互聯(lián)網(wǎng)供應鏈金融信用風險度量與盯市管理

1、互聯(lián)網(wǎng)供應鏈金融信用風險度量與盯市管理一、引言 互聯(lián)網(wǎng)供應鏈金融是互聯(lián)網(wǎng)平臺支持 下的供應鏈金融生態(tài)圈，在生態(tài)圈中，電商、銀行、物流企業(yè)、核心 企業(yè)以及中小企業(yè)跨界合作， 減緩過分依賴傳統(tǒng)金融機構(gòu)的程度。 與 傳統(tǒng)供應鏈金融一般將中小企業(yè)的信用風險控制轉(zhuǎn)移到信用資質(zhì)高 的核心企業(yè)相比， 互聯(lián)網(wǎng)供應鏈金融的信用風險控制是供應鏈整體的 信用風險控制。 如何管理互聯(lián)網(wǎng)供應鏈金融信用風險已經(jīng)成為許多大 型互聯(lián)網(wǎng)平臺積極探索的重要課題之一。 二、國內(nèi)外文獻綜述 國外對于供應鏈金融業(yè)務模式的研究較多。早在 1948 年，艾伯特(Albert )就將供應鏈金融業(yè)務模式分為存貨質(zhì)押和應收賬款融資兩 種，并針對

2、各自的管理方式進行了研究。 對于供應鏈金融信用風險的 研究，國外學者基本上是基于傳統(tǒng)信用風險評估模型進行的， 包括信 用度量術(shù)模型(Credit Metrics)宏觀模擬模型(Credit PortfolioView) 信用風險附加法模型(Credit risk+)、信用監(jiān)控模型(KMV)、風險在 險值(vaF)和概率型非線性回歸模型(Logistic) o 2013年馬姆杜 雷 法特(Mamdouh Refaat)就供應鏈金融的信用風險評價進行研究， 將 SAS言用風險評分體系應用于標準格式下的供應鏈金融信用風險評估。 由于互聯(lián)網(wǎng)供應鏈金融是從國內(nèi)興起的， 國外對互聯(lián)網(wǎng)供應鏈金融信 用風險的

3、研究較少，僅有2012年巴蘇和奈爾(Basu&Nair)通過 分析B2B平臺互聯(lián)網(wǎng)供應鏈金融預付賬款的業(yè)務模式， 設計了一種隨 機動態(tài)規(guī)劃模型， 認為互聯(lián)網(wǎng)平臺下中小企業(yè)財務狀況的不完善會增 加信用風險。 在國內(nèi)， 研究供應鏈金融較早的羅齊等討論了融通倉模式下如何充分利用物流這一關(guān)鍵環(huán)節(jié)完善供應鏈金融業(yè)務的問題。對供應鏈金融信用風險研究一般是基于傳統(tǒng)信用風險評估模型或 結(jié)合其他模型進行的， 孔媛媛等構(gòu)建了供應鏈傳統(tǒng)信用風險的度量模 型，并結(jié)合模糊算法將某些難以量化的信用風險影響因子模糊化處理。 而對互聯(lián)網(wǎng)供應鏈金融信用風險研究較少， 趙道致等提出的通過電商 平臺結(jié)合倉單質(zhì)押業(yè)務

4、的信用風險管理， 其本質(zhì)是將傳統(tǒng)供應鏈金融 倉單質(zhì)押信用風險管理模式搬到互聯(lián)網(wǎng)。 將財務指標應用到傳統(tǒng)信用 風險模型的研究相對多一些， 郭菊娥等的研究具有代表性， 提出基于 B2B電商平臺的互聯(lián)網(wǎng)供應鏈金融融資模式的發(fā)展路徑，指出互聯(lián)網(wǎng)化會讓信用風險呈現(xiàn)協(xié)同式的特點， 并運用財務指標將不同信用風險 模型的有效性進行對比分析。 總體來看， 國內(nèi)外對互聯(lián)網(wǎng)供應鏈 金融信用風險管理的研究較少， 且現(xiàn)有研究運用財務指標進行分析較 多，運用非財務指標及系統(tǒng)中實時數(shù)據(jù)進行分析的較少。三、邏輯回歸模型邏輯回歸（Logistic）模型是處理分類數(shù)據(jù)的有力工具，對解釋變量幾乎沒有任何限制，適用性非常強。（一）邏

