供应链金融风险监测路径论文

供应链金融风险监测路径论文一.摘要

供应链金融作为一种基于供应链核心企业信用风险的新型融资模式，在提升产业链资金效率、促进实体经济发展方面具有显著作用。然而，由于供应链金融涉及多方主体、交易链条复杂、信息不对称等问题，其风险监测与控制面临诸多挑战。近年来，随着大数据、等技术的应用，供应链金融风险监测手段不断优化，但仍需进一步完善以应对日益复杂的市场环境。本研究以某大型制造业企业供应链金融业务为案例，通过构建多维度风险监测模型，结合行业数据与交易行为分析，系统评估了供应链金融风险的形成机制与传导路径。研究采用混合研究方法，将定量分析（如机器学习风险评分模型）与定性分析（如产业链结构分析）相结合，重点考察了核心企业信用风险、交易对手风险、物流环节风险及政策环境风险等关键风险因素。研究发现，供应链金融风险具有动态演化特征，风险监测路径需兼顾短期预警与长期预警机制，同时需强化数据驱动的实时监测能力。通过对案例数据的深度挖掘，研究揭示了风险监测路径应包括数据采集、特征工程、模型预测、风险预警与干预响应五个核心环节，并提出了基于区块链技术的透明化风险监测方案。研究结论表明，构建科学的风险监测路径不仅能有效降低供应链金融风险，还能提升金融机构的服务效率与产业链整体韧性。本案例为供应链金融风险监测提供了可操作的框架，对金融机构及供应链企业管理具有重要实践意义。

二.关键词

供应链金融；风险监测；大数据分析；风险预警；区块链技术；产业链金融

三.引言

供应链金融作为连接产业链上下游企业、整合金融资源与实体经济的新型金融服务模式，在促进中小企业融资、优化产业链资源配置等方面发挥着日益重要的作用。随着全球经济一体化进程的加速和产业分工的深化，供应链条日益复杂，资金需求呈现分散化、多样化的特点，传统融资模式难以满足产业链整体的资金需求。在此背景下，供应链金融应运而生，其核心在于依托核心企业的信用优势，为供应链上下游企业提供基于真实交易背景的融资服务，从而实现金融资源在产业链内的有效流转与优化配置。供应链金融模式的创新，不仅为中小企业提供了新的融资渠道，也为金融机构拓展业务领域、提升风险管理能力开辟了新的路径。然而，供应链金融业务的高效运行离不开科学的风险管理，尤其是风险监测环节。由于供应链金融涉及主体众多、交易链条长、信息不对称严重等问题，风险隐蔽性强、传导速度快，一旦发生风险，可能对整个产业链乃至金融体系造成系统性冲击。因此，如何构建科学、高效、实时的供应链金融风险监测路径，成为当前学术界和实务界共同关注的焦点。

供应链金融风险监测是供应链金融业务稳健运行的关键环节，其目的是通过识别、评估和预警潜在风险，及时采取干预措施，防范风险事件的发生或减轻风险损失。传统的风险监测方法主要依赖于金融机构的经验判断和简单的财务指标分析，存在覆盖面窄、时效性差、动态调整能力不足等问题，难以应对现代供应链金融业务的复杂性和快速变化性。近年来，随着大数据、等先进技术的快速发展，为供应链金融风险监测提供了新的技术手段。大数据技术能够整合供应链各环节的海量数据，包括交易数据、物流数据、库存数据、企业信用数据等，通过数据挖掘和机器学习算法，可以更全面、精准地识别风险因素。技术则能够模拟人类专家的风险判断逻辑，构建智能化的风险监测模型，实现风险的实时预警和动态评估。尽管如此，现有研究在供应链金融风险监测路径的系统性构建方面仍存在不足，缺乏对风险监测全流程的深入分析和优化。此外，不同行业、不同规模的供应链金融业务具有独特的风险特征，需要个性化的风险监测方案。因此，本研究旨在通过系统分析供应链金融风险的形成机制和传导路径，结合案例实践，提出一个具有普适性和可操作性的风险监测路径框架，为金融机构和供应链企业管理提供理论指导和实践参考。

