论文部分内容阅读
基金项目： 国家自然科学基金项目（71561002）、北方民族大学重点科研项目（BMDK201705）
作者简介： 李光荣（1980—），男，宁夏彭阳人，博士，北方民族大学商学院教师，韩国岭南大学访问学者，研究方向：风险管理、供应链金融、系统工程等。
摘 要：通过农业供应链金融信用风险致因分析系统框架构建结构方程模型，依据来自黄河中上游流域五个省份780份调研数据展开的实证研究发现：就农业供应链金融信用风险而言，所提出的致因分析系统框架能够系统反映其影响因素;核心企业与融资企业作为主要参与主体，对其影响颇为关键，同时，作为信用风险直接载体的融资资产其风险属性影响显著;自然环境和经济环境因素是对其产生重要影响的外在因素;产业政策和风险中介服务是重要的系统影响因素;供应链关系影响不容忽视，供应链关系质量是影响供应链关系的深层次因素，网络信息技术应用效果有待提升。
关键词： 供应链金融;信用风险;农业;系统框架;实证研究
中图分类号：F830.58 文献标识码： A 文章编号：1003-7217（2020）03-0017-08
一、引 言
近年来，供应链金融在解决中小企业融资难问题、增进金融服务投入实体经济的供给侧改革中显现出积极作用[1]。自国务院办公厅发布《关于积极推进供应链创新与应用的指导意见》（国办发〔2017〕84号）将供应链金融列为重点任务以来，其发展更加迅速。世界著名金融咨询公司Demica公司在2014年预测，2020年以前全球供应链金融业务的增长速率为10%以上，我国供应链金融规模预计将达到15万亿元[2]。农业供应链金融应用近几年也取得一定进展，成为解决农业供应链上中小经营主体（包括农户）融资问题的有效方式[3]。同时，也是实现农业金融供给侧改革的有效途径，对落实国务院支持小微企业和“三农”发展，以及“强化金融服务方式创新，提高金融服务乡村振兴能力和水平”具有重要意义。
但供应链金融快速发展的同时，也伴随着不同于传统金融业务的风险——其某一环节风险事件发生都可能导致整个产业链金融风险的放大，信用风险作为金融机构风险管理面临的最大挑战[4]就是这种传导性会尤为突出。农业供应链将自然生产、经济再生产以及生产性服务业紧密串联为一体，因其经营管理的复杂性、影响因素的特殊性，导致农业供应链金融显现出更大的信用风险。
农业供应链金融信用风险相关研究起步较晚，Wenner M D 认为农业企业融资主体的客户情况、现金流情况、市场形势、企业经营能力以及声誉等是影响其信用风险的因素[5]。国内学者的研究有从供应链核心企业、宏观经济以及自然环境方面对其来源进行了定性分析[6];有认为其信用风险诱发根源主要是企业内在经营情况、生产要素市场波动、自然环境异常风险[7];有从企业经营状况、盈利能力、偿债能力、融资资产情况以及供应链状况等方面分析主要影响因素[3]等。从既有关于农业供应链金融信用风险的研究看，研究维度呈现出多样化特征，缺乏系统性分析框架，难以为管理决策提供系统化依据;其次，研究中对信用风险主体不够明确，未能反映不同参与主体在信用风险演进中的角色;再次，对农业系统性风险、新经济下网络信息技术应用等影响因素考虑不足。因此，研究农业供应链金融信用风险致因的系统框架与路径既是管理实践之所需，也是对该领域理论研究的有益补充。
为此，本文拟基于系统论构建农业供应链金融信用风险致因分析理论框架，并基于陕、甘、宁、蒙、晋地区问卷调查数据，构建农业供应链金融信用风险致因分析结构方程模型，通过对模型进行检验、修正、实证，形成对农业供应链金融信用风险致因分析的基本判断。
二、农业供应链金融信用风险致因分析系统框架
根据系统论，一切事物可看作内部元素、外部环境、元素之间相互作用、元素与环境之间相互作用而形成的有机系统[8]。解构农业供应链金融信用风险系统，核心企业、融资企业、融资资产构成了系统的内部元素;其所处自然环境、经济环境等构成了系统的外在环境;供应链关系、网络信息技术应用等反映了内部元素之间的关系及其实现途径;政府政策调控、风险中介服务等反映了内部元素与外部环境之间的作用关系。同时，系统论发展观认为，内、外因及其相互渗透、转化和共同作用[8，9]，形成了系统演化的复杂动因。分析风险系统的演化形成的内因和外因：内因是风险主体自身及其行为因素，能够自我控制;而外因是风险主体难以准确预知或控制的不确定因素。结合以上分析，构建农业供应链金融信用风险致因分析系统框架，如图1所示。
农业供应链金融信用风险演化的内因：（1）融资企业、核心企业和融资资产是系统内部元素，其中融资企业是信用风险的直接主体;核心企业是信用风险的间接主体，对融资企业起到增信作用;融资资产则是其信用风险的直接载体。（2）融资企业、核心企业和融资资产内部元素之间联系主要体现在供应链关系和网络信息技术应用方面，供应链关系是核心企业与中小企业（融资企业）一定时期内形成的信息与利益共享、风险共担的合作关系;网络信息技术应用体现了供应链关系的实现途径。
农业供应链金融信用风险演化的外因：（1）经济环境和自然环境构成其外部环境。国内外经济环境的变化对供应链关系、供应链上企业经营绩效等产生影响，进而影响到供应链金融信用风险;自然环境对农业初级生产环节影响顯著，进一步影响到供应链金融信用风险。（2）内部元素与外部环境之间关系主要反映在政策调控和风险中介服务方面。政策调控是指国家或地区针对具体供应链金融及其相关领域的发展出台的相应政策;中介服务是反映供应链金融主要参与主体与外部风险因素发生作用的过程中，有关风险分散、缓释或抑制等风险中介服务，如信用评价、担保和保险等。
三、农业供应链金融信用风险致因分析结构方程模型
（一）研究假设 1.经济环境因素。经济环境因素主要指国际经济形势、国内经济环境、国际贸易环境等。国际经济形势方面，全球性经济波动最终影响到国际市场的需求变化，外向型经济领域受其影响显著。国内经济环境从营商环境、投资环境、消费环境以及金融环境等各方面影响到各类经济主体经营活动。国际贸易环境的变化，特别是2018年以来国际贸易争端在一段时期内不断升级，国际贸易环境更加复杂，开放型经济下的农业供应链金融信用风险必然受其影响。为此，提出以下研究假设：
H1-a 经济环境因素是农业供应链金融信用风险重要外在影响因素。
H1-b 国际经济形势、国内经济环境、国际贸易环境是影响农业供应链金融经济环境因素的重要方面。
2.自然环境风险。自然环境风险是农业自然条件、生态环境、病虫灾害、生产地域分布等自然因素对其生产经营活动产生影响而形成不利后果的可能性。农业生产中面临的自然风险是农业风险中的主要不可控风险[10-12]，是农业外在系统性风险的主要方面[13]，主要表现为气象灾害（旱涝灾害等）、地质灾害（地震等）以及病虫灾害等[14]。随着人类生产生活与环境相互作用的日益加深，作为农业外在系统性自然环境风险因素，还应该包括环境污染因素[15]。由此，提出以下研究假设：
H2-a 自然环境风险对农业供应链金融信用风险产生显著影响。
H2-b 气象灾害、地质灾害、病虫灾害、环境污染是形成自然环境风险的重要方面。
3.产业政策风险。产业政策反映了国家为推动产业升级与结构调整，促进产业可持续发展和人民生活水平持续提高而采取的一系列计划和配套措施，包括具体产业指导计划、相关财政政策和金融政策等。对供应链上游中小经营实体而言不稳定的产业政策是最为主要的外在风险[16]，必然影响农业供应链金融信用风险，由此，提出以下研究假设：
H3-a 产业政策风险是农业供应链金融信用风险的重要影响因素。
H3-b 产业指导计划变动、财政政策变动、金融政策变动
对产业政策风险有显著影响。
4.风险中介服务。风险中介服务是为应对各种外在风险，面向各风险主体展开担保、保险、保理及风险评估等风险分散、缓释或处置等活动，是社会经济活动风险管理过程中不可或缺的因素，归纳起来主要有三类：（1）风险分散、转移类中介服务，如保险服务、担保服务等;（2）风险处置类中介服务，如保理服务等;（3）风险评估类中介服务，如信用风险评价、资产评估等服务。在供应链金融信用风险管理实践中，风险中介服务在不同阶段对其产生影响。由此，提出以下研究假设：
