论文部分内容阅读
摘 要：供应链金融，在传统的信贷模式基础上，将核心企业与供应链上下游的多个中小企业联系起来，为其解决融资难的问题。文章从融资企业状况、核心企业状况、供应链状况三个大的方面构建了中小企业信用风险评价体系。选取了30家汽车行业中小型上市公司，利用因子分析法以及Logistic回归分析对其信用风险进行评价、验证，得出结论，提出改进建议，对供应链金融信用风险评估提供了有效的解决方法。
关键词：供应链金融；信用风险；因子分析；Logistic模型
Abstract： Supply chain finance， based on the traditional credit model， link up the core enterprises and several of the supply chain upstream and downstream small enterprises to solve the financing difficulties. This paper designs the credit risk evaluation system from three aspects： the financing enterprise condition， the core enterprise condition and the supply chain condition. This paper selects thirty small and medium-sized listed companies from automobile industry，uses the method of factor analysis and logistic regression analysis to evaluate the credit risk， verify and draw the conclusion. In the end， this paper puts forward some suggestions to improve the accuracy of credit risk assessment.
Key words： supply chain finance； credit risk； factor analysis； Logistic model
引 言
供應链金融，即在传统的信贷模式基础上，将核心企业与供应链上下游的多个合作企业联系起来，从原材料采购的供应商、加工制造半成品的制造商，直至销售产品的经销商，最后到消费客户手中，形成的一个整体，对供应链中的各节点企业提供所需的金融和融资类服务。结合目前我国各大银行供应链金融业务的开展情况来看，我国供应链金融业务的开展主要集中在汽车、钢铁、能源和电信等几大板块，其中汽车制造业是我国供应链活动中较为典型的组织。汽车制造业供应链的组成可以分为上游汽车零部件的购买、中游汽车整车的组装制造和下游成品的分销物流三部分。本文以大型的汽车整车制造企业作为核心企业，与整车制造企业有合作关系的上游汽车零部件及配件供应商及下游的汽车分销商的融资企业为研究对象，进行信用风险的评价分析。
1 信用风险评价模型的建立
1.1 确定评价方法
选择Logistic模型进行供应链金融的信用风险评价，Logistic模型是目前计算违约概率方面研究比较成熟的一种模型，二分类的Logistic回归模型的变量取值只有两个值，而企业在贷款中也只有违约和不违约两种情况，因此二分类的Logistic模型非常符合企业计算违约概率风险度量的预测。采用一系列财务和业务指标X， i=n作为自变量建立Logistic模型，预测企业的守约概率P。然后根据银行和相关风险评级机构资料设立分界点P，通过P与P的比较，以确定融资企业的守约率大小，最后决定是否对该企业进行贷款，P值越接近于1，表示融资企业的信用较好，P值越接近于0，则融资企业的信用较差。在进行Logistic回归分析之前，采用因子分析法选择具有代表性的自变量，设法将原来众多具有一定相关性（比如m个指标），重新组合成一组新的互相无关的综合指标因子来代替原来的指标，以减少候选变量间的相关性，作为新的综合指标因子。
1.2 评价体系的建立
供应链金融业务改变了金融机构的传统融资视角，融资过程中参与主体和风险来源更加复杂，对于信用风险的评价不仅局限于申请融资的中小企业本身，而是将供应链上复杂多变的运行状况和核心的参与主体纳入了信用风险评价管理，本文从融资企业、核心企业和供应链状况三个方面出发，客观科学地建立了供应链金融信用风险的指标体系：