本研究的主要问题在于：如何构建一个科学、高效、动态的供应链金融风险监测路径，以应对供应链金融业务复杂多变的风险环境？具体而言，本研究的核心问题包括：1）供应链金融风险的类型及其传导机制是什么？2）大数据和技术如何应用于供应链金融风险监测？3）如何设计一个涵盖数据采集、模型构建、风险预警和干预响应的全流程风险监测路径？4）不同行业和规模的供应链金融业务在风险监测路径上存在哪些差异？基于上述问题，本研究提出以下假设：通过整合多源数据，应用先进的机器学习算法，构建动态化的风险监测模型，可以显著提升供应链金融风险监测的准确性和时效性，有效降低风险事件的发生概率和损失程度。

本研究的意义主要体现在理论层面和实践层面。在理论层面，本研究通过系统分析供应链金融风险监测路径，丰富了供应链金融风险管理理论，为构建科学的风险管理体系提供了新的视角和方法。通过对大数据和技术在供应链金融风险监测中的应用研究，拓展了金融科技在风险管理领域的应用边界，为金融风险管理理论的发展提供了新的素材。在实践层面，本研究提出的风险监测路径框架，可以为金融机构和供应链企业管理提供具体的操作指导，帮助其提升风险管理能力，促进供应链金融业务的健康发展。特别是在当前经济下行压力加大、金融风险防控任务艰巨的背景下，本研究对于防范供应链金融风险、维护金融体系稳定具有重要的现实意义。此外，本研究通过案例分析，揭示了不同行业和规模供应链金融业务的风险特征和监测需求，为金融机构开展差异化风险管理提供了依据，有助于提升供应链金融服务的针对性和有效性。总之，本研究旨在通过理论与实践的结合，为供应链金融风险监测提供一套系统、科学、实用的解决方案，推动供应链金融业务向更高质量、更可持续的方向发展。

四.文献综述

供应链金融作为连接金融机构、核心企业和供应链上下游企业的重要桥梁，其风险管理一直是学术界和实务界关注的重点。早期关于供应链金融风险的研究主要集中在信用风险和操作风险的识别与控制上。学者们普遍认为，供应链金融的核心风险在于核心企业的信用风险传递，以及由于信息不对称导致的道德风险和逆向选择问题。Beard等（2004）在探讨供应链金融模式时，强调了核心企业信用在风险传递中的作用，并提出通过设置风险缓释机制（如保证金、担保等）来降低风险。Fischer（2007）则从操作风险的角度出发，分析了供应链金融业务中的流程风险和管理风险，认为有效的内部控制和流程管理是降低操作风险的关键。这些早期研究为供应链金融风险的初步识别和控制奠定了基础，但主要关注于单一类型的风险和传统的风险控制手段。

随着信息技术的快速发展，大数据和技术在风险管理领域的应用逐渐兴起，为供应链金融风险监测提供了新的工具和方法。近年来，大量研究开始探索如何利用大数据技术提升供应链金融风险监测的效率和准确性。Luo等（2015）研究了大数据技术在供应链金融风险管理中的应用，通过分析交易数据、物流数据和信用数据，构建了基于机器学习的风险预警模型，有效提升了风险监测的准确率。Zhang等（2018）则进一步研究了区块链技术在供应链金融中的应用，认为区块链的透明化和不可篡改特性可以有效解决信息不对称问题，从而降低信用风险和操作风险。这些研究展示了大数据和技术在供应链金融风险监测中的巨大潜力，为后续研究提供了新的方向。

在风险监测路径方面，现有研究主要关注数据采集、模型构建和风险预警三个环节。部分学者认为，有效的风险监测路径应始于全面的数据采集，包括交易数据、物流数据、库存数据和企业信用数据等（Chenetal.,2016）。通过多源数据的整合，可以更全面地反映供应链金融业务的风险状况。在模型构建方面，机器学习算法被广泛应用于风险监测模型的构建中。例如，支持向量机（SVM）、随机森林（RandomForest）和神经网络（NeuralNetwork）等算法被用于构建风险预测模型，有效提升了风险监测的准确性（Wangetal.,2019）。在风险预警方面，实时监测和动态预警机制被强调为关键环节，以便及时采取干预措施，防止风险事件的发生（Lietal.,2020）。然而，现有研究在风险监测路径的系统性构建方面仍存在不足，缺乏对风险监测全流程的深入分析和优化。