H4-a 风险中介服务对农业供应链金融信用风险产生重要影响。
H4-b 风险分散、转移类中介服务、风险处置类中介服务、
风险评估类中介服务是重要的风险管理活动。
5.供应链关系因素。供应链关系是供应链各主体一定时期内在信息共享、风险分担基础上形成共赢发展的合作关系。从理论界研究和实践探索来看，反映供应链关系的主要因素有供应链竞争力、关系强度、关系质量、关系久度以及合作频率。供应链竞争力反映了供应链在市场中的相对竞争地位，体现为同类供应链中的交易比例和影响力。关系强度取决于供应链各方之间合作的强约束，长期合作的契约关系有助于增强其关系强度。关系质量是对供应链上合作各方潜在契约关系的综合反映，包括合作的意愿承诺、管理者私人关系甚至是业务人员私人关系等。关系久度是合作关系时间维度的反映。合作频率反映了各方交易行为的频次。由此，提出以下研究假设：
H5-a 供应链关系因素对供应链金融信用风险产生显著影响。
H5-b 供应链竞争力、关系强度、关系质量、关系久度、合作频率
是反映供应链关系的重要方面。
6.网络信息技术应用。新经济下借助网络信息技术融合发展已成为未来发展趋势，互联网交易情况、服务质量以及行业供应链状况是反映线上供应链金融运行的重要方面[16]，同时，企业总体信息化水平、线上业务协同处理能力等因素也是重要的影响因素[17，18]。本文将互联网信息技术对供应链金融的影响归纳为供应链金融运行过程中信息共享程度、网络协同处理能力和信息化应用水平三個方面，并提出以下研究假设：
H6-a 网络信息技术应用对供应链金融信用风险有重要影响。
H6-b 供应链金融信息共享程度、网络协同处理能力、信息化应用水平
是反映其网络信息技术应用的重要方面。
7.核心企业信用风险。核心企业信用风险被看作是供应链金融信用风险的“震中”，源自核心企业的信用风险极易通过供应链关系传导至上下游企业，进而导致整个供应链乃至产业链金融信用风险放大，甚至诱发危机产生。供应链金融信用风险评价研究中均将其作为供应链金融信用风险评价的关键要素[18-26]。结合管理实践综合分析，核心企业信用风险影响因素主要涵盖行业地位、产品优势、基础素质、盈利能力、偿债能力以及信用级别等方面。基于实证研究需要，提出以下研究假设：
H7-a 供应链核心企业信用风险对供应链金融系统信用风险产生显著影响。
H7-b 核心企业的行业地位、产品优势、基本素质、盈利能力、偿债能力、信用级别与其信用风险显著相关。
8.融资企业信用风险。融资企业信用风险被认为是供应链金融信用风险的“震源”，是供应链金融信用风险产生的源头。关于融资企业信用风险因素，借鉴有关评价指标研究与业界实践，在中小企业信用风险评价要素基础上，关注其产品竞争力及在供应链上所处相对地位等因素，可归纳为基础素质、相对地位、产品竞争力、盈利能力、运营能力、偿债能力、发展能力、信用状况八个方面。由此，基于实证研究视角，提出以下研究假设：
H8-a 供应链上融资企业信用风险对供应链金融系统信用风险产生显著影响。 H8-b 融资企业基础素质、相对地位、产品竞争力、盈利能力、偿债能力、营运能力、发展能力、信用状况与其信用风险显著相关。
9.融资资产风险属性。融资资产风险属性对供应链金融信用风险规避、缓释乃至违约损失产生直接影响。虽然在有关供应链金融信用风险评价研究中基本上都涉及到此因素，但不同行业融资资产风险属性及其影响差异并未得到足够重视，比如农业与汽车制造业这方面的显著差异。为此，结合实践中农业中小企业融资资产具体情况，重点考虑资产价格稳定性、融资（质押）资产保质性和资产变现能力三个方面，并提出以下研究假设：
H9-a 融资资产风险属性对供应链金融信用风险产生显著影响。
H9-b 融资资产价格稳定性、融资（质押）资产保质性、变现能力与融资资产风险显著相关。
（二）实证分析
结构方程模型（SEM）作为在心理学、经济学、管理学等多个领域广泛运用的一种统计建模技术，是基于变量协方差矩阵来分析变量之间关系的一种统计方法，可以将因素分析方法与路径分析方法相结合，适合于多变量分析，用来分析自变量和潜变量间的复杂关系，并对模型拟合程度进行评估，是进行多元分析的重要方法和工具。本文借助Amos17.0 和SPSS 21.0软件展开统计分析。
1.样本数据来源。采取问卷调查方法获取模型需要数据，在假设H1～H9基础上设计量表，测量题项采用从“完全不同意”到“完全同意”的Likert五点量表，一条示例题项为“核心企业信用风险对供应链金融系统信用风险产生显著影响”。被访问者根据在业务、管理实践中的认知，对题项内容做出判断打分。
为确保问卷有较好的效度，课题组针对题项设计进行多次讨论，并通过地方金融学会、企业协会向蒙古、陕西、甘肃、宁夏及山西等地区开展供应链金融业务的银行、企业部门征求意见，对问卷进行修改完善。研究中数据来自团队于2016-2018年对供应链金融主要参与主体关键岗位人员的问卷调研，受调查对象主要包括以上地区开展供应链金融业务的多家商业银行下属支行（95家）的风控部门与信贷部门主管、由各受调查银行所推荐的农业供应链核心企業（122家）财务管理部门主管及高管人员、由受调查核心企业推荐的相关中小企业（180家）财务管理负责人及高管人员，以及农民专业合作社（76家）负责人。
问卷发放过程中，原则上商业银行每家支行的风控部门与信贷部门主管各发放问卷一份，每家核心企业财务部门主管及相关高管人员各发放问卷一份，每家中小企业财务管理岗位及高管人员（企业负责人）各发放问卷一份，每家农民专业合作社负责人发放问卷一份。共计发放调查问卷1158份，回收823份。问卷调研主要通过以下方式实现：（1）通过有关部门组织的相关金融创新高级人才培训班现场完成调研问卷206份（占25%）;（2）由地方金融学会、企业协会协调并提供银行和企业联系方式，通过微信发出223份、回收140份（占17%），通过电子邮件发放251份、回收99份（占12%），通过电话访谈形式完成148份（占18%），通过现场访谈完成230份（占28%）。剔除漏答题较多或倾向性过于明显的问卷，共获得780份有效问卷。
所获问卷，从地区分布情况看，来自宁夏80份（10.26%）、陕西178份（22.82%）、甘肃169份（21.67%）、内蒙古181份（23.21%）、山西172份（22.05%）;从细分产业分布情况看，所得问卷涵盖了乳业产业192份（24.62%）、种植与加工产业219份（28.08%）、养殖（畜牧）及加工产业187份（23.97%）、银行服务业182份（23.33%）。调查对象分布情况具体见表1。
总体看，调查样本数据涵盖我国内陆地区主要农业细分产业，能够反映农业供应链金融信用风险各主要相关主体关键岗位工作人员认知情况，具有良好的代表性。
2.信度检验。信度检验是指测试设计的可靠程度，反映了测验结果的再现性、一致性和一贯性特征。运用SPSS 21.0 进行CITC分析，样本数据Cronbach’s α 系数的统计结果为：总量表的Cronbach’s α 系数为0.872，大于0.8的可接受水平，所有观测变量的CITC 值最低为0.698，大于0.5（表略）;分量表中信度检验Cronbach’s α值均大于0.7的一般可接受水平（见表2），量表具有较高的信度。
删除CITC值小于0.5的题项、剔除探索性因子分析过程中所有因子负荷都小于0.5和同时在两个因子上载荷大于0.5的题项。最终剔除了供应链竞争力、融资企业产品竞争力两个变量。
3.效度检验。量表题项是在前文研究假设基础上设计，并通过领域内专家们多次讨论确定，一致认为具有较好的内容效度。此外，通过统计分析方法对样本数据效度进行检验（结果见表3），模型KMO值为0.877，大于0.7的因子分析要求;Bartlett's球状检验结果Sig.=0.001<0.05（即p值<0.05），说明各变量间相关性较好，量表具有较好的效度。
