商業(yè)銀行線上供應(yīng)鏈金融信用風(fēng)險實證分析

尹思源 王范宇 張洋

摘 要：以吉林省的汽車行業(yè)作為典型研究對象，檢驗線上供應(yīng)鏈服務(wù)的信用風(fēng)險評價指標(biāo)體系。首先運用主成分因子分析方法提取主成分，然后運用二元 Logistic 回歸模型進行估計，得出商業(yè)銀行在進行線上供應(yīng)鏈金融業(yè)務(wù)的貸款決策時評價中小企業(yè)信用風(fēng)險的回歸方程的因子系數(shù)。最后，完成對模型的檢驗。

關(guān)鍵詞：商業(yè)銀行;供應(yīng)鏈金融;主成因子分析;Logistic模型分析

一、引言

隨著商業(yè)銀行線上供應(yīng)鏈金融業(yè)務(wù)的開展，對于其風(fēng)險的評估變得越來越重要。由于線上供應(yīng)鏈金融業(yè)務(wù)的多樣化和復(fù)雜性，其信用評價體系的構(gòu)建需要從多方角度進行綜合考量。本課題的前期研究構(gòu)建了線上供應(yīng)鏈金融信用風(fēng)險評價指標(biāo)體系，并應(yīng)用該體系來構(gòu)建Logistic信用風(fēng)險評價模型，以檢測中小企業(yè)是否值得商業(yè)銀行開展線上供應(yīng)鏈金融業(yè)務(wù)。

二、線上供應(yīng)鏈金融信用風(fēng)險評價指標(biāo)體系

商業(yè)銀行線上供應(yīng)鏈金融業(yè)務(wù)信用風(fēng)險評價指標(biāo)體系由四個一級指標(biāo)，8 個二級指標(biāo)，16個三級指標(biāo)構(gòu)成，如表1所示：

三、數(shù)據(jù)的來源及處理

本文在商業(yè)銀行視角下的信用風(fēng)險的實證分析基于中小企業(yè)展開。但并不是所有的上市中小企業(yè)都參與線上供應(yīng)鏈金融。因此，首先要找出我國供應(yīng)鏈金融業(yè)務(wù)活躍行業(yè)，然后確定上下游企業(yè)，最后再進行財務(wù)數(shù)據(jù)的收集。

目前，供應(yīng)鏈金融業(yè)務(wù)的服務(wù)對象主要集中在汽車、房地產(chǎn)、鋼鐵等板塊，并以汽車行業(yè)為典型代表（李路洋，2016），故本課題確定以吉林省的汽車行業(yè)作為研究對象。樣本篩選方法如下：以供應(yīng)鏈核心企業(yè)為中心，搜索其上下游有關(guān)的中小企業(yè)，再通過企查查、東方財富等網(wǎng)站獲得財務(wù)相關(guān)的五年面板數(shù)據(jù)。以10家中小企業(yè)作為樣本，劃分為三大行業(yè)：汽車零部件行業(yè)，生產(chǎn)裝備行業(yè)，電子控制行業(yè)。其中，核心企業(yè)控股零部件2家，其他零部件4家，生產(chǎn)裝備行業(yè)1家，電子控制行業(yè)3家。

自變量的選取，本文樣本數(shù)據(jù)來自2014-2018年度 10家中小企業(yè)的5 年的財務(wù)數(shù)據(jù)。此外，由于我國金融信貸行業(yè)信息共享程度不高，特別中小企業(yè)的經(jīng)營交易數(shù)據(jù)較難獲得（張沛，2016）。因此本文對定性指標(biāo)采取五級量表的方式的形式進行打分。劃分標(biāo)準為：1到 5分，其中最高分為5分。

在因變量的選取方面，需要衡量的因變量為中小企業(yè)發(fā)生信用風(fēng)險的違約概率。本文根據(jù)《企業(yè)績效評價標(biāo)準值》中的“帶息負債比率值”為標(biāo)準來判斷中小企業(yè)的是否存在信用風(fēng)險。當(dāng)期帶息負債比率值高于行業(yè)標(biāo)準值時，我們認為它有信用風(fēng)險;反之則無。當(dāng)其存在信用風(fēng)險時值置 1;反之置 0。據(jù)此，將50組樣本數(shù)據(jù)分為17組有風(fēng)險數(shù)據(jù)和33組無風(fēng)險數(shù)據(jù)。

