互联网供应链金融信用风险度量与盯市管理

1、互联网供应链金融信用风险度量与盯市管理一、引言 互联网供应链金融是互联网平台支持 下的供应链金融生态圈，在生态圈中，电商、银行、物流企业、核心 企业以及中小企业跨界合作， 减缓过分依赖传统金融机构的程度。 与 传统供应链金融一般将中小企业的信用风险控制转移到信用资质高 的核心企业相比， 互联网供应链金融的信用风险控制是供应链整体的 信用风险控制。 如何管理互联网供应链金融信用风险已经成为许多大 型互联网平台积极探索的重要课题之一。 二、国内外文献综述 国外对于供应链金融业务模式的研究较多。早在 1948 年，艾伯特(Albert )就将供应链金融业务模式分为存货质押和应收账款融资两 种，并针对

2、各自的管理方式进行了研究。 对于供应链金融信用风险的 研究，国外学者基本上是基于传统信用风险评估模型进行的， 包括信 用度量术模型(Credit Metrics)宏观模拟模型(Credit PortfolioView) 信用风险附加法模型(Credit risk+)、信用监控模型(KMV)、风险在 险值(vaF)和概率型非线性回归模型(Logistic) o 2013年马姆杜 雷 法特(Mamdouh Refaat)就供应链金融的信用风险评价进行研究， 将 SAS言用风险评分体系应用于标准格式下的供应链金融信用风险评估。 由于互联网供应链金融是从国内兴起的， 国外对互联网供应链金融信 用风险的

3、研究较少，仅有2012年巴苏和奈尔(Basu&Nair)通过 分析B2B平台互联网供应链金融预付账款的业务模式， 设计了一种随 机动态规划模型， 认为互联网平台下中小企业财务状况的不完善会增 加信用风险。 在国内， 研究供应链金融较早的罗齐等讨论了融通仓模式下如何充分利用物流这一关键环节完善供应链金融业务的问题。对供应链金融信用风险研究一般是基于传统信用风险评估模型或 结合其他模型进行的， 孔媛媛等构建了供应链传统信用风险的度量模 型，并结合模糊算法将某些难以量化的信用风险影响因子模糊化处理。 而对互联网供应链金融信用风险研究较少， 赵道致等提出的通过电商 平台结合仓单质押业务

4、的信用风险管理， 其本质是将传统供应链金融 仓单质押信用风险管理模式搬到互联网。 将财务指标应用到传统信用 风险模型的研究相对多一些， 郭菊娥等的研究具有代表性， 提出基于 B2B电商平台的互联网供应链金融融资模式的发展路径，指出互联网化会让信用风险呈现协同式的特点， 并运用财务指标将不同信用风险 模型的有效性进行对比分析。 总体来看， 国内外对互联网供应链 金融信用风险管理的研究较少， 且现有研究运用财务指标进行分析较 多，运用非财务指标及系统中实时数据进行分析的较少。三、逻辑回归模型逻辑回归（Logistic）模型是处理分类数据的有力工具，对解释变量几乎没有任何限制，适用性非常强。（一）逻

5、辑回归模型简介 逻辑回归模型是概率型非线性回归模型， 在因变量为分 类变量时应用较多， 可根据分类变量取值分为二分类逻辑回归、 多分 类逻辑回归、配对逻辑回归三种类型。 本文主要分析二分类逻辑回归 模型。 对于信用风险研究而言，分类变量主要是违约和不违约， 假设y=l为违约，y=0为不违约，p（y=1）為违约概率，x为信用风险 指标，企业违约的概率与信用风险指标的关系为：P=P（Y=1|X）=f（x） 0< PW1对数变换模型为：这里，B0为常数，（31 B 2.（3 k为信用风险指标回归系数； p 为违约概率， p 越大，企业信用风险越 大。本文选定 p=0.5 为阈值。如果通过逻辑回

6、归模型预测融资企业违 约概率在 0.5 以上时，判定互联网供应链金融信用风险明显；当计算 出来的结果小于 0.5 时，则判定融资企业没有违约，互联网供应链金 融信用风险可控。 对于违约概率的参数估计， 采用迭代解法进行 估计： （二）互联网供应链金融信用风险指标选择 供应链金 融的融资对象主要是众多中小企业，中小企业财务制度相对不健全， 其公开的财务数据往往不能体现公司真实的运营状况。 在研究互联网 供应链金融信用风险时， 指标选择应过滤掉这些无效信息或虚假信息， 利用互联网平台的优势获得诸如资产价格、 资金流水、 交易活动产生 的实时流动性数据， 以便对客户进行更真实有效的分析， 全方位评价