4.模型拟合评价。运用AMOS 17.0软件得到初始模型如图2所示①。
根据整体模型拟合度和内在拟合度对模型进行评价，以确保模型达到更好可靠性。为此，进行测量模型评价和结构模型评价。
（1）测量模型评价。重在检验整体结构信度和效度，根据AMOS 17.0软件所得模型拟合指数，绝对适配指标x2/ df（526.13）、GFI（0.810）、RMSEA（0.081）和相对适配指标RFI（0.861）、CFI（0.867）尚存在优化提升空间。根据协方差修正指数发现，部分观测变量e20<->e21、e8<->e9、e2<->e36等10组测量误差存在较高共变性，逐次释放修正参数，直至模型最优。
修正后的模型拟合指数如表4所示，达到理想水平;修正后的致因分析模型如图3所示①。 （2）结构模型評价。检验假设模型参数估计结果是否得到统计数据支持，包括各变量之间的关系。标准化的最优模型各路径系数（限于篇幅，详表略）中各潜变量之间的路径系数临界比值C.R.在12.422～2.401之间（C.R.值大于1.96表明显著性较好）;33项估计中，5项P值小于0.05，28项P值小于0.001，各项系数估计显著性较好。
通过整体拟合度分析、模型逐步修正，最终参数估计表明模型整体适配性和结构拟合度良好，所建构农业供应链金融信用风险致因系统分析模型总体上较为理想，假设H1～H9总体得到支持（研究过程中少量被弃假设与题项除外）。
四、研究结论
1.从系统视角解构分析，信用风险主体（供应链核心企业、融资企业）、直接载体（融资资产）、网络信息技术应用以及供应链关系共同构成了影响农业供应链金融信用风险的内在动因;经济环境、自然环境、产业政策以及风险中介服务等构成了农业供应链金融信用风险的外在动因。实证结果显示，各因素对农业供应链金融信用风险的影响由大及小依次为：核心企业信用风险（0.917）、融资企业信用风险（0.893）、自然环境风险（0.855）、融资资产风险属性（0.829）、产业政策风险（0.828）、经济环境因素（0.813）、风险中介服务（0.812）、供应链关系因素（0.811）和网络信息技术应用（0.617），这些要素并非孤立的存在，而是相互联系的有机系统。
2.基于内因分析视角：（1）核心企业作为主要主体，其信用风险是农业供应链金融信用风险的“震中”，易于导致众多围绕核心企业开展的中小企业融资项目产生兑付风险，引致整个供应链金融信用风险系统性爆发。其影响因素包括行业地位、基础素质、产品优势、盈利能力、偿债能力和信用级别，路径系数分别为0.804、0.779、0.787、0.781、0.838和0.774，显然，偿债能力对其影响相对显著，其次是行业地位，而后是其余基础性因素。（2）融资企业作为直接主体，被视作供应链金融信用风险的“震源”或起源，其信用风险影响因素包括基础素质、相对地位、盈利能力、偿债能力、运营能力、发展能力以及信用状况七个方面，路径系数分别为0.738、0.673、0.787、0.834、0.778、0.676和0.759，显然，其偿债能力、盈利能力、运营能力和信用状况影响相对更为显著。（3）融资资产是农业供应链金融信用风险的承载客体，其风险属性影响因素包括资产价格稳定性、融资资产保质性和资产变现能力，路径系数分别为0.730、0.818和0.827，显然，保质性与可变现性影响更为显著。
3.农业供应链金融信用风险外在系统性因素包括自然环境风险和经济环境因素。自然环境风险主要指气象灾害、地质灾害、环境污染和病虫灾害，路径系数分别为0.826、0.702、0.804和0.785，一般农业供应链上游初级供应商最易受其影响而导致核心企业面临供应短缺或中断，造成成本上升，特别是环境污染和气象灾害的影响相对显著。经济环境因素主要包括国际宏观经济形势、国内经济环境和国际贸易环境变化，其路径系数分别为0.812、853和0.783。在当前供应链更加国际化的背景下，这种影响更加明显。
4.考察系统内部元素与外部环境作用关系，包括风险中介服务和产业政策因素。风险中介服务反映了各主体面对各类风险时所采取的第三方措施，主要包括风险转移、处置和评估三类中介服务，其路径系数分别为0.822、0.801和0.785;产业政策体现了信用风险主体与外部经济环境的作用关系，反映了政府根据宏观经济发展对微观主体的指导调节，其测量变量产业指导计划、财政政策及金融政策的路径系数分别为0.823、0.818和0.798。
5.系统内部元素之间关系主要涉及供应链关系和网络信息技术应用。供应链关系一定程度上影响供应链金融信用风险事件发生概率和处置后果，主要体现在关系强度、关系质量、关系久度和合作频率四个方面，其路径系数分别为0.813、0.835、0.797和0.799，其中合作意愿与承诺、业务人员及管理者私人关系等关系质量因素是深层次影响因素。近年来，网络信息技术应用给供应链关系带来深刻影响，但从实证结果来看，目前对农业供应链金融信用风险的影响效果相对较弱。
五、对策建议
根据前文研究，提出以下对策建议：
1.以系统思维分析和管控农业供应链金融信用风险。明确供应链金融信用风险的内在主体、载体以及将这些主体与载体联结起来的供应链关系、信息系统;重视外在诱因的影响，探索相应管控途径;综合考虑到各要素之间可能的相互关系、各参与主体之间的风险传导性以及管理协同性，从产业共生的视角，构建融资方、核心企业、供应链中小微实体共同参与的供应链金融信用风险治理生态。
2.加强对信用风险源头与核心的治理。从有效管控融资企业信用风险入手治理供应链金融信用风险的源头;围绕核心企业信用风险管控好其信用风险的核心;动态监测、客观评估融资资产风险，加强与核心企业、第三方资产托管机构的合作，尽可能降低、规避来自融资资产的信用风险损失。
3.针对外部信用风险诱因建立响应防控机制。建立外部信用风险诱因监测响应机制，对由外部环境变化引致的信用风险进行预先预测分析，并在此基础上分级分类制定应对方案，及时采取有效预控措施，阻断系统性信用风险扩散路径;引导信用风险关键主体借助保险等风险转移工具，管控难以避免或缓释的外在风险，以免引发供应链金融系统性信用风险。
4.重视供应链关系质量管理。供应链上交易方合作的意愿承诺、业务人员及管理者私人关系等因素是影响供应链关系的更深层次因素，加强供应链金融信用风险管理不仅要掌握供应链关系形成时间长短、合作频率及契约情况等信息，更要通过深入了解和把握供应链关系质量情况，有效规避、降低潜在的信用风险。
5.补齐信息技术应用短板，消除农业供应链内在数字鸿沟。基于信息经济学分析，解决好信息不对称问题是降低供应链金融信用风险的有效途径。信息技术环境下农业供应链金融信用风险管控，须在提升中小微经营实体网络信息技术应用能力、补齐信息技术短板的同时，通过管理与技术创新的融合，加强各利益相关方电子商务协同，尽可能消除农业供应链上不同主体间的信息鸿沟，增进信用风险管控协同能力。 注释：
① 正文中数据表述与图中数据表述不一致，是因为 AMOS17.0软件默认的模型路径图上数字输出为小数点后面保留两位数，而路径系数表的输出值为小数点后面保留三位数（文中结论阐述为与大部分统计参数保持格式一致，采用了路径系数表输出中保留小数点后面三位的格式）。
参考文献：
[1] 宋华， 陈思洁.供应链金融的演进与互联网供应链金融：一个理论框架[J].中国人民大学学报， 2016， 30（5）：95-104.
[2] 张莉莉，穆东，刘德红，等.中国供应链金融指数编制（上篇）：意义、思路与体系构建[J].北京交通大学学报（社会科学版），2018，17（4）：96-104.
[3] 杨军，房姿含.供应链金融视角下农业中小企业融资模式及信用风险研究[J].农业技术经济， 2017（9）：95-104.