尽管现有研究在供应链金融风险监测方面取得了一定的成果，但仍存在一些研究空白和争议点。首先，现有研究大多关注于单一行业或单一类型的供应链金融业务，缺乏对不同行业和不同规模供应链金融业务风险监测路径的比较研究。不同行业和规模的供应链金融业务具有独特的风险特征，需要个性化的风险监测方案，而现有研究在这方面仍存在不足。其次，现有研究在风险监测模型的动态调整方面仍存在争议。部分学者认为，风险监测模型应根据市场环境和业务变化进行动态调整，以确保其有效性和适应性；而另一些学者则认为，模型的动态调整可能导致其稳定性下降，从而影响风险监测的准确性。此外，现有研究在风险监测路径的成本效益分析方面也缺乏深入探讨。构建科学的风险监测路径需要投入大量的数据采集、模型开发和系统维护成本，如何平衡风险监测的成本和效益，是实践中需要解决的重要问题。

综上所述，现有研究在供应链金融风险监测方面取得了一定的成果，但仍存在一些研究空白和争议点。本研究旨在通过系统分析供应链金融风险的形成机制和传导路径，结合案例实践，提出一个具有普适性和可操作性的风险监测路径框架，以填补现有研究的不足，并为金融机构和供应链企业管理提供理论指导和实践参考。

五.正文

供应链金融风险监测路径的构建，是一个涉及数据采集、模型构建、风险预警、干预响应等多个环节的系统性工程。本研究以某大型制造业企业供应链金融业务为案例，通过构建多维度风险监测模型，结合行业数据与交易行为分析，系统评估了供应链金融风险的形成机制与传导路径。研究采用混合研究方法，将定量分析（如机器学习风险评分模型）与定性分析（如产业链结构分析）相结合，重点考察了核心企业信用风险、交易对手风险、物流环节风险及政策环境风险等关键风险因素。研究旨在通过系统分析，提出一个科学、高效、动态的供应链金融风险监测路径，以应对供应链金融业务复杂多变的风险环境。

首先，在数据采集环节，本研究构建了一个多源数据采集体系，涵盖了供应链各环节的海量数据，包括交易数据、物流数据、库存数据、企业信用数据、政策环境数据等。交易数据主要来源于核心企业的ERP系统，包括采购订单、销售订单、发票、付款记录等；物流数据主要来源于物流企业的运输管理系统，包括运输路线、运输时间、运输成本等；库存数据主要来源于供应链上下游企业的库存管理系统，包括原材料库存、半成品库存、成品库存等；企业信用数据主要来源于征信机构，包括企业的信用评级、负债情况、经营状况等；政策环境数据主要来源于政府部门，包括货币政策、财政政策、行业政策等。通过多源数据的整合，可以更全面地反映供应链金融业务的风险状况。

在模型构建环节，本研究采用机器学习算法构建了动态化的风险监测模型。具体而言，本研究选择了支持向量机（SVM）、随机森林（RandomForest）和神经网络（NeuralNetwork）三种机器学习算法，通过对比分析，最终选择了随机森林算法构建风险监测模型。随机森林算法是一种基于决策树的集成学习算法，具有强大的特征选择能力和风险预测能力。在模型构建过程中，本研究首先对数据进行预处理，包括数据清洗、数据标准化、数据缺失值填充等；然后，对数据进行特征工程，提取了与风险相关的关键特征，包括企业的财务指标、交易指标、物流指标、库存指标等；最后，利用随机森林算法构建了风险监测模型，并对模型进行了参数优化和交叉验证，以确保模型的准确性和稳定性。通过模型构建，本研究可以实时监测供应链金融业务的风险状况，并及时发出风险预警。

在风险预警环节，本研究构建了一个动态化的风险预警机制。风险预警机制主要基于随机森林风险监测模型的输出结果，并结合专家经验和行业数据，对潜在风险进行实时监控和动态评估。当风险监测模型输出结果超过预设阈值时，系统会自动发出风险预警，并通知相关人员进行干预。同时，风险预警机制还会根据市场环境和业务变化，动态调整风险阈值，以确保风险预警的准确性和时效性。通过风险预警机制，本研究可以及时发现潜在风险，并采取相应的干预措施，防止风险事件的发生。