7、、 量化其风险， 从而提高贷款决策的可靠性。 本文选择的信用风险 指标包括企业基本状况、 互联网交易状况、 互联网服务质量和供应链 行业状况等指标（参见表 1）。互联网供应链金融的大数据多是非结构性的数据，冗余、重复信息非常多，需要从中筛选出对信用风 险影响大的指标。本文运用主成分分析法进行筛选数据。 （三） 主成分分析法主成分分析法（Prin cipal Comp on e nt An alysis PCA）,是利用降维和线性转换的思想， 将多个相关变量转化为少数几个不相 关的主成分变量。 主成分变量按照方差由大到小排列， 可以不重复地 反映原始变量的大部分信息， 在引进多方面变量的同时有针

8、对性地分 析重要指标， 从而使问题简单化。 本文应用主成分分析法对互联网供 应链企业平台上的中小企业诸多交易变量进行主成分分析， 将模型简 化。对于互联网供应链金融中的资金供给方即互联网平台企业而言，需要观测p个信用风险影响因子x1, x2,，xp，平台上n个企业的 因子原始数据矩阵为： 主成分分析主要有以下五个步骤： （1） 将原始信用风险影响指标数据进行标准化处理， 统一量纲， 得到标准 化数据矩阵乙其矩阵元素为： 主成分分析法的核心逻辑是利用 方差贡献率来解释原始信息， 方差贡献率是某个主成分的特征值占全 部特征值的比例，即： 贡献率越大，说明该主成分所包含的原始 变量信息越多。主成分个

9、数 k 的选取标准由主成分累积贡献率决定， 累计贡献率超过 85%时，一般就认为主成分指标变量涵盖了原始变量 的绝大部分信息。（5）对主成分变量进行综合评价。在确定主成分后，还要注意主成分变量的实际含义解释， 这种解释需要结合主 成分变量的经济意义，不能机械式填充。 四、实证分析 本文 的数据来源于阿里巴巴网， 选取了 2016年度 60家平台中小企业， 其 中共 900 个数据 30 家企业作为训练样本，用于构建模型；另外 30 家企业作为测试样本， 用于模型的检验。 按照互联网供应链信用风险 影响指标选择的原则，本文涉及 14 个自变量，包括年营业收入、仓 库面积、员工人数、累计成交笔数、

10、累计买家数、重复采购率、近 90 天退款率、近 90 天投诉率、货描相符、响应速度、发货速度、供 应链重复采购率、 供应链近 90 天退款率、供应链近 90天投诉率（如 表1所示）。运用SPSS统计软件进行分析如表2所示。 （一）主成分分析结果运用SPSS计软件对14个互联网供应链金融信用风险影响指标进行主成分分析，得到解释总方差表（参见表3）。主成分提取原则是特征值大于 1 且累计方差大于 85%，由表 3 可知提 取的 6 个主成分的累积方差贡献率达到了 87.83%，即解释了 87.83% 的总变异，大于 85%，说明可以有效反映原始数据的主要信息。 图 1 为主成分的特征根数值碎石散点

11、图， 从第 7 个折点开始折线变平缓， 落差变小，说明前 6 个点能够很好表达原始变量的大部分信息， 进一 步验证了上面 6 个主成分选择。 主成分确定后， 需进一步确定因 子载荷矩阵（参见表 4）。将因子数据进行正交旋转得到的旋转成分 载荷矩阵，可使变量解释更清晰，明确因子的实际意义。 由表 4 可知，供应链重复采购率X12、供应链近90天退款率X13、供应链近 90天投诉率X14等原始变量的信息主要反映在因子 F1上，说明的是 供应链整体的状况。累计成交笔数X4、累计买家数X5等原始变量的信息主要反映在因子 F2上，说明的是融资方的互联网交易频度 状况。 年营业收入XI、仓库面积X2等原始

12、变量的信息主要反映 在因子 F3 上，说明的是融资方主体基本状况。响应速度 X10、发货速度X11等原始变量的信息主要反映在因子 F4上，说明的是融 资方服务质量的状况。近90天投诉率X8等原始变量的信息主要反映在因子F5上，说明的是供应链下游投诉的状况。重复采购率X6等原始变量的信息主要反映在因子 F4上，说明的是供应链下游 重复采购的状况。 总之，这 6个主成分集中代表了互联网供应链 金融企业的供应链整体状况、互联网交易频度、主体基本状况、服务 质量、供应链下游投诉以及重复采购状况，解释了87.83%的主要信息。（二）逻辑回归结果以及分析本文利用SPSS统计软件对 6 个主成分为自变量、

13、信用等级作为因变量进行逻辑回归模型分析， 结果如表 5 所示。 由表 5 可知，在 5%的显著水平之下， 6 个主 成分都是显著的， 因此整个模型也是显著的。 融资方的违约概率逻辑 回归模型如下： 最后应用上式对剩下 30 个测试样本进行回代检 验，验证模型的适用性。 通过表 6 可知逻辑回归模型对测试样本判别 的平均准确率为 90%，其中第一类对 15个违约样本辨别出 13 个，准 确率为 86.7%；第二类对 15 个非违约样本辨别出 14 个，准确率为 93.3%。这表明本文的逻辑回归模型具有不错的预测能力。（三）预测结果分析 传统供应链金融信用风险管理多是基于财务报表 数据进行的，这种