（1）融资企业是决定整条供应链信用风险大小的关键因素，包括企业基本情况、盈利能力、营运能力、偿债能力、成长性五个方面。
（2）核心企业的担保承诺是开展供应链金融的基础，核心企业多为大型公司，其信用水平一般较高，发展稳定，因此只考虑核心企业的盈利能力和偿债能力两个方面。
（3）供应链状况即融资企业与核心企业间的合作稳定性、产品竞争力也是影响供应链金融信用风险的重要因素。
整个评价体系共三个部分，16个指标。指标体系如表1所示：
2 实证分析
2.1 样本采集及数据处理
本文选取我国汽车制造行业作为研究对象。由于供应链金融主要是为中小企业提供相应的信贷服务，因此样本的筛选主要依据以下两个标准：一是属于沪深股市，二是属于中小企业板块，以汽车整车制造企业为核心企业，搜索其供应链上游行业的汽车零部件生产企业及下游的汽车分销商、服务商作为融资企业。经过筛选，共选出符合条件的30家上、下游中小企业作为研究样本，其中23家来自于沪深板块，7家来自中小板块，25家公司为上游的汽车零部件公司，5家为下游的汽车分销、服务公司。 从定性和定量这两个角度可以对样本指标进行整体上的划分，对于样本指标的定量指标数据主要来自于2016年第三季度各家公司的年报、和讯网、中国财经信息网；另外一部分定性指标数据，由于评价指标相对评价标准界限模糊，根据吕跃进提出的依据心里因素划分评价等级以及数量等级确定理论，请相关专家依据样本企业对象及其所在供应链的实际情况，将样本数据按指标进行10、8、6、4、2五个档次的打分评价。
2.2 因子分析
2.2.1 KMO和Bartlett球形检验
用SPSS22.0软件运行结果如表2所示，根据学者Kaiser（l974）的观点，如果KMO值小于0.5，较不适宜进行因子分析；如果KMO值大于0.5，表示适合进行因子分析。表中的KMO值为0.515>0.5，表示样本数据适合进行因子分析。同时表中Bartlett的球形检验P值为0，达到显著水平，说明共同因素存在，适合进行因子分析。
2.2.2 解释的总方差
利用最大方差法旋转成分矩阵，提取公共因子中勾选主成分法。如果得到的一般旋转因子解其解释的总方差中“累计%”值大于60%，则说明解释程度较好，可以接受；或者以公共因子的特征值大于1为纳入标准进行判定，若特征值小于1，则不纳入。从解释的总方差表中可以看出，特征值大于1的公因子共有6个，这6个公因子旋转因子解的累计解释总方差的百分比为82.834%，说明这6个公因子良好地解释了所有的16个指标。如表3所示：
2.2.3 主成分系数矩阵及其分析
根据表4的成分得分系数矩阵，选取主成分分析得到的前6个主成分，将这6个主成分用F，F，F，F，F，F表示，并作为主成分进行分析， 可将6个主成分的函数表示如表4所示：
2.3 模型回归分析
将提取的6个公共因子F至F作为自变量，将样本企业的违约与守约Y作为因变量，Logistic模型的因变量Y仅有0和1两个取值，守约事件的发生取值为1，违约事件的发生取值为0。如果P 选取样本企业的评判指标F数值参考了和讯网中对所选取样本企业的2016年前三季度的财务评估，综合考虑企业的盈利能力、成长能力、偿债能力和综合能力（根据诸多学者研究经验，将综合能力在两颗星及以上，并且其他三项能力都没有出现一颗白星，即设定F值为1，反之则设定F值为0）。运用SPSS22.0软件运行后结果如表6所示。
从表6可以看出，在30个样本中，对于已观测到的10个违约风险企业中，模型预测为违约风险企业的数量为9个，预测准确率为90.0%。在已观测到的20守约企业中，得出的模型预测为守约企业的数量为19个，预测准确率为95.0%，整个模型的综合预测率为93.3%。
概率方程中的P值，即表示汽车零配件企业的守约概率，代表了其信用程度，P值越大，则企业信用越高；反之，则越低。将具体某汽车企业的相关指标数据代入方程，即可得到该企业守约概率的P值。以0.5为分界线，P值越大表示融资企业的守约概率越大，即违约风险也就越小。
2.4 模型的检验
选取样本中的某一具体公司进行检验，以潍柴动力为例，公司主营业务为内燃机、液压产品、新能源动力总成系统及其配套产品的设计、开发、生产、销售、维修、进出口等，公司屬于汽车行业上游的汽车零配件公司，该企业想向银行申请贷款，此时银行在考虑其他方面的因素的同时，应将本实证模型对应的各个指标数值，F=10.9879，F=7.7873，F=4.9439，F
=-2.5151，带入公式：
可得该企业的守约概率为98.3%，说明信用风险较小，在其他条件适当的情况下，银行可以考虑给予信贷。其他公司的守约概率同上求得，对比观测值，可得该模型的预测准确率较高。对比表如表8所示。
2.5 结 论