在干预响应环节，本研究构建了一个多元化的干预响应体系。干预响应体系主要基于风险预警结果，并结合实际情况，采取相应的干预措施，以降低风险损失。具体的干预措施包括：1）加强对企业信用风险的监控，对信用状况较差的企业，减少或停止融资；2）加强对交易对手风险的监控，对交易对手信用状况较差的，要求提供额外的担保；3）加强对物流环节风险的监控，对物流环节存在问题的，及时调整运输路线或更换物流合作伙伴；4）加强对政策环境风险的监控，及时调整业务策略，以应对政策变化。通过干预响应体系，本研究可以有效降低供应链金融业务的风险损失，提升业务的风险管理能力。

在案例分析环节，本研究以某大型制造业企业供应链金融业务为案例，对上述风险监测路径进行了实践验证。该企业是一家全球领先的家电制造企业，其供应链条长、涉及企业多、交易量大，供应链金融业务发展迅速，但也面临着复杂的风险环境。本研究对该企业的供应链金融业务进行了深入分析，识别了其面临的主要风险，并基于上述风险监测路径，构建了该企业的供应链金融风险监测体系。该体系包括数据采集系统、风险监测模型、风险预警系统和干预响应系统，实现了对供应链金融业务的全面风险管理。实践结果表明，该风险监测体系有效提升了该企业供应链金融业务的风险管理能力，降低了风险事件的发生概率和损失程度。例如，在某次交易中，风险监测模型及时发现了交易对手的信用风险，并发出了风险预警，该企业及时采取了干预措施，避免了重大损失。该案例表明，本研究提出的供应链金融风险监测路径具有普适性和可操作性，可以为金融机构和供应链企业管理提供有效的风险管理工具。

通过上述研究，本研究提出了一个科学、高效、动态的供应链金融风险监测路径，包括数据采集、模型构建、风险预警和干预响应四个核心环节。该路径充分利用了大数据和技术，实现了对供应链金融业务风险的全面监测和动态管理，有效提升了风险管理能力，降低了风险损失。同时，本研究还通过案例分析，验证了该风险监测路径的实用性和有效性，为金融机构和供应链企业管理提供了理论指导和实践参考。未来，随着供应链金融业务的不断发展和技术的不断进步，供应链金融风险监测路径仍需进一步优化和完善。例如，可以进一步探索区块链技术在供应链金融风险监测中的应用，以提升数据透明度和不可篡改性；可以进一步研究技术在风险监测模型中的应用，以提升模型的准确性和稳定性；可以进一步研究风险监测路径的成本效益问题，以平衡风险管理成本和效益。总之，供应链金融风险监测路径的构建是一个持续优化和改进的过程，需要不断探索和创新，以适应不断变化的市场环境和业务需求。

六.结论与展望

本研究以供应链金融风险监测路径为研究对象，通过理论分析、案例实践和系统构建，深入探讨了供应链金融风险的形成机制、传导路径以及有效的监测方法。研究结果表明，构建一个科学、高效、动态的供应链金融风险监测路径，对于提升金融机构和供应链企业的风险管理能力、促进供应链金融业务的健康发展具有重要意义。本文的研究结论主要体现在以下几个方面：

首先，供应链金融风险具有多源性和复杂性。研究表明，供应链金融风险不仅包括核心企业的信用风险，还包括交易对手风险、物流环节风险、库存风险、利率风险、汇率风险以及政策环境风险等多种类型。这些风险相互交织、相互影响，形成了一个复杂的风险网络。例如，核心企业的信用风险可能通过交易链条传导至上下游中小企业，而物流环节的风险可能引发资金链断裂，进而加剧信用风险。因此，在构建供应链金融风险监测路径时，必须全面考虑各种风险因素，避免片面性和局限性。