[4] Wu C， Guo Y， Zhang X， et al. Study of personal credit risk assessment based on support vector machine ensemble[J].International Journal of Innovative Computing， Information and Control， 2010， 6（5）： 2353-2360.
[5] Wenner M. Innovations in rural and agricultural finance： credit risk management in financing Agriculture[J]. Agricultural Science and Technology， 2015， 31（2）： 131-149.
[6] 刘秀莉.基于信用风险视角的农业供应链金融研究[J].农业经济， 2014（7）：32-33.
[7] 张东博. 农业供应链金融风险源与风险控制研析[J]. 农业经济， 2017（6）：95-96.
[8] 张强. 系统方法论与唯物辩证法[J]. 系统科学学报， 2004， 12（4）：7-11.
[9] 饶欣. 系统论与唯物辩证法发展观的比较研究[J]. 系统科学学报， 2004， 12（4）：19-22.
[10]J B Hardaker， R B M Huirne， J R Anderson， et al.Coping with risk in agriculture （second ed.）[M].Oxfordshire：Centre Agriculture Bioscience International，2004.
[11]Boehlje M，Doehring T A. The farm security and rural investment act of 2002： what it means to you. （Agricultural Lending）[J]. Human Molecular Genetics，2002， 18（1）：97-104.
[12]Glauber J W， Collins K J. Risk management and the role of the federal government[J]. Scientia Canadensis， 2002， 30（2）：136-139.
[13]欧阳越秀，李贞玉. 逆向选择、系统性风险与政策性农业保险可持续发展[J]. 保险研究， 2010（4）：66-71.
[14]谭湘渝. 农业产业化、系统性风险与农民收入损失的风险测度[J]. 统计与决策， 2006（19）：76-77.
[15]项桂娥，吴义根. 基于SEM模型的农业企业风险评价体系研究——以安徽省221家农业产业化龙头企业为例[J]. 农业技术经济， 2012（8）：113-120.
[16]柯柄生. 关于新农村建设中政府职能的思考[J].农村金融研究， 2006（6）：11-13.
[17]王宝森，王迪. 互联网供应链金融信用风险度量与盯市管理[J]. 中国流通经济， 2017， 31（4）：77-84.
[18]戴昕琦.商业银行信用风险评估模型研究——基于线上供应链金融的实证[J].软科学，2018， 32（5）：139-144.
[19]王丛，张在旭，孙燕芳.供应链金融利益主体的多阶段博弈研究[J].财经理论与实践，2018，39（4）：32-37.
[20]鞠彦辉， 许燕， 何毅. 信息混沌下银行线上供应链金融信用风险盲数评价模型构建[J]. 企業经济， 2018（6）：102-106.
[21]熊熊，马佳，赵文杰，等.供应链金融模式下的信用风险评价[J].南开管理评论， 2009， 12（4）：92-98+106.
[22]夏立明， 宗恒恒， 孟丽. 中小企业信用风险评价指标体系的构建——基于供应链金融视角的研究[J]. 金融论坛， 2011（10）： 73-79.
[23]邹建国，李明贤.农业供应链金融视角的农户信用增进研究[J].财经理论与实践，2019，40（6）：32-38.
[24]刘远亮， 高书丽. 供应链金融模式下的小企业信用风险识别——基于北京地区信贷数据的实证研究[J]. 新金融， 2013（1）：45-49.
[25]李勤，龚科. 供应链金融模式下中小企业信用风险的案例分析[J]. 金融理论与实践， 2014（8）：66-71.
[26]田美玉，何文玉. 供应链金融融资模式下中小企业信用风险评估——以汽车行业实证研究为例[J]. 工业技术经济， 2016， 35（6）：154-160. （責任编辑：宁晓青）
Research on a Systemic Framework and Empirical Analysis of Agricultural Supply Chain Finance Credit Risk Based on 780 Survey Data from Participants in Five Provinces of China
LI Guangrong
（Business School of North Minzu Univesity，Yinchuan，Ningxia 750021，China）
Abstract：The system scheme of agriculture supply chain finance credit risk cause analysis is put forward and the structure equation model is established. With the 780 survey data from the major five agriculture provinces in the upper and middle Yellow River reaches， the empirical research on the system scheme and formation path of agriculture supply chain finance credit risk is carried on. For the agriculture supply chain finance credit risk， it is found how the cause factors influence： Firstly， the analysis scheme based on the system theory is in line with the credit risk management practice systematically. Secondly， as the major participants， the core enterprise and financing enterprise have critical impact on it， and at the same time， the financing assets attributes have a significant influence as the direct carrier. Thirdly， natural and economic environment are the important external systemic factors. Fourthly， the risk intermediary service and industrial policy are important factors. Finally， the impact from supply chain relation and Internet information technology application are also significantly.