5、輯回歸模型簡介 邏輯回歸模型是概率型非線性回歸模型， 在因變量為分 類變量時應用較多， 可根據(jù)分類變量取值分為二分類邏輯回歸、 多分 類邏輯回歸、配對邏輯回歸三種類型。 本文主要分析二分類邏輯回歸 模型。 對于信用風險研究而言，分類變量主要是違約和不違約， 假設y=l為違約，y=0為不違約，p（y=1）為違約概率，x為信用風險 指標，企業(yè)違約的概率與信用風險指標的關(guān)系為：P=P（Y=1|X）=f（x） 0< PW1對數(shù)變換模型為：這里，B0為常數(shù)，（31 B 2.（3 k為信用風險指標回歸系數(shù)； p 為違約概率， p 越大，企業(yè)信用風險越 大。本文選定 p=0.5 為閾值。如果通過邏輯回

6、歸模型預測融資企業(yè)違 約概率在 0.5 以上時，判定互聯(lián)網(wǎng)供應鏈金融信用風險明顯；當計算 出來的結(jié)果小于 0.5 時，則判定融資企業(yè)沒有違約，互聯(lián)網(wǎng)供應鏈金 融信用風險可控。 對于違約概率的參數(shù)估計， 采用迭代解法進行 估計： （二）互聯(lián)網(wǎng)供應鏈金融信用風險指標選擇 供應鏈金 融的融資對象主要是眾多中小企業(yè)，中小企業(yè)財務制度相對不健全， 其公開的財務數(shù)據(jù)往往不能體現(xiàn)公司真實的運營狀況。 在研究互聯(lián)網(wǎng) 供應鏈金融信用風險時， 指標選擇應過濾掉這些無效信息或虛假信息， 利用互聯(lián)網(wǎng)平臺的優(yōu)勢獲得諸如資產(chǎn)價格、 資金流水、 交易活動產(chǎn)生 的實時流動性數(shù)據(jù)， 以便對客戶進行更真實有效的分析， 全方位評價

7、、 量化其風險， 從而提高貸款決策的可靠性。 本文選擇的信用風險 指標包括企業(yè)基本狀況、 互聯(lián)網(wǎng)交易狀況、 互聯(lián)網(wǎng)服務質(zhì)量和供應鏈 行業(yè)狀況等指標（參見表 1）。互聯(lián)網(wǎng)供應鏈金融的大數(shù)據(jù)多是非結(jié)構(gòu)性的數(shù)據(jù)，冗余、重復信息非常多，需要從中篩選出對信用風 險影響大的指標。本文運用主成分分析法進行篩選數(shù)據(jù)。 （三） 主成分分析法主成分分析法（Prin cipal Comp on e nt An alysis PCA）,是利用降維和線性轉(zhuǎn)換的思想， 將多個相關(guān)變量轉(zhuǎn)化為少數(shù)幾個不相 關(guān)的主成分變量。 主成分變量按照方差由大到小排列， 可以不重復地 反映原始變量的大部分信息， 在引進多方面變量的同時有針

8、對性地分 析重要指標， 從而使問題簡單化。 本文應用主成分分析法對互聯(lián)網(wǎng)供 應鏈企業(yè)平臺上的中小企業(yè)諸多交易變量進行主成分分析， 將模型簡 化。對于互聯(lián)網(wǎng)供應鏈金融中的資金供給方即互聯(lián)網(wǎng)平臺企業(yè)而言，需要觀測p個信用風險影響因子x1, x2,，xp，平臺上n個企業(yè)的 因子原始數(shù)據(jù)矩陣為： 主成分分析主要有以下五個步驟： （1） 將原始信用風險影響指標數(shù)據(jù)進行標準化處理， 統(tǒng)一量綱， 得到標準 化數(shù)據(jù)矩陣乙其矩陣元素為： 主成分分析法的核心邏輯是利用 方差貢獻率來解釋原始信息， 方差貢獻率是某個主成分的特征值占全 部特征值的比例，即： 貢獻率越大，說明該主成分所包含的原始 變量信息越多。主成分個