四、模型的構(gòu)建

我們在上文的信用風(fēng)險評價指標(biāo)體系的基礎(chǔ)上，使用SPSS 24.0進行分析。首先，運用主成分因子分析方法提取主成分。其次，運用二元 Logistic 回歸模型進行估計，得出商業(yè)銀行在進行線上供應(yīng)鏈金融業(yè)務(wù)的貸款決策時評價中小企業(yè)信用風(fēng)險的回歸方程的因子系數(shù)。最后，完成對模型的總體檢驗和系數(shù)檢驗。

1、描述統(tǒng)計分析

本文將采用二元回歸的Logistic模型對中小企業(yè)依托商業(yè)銀行線上供應(yīng)鏈貸款的違約概率進行計算，由于研究的主體是商業(yè)銀行對中小企業(yè)進行信用評估，因此主要采用的指標(biāo)大都是中小企業(yè)性質(zhì)有關(guān)的。首先我們使用SPSS24.0對我們采集的指標(biāo)進行描述統(tǒng)計分析，16個的描述統(tǒng)計結(jié)果如下表：

2、主成因子分析

為了避免已有的變量有較強的相關(guān)性以及同時降低本文的16個自變量中的引發(fā)的高難度的統(tǒng)計分析，我們將通過主成分因子分析對變量進行合成重組，用不相關(guān)的一組新的變量來進行替代處理，以免出現(xiàn)多重共線性的問題。

在主成分分析之前，先對樣本數(shù)據(jù)進行了KMO和巴特利特檢驗，看是否可以進行主成分因子分析。使用SPSS 24.0我們得到的圖如下所示，一般認為，KMO大于0.5可以進行主成分因子分析，0.6——0.8表示一般，0.8以上就非常合適，而低于0.5則不適合用主成分因子分析。本文得到的KMO值為0.645，表明可以進行。

接下來采用最大方差對成分矩陣進行旋轉(zhuǎn)，設(shè)定以特征值大于1的為標(biāo)準將主成分進行提取。得出的結(jié)果如下表所示：

從上表可以看出提取的因子總計有五個，這五個因子對方差解釋度在72.878%，可以用這5個因子對其他變量進行解釋并替代。下表為旋轉(zhuǎn)后的成分矩陣：

從上表可以看出，銷售利潤率、凈資產(chǎn)收益率2、資產(chǎn)增長率、利息保障倍數(shù)、應(yīng)收賬款周轉(zhuǎn)率在因子1上有很高的載荷系數(shù)，記為F1;而銷售凈利率、凈資產(chǎn)收益率2、速動比率1和信息化水平在因子2上有很高的載荷，記為F2，速動比率2和流動比率以及存貨周轉(zhuǎn)率在因子3上有很高的載荷記為F3;在因子4中，速動比率1和行業(yè)發(fā)展階段以及信用水平載荷較高，記為F4;而銷售增長率和信用水平、合作頻率、信息化水平在因子5中載荷較高記為F5。

3、Logistic模型分析

Logistic模型作為現(xiàn)階段衡量信用風(fēng)險比較成熟的非線性評估模型，能夠為企業(yè)風(fēng)險評估提供相對準確的數(shù)據(jù)，以便于企業(yè)針對不同資產(chǎn)和業(yè)務(wù)做出正確及時的反應(yīng)和調(diào)整。

在本文的模型模擬中，我們將上文中主成分分析得出的五個因子作為自變量，將企業(yè)是否違約取值為0和1作為因變量建立Logistic模型，得出企業(yè)的違約概率P。P值等于0.5是中小企業(yè)是否存在違約信用風(fēng)險的臨界值，P值越接近0，說明違約的風(fēng)險越小，企業(yè)的信用水平優(yōu)秀，反之則企業(yè)越有可能違約。運用SPSS 24.0統(tǒng)計軟件對主成分進行Logistic模型回歸分析，結(jié)果如表6和表7所示：

根據(jù)Logistic模型的含義，由上表內(nèi)容我們可以得出以下Logistic模型回歸方程：

其中五個因子的回歸系數(shù)分別為-2.041、3.128、-3.094、-2.123以及1.702，其絕對值大小體現(xiàn)因子對影響違約概率的貢獻大小，其中系數(shù)數(shù)值為負的，代表其與公式中的違約概率P成負相關(guān)。

從表7中的結(jié)果可以得知，在50個樣本中，對于實際中觀測中33個信用良好的指標(biāo)值（不同年份的不同企業(yè)），本文的模型模擬預(yù)測結(jié)果為31個無風(fēng)險，準確率為93.9%;對于實際觀測中風(fēng)險較大的17個指標(biāo)值，本文的模型模擬預(yù)測結(jié)果為10個有風(fēng)險，準確率為60%;綜合整體的正確百分比為82%。