Key words：supply chain finance; credit risk; agriculture; system framework; empirical study
作者简介： 李光荣（1980—），男，宁夏彭阳人，博士，北方民族大学商学院教师，韩国岭南大学访问学者，研究方向：风险管理、供应链金融、系统工程等。
摘 要：通过农业供应链金融信用风险致因分析系统框架构建结构方程模型，依据来自黄河中上游流域五个省份780份调研数据展开的实证研究发现：就农业供应链金融信用风险而言，所提出的致因分析系统框架能够系统反映其影响因素;核心企业与融资企业作为主要参与主体，对其影响颇为关键，同时，作为信用风险直接载体的融资资产其风险属性影响显著;自然环境和经济环境因素是对其产生重要影响的外在因素;产业政策和风险中介服务是重要的系统影响因素;供应链关系影响不容忽视，供应链关系质量是影响供应链关系的深层次因素，网络信息技术应用效果有待提升。
关键词： 供应链金融;信用风险;农业;系统框架;实证研究
中图分类号：F830.58 文献标识码： A 文章编号：1003-7217（2020）03-0017-08
一、引 言
近年来，供应链金融在解决中小企业融资难问题、增进金融服务投入实体经济的供给侧改革中显现出积极作用[1]。自国务院办公厅发布《关于积极推进供应链创新与应用的指导意见》（国办发〔2017〕84号）将供应链金融列为重点任务以来，其发展更加迅速。世界著名金融咨询公司Demica公司在2014年预测，2020年以前全球供应链金融业务的增长速率为10%以上，我国供应链金融规模预计将达到15万亿元[2]。农业供应链金融应用近几年也取得一定进展，成为解决农业供应链上中小经营主体（包括农户）融资问题的有效方式[3]。同时，也是实现农业金融供给侧改革的有效途径，对落实国务院支持小微企业和“三农”发展，以及“强化金融服务方式创新，提高金融服务乡村振兴能力和水平”具有重要意义。
但供应链金融快速发展的同时，也伴随着不同于传统金融业务的风险——其某一环节风险事件发生都可能导致整个产业链金融风险的放大，信用风险作为金融机构风险管理面临的最大挑战[4]就是这种传导性会尤为突出。农业供应链将自然生产、经济再生产以及生产性服务业紧密串联为一体，因其经营管理的复杂性、影响因素的特殊性，导致农业供应链金融显现出更大的信用风险。
农业供应链金融信用风险相关研究起步较晚，Wenner M D 认为农业企业融资主体的客户情况、现金流情况、市场形势、企业经营能力以及声誉等是影响其信用风险的因素[5]。国内学者的研究有从供应链核心企业、宏观经济以及自然环境方面对其来源进行了定性分析[6];有认为其信用风险诱发根源主要是企业内在经营情况、生产要素市场波动、自然环境异常风险[7];有从企业经营状况、盈利能力、偿债能力、融资资产情况以及供应链状况等方面分析主要影响因素[3]等。从既有关于农业供应链金融信用风险的研究看，研究维度呈现出多样化特征，缺乏系统性分析框架，难以为管理决策提供系统化依据;其次，研究中对信用风险主体不够明确，未能反映不同参与主体在信用风险演进中的角色;再次，对农业系统性风险、新经济下网络信息技术应用等影响因素考虑不足。因此，研究农业供应链金融信用风险致因的系统框架与路径既是管理实践之所需，也是对该领域理论研究的有益补充。
为此，本文拟基于系统论构建农业供应链金融信用风险致因分析理论框架，并基于陕、甘、宁、蒙、晋地区问卷调查数据，构建农业供应链金融信用风险致因分析结构方程模型，通过对模型进行检验、修正、实证，形成对农业供应链金融信用风险致因分析的基本判断。
二、农业供应链金融信用风险致因分析系统框架
根据系统论，一切事物可看作内部元素、外部环境、元素之间相互作用、元素与环境之间相互作用而形成的有机系统[8]。解构农业供应链金融信用风险系统，核心企业、融资企业、融资资产构成了系统的内部元素;其所处自然环境、经济环境等构成了系统的外在环境;供应链关系、网络信息技术应用等反映了内部元素之间的关系及其实现途径;政府政策调控、风险中介服务等反映了内部元素与外部环境之间的作用关系。同时，系统论发展观认为，内、外因及其相互渗透、转化和共同作用[8，9]，形成了系统演化的复杂动因。分析风险系统的演化形成的内因和外因：内因是风险主体自身及其行为因素，能够自我控制;而外因是风险主体难以准确预知或控制的不确定因素。结合以上分析，构建农业供应链金融信用风险致因分析系统框架，如图1所示。
农业供应链金融信用风险演化的内因：（1）融资企业、核心企业和融资资产是系统内部元素，其中融资企业是信用风险的直接主体;核心企业是信用风险的间接主体，对融资企业起到增信作用;融资资产则是其信用风险的直接载体。（2）融资企业、核心企业和融资资产内部元素之间联系主要体现在供应链关系和网络信息技术应用方面，供应链关系是核心企业与中小企业（融资企业）一定时期内形成的信息与利益共享、风险共担的合作关系;网络信息技术应用体现了供应链关系的实现途径。
农业供应链金融信用风险演化的外因：（1）经济环境和自然环境构成其外部环境。国内外经济环境的变化对供应链关系、供应链上企业经营绩效等产生影响，进而影响到供应链金融信用风险;自然环境对农业初级生产环节影响顯著，进一步影响到供应链金融信用风险。（2）内部元素与外部环境之间关系主要反映在政策调控和风险中介服务方面。政策调控是指国家或地区针对具体供应链金融及其相关领域的发展出台的相应政策;中介服务是反映供应链金融主要参与主体与外部风险因素发生作用的过程中，有关风险分散、缓释或抑制等风险中介服务，如信用评价、担保和保险等。
三、农业供应链金融信用风险致因分析结构方程模型
（一）研究假设 1.经济环境因素。经济环境因素主要指国际经济形势、国内经济环境、国际贸易环境等。国际经济形势方面，全球性经济波动最终影响到国际市场的需求变化，外向型经济领域受其影响显著。国内经济环境从营商环境、投资环境、消费环境以及金融环境等各方面影响到各类经济主体经营活动。国际贸易环境的变化，特别是2018年以来国际贸易争端在一段时期内不断升级，国际贸易环境更加复杂，开放型经济下的农业供应链金融信用风险必然受其影响。为此，提出以下研究假设：
H1-a 经济环境因素是农业供应链金融信用风险重要外在影响因素。
H1-b 国际经济形势、国内经济环境、国际贸易环境是影响农业供应链金融经济环境因素的重要方面。
2.自然环境风险。自然环境风险是农业自然条件、生态环境、病虫灾害、生产地域分布等自然因素对其生产经营活动产生影响而形成不利后果的可能性。农业生产中面临的自然风险是农业风险中的主要不可控风险[10-12]，是农业外在系统性风险的主要方面[13]，主要表现为气象灾害（旱涝灾害等）、地质灾害（地震等）以及病虫灾害等[14]。随着人类生产生活与环境相互作用的日益加深，作为农业外在系统性自然环境风险因素，还应该包括环境污染因素[15]。由此，提出以下研究假设：
H2-a 自然环境风险对农业供应链金融信用风险产生显著影响。
H2-b 气象灾害、地质灾害、病虫灾害、环境污染是形成自然环境风险的重要方面。
3.产业政策风险。产业政策反映了国家为推动产业升级与结构调整，促进产业可持续发展和人民生活水平持续提高而采取的一系列计划和配套措施，包括具体产业指导计划、相关财政政策和金融政策等。对供应链上游中小经营实体而言不稳定的产业政策是最为主要的外在风险[16]，必然影响农业供应链金融信用风险，由此，提出以下研究假设：
H3-a 产业政策风险是农业供应链金融信用风险的重要影响因素。
H3-b 产业指导计划变动、财政政策变动、金融政策变动
对产业政策风险有显著影响。
4.风险中介服务。风险中介服务是为应对各种外在风险，面向各风险主体展开担保、保险、保理及风险评估等风险分散、缓释或处置等活动，是社会经济活动风险管理过程中不可或缺的因素，归纳起来主要有三类：（1）风险分散、转移类中介服务，如保险服务、担保服务等;（2）风险处置类中介服务，如保理服务等;（3）风险评估类中介服务，如信用风险评价、资产评估等服务。在供应链金融信用风险管理实践中，风险中介服务在不同阶段对其产生影响。由此，提出以下研究假设：