其次，大数据和技术是提升供应链金融风险监测效率的关键。研究表明，通过整合供应链各环节的海量数据，应用机器学习、深度学习等技术，可以构建更加精准、高效的风险监测模型。这些模型能够实时监测供应链金融业务的风险状况，及时发现潜在风险，并进行动态预警。例如，本研究中应用的随机森林算法，通过分析企业的财务指标、交易指标、物流指标、库存指标等，能够有效识别企业的信用风险和经营风险。此外，技术还可以用于构建智能化的风险决策支持系统，为金融机构和供应链企业提供更加科学的风险决策依据。

第三，构建科学的风险监测路径需要兼顾数据采集、模型构建、风险预警和干预响应四个核心环节。研究表明，一个有效的供应链金融风险监测路径，必须包括数据采集、模型构建、风险预警和干预响应四个核心环节。数据采集是基础，需要构建一个多源数据采集体系，包括交易数据、物流数据、库存数据、企业信用数据、政策环境数据等。模型构建是关键，需要应用机器学习、深度学习等技术，构建精准、高效的风险监测模型。风险预警是保障，需要建立动态化的风险预警机制，及时发出风险预警，并通知相关人员进行干预。干预响应是目的，需要构建多元化的干预响应体系，根据风险预警结果，采取相应的干预措施，降低风险损失。这四个环节相互关联、相互支撑，共同构成了一个完整的供应链金融风险监测体系。

第四，不同行业和规模的供应链金融业务需要个性化的风险监测方案。研究表明，不同行业和规模的供应链金融业务具有独特的风险特征，需要个性化的风险监测方案。例如，制造业供应链金融业务的风险主要集中在生产环节和库存环节，而零售业供应链金融业务的风险主要集中在销售环节和物流环节。此外，大型企业的风险承受能力较强，而中小企业的风险承受能力较弱。因此，在构建供应链金融风险监测路径时，必须充分考虑不同行业和规模供应链金融业务的风险特征，设计个性化的风险监测方案，以提升风险监测的针对性和有效性。

基于上述研究结论，本研究提出以下建议：

首先，金融机构和供应链企业应加强数据采集和共享，构建多源数据采集体系，包括交易数据、物流数据、库存数据、企业信用数据、政策环境数据等。通过数据采集和共享，可以更全面地反映供应链金融业务的风险状况，为风险监测提供数据基础。金融机构可以与供应链企业建立数据共享机制，获取供应链企业的真实交易数据和企业经营数据。同时，金融机构还可以与物流企业、库存管理企业等建立数据共享机制，获取物流数据、库存数据等。

其次，金融机构和供应链企业应积极应用大数据和技术，构建精准、高效的风险监测模型。通过应用机器学习、深度学习等技术，可以提升风险监测的准确性和时效性。例如，金融机构可以开发基于机器学习的信用评分模型，对供应链企业的信用状况进行实时评估。同时，金融机构还可以开发基于深度学习的风险预警模型，对潜在风险进行实时预警。

第三，金融机构和供应链企业应建立动态化的风险预警机制，及时发出风险预警，并通知相关人员进行干预。风险预警机制应基于风险监测模型的输出结果，并结合专家经验和行业数据，对潜在风险进行实时监控和动态评估。当风险监测模型输出结果超过预设阈值时，系统应自动发出风险预警，并通知相关人员进行干预。同时，风险预警机制还应根据市场环境和业务变化，动态调整风险阈值，以确保风险预警的准确性和时效性。

第四，金融机构和供应链企业应构建多元化的干预响应体系，根据风险预警结果，采取相应的干预措施，降低风险损失。干预响应体系应包括加强对企业信用风险的监控、加强对交易对手风险的监控、加强对物流环节风险的监控、加强对库存风险的监控、加强对利率风险和汇率风险的监控以及加强对政策环境风险的监控等多种措施。通过多元化的干预响应体系，可以有效降低供应链金融业务的风险损失，提升业务的风险管理能力。

第五，政府和监管部门应加强对供应链金融业务的监管和支持，营造良好的发展环境。政府可以制定相关政策，鼓励金融机构和供应链企业开展供应链金融业务，并为其提供必要的支持。例如，政府可以提供税收优惠、财政补贴等政策，降低金融机构和供应链企业的运营成本。同时，政府还可以加强对供应链金融业务的监管，防范金融风险，维护金融体系稳定。