9、數(shù) k 的選取標準由主成分累積貢獻率決定， 累計貢獻率超過 85%時，一般就認為主成分指標變量涵蓋了原始變量 的絕大部分信息。（5）對主成分變量進行綜合評價。在確定主成分后，還要注意主成分變量的實際含義解釋， 這種解釋需要結(jié)合主 成分變量的經(jīng)濟意義，不能機械式填充。 四、實證分析 本文 的數(shù)據(jù)來源于阿里巴巴網(wǎng)， 選取了 2016年度 60家平臺中小企業(yè)， 其 中共 900 個數(shù)據(jù) 30 家企業(yè)作為訓練樣本，用于構(gòu)建模型；另外 30 家企業(yè)作為測試樣本， 用于模型的檢驗。 按照互聯(lián)網(wǎng)供應鏈信用風險 影響指標選擇的原則，本文涉及 14 個自變量，包括年營業(yè)收入、倉 庫面積、員工人數(shù)、累計成交筆數(shù)、

10、累計買家數(shù)、重復采購率、近 90 天退款率、近 90 天投訴率、貨描相符、響應速度、發(fā)貨速度、供 應鏈重復采購率、 供應鏈近 90 天退款率、供應鏈近 90天投訴率（如 表1所示）。運用SPSS統(tǒng)計軟件進行分析如表2所示。 （一）主成分分析結(jié)果運用SPSS計軟件對14個互聯(lián)網(wǎng)供應鏈金融信用風險影響指標進行主成分分析，得到解釋總方差表（參見表3）。主成分提取原則是特征值大于 1 且累計方差大于 85%，由表 3 可知提 取的 6 個主成分的累積方差貢獻率達到了 87.83%，即解釋了 87.83% 的總變異，大于 85%，說明可以有效反映原始數(shù)據(jù)的主要信息。 圖 1 為主成分的特征根數(shù)值碎石散點

11、圖， 從第 7 個折點開始折線變平緩， 落差變小，說明前 6 個點能夠很好表達原始變量的大部分信息， 進一 步驗證了上面 6 個主成分選擇。 主成分確定后， 需進一步確定因 子載荷矩陣（參見表 4）。將因子數(shù)據(jù)進行正交旋轉(zhuǎn)得到的旋轉(zhuǎn)成分 載荷矩陣，可使變量解釋更清晰，明確因子的實際意義。 由表 4 可知，供應鏈重復采購率X12、供應鏈近90天退款率X13、供應鏈近 90天投訴率X14等原始變量的信息主要反映在因子 F1上，說明的是 供應鏈整體的狀況。累計成交筆數(shù)X4、累計買家數(shù)X5等原始變量的信息主要反映在因子 F2上，說明的是融資方的互聯(lián)網(wǎng)交易頻度 狀況。 年營業(yè)收入XI、倉庫面積X2等原始

12、變量的信息主要反映 在因子 F3 上，說明的是融資方主體基本狀況。響應速度 X10、發(fā)貨速度X11等原始變量的信息主要反映在因子 F4上，說明的是融 資方服務質(zhì)量的狀況。近90天投訴率X8等原始變量的信息主要反映在因子F5上，說明的是供應鏈下游投訴的狀況。重復采購率X6等原始變量的信息主要反映在因子 F4上，說明的是供應鏈下游 重復采購的狀況。 總之，這 6個主成分集中代表了互聯(lián)網(wǎng)供應鏈 金融企業(yè)的供應鏈整體狀況、互聯(lián)網(wǎng)交易頻度、主體基本狀況、服務 質(zhì)量、供應鏈下游投訴以及重復采購狀況，解釋了87.83%的主要信息。（二）邏輯回歸結(jié)果以及分析本文利用SPSS統(tǒng)計軟件對 6 個主成分為自變量、