H4-a 风险中介服务对农业供应链金融信用风险产生重要影响。
H4-b 风险分散、转移类中介服务、风险处置类中介服务、
风险评估类中介服务是重要的风险管理活动。
5.供应链关系因素。供应链关系是供应链各主体一定时期内在信息共享、风险分担基础上形成共赢发展的合作关系。从理论界研究和实践探索来看，反映供应链关系的主要因素有供应链竞争力、关系强度、关系质量、关系久度以及合作频率。供应链竞争力反映了供应链在市场中的相对竞争地位，体现为同类供应链中的交易比例和影响力。关系强度取决于供应链各方之间合作的强约束，长期合作的契约关系有助于增强其关系强度。关系质量是对供应链上合作各方潜在契约关系的综合反映，包括合作的意愿承诺、管理者私人关系甚至是业务人员私人关系等。关系久度是合作关系时间维度的反映。合作频率反映了各方交易行为的频次。由此，提出以下研究假设：
H5-a 供应链关系因素对供应链金融信用风险产生显著影响。
H5-b 供应链竞争力、关系强度、关系质量、关系久度、合作频率
是反映供应链关系的重要方面。
6.网络信息技术应用。新经济下借助网络信息技术融合发展已成为未来发展趋势，互联网交易情况、服务质量以及行业供应链状况是反映线上供应链金融运行的重要方面[16]，同时，企业总体信息化水平、线上业务协同处理能力等因素也是重要的影响因素[17，18]。本文将互联网信息技术对供应链金融的影响归纳为供应链金融运行过程中信息共享程度、网络协同处理能力和信息化应用水平三個方面，并提出以下研究假设：
H6-a 网络信息技术应用对供应链金融信用风险有重要影响。
H6-b 供应链金融信息共享程度、网络协同处理能力、信息化应用水平
是反映其网络信息技术应用的重要方面。
7.核心企业信用风险。核心企业信用风险被看作是供应链金融信用风险的“震中”，源自核心企业的信用风险极易通过供应链关系传导至上下游企业，进而导致整个供应链乃至产业链金融信用风险放大，甚至诱发危机产生。供应链金融信用风险评价研究中均将其作为供应链金融信用风险评价的关键要素[18-26]。结合管理实践综合分析，核心企业信用风险影响因素主要涵盖行业地位、产品优势、基础素质、盈利能力、偿债能力以及信用级别等方面。基于实证研究需要，提出以下研究假设：
H7-a 供应链核心企业信用风险对供应链金融系统信用风险产生显著影响。
H7-b 核心企业的行业地位、产品优势、基本素质、盈利能力、偿债能力、信用级别与其信用风险显著相关。
8.融资企业信用风险。融资企业信用风险被认为是供应链金融信用风险的“震源”，是供应链金融信用风险产生的源头。关于融资企业信用风险因素，借鉴有关评价指标研究与业界实践，在中小企业信用风险评价要素基础上，关注其产品竞争力及在供应链上所处相对地位等因素，可归纳为基础素质、相对地位、产品竞争力、盈利能力、运营能力、偿债能力、发展能力、信用状况八个方面。由此，基于实证研究视角，提出以下研究假设：
H8-a 供应链上融资企业信用风险对供应链金融系统信用风险产生显著影响。 H8-b 融资企业基础素质、相对地位、产品竞争力、盈利能力、偿债能力、营运能力、发展能力、信用状况与其信用风险显著相关。
9.融资资产风险属性。融资资产风险属性对供应链金融信用风险规避、缓释乃至违约损失产生直接影响。虽然在有关供应链金融信用风险评价研究中基本上都涉及到此因素，但不同行业融资资产风险属性及其影响差异并未得到足够重视，比如农业与汽车制造业这方面的显著差异。为此，结合实践中农业中小企业融资资产具体情况，重点考虑资产价格稳定性、融资（质押）资产保质性和资产变现能力三个方面，并提出以下研究假设：
H9-a 融资资产风险属性对供应链金融信用风险产生显著影响。
H9-b 融资资产价格稳定性、融资（质押）资产保质性、变现能力与融资资产风险显著相关。
（二）实证分析
结构方程模型（SEM）作为在心理学、经济学、管理学等多个领域广泛运用的一种统计建模技术，是基于变量协方差矩阵来分析变量之间关系的一种统计方法，可以将因素分析方法与路径分析方法相结合，适合于多变量分析，用来分析自变量和潜变量间的复杂关系，并对模型拟合程度进行评估，是进行多元分析的重要方法和工具。本文借助Amos17.0 和SPSS 21.0软件展开统计分析。
1.样本数据来源。采取问卷调查方法获取模型需要数据，在假设H1～H9基础上设计量表，测量题项采用从“完全不同意”到“完全同意”的Likert五点量表，一条示例题项为“核心企业信用风险对供应链金融系统信用风险产生显著影响”。被访问者根据在业务、管理实践中的认知，对题项内容做出判断打分。
为确保问卷有较好的效度，课题组针对题项设计进行多次讨论，并通过地方金融学会、企业协会向蒙古、陕西、甘肃、宁夏及山西等地区开展供应链金融业务的银行、企业部门征求意见，对问卷进行修改完善。研究中数据来自团队于2016-2018年对供应链金融主要参与主体关键岗位人员的问卷调研，受调查对象主要包括以上地区开展供应链金融业务的多家商业银行下属支行（95家）的风控部门与信贷部门主管、由各受调查银行所推荐的农业供应链核心企業（122家）财务管理部门主管及高管人员、由受调查核心企业推荐的相关中小企业（180家）财务管理负责人及高管人员，以及农民专业合作社（76家）负责人。
问卷发放过程中，原则上商业银行每家支行的风控部门与信贷部门主管各发放问卷一份，每家核心企业财务部门主管及相关高管人员各发放问卷一份，每家中小企业财务管理岗位及高管人员（企业负责人）各发放问卷一份，每家农民专业合作社负责人发放问卷一份。共计发放调查问卷1158份，回收823份。问卷调研主要通过以下方式实现：（1）通过有关部门组织的相关金融创新高级人才培训班现场完成调研问卷206份（占25%）;（2）由地方金融学会、企业协会协调并提供银行和企业联系方式，通过微信发出223份、回收140份（占17%），通过电子邮件发放251份、回收99份（占12%），通过电话访谈形式完成148份（占18%），通过现场访谈完成230份（占28%）。剔除漏答题较多或倾向性过于明显的问卷，共获得780份有效问卷。
所获问卷，从地区分布情况看，来自宁夏80份（10.26%）、陕西178份（22.82%）、甘肃169份（21.67%）、内蒙古181份（23.21%）、山西172份（22.05%）;从细分产业分布情况看，所得问卷涵盖了乳业产业192份（24.62%）、种植与加工产业219份（28.08%）、养殖（畜牧）及加工产业187份（23.97%）、银行服务业182份（23.33%）。调查对象分布情况具体见表1。
总体看，调查样本数据涵盖我国内陆地区主要农业细分产业，能够反映农业供应链金融信用风险各主要相关主体关键岗位工作人员认知情况，具有良好的代表性。
2.信度检验。信度检验是指测试设计的可靠程度，反映了测验结果的再现性、一致性和一贯性特征。运用SPSS 21.0 进行CITC分析，样本数据Cronbach’s α 系数的统计结果为：总量表的Cronbach’s α 系数为0.872，大于0.8的可接受水平，所有观测变量的CITC 值最低为0.698，大于0.5（表略）;分量表中信度检验Cronbach’s α值均大于0.7的一般可接受水平（见表2），量表具有较高的信度。
删除CITC值小于0.5的题项、剔除探索性因子分析过程中所有因子负荷都小于0.5和同时在两个因子上载荷大于0.5的题项。最终剔除了供应链竞争力、融资企业产品竞争力两个变量。
3.效度检验。量表题项是在前文研究假设基础上设计，并通过领域内专家们多次讨论确定，一致认为具有较好的内容效度。此外，通过统计分析方法对样本数据效度进行检验（结果见表3），模型KMO值为0.877，大于0.7的因子分析要求;Bartlett's球状检验结果Sig.=0.001<0.05（即p值<0.05），说明各变量间相关性较好，量表具有较好的效度。