五、模型檢驗

為了驗證本文模型的正確性和合理性，模型的檢驗主要分為兩方面。

首先是對主成分因子的顯著性進行檢驗，本文中直接使用Wald值以及顯著性來體現(xiàn)五個主成分因子是否合理，從表6中可以直觀地看出，五個因子的顯著性都明顯的低于0.05，并且Wald值較高，充分說明各因子在對因變量，即違約指標(biāo)的構(gòu)建過程中起到十分重要的作用。

然后我們進行Logistic回歸方程的顯著性檢驗，如表8所示：

從表8中可以看出，顯著性均落在非常小的數(shù)值上，遠遠小于0.05，證明在本文的Logistic模型在很大程度上可以代表現(xiàn)實中風(fēng)險發(fā)生的真實情況。

六、實證結(jié)果分析結(jié)論

本文運用SPSS24.0中的二元Logistic回歸模型對商業(yè)銀行線上供應(yīng)鏈金融業(yè)務(wù)進行了實證分析，得出以下主要結(jié)論：

1、本文所構(gòu)建的二元Logistic模型可以穩(wěn)健的評價商業(yè)銀行線上供應(yīng)鏈金融業(yè)務(wù)里中小企業(yè)發(fā)生信用違約的可能性。本文所構(gòu)建四個一級指標(biāo)：宏觀環(huán)境、核心企業(yè)、中小企業(yè)、線上供應(yīng)鏈金融業(yè)務(wù)都對企業(yè)的信用風(fēng)險有顯著的影響，五個主成分析法所提取的主成分也均可以有效衡量線上供應(yīng)鏈金融業(yè)務(wù)中存在的違約可能性。

2、因子F1和信用風(fēng)險發(fā)生的概率成負相關(guān)關(guān)系。F1中，銷售利潤率、凈資產(chǎn)收益率、資產(chǎn)增長率、利息保障倍數(shù)、應(yīng)收賬款周轉(zhuǎn)率符號為正，即與F1成正相關(guān)關(guān)系，與信用風(fēng)險發(fā)生的概率成負相關(guān)關(guān)系。這些指標(biāo)的取值越大，則中小企業(yè)發(fā)生信用風(fēng)險的概率越小，該企業(yè)信用水平越高。

3、因子F2和信用風(fēng)險發(fā)生的概率成正相關(guān)。F2中，銷售凈利率、凈資產(chǎn)收益率、速動比率和信息化水平符號為負，和信用風(fēng)險發(fā)生的概率成負相關(guān)關(guān)系。這些指標(biāo)的取值越大，則中小企業(yè)發(fā)生信用風(fēng)險的概率越小，該企業(yè)信用水平越高。F2中所提取的大部分指標(biāo)都反映了核心企業(yè)在構(gòu)建信用評價體系中的重要性。

4、因子F3和信用風(fēng)險發(fā)生的概率成負相關(guān)關(guān)系。F3中，速動比率和流動比率以及存貨周轉(zhuǎn)率的符號為正。這些指標(biāo)的取值越大，則中小企業(yè)發(fā)生信用風(fēng)險的概率越小，該企業(yè)信用水平越高。F3中的指標(biāo)均反映了償債能力與信用風(fēng)險有很大的關(guān)聯(lián)。

5、因子F4和信用風(fēng)險發(fā)生的概率成負相關(guān)關(guān)系。F4中，速動比率和行業(yè)發(fā)展階段以及信用水平符號為正。這些指標(biāo)的取值越大，則中小企業(yè)發(fā)生信用風(fēng)險的概率越小，該企業(yè)信用水平越高。F4中的指標(biāo)大部分反映了宏觀經(jīng)濟環(huán)境和中小企業(yè)信用水平對于信用風(fēng)險的影響。

6、因子F5和信用風(fēng)險發(fā)生的概率成正相關(guān)關(guān)系。F5中，銷售增長率和信用水平、合作頻率、信息化水平符號為負。這些指標(biāo)的取值越大，則中小企業(yè)發(fā)生信用風(fēng)險的概率越小，該企業(yè)信用水平越高。F5中的指標(biāo)大部分衡量了線上供應(yīng)鏈金融業(yè)務(wù)指標(biāo)對于信用風(fēng)險所帶來的的影響。

參考文獻：

[1]李路洋.線上供應(yīng)鏈金融信用風(fēng)險評價研究[D].天津：天津財經(jīng)大學(xué)，2016：55-57.

[2]張沛.線上供應(yīng)鏈金融平臺合并對融資效率的影響[D].上海：東華大學(xué)，2016.