13、信用等級作為因變量進行邏輯回歸模型分析， 結(jié)果如表 5 所示。 由表 5 可知，在 5%的顯著水平之下， 6 個主 成分都是顯著的， 因此整個模型也是顯著的。 融資方的違約概率邏輯 回歸模型如下： 最后應用上式對剩下 30 個測試樣本進行回代檢 驗，驗證模型的適用性。 通過表 6 可知邏輯回歸模型對測試樣本判別 的平均準確率為 90%，其中第一類對 15個違約樣本辨別出 13 個，準 確率為 86.7%；第二類對 15 個非違約樣本辨別出 14 個，準確率為 93.3%。這表明本文的邏輯回歸模型具有不錯的預測能力。（三）預測結(jié)果分析 傳統(tǒng)供應鏈金融信用風險管理多是基于財務報表 數(shù)據(jù)進行的，這種

14、數(shù)據(jù)是結(jié)構(gòu)化的、相對靜態(tài)的。而互聯(lián)網(wǎng)平臺公司 在供應鏈交易循環(huán)生態(tài)中會形成大量的非財務數(shù)據(jù)， 這些數(shù)據(jù)具有碎 片化、非結(jié)構(gòu)化等特點。在本文的主成分分析實證中，互聯(lián)網(wǎng)供應鏈 金融企業(yè)的供應鏈整體狀況、互聯(lián)網(wǎng)交易頻度、主體基本狀況、服務 質(zhì)量、供應鏈下游投訴以及重復采購狀況解釋了 87.83%的主要信息， 這意味著可獨立利用非財務數(shù)據(jù)對互聯(lián)網(wǎng)供應鏈金融的信用風險進 行評估。對本文而言，重復采購率、近 90天退款率、近 90天投訴率、 貨描相符、 響應速度、 發(fā)貨速度等非財務數(shù)據(jù)都是社會關(guān)系參與的體 現(xiàn)，這種體現(xiàn)跟企業(yè)關(guān)注的聲譽有關(guān)， 通過監(jiān)控這些指標可以進一步 管理信用風險。 也就是說在互聯(lián)網(wǎng)供應

15、鏈金融中， 非財務數(shù)據(jù)可體現(xiàn) 很多信用風險的信息， 如果不善于利用這些信息， 互聯(lián)網(wǎng)供應鏈金融 的信用風險管理極可能不是充分有效的。本文用邏輯回歸模型進 一步處理這些非財務指標， 最后歸一為違約概率判別變量， 實證說明 信用風險度量具有一定預測能力， 獨立利用非財務數(shù)據(jù)度量互聯(lián)網(wǎng)供 應鏈金融的信用風險管理是切實可行的。 相對于傳統(tǒng)財務數(shù)據(jù)， 利用非財務數(shù)據(jù)管理互聯(lián)網(wǎng)供應鏈金融信用風險的重大意義體現(xiàn)在 以下四個方面：（1）拓寬了風險管理的界限。 傳統(tǒng)財務數(shù)據(jù)主要反映企業(yè)運營狀 況、擔保物經(jīng)濟價值等， 對于融資方的行為、 偏向、心理都不能覆蓋， 這些只能通過非財務數(shù)據(jù)才能有效表現(xiàn)出來， 最終落實信

16、用風險控制 點。（2）可及時動態(tài)地進行風險管理。對于企業(yè)而言，最短的財務報表周期是一個季度， 但如此長的周期不能滿足互聯(lián)網(wǎng)時代的風 險管理要求。因此，傳統(tǒng)的財務數(shù)據(jù)背景下信用風險管理效率過低， 而且是相對靜態(tài)的。 非財務數(shù)據(jù)式的信用風險管理可以快速動態(tài)地利 用日常交易數(shù)據(jù)隨時監(jiān)控融資方的信用狀況， 在一定程度上可滿足及 時監(jiān)控的要求。（3）降低信貸欺詐風險。對于大多數(shù)中小企業(yè)而言，其財務數(shù)據(jù)都是未經(jīng)過審計的，財務制度不完善，僅僅依賴財 務數(shù)據(jù)進行信用風險管理， 融資方的欺詐成本較低。 但是基于大數(shù)據(jù) 的非財務數(shù)據(jù)風險管理方式對數(shù)據(jù)進行大范圍杜撰難度和成本都較 大，信貸欺詐的可能性大大降低。 五