4.模型拟合评价。运用AMOS 17.0软件得到初始模型如图2所示①。
根据整体模型拟合度和内在拟合度对模型进行评价，以确保模型达到更好可靠性。为此，进行测量模型评价和结构模型评价。
（1）测量模型评价。重在检验整体结构信度和效度，根据AMOS 17.0软件所得模型拟合指数，绝对适配指标x2/ df（526.13）、GFI（0.810）、RMSEA（0.081）和相对适配指标RFI（0.861）、CFI（0.867）尚存在优化提升空间。根据协方差修正指数发现，部分观测变量e20<->e21、e8<->e9、e2<->e36等10组测量误差存在较高共变性，逐次释放修正参数，直至模型最优。
修正后的模型拟合指数如表4所示，达到理想水平;修正后的致因分析模型如图3所示①。 （2）结构模型評价。检验假设模型参数估计结果是否得到统计数据支持，包括各变量之间的关系。标准化的最优模型各路径系数（限于篇幅，详表略）中各潜变量之间的路径系数临界比值C.R.在12.422～2.401之间（C.R.值大于1.96表明显著性较好）;33项估计中，5项P值小于0.05，28项P值小于0.001，各项系数估计显著性较好。
通过整体拟合度分析、模型逐步修正，最终参数估计表明模型整体适配性和结构拟合度良好，所建构农业供应链金融信用风险致因系统分析模型总体上较为理想，假设H1～H9总体得到支持（研究过程中少量被弃假设与题项除外）。
四、研究结论
1.从系统视角解构分析，信用风险主体（供应链核心企业、融资企业）、直接载体（融资资产）、网络信息技术应用以及供应链关系共同构成了影响农业供应链金融信用风险的内在动因;经济环境、自然环境、产业政策以及风险中介服务等构成了农业供应链金融信用风险的外在动因。实证结果显示，各因素对农业供应链金融信用风险的影响由大及小依次为：核心企业信用风险（0.917）、融资企业信用风险（0.893）、自然环境风险（0.855）、融资资产风险属性（0.829）、产业政策风险（0.828）、经济环境因素（0.813）、风险中介服务（0.812）、供应链关系因素（0.811）和网络信息技术应用（0.617），这些要素并非孤立的存在，而是相互联系的有机系统。
2.基于内因分析视角：（1）核心企业作为主要主体，其信用风险是农业供应链金融信用风险的“震中”，易于导致众多围绕核心企业开展的中小企业融资项目产生兑付风险，引致整个供应链金融信用风险系统性爆发。其影响因素包括行业地位、基础素质、产品优势、盈利能力、偿债能力和信用级别，路径系数分别为0.804、0.779、0.787、0.781、0.838和0.774，显然，偿债能力对其影响相对显著，其次是行业地位，而后是其余基础性因素。（2）融资企业作为直接主体，被视作供应链金融信用风险的“震源”或起源，其信用风险影响因素包括基础素质、相对地位、盈利能力、偿债能力、运营能力、发展能力以及信用状况七个方面，路径系数分别为0.738、0.673、0.787、0.834、0.778、0.676和0.759，显然，其偿债能力、盈利能力、运营能力和信用状况影响相对更为显著。（3）融资资产是农业供应链金融信用风险的承载客体，其风险属性影响因素包括资产价格稳定性、融资资产保质性和资产变现能力，路径系数分别为0.730、0.818和0.827，显然，保质性与可变现性影响更为显著。
3.农业供应链金融信用风险外在系统性因素包括自然环境风险和经济环境因素。自然环境风险主要指气象灾害、地质灾害、环境污染和病虫灾害，路径系数分别为0.826、0.702、0.804和0.785，一般农业供应链上游初级供应商最易受其影响而导致核心企业面临供应短缺或中断，造成成本上升，特别是环境污染和气象灾害的影响相对显著。经济环境因素主要包括国际宏观经济形势、国内经济环境和国际贸易环境变化，其路径系数分别为0.812、853和0.783。在当前供应链更加国际化的背景下，这种影响更加明显。
4.考察系统内部元素与外部环境作用关系，包括风险中介服务和产业政策因素。风险中介服务反映了各主体面对各类风险时所采取的第三方措施，主要包括风险转移、处置和评估三类中介服务，其路径系数分别为0.822、0.801和0.785;产业政策体现了信用风险主体与外部经济环境的作用关系，反映了政府根据宏观经济发展对微观主体的指导调节，其测量变量产业指导计划、财政政策及金融政策的路径系数分别为0.823、0.818和0.798。
5.系统内部元素之间关系主要涉及供应链关系和网络信息技术应用。供应链关系一定程度上影响供应链金融信用风险事件发生概率和处置后果，主要体现在关系强度、关系质量、关系久度和合作频率四个方面，其路径系数分别为0.813、0.835、0.797和0.799，其中合作意愿与承诺、业务人员及管理者私人关系等关系质量因素是深层次影响因素。近年来，网络信息技术应用给供应链关系带来深刻影响，但从实证结果来看，目前对农业供应链金融信用风险的影响效果相对较弱。
五、对策建议
根据前文研究，提出以下对策建议：
1.以系统思维分析和管控农业供应链金融信用风险。明确供应链金融信用风险的内在主体、载体以及将这些主体与载体联结起来的供应链关系、信息系统;重视外在诱因的影响，探索相应管控途径;综合考虑到各要素之间可能的相互关系、各参与主体之间的风险传导性以及管理协同性，从产业共生的视角，构建融资方、核心企业、供应链中小微实体共同参与的供应链金融信用风险治理生态。
2.加强对信用风险源头与核心的治理。从有效管控融资企业信用风险入手治理供应链金融信用风险的源头;围绕核心企业信用风险管控好其信用风险的核心;动态监测、客观评估融资资产风险，加强与核心企业、第三方资产托管机构的合作，尽可能降低、规避来自融资资产的信用风险损失。
3.针对外部信用风险诱因建立响应防控机制。建立外部信用风险诱因监测响应机制，对由外部环境变化引致的信用风险进行预先预测分析，并在此基础上分级分类制定应对方案，及时采取有效预控措施，阻断系统性信用风险扩散路径;引导信用风险关键主体借助保险等风险转移工具，管控难以避免或缓释的外在风险，以免引发供应链金融系统性信用风险。
4.重视供应链关系质量管理。供应链上交易方合作的意愿承诺、业务人员及管理者私人关系等因素是影响供应链关系的更深层次因素，加强供应链金融信用风险管理不仅要掌握供应链关系形成时间长短、合作频率及契约情况等信息，更要通过深入了解和把握供应链关系质量情况，有效规避、降低潜在的信用风险。
5.补齐信息技术应用短板，消除农业供应链内在数字鸿沟。基于信息经济学分析，解决好信息不对称问题是降低供应链金融信用风险的有效途径。信息技术环境下农业供应链金融信用风险管控，须在提升中小微经营实体网络信息技术应用能力、补齐信息技术短板的同时，通过管理与技术创新的融合，加强各利益相关方电子商务协同，尽可能消除农业供应链上不同主体间的信息鸿沟，增进信用风险管控协同能力。 注释：
① 正文中数据表述与图中数据表述不一致，是因为 AMOS17.0软件默认的模型路径图上数字输出为小数点后面保留两位数，而路径系数表的输出值为小数点后面保留三位数（文中结论阐述为与大部分统计参数保持格式一致，采用了路径系数表输出中保留小数点后面三位的格式）。
参考文献：
[1] 宋华， 陈思洁.供应链金融的演进与互联网供应链金融：一个理论框架[J].中国人民大学学报， 2016， 30（5）：95-104.
[2] 张莉莉，穆东，刘德红，等.中国供应链金融指数编制（上篇）：意义、思路与体系构建[J].北京交通大学学报（社会科学版），2018，17（4）：96-104.
[3] 杨军，房姿含.供应链金融视角下农业中小企业融资模式及信用风险研究[J].农业技术经济， 2017（9）：95-104.