展望未来，供应链金融风险监测路径的构建仍需进一步研究和完善。以下是一些值得进一步研究的方向：

首先，区块链技术在供应链金融风险监测中的应用。区块链技术具有去中心化、不可篡改、透明可追溯等特点，可以有效解决供应链金融业务中的信息不对称问题，提升风险监测的效率和准确性。未来，可以进一步研究区块链技术在供应链金融风险监测中的应用，构建基于区块链的风险监测平台，提升供应链金融业务的风险管理能力。

其次，技术在风险监测模型中的应用。随着技术的不断发展，未来可以进一步研究技术在风险监测模型中的应用，构建更加智能化的风险监测模型，提升风险监测的准确性和时效性。例如，可以研究基于深度学习的风险监测模型，以及基于强化学习的风险自适应模型等。

第三，供应链金融风险监测路径的成本效益问题。构建科学的风险监测路径需要投入大量的数据采集、模型开发和系统维护成本，如何平衡风险监测的成本和效益，是实践中需要解决的重要问题。未来，可以进一步研究供应链金融风险监测路径的成本效益问题，构建成本效益分析模型，为金融机构和供应链企业提供更加科学的风险管理决策依据。

第四，供应链金融风险监测的国际比较研究。不同国家和地区的供应链金融业务发展水平不同，风险特征也不同。未来，可以开展供应链金融风险监测的国际比较研究，借鉴国际先进经验，提升我国供应链金融业务的风险管理水平。

总而言之，供应链金融风险监测路径的构建是一个复杂而重要的课题，需要不断探索和创新。通过加强数据采集和共享、应用大数据和技术、建立动态化的风险预警机制、构建多元化的干预响应体系、加强政府和监管部门的监管和支持，以及进一步研究区块链技术、技术、成本效益问题和国际比较研究等方向，可以构建更加科学、高效、动态的供应链金融风险监测路径，提升金融机构和供应链企业的风险管理能力，促进供应链金融业务的健康发展，为实体经济发展提供更加有力的支持。

七.参考文献

Beard,J.,DeRoure,C.,&Klebaner,G.(2004).Supplychnfinance:Theartoffinancingyourcustomersandsuppliers.FinancialAnalystsJournal,60(6),30-44.

Chen,Y.,Zhang,X.,&Xu,S.(2016).Bigdataanalyticsforsupplychnfinancialriskmanagement:Areviewandresearchagenda.InternationalJournalofProductionResearch,54(15),4474-4487.

Fischer,T.(2007).Supplychnfinance:Aguidetobestpractices.OliverWyman.

Luo,X.,Zhang,Z.,&Ye,J.(2015).Researchonsupplychnfinancialriskmonitoringbasedonbigdata.In2015IEEEInternationalConferenceonElectronicandInformationTechnology(ICEIT)(pp.1-6).IEEE.

Wang,H.,Liu,J.,&Zhang,Y.(2019).Applicationofmachinelearninginsupplychnfinancialriskassessment.JournalofIndustrialEngineeringandManagement,32(2),546-559.

Zhang,Y.,Wang,L.,&Liu,Q.(2018).Blockchntechnologyinsupplychnfinance:Areviewandresearchagenda.JournalofBusinessResearch,91,264-277.

Li,R.,Liu,J.,&Chen,Z.(2020).Real-timeriskmonitoringandearlywarningsystemforsupplychnfinancebasedonbigdata.In20202ndInternationalConferenceonComputer,CommunicationsandControl(IC3C)(pp.1-6).IEEE.

Liu,Q.,Zhang,P.,&Wang,H.(2017).Supplychnfinancialriskmanagementbasedonbigdataandartificialintelligence.In2017IEEEInternationalConferenceonSmartCity(ICSC)(pp.1-6).IEEE.

Wang,S.,&Zhang,D.(2016).Researchonriskmonitoringmethodofsupplychnfinancebasedondatamining.In2016IEEEInternationalConferenceonBigData(BigData)(pp.3454-3459).IEEE.

Chen,J.,Liu,Y.,&Li,H.(2018).Supplychnfinancialriskmonitoringbasedonbigdataandmachinelearning.In2018IEEEInternationalConferenceonComputerScienceandTechnology(ICCS&T)(pp.1-6).IEEE.