利用logistic回归分析得出的最终的预测模型看，评判供应链金融信用风险的主要影响因素还是集中在融资企业的财务状况，其中包括偿债能力、盈利能力，以及核心企业的财务状况，其中主要是偿债能力和盈利能力，其次是融资企业自身的经营情况与成长能力。
3 供应链金融信用风险管理的建议
3.1 使用有针对性的信用风险评估指标体系
供应链金融这种融资模式的特点决定了处于供应链上的中小融资企业的信用不仅仅取决于其行业风险和自身的财务状况很大程度上依赖于与中小融资企业交易的核心企业的财务状况、信用状况以及中小融资企业与其上下游核心企业的关系稳定与否。因此，在评估供应链金融信用风险时，考虑了核心企业状况和供应链关系状况的评估指标体系来进行供应链中中小融资企业信用风险的综合评估。
3.2 结合使用定量分析和定性分析
目前，我们己经采用定量分析与定性分析相结合的方法，但是在实际的评估工作中，信用风险评估所要涉及定性分析的内容细致而繁杂，不是所有信息都能用数字描述清楚的，因此应坚持定量方法和定性方法相结合的评估理念，单一的定量分析有其优点，但信用风险评估专家的经验更值得借鉴。所以在实际评估工作中，要将定量分析和定性分析结合使用。
3.3 建立多行业、多区域供应链金融信用风险评估体系
中小融资企业所处的供应链所属行业不同、地区不同，可能导致相互之间的差距很明显，如果不加选择的将所有中小融资企业混合在一起用同一种指标体系或同一种方法进行信用评估，势必会影响评估的效果。本文选择的是汽车行业，如果分析其他行业信用风险，则考虑建立不同的评估体系。
3.4 建立中小企业信用数据库
分析和有效评价能帮助银行更科学准确地做出信贷决策，是信用风险管理的有效手段，因此应加强并完善对供应链金融交易信息数据库的建立，充足的数据能使实证分析的结果更可信并且有意义。
参考文献：
[1] 闫俊宏，许祥秦. 基于供应链金融的中小企业融资模式分析[J]. 上海金融，2007（2）：14-16.
[2] 方焕，孟枫平. 基于Logistic模型的供应链金融信用风险实证研究——以农业类上市公司为例[J]. 山西农业大学学报（社会科学版），2015（11）：1158-1164.
[3] 杨军. 供应链金融信用风险测算分析——来自汽车行业50家上市公司经验数据[J]. 物流技术，2015（1）：229-230，253.
[4] 李佳桐，刘媛华. 基于主成分和灰色层次关联的供应链金融信用风险研究[J]. 物流科技，2014（11）：16-21.
[5] 陈钦，施丽娟. 基于Logistic模型的供应链金融信用风险实证研究[J]. 重庆工商大学学报（自然科学版），2014（7）：14-20.
[6] 弯红地. 供应链金融的风险模型分析研究[J]. 经济问题，2008（11）：109-112.
[7] 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（4）：92-98，106.
关键词：供应链金融；信用风险；因子分析；Logistic模型
Abstract： Supply chain finance， based on the traditional credit model， link up the core enterprises and several of the supply chain upstream and downstream small enterprises to solve the financing difficulties. This paper designs the credit risk evaluation system from three aspects： the financing enterprise condition， the core enterprise condition and the supply chain condition. This paper selects thirty small and medium-sized listed companies from automobile industry，uses the method of factor analysis and logistic regression analysis to evaluate the credit risk， verify and draw the conclusion. In the end， this paper puts forward some suggestions to improve the accuracy of credit risk assessment.
