，在一定程度上影响了信用评价体系的有效性。商业银行在开展供应链金融业务时时，应基于全面、高质量的数据库，以此建立出的评价模型将更为有效。当今电子商务企业日新月异，希望随着电商行业的发展壮大，电商企业的信用评价体系可以日益成熟，电商企业的供应链金融风控研究也可以不断完善。