[4] Wu C， Guo Y， Zhang X， et al. Study of personal credit risk assessment based on support vector machine ensemble[J].International Journal of Innovative Computing， Information and Control， 2010， 6（5）： 2353-2360.
[5] Wenner M. Innovations in rural and agricultural finance： credit risk management in financing Agriculture[J]. Agricultural Science and Technology， 2015， 31（2）： 131-149.
[6] 刘秀莉.基于信用风险视角的农业供应链金融研究[J].农业经济， 2014（7）：32-33.
[7] 张东博. 农业供应链金融风险源与风险控制研析[J]. 农业经济， 2017（6）：95-96.
[8] 张强. 系统方法论与唯物辩证法[J]. 系统科学学报， 2004， 12（4）：7-11.
[9] 饶欣. 系统论与唯物辩证法发展观的比较研究[J]. 系统科学学报， 2004， 12（4）：19-22.
[10]J B Hardaker， R B M Huirne， J R Anderson， et al.Coping with risk in agriculture （second ed.）[M].Oxfordshire：Centre Agriculture Bioscience International，2004.
[11]Boehlje M，Doehring T A. The farm security and rural investment act of 2002： what it means to you. （Agricultural Lending）[J]. Human Molecular Genetics，2002， 18（1）：97-104.
[12]Glauber J W， Collins K J. Risk management and the role of the federal government[J]. Scientia Canadensis， 2002， 30（2）：136-139.
[13]欧阳越秀，李贞玉. 逆向选择、系统性风险与政策性农业保险可持续发展[J]. 保险研究， 2010（4）：66-71.
[14]谭湘渝. 农业产业化、系统性风险与农民收入损失的风险测度[J]. 统计与决策， 2006（19）：76-77.
[15]项桂娥，吴义根. 基于SEM模型的农业企业风险评价体系研究——以安徽省221家农业产业化龙头企业为例[J]. 农业技术经济， 2012（8）：113-120.
[16]柯柄生. 关于新农村建设中政府职能的思考[J].农村金融研究， 2006（6）：11-13.
[17]王宝森，王迪. 互联网供应链金融信用风险度量与盯市管理[J]. 中国流通经济， 2017， 31（4）：77-84.
[18]戴昕琦.商业银行信用风险评估模型研究——基于线上供应链金融的实证[J].软科学，2018， 32（5）：139-144.
[19]王丛，张在旭，孙燕芳.供应链金融利益主体的多阶段博弈研究[J].财经理论与实践，2018，39（4）：32-37.
[20]鞠彦辉， 许燕， 何毅. 信息混沌下银行线上供应链金融信用风险盲数评价模型构建[J]. 企業经济， 2018（6）：102-106.
[21]熊熊，马佳，赵文杰，等.供应链金融模式下的信用风险评价[J].南开管理评论， 2009， 12（4）：92-98+106.
[22]夏立明， 宗恒恒， 孟丽. 中小企业信用风险评价指标体系的构建——基于供应链金融视角的研究[J]. 金融论坛， 2011（10）： 73-79.
[23]邹建国，李明贤.农业供应链金融视角的农户信用增进研究[J].财经理论与实践，2019，40（6）：32-38.
[24]刘远亮， 高书丽. 供应链金融模式下的小企业信用风险识别——基于北京地区信贷数据的实证研究[J]. 新金融， 2013（1）：45-49.
[25]李勤，龚科. 供应链金融模式下中小企业信用风险的案例分析[J]. 金融理论与实践， 2014（8）：66-71.
[26]田美玉，何文玉. 供应链金融融资模式下中小企业信用风险评估——以汽车行业实证研究为例[J]. 工业技术经济， 2016， 35（6）：154-160. （責任编辑：宁晓青）
Research on a Systemic Framework and Empirical Analysis of Agricultural Supply Chain Finance Credit Risk Based on 780 Survey Data from Participants in Five Provinces of China
LI Guangrong
（Business School of North Minzu Univesity，Yinchuan，Ningxia 750021，China）
Abstract：The system scheme of agriculture supply chain finance credit risk cause analysis is put forward and the structure equation model is established. With the 780 survey data from the major five agriculture provinces in the upper and middle Yellow River reaches， the empirical research on the system scheme and formation path of agriculture supply chain finance credit risk is carried on. For the agriculture supply chain finance credit risk， it is found how the cause factors influence： Firstly， the analysis scheme based on the system theory is in line with the credit risk management practice systematically. Secondly， as the major participants， the core enterprise and financing enterprise have critical impact on it， and at the same time， the financing assets attributes have a significant influence as the direct carrier. Thirdly， natural and economic environment are the important external systemic factors. Fourthly， the risk intermediary service and industrial policy are important factors. Finally， the impact from supply chain relation and Internet information technology application are also significantly.
Key words：supply chain finance; credit risk; agriculture; system framework; empirical study