Key words： supply chain finance； credit risk； factor analysis； Logistic model
引 言
供應链金融，即在传统的信贷模式基础上，将核心企业与供应链上下游的多个合作企业联系起来，从原材料采购的供应商、加工制造半成品的制造商，直至销售产品的经销商，最后到消费客户手中，形成的一个整体，对供应链中的各节点企业提供所需的金融和融资类服务。结合目前我国各大银行供应链金融业务的开展情况来看，我国供应链金融业务的开展主要集中在汽车、钢铁、能源和电信等几大板块，其中汽车制造业是我国供应链活动中较为典型的组织。汽车制造业供应链的组成可以分为上游汽车零部件的购买、中游汽车整车的组装制造和下游成品的分销物流三部分。本文以大型的汽车整车制造企业作为核心企业，与整车制造企业有合作关系的上游汽车零部件及配件供应商及下游的汽车分销商的融资企业为研究对象，进行信用风险的评价分析。
1 信用风险评价模型的建立
1.1 确定评价方法
选择Logistic模型进行供应链金融的信用风险评价，Logistic模型是目前计算违约概率方面研究比较成熟的一种模型，二分类的Logistic回归模型的变量取值只有两个值，而企业在贷款中也只有违约和不违约两种情况，因此二分类的Logistic模型非常符合企业计算违约概率风险度量的预测。采用一系列财务和业务指标X， i=n作为自变量建立Logistic模型，预测企业的守约概率P。然后根据银行和相关风险评级机构资料设立分界点P，通过P与P的比较，以确定融资企业的守约率大小，最后决定是否对该企业进行贷款，P值越接近于1，表示融资企业的信用较好，P值越接近于0，则融资企业的信用较差。在进行Logistic回归分析之前，采用因子分析法选择具有代表性的自变量，设法将原来众多具有一定相关性（比如m个指标），重新组合成一组新的互相无关的综合指标因子来代替原来的指标，以减少候选变量间的相关性，作为新的综合指标因子。
1.2 评价体系的建立
供应链金融业务改变了金融机构的传统融资视角，融资过程中参与主体和风险来源更加复杂，对于信用风险的评价不仅局限于申请融资的中小企业本身，而是将供应链上复杂多变的运行状况和核心的参与主体纳入了信用风险评价管理，本文从融资企业、核心企业和供应链状况三个方面出发，客观科学地建立了供应链金融信用风险的指标体系：
（1）融资企业是决定整条供应链信用风险大小的关键因素，包括企业基本情况、盈利能力、营运能力、偿债能力、成长性五个方面。
（2）核心企业的担保承诺是开展供应链金融的基础，核心企业多为大型公司，其信用水平一般较高，发展稳定，因此只考虑核心企业的盈利能力和偿债能力两个方面。
（3）供应链状况即融资企业与核心企业间的合作稳定性、产品竞争力也是影响供应链金融信用风险的重要因素。
整个评价体系共三个部分，16个指标。指标体系如表1所示：
2 实证分析
2.1 样本采集及数据处理
本文选取我国汽车制造行业作为研究对象。由于供应链金融主要是为中小企业提供相应的信贷服务，因此样本的筛选主要依据以下两个标准：一是属于沪深股市，二是属于中小企业板块，以汽车整车制造企业为核心企业，搜索其供应链上游行业的汽车零部件生产企业及下游的汽车分销商、服务商作为融资企业。经过筛选，共选出符合条件的30家上、下游中小企业作为研究样本，其中23家来自于沪深板块，7家来自中小板块，25家公司为上游的汽车零部件公司，5家为下游的汽车分销、服务公司。 从定性和定量这两个角度可以对样本指标进行整体上的划分，对于样本指标的定量指标数据主要来自于2016年第三季度各家公司的年报、和讯网、中国财经信息网；另外一部分定性指标数据，由于评价指标相对评价标准界限模糊，根据吕跃进提出的依据心里因素划分评价等级以及数量等级确定理论，请相关专家依据样本企业对象及其所在供应链的实际情况，将样本数据按指标进行10、8、6、4、2五个档次的打分评价。
2.2 因子分析
2.2.1 KMO和Bartlett球形检验
用SPSS22.0软件运行结果如表2所示，根据学者Kaiser（l974）的观点，如果KMO值小于0.5，较不适宜进行因子分析；如果KMO值大于0.5，表示适合进行因子分析。表中的KMO值为0.515>0.5，表示样本数据适合进行因子分析。同时表中Bartlett的球形检验P值为0，达到显著水平，说明共同因素存在，适合进行因子分析。
2.2.2 解释的总方差
利用最大方差法旋转成分矩阵，提取公共因子中勾选主成分法。如果得到的一般旋转因子解其解释的总方差中“累计%”值大于60%，则说明解释程度较好，可以接受；或者以公共因子的特征值大于1为纳入标准进行判定，若特征值小于1，则不纳入。从解释的总方差表中可以看出，特征值大于1的公因子共有6个，这6个公因子旋转因子解的累计解释总方差的百分比为82.834%，说明这6个公因子良好地解释了所有的16个指标。如表3所示：