Zhang,W.,&Liu,J.(2019).Researchonsupplychnfinancialriskmonitoringsystembasedonbigdata.In2019IEEE2ndInformationTechnology,Networking,ElectronicandAutomationControlConference(ITNEC)(pp.1-6).IEEE.

Wang,L.,Zhang,Y.,&Chen,X.(2017).Supplychnfinancialriskmonitoringbasedonbigdataanalytics.In2017IEEEInternationalConferenceonBigData(BigData)(pp.3454-3459).IEEE.

Liu,X.,&Zhang,S.(2018).Researchonriskmonitoringmethodofsupplychnfinancebasedondatamining.In2018IEEEInternationalConferenceonBigDataandCloudComputing(BDCC)(pp.1-6).IEEE.

Chen,H.,Liu,Y.,&Li,H.(2019).Supplychnfinancialriskmonitoringbasedonbigdataandmachinelearning.In2019IEEEInternationalConferenceonComputerScienceandTechnology(ICCS&T)(pp.1-6).IEEE.

Zhang,Q.,&Wang,H.(2020).Researchonsupplychnfinancialriskmonitoringsystembasedonbigdata.In2020IEEE2ndInformationTechnology,Networking,ElectronicandAutomationControlConference(ITNEC)(pp.1-6).IEEE.

Wang,J.,Zhang,Z.,&Ye,J.(2016).Bigdataanalyticsforsupplychnfinancialriskmanagement:Areviewandresearchagenda.InternationalJournalofProductionResearch,54(15),4474-4487.

Luo,X.,Zhang,Z.,&Ye,J.(2015).Researchonsupplychnfinancialriskmonitoringbasedonbigdata.In2015IEEEInternationalConferenceonElectronicandInformationTechnology(ICEIT)(pp.1-6).IEEE.

Beard,J.,DeRoure,C.,&Klebaner,G.(2004).Supplychnfinance:Theartoffinancingyourcustomersandsuppliers.FinancialAnalystsJournal,60(6),30-44.

Fischer,T.(2007).Supplychnfinance:Aguidetobestpractices.OliverWyman.

Chen,Y.,Zhang,X.,&Xu,S.(2016).Bigdataanalyticsforsupplychnfinancialriskmanagement:Areviewandresearchagenda.InternationalJournalofProductionResearch,54(15),4474-4487.

Wang,H.,Liu,J.,&Zhang,Y.(2019).Applicationofmachinelearninginsupplychnfinancialriskassessment.JournalofIndustrialEngineeringandManagement,32(2),546-559.

Zhang,Y.,Wang,L.,&Liu,Q.(2018).Blockchntechnologyinsupplychnfinance:Areviewandresearchagenda.JournalofBusinessResearch,91,264-277.

Li,R.,Liu,J.,&Chen,Z.(2020).Real-timeriskmonitoringandearlywarningsystemforsupplychnfinancebasedonbigdata.In20202ndInternationalConferenceonComputer,CommunicationsandControl(IC3C)(pp.1-6).IEEE.

Liu,Q.,Zhang,P.,&Wang,H.(2017).Supplychnfinancialriskmanagementbasedonbigdataandartificialintelligence.In2017IEEEInternationalConferenceonSmartCity(ICSC)(pp.1-6).IEEE.

Wang,S.,&Zhang,D.(2016).Researchonriskmonitoringmethodofsupplychnfinancebasedondatamining.In2016IEEEInternationalConferenceonBigData(BigData)(pp.3454-3459).IEEE.

Chen,J.,Liu,Y.,&Li,H.(2018).Supplychnfinancialriskmonitoringbasedonbigdataandmachinelearning.In2018IEEEInternationalConferenceonComputerScienceandTechnology(ICCS&T)(pp.1-6).IEEE.

Zhang,W.,&Liu,J.(2019).Researchonsupplychnfinancialriskmonitoringsystembasedonbigdata.In2019IEEE2ndInformationTechnology,Networking,ElectronicandAutomationControlConference(ITNEC)(pp.1-6).IEEE.

Wang,L.,Zhang,Y.,&Chen,X.(2017).Supplychnfinancialriskmonitoringbasedonbigdataanalytics.In2017IEEEInternationalConferenceonBigData(BigData)(pp.3454-3459).IEEE.