17、、互聯(lián)網(wǎng)供應鏈金融盯市模 式設計 實證分析說明，應用邏輯回歸模型預測互聯(lián)網(wǎng)供應鏈金融 下融資企業(yè)的信用風險具有即時動態(tài)性， 可將其應用到信用風險管理 中?；ヂ?lián)網(wǎng)供應鏈金融信用風險管理的核心有兩點：第一，確認融資 方身份以及交易的真實性；第二，動態(tài)度量和判別信用風險。 為了動態(tài)度量和判別信用風險， 本文增設風險判別器， 將盯市制度引用 到互聯(lián)網(wǎng)供應鏈金融信用風險管理模式中。 （一）盯市模式 本 文構(gòu)建的互聯(lián)網(wǎng)供應鏈金融風險管理盯市模式結(jié)構(gòu)如圖2 所示。該模式中互聯(lián)網(wǎng)供應鏈金融信用風險管理主要涉及五個主體： 互聯(lián)網(wǎng)平臺、 資金需求方、資金供給方、物流企業(yè)（倉庫） 、第三方支付。為了研 究方便，假設

18、互聯(lián)網(wǎng)平臺、資金供給方、物流企業(yè)（倉庫） 、第三方 支付平臺同屬于互聯(lián)網(wǎng)平臺企業(yè)集團的子企業(yè) （現(xiàn)實中阿里巴巴集團、 京東集團基本符合這種假設） ，互聯(lián)網(wǎng)平臺是整個信用風險控制的核 心，因為它是大數(shù)據(jù)的來源， 只有互聯(lián)網(wǎng)平臺才能真正控制和監(jiān)督交 易行為。 資金需求方可以是互聯(lián)網(wǎng)平臺的供應商， 也可以是下游的銷 售商，涵蓋互聯(lián)網(wǎng)平臺的所有企業(yè)， 這些企業(yè)只要滿足授信條件都可 以向互聯(lián)網(wǎng)平臺申請貸款。物流企業(yè)和倉庫是整合物流的重要環(huán)節(jié)， 互聯(lián)網(wǎng)平臺企業(yè)控制了物流企業(yè)和倉庫， 就相當于獲得了無形的抵押 物，包括且不限于應收賬款、訂單、倉單等。資金供給方可以是擁有 剩余自有資金的互聯(lián)網(wǎng)平臺企業(yè)、P2P

19、公司、小貸公司甚至傳統(tǒng)金融 機構(gòu)等。資金流的閉環(huán)重點在于第三方支付平臺，如支付寶、財付通 等，它可以實現(xiàn)融資、還款、投資三個資金環(huán)節(jié)銜接循環(huán)。第三方支 付平臺通過邏輯回歸風險判別器即時動態(tài)地監(jiān)控資金需求方的狀況， 預判資金需求方的信用風險， 完成授信資金的劃撥、 控制、貸后監(jiān)控、 還款所有的資金循環(huán)。 （二）盯市機制的實現(xiàn) 本文模擬期貨 盯市制度設計了互聯(lián)網(wǎng)供應鏈金融信用風險管理模式， 資金需求方和 資金供給方相當于期貨交易的雙方， 第三方支付平臺相當于期貨公司。第三方支付平臺具有獲取相關(guān)數(shù)據(jù)的優(yōu)勢， 能夠便利獲得邏輯回歸模 型計算所需的動態(tài)非財務數(shù)據(jù)， 如交易頻率、客戶活躍度、滿意度等， 因此第三方支付平臺負責控制邏輯風險判別器，并