2.2.3 主成分系数矩阵及其分析
根据表4的成分得分系数矩阵，选取主成分分析得到的前6个主成分，将这6个主成分用F，F，F，F，F，F表示，并作为主成分进行分析， 可将6个主成分的函数表示如表4所示：
2.3 模型回归分析
将提取的6个公共因子F至F作为自变量，将样本企业的违约与守约Y作为因变量，Logistic模型的因变量Y仅有0和1两个取值，守约事件的发生取值为1，违约事件的发生取值为0。如果P
从表6可以看出，在30个样本中，对于已观测到的10个违约风险企业中，模型预测为违约风险企业的数量为9个，预测准确率为90.0%。在已观测到的20守约企业中，得出的模型预测为守约企业的数量为19个，预测准确率为95.0%，整个模型的综合预测率为93.3%。
概率方程中的P值，即表示汽车零配件企业的守约概率，代表了其信用程度，P值越大，则企业信用越高；反之，则越低。将具体某汽车企业的相关指标数据代入方程，即可得到该企业守约概率的P值。以0.5为分界线，P值越大表示融资企业的守约概率越大，即违约风险也就越小。
2.4 模型的检验
选取样本中的某一具体公司进行检验，以潍柴动力为例，公司主营业务为内燃机、液压产品、新能源动力总成系统及其配套产品的设计、开发、生产、销售、维修、进出口等，公司屬于汽车行业上游的汽车零配件公司，该企业想向银行申请贷款，此时银行在考虑其他方面的因素的同时，应将本实证模型对应的各个指标数值，F=10.9879，F=7.7873，F=4.9439，F
=-2.5151，带入公式：
可得该企业的守约概率为98.3%，说明信用风险较小，在其他条件适当的情况下，银行可以考虑给予信贷。其他公司的守约概率同上求得，对比观测值，可得该模型的预测准确率较高。对比表如表8所示。
2.5 结 论
利用logistic回归分析得出的最终的预测模型看，评判供应链金融信用风险的主要影响因素还是集中在融资企业的财务状况，其中包括偿债能力、盈利能力，以及核心企业的财务状况，其中主要是偿债能力和盈利能力，其次是融资企业自身的经营情况与成长能力。
3 供应链金融信用风险管理的建议
3.1 使用有针对性的信用风险评估指标体系
供应链金融这种融资模式的特点决定了处于供应链上的中小融资企业的信用不仅仅取决于其行业风险和自身的财务状况很大程度上依赖于与中小融资企业交易的核心企业的财务状况、信用状况以及中小融资企业与其上下游核心企业的关系稳定与否。因此，在评估供应链金融信用风险时，考虑了核心企业状况和供应链关系状况的评估指标体系来进行供应链中中小融资企业信用风险的综合评估。
3.2 结合使用定量分析和定性分析
目前，我们己经采用定量分析与定性分析相结合的方法，但是在实际的评估工作中，信用风险评估所要涉及定性分析的内容细致而繁杂，不是所有信息都能用数字描述清楚的，因此应坚持定量方法和定性方法相结合的评估理念，单一的定量分析有其优点，但信用风险评估专家的经验更值得借鉴。所以在实际评估工作中，要将定量分析和定性分析结合使用。
3.3 建立多行业、多区域供应链金融信用风险评估体系
中小融资企业所处的供应链所属行业不同、地区不同，可能导致相互之间的差距很明显，如果不加选择的将所有中小融资企业混合在一起用同一种指标体系或同一种方法进行信用评估，势必会影响评估的效果。本文选择的是汽车行业，如果分析其他行业信用风险，则考虑建立不同的评估体系。
3.4 建立中小企业信用数据库
分析和有效评价能帮助银行更科学准确地做出信贷决策，是信用风险管理的有效手段，因此应加强并完善对供应链金融交易信息数据库的建立，充足的数据能使实证分析的结果更可信并且有意义。
参考文献：
[1] 闫俊宏，许祥秦. 基于供应链金融的中小企业融资模式分析[J]. 上海金融，2007（2）：14-16.
[2] 方焕，孟枫平. 基于Logistic模型的供应链金融信用风险实证研究——以农业类上市公司为例[J]. 山西农业大学学报（社会科学版），2015（11）：1158-1164.
[3] 杨军. 供应链金融信用风险测算分析——来自汽车行业50家上市公司经验数据[J]. 物流技术，2015（1）：229-230，253.
[4] 李佳桐，刘媛华. 基于主成分和灰色层次关联的供应链金融信用风险研究[J]. 物流科技，2014（11）：16-21.
[5] 陈钦，施丽娟. 基于Logistic模型的供应链金融信用风险实证研究[J]. 重庆工商大学学报（自然科学版），2014（7）：14-20.
[6] 弯红地. 供应链金融的风险模型分析研究[J]. 经济问题，2008（11）：109-112.
[7] 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（4）：92-98，106.