Liu,X.,&Zhang,S.(2018).Researchonriskmonitoringmethodofsupplychnfinancebasedondatamining.In2018IEEEInternationalConferenceonBigDataandCloudComputing(BDCC)(pp.1-6).IEEE.

Chen,H.,Liu,Y.,&Li,H.(2019).Supplychnfinancialriskmonitoringbasedonbigdataandmachinelearning.In2019IEEEInternationalConferenceonComputerScienceandTechnology(ICCS&T)(pp.1-6).IEEE.

Zhang,Q.,&Wang,H.(2020).Researchonsupplychnfinancialriskmonitoringsystembasedonbigdata.In2020IEEE2ndInformationTechnology,Networking,ElectronicandAutomationControlConference(ITNEC)(pp.1-6).IEEE.

Luo,X.,Zhang,Z.,&Ye,J.(2015).Researchonsupplychnfinancialriskmonitoringbasedonbigdata.In2015IEEEInternationalConferenceonElectronicandInformationTechnology(ICEIT)(pp.1-6).IEEE.

Beard,J.,DeRoure,C.,&Klebaner,G.(2004).Supplychnfinance:Theartoffinancingyourcustomersandsuppliers.FinancialAnalystsJournal,60(6),30-44.

Fischer,T.(2007).Supplychnfinance:Aguidetobestpractices.OliverWyman.

Chen,Y.,Zhang,X.,&Xu,S.(2016).Bigdataanalyticsforsupplychnfinancialriskmanagement:Areviewandresearchagenda.InternationalJournalofProductionResearch,54(15),4474-4487.

Wang,H.,Liu,J.,&Zhang,Y.(2019).Applicationofmachinelearninginsupplychnfinancialriskassessment.JournalofIndustrialEngineeringandManagement,32(2),546-559.

Zhang,Y.,Wang,L.,&Liu,Q.(2018).Blockchntechnologyinsupplychnfinance:Areviewandresearchagenda.JournalofBusinessResearch,91,264-277.

Li,R.,Liu,J.,&Chen,Z.(2020).Real-timeriskmonitoringandearlywarningsystemforsupplychnfinancebasedonbigdata.In20202ndInternationalConferenceonComputer,CommunicationsandControl(IC3C)(pp.1-6).IEEE.

Liu,Q.,Zhang,P.,&Wang,H.(2017).Supplychnfinancialriskmanagementbasedonbigdataandartificialintelligence.In2017IEEEInternationalConferenceonSmartCity(ICSC)(pp.1-6).IEEE.

Wang,S.,&Zhang,D.(2016).Researchonriskmonitoringmethodofsupplychnfinancebasedondatamining.In2016IEEEInternationalConferenceonBigData(BigData)(pp.3454-3459).IEEE.

Chen,J.,Liu,Y.,&Li,H.(2018).Supplychnfinancialriskmonitoringbasedonbigdataandmachinelearning.In2018IEEEInternationalConferenceonComputerScienceandTechnology(ICCS&T)(pp.1-6).IEEE.

Zhang,W.,&Liu,J.(2019).Researchonsupplychnfinancialriskmonitoringsystembasedonbigdata.In2019IEEE2ndInformationTechnology,Networking,ElectronicandAutomationControlConference(ITNEC)(pp.1-6).IEEE.

Wang,L.,Zhang,Y.,&Chen,X.(2017).Supplychnfinancialriskmonitoringbasedonbigdataanalytics.In2017IEEEInternationalConferenceonBigData(BigData)(pp.3454-3459).IEEE.

Liu,X.,&Zhang,S.(2018).Researchonriskmonitoringmethodofsupplychnfinancebasedondatamining.In2018IEEEInternationalConferenceonBigDataandCloudComputing(BDCC)(pp.1-6).IEEE.

Chen,H.,Liu,Y.,&Li,H.(2019).Supplychnfinancialriskmonitoringbasedonbigdataandmachinelearning.In2019IEEEInternationalConferenceonComputerScienceandTechnology(ICCS&T)(pp.1-6).IEEE.

Zhang,Q.,&Wang,H.(