14、数据是结构化的、相对静态的。而互联网平台公司 在供应链交易循环生态中会形成大量的非财務数据， 这些数据具有碎 片化、非结构化等特点。在本文的主成分分析实证中，互联网供应链 金融企业的供应链整体状况、互联网交易频度、主体基本状况、服务 质量、供应链下游投诉以及重复采购状况解释了 87.83%的主要信息， 这意味着可独立利用非财务数据对互联网供应链金融的信用风险进 行评估。对本文而言，重复采购率、近 90天退款率、近 90天投诉率、 货描相符、 响应速度、 发货速度等非财务数据都是社会关系参与的体 现，这种体现跟企业关注的声誉有关， 通过监控这些指标可以进一步 管理信用风险。 也就是说在互联网供应

15、链金融中， 非财务数据可体现 很多信用风险的信息， 如果不善于利用这些信息， 互联网供应链金融 的信用风险管理极可能不是充分有效的。本文用逻辑回归模型进 一步处理这些非财务指标， 最后归一为违约概率判别变量， 实证说明 信用风险度量具有一定预测能力， 独立利用非财务数据度量互联网供 应链金融的信用风险管理是切实可行的。 相对于传统财务数据， 利用非财务数据管理互联网供应链金融信用风险的重大意义体现在 以下四个方面：（1）拓宽了风险管理的界限。 传统财务数据主要反映企业运营状 况、担保物经济价值等， 对于融资方的行为、 偏向、心理都不能覆盖， 这些只能通过非财务数据才能有效表现出来， 最终落实信

16、用风险控制 点。（2）可及时动态地进行风险管理。对于企业而言，最短的财务报表周期是一个季度， 但如此长的周期不能满足互联网时代的风 险管理要求。因此，传统的财务数据背景下信用风险管理效率过低， 而且是相对静态的。 非財务数据式的信用风险管理可以快速动态地利 用日常交易数据随时监控融资方的信用状况， 在一定程度上可满足及 时监控的要求。（3）降低信贷欺诈风险。对于大多数中小企业而言，其财务数据都是未经过审计的，财务制度不完善，仅仅依赖财 务数据进行信用风险管理， 融资方的欺诈成本较低。 但是基于大数据 的非财务数据风险管理方式对数据进行大范围杜撰难度和成本都较 大，信贷欺诈的可能性大大降低。 五

17、、互联网供应链金融盯市模 式设计 实证分析说明，应用逻辑回归模型预测互联网供应链金融 下融资企业的信用风险具有即时动态性， 可将其应用到信用风险管理 中。互联网供应链金融信用风险管理的核心有两点：第一，确认融资 方身份以及交易的真实性；第二，动态度量和判别信用风险。 为了动态度量和判别信用风险， 本文增设风险判别器， 将盯市制度引用 到互联网供应链金融信用风险管理模式中。 （一）盯市模式 本 文构建的互联网供应链金融风险管理盯市模式结构如图2 所示。该模式中互联网供应链金融信用风险管理主要涉及五个主体： 互联网平台、 资金需求方、资金供给方、物流企业（仓库） 、第三方支付。为了研 究方便，假设

18、互联网平台、资金供给方、物流企业（仓库） 、第三方 支付平台同属于互联网平台企业集团的子企业 （现实中阿里巴巴集团、 京东集团基本符合这种假设） ，互联网平台是整个信用风险控制的核 心，因为它是大数据的来源， 只有互联网平台才能真正控制和监督交 易行为。 资金需求方可以是互联网平台的供应商， 也可以是下游的销 售商，涵盖互联网平台的所有企业， 这些企业只要满足授信条件都可 以向互联网平台申请贷款。物流企业和仓库是整合物流的重要环节， 互联网平台企业控制了物流企业和仓库， 就相当于获得了无形的抵押 物，包括且不限于应收账款、订单、仓单等。资金供给方可以是拥有 剩余自有资金的互联网平台企业、P2P

19、公司、小贷公司甚至传统金融 机构等。资金流的闭环重点在于第三方支付平台，如支付宝、财付通 等，它可以实现融资、还款、投资三个资金环节衔接循环。第三方支 付平台通过逻辑回归风险判别器即时动态地监控资金需求方的状况， 预判资金需求方的信用风险， 完成授信资金的划拨、 控制、贷后监控、 还款所有的资金循环。 （二）盯市机制的实现 本文模拟期货 盯市制度设计了互联网供应链金融信用风险管理模式， 资金需求方和 资金供给方相当于期货交易的双方， 第三方支付平台相当于期货公司。第三方支付平台具有获取相关数据的优势， 能够便利获得逻辑回归模 型计算所需的动态非财务数据， 如交易频率、客户活跃度、满意度等， 因此第三方支付平台负责控制逻辑风险判别器，并