基于BP 神經(jīng)網(wǎng)絡的化工行業(yè)供應鏈金融信用風險評價

李 昕，湯 健 （江蘇大學 管理學院，江蘇 鎮(zhèn)江212013）

LI Xin, TANG Jian (School of Management, Jiangsu University, Zhenjiang 212013, China)

0 引 言

化工行業(yè)作為國民經(jīng)濟的支柱產(chǎn)業(yè)之一，在國民經(jīng)濟中占有重要的地位。由于產(chǎn)品種類繁多，生產(chǎn)流程長并且復雜的特點，化工行業(yè)上下游情況較為復雜。同時，化工行業(yè)匯集著數(shù)以萬計的中小企業(yè)。據(jù)《中國化學工業(yè)年鑒》數(shù)據(jù)，我國化工行業(yè)的企業(yè)整體數(shù)量已達數(shù)十萬家，值得注意的是中小化工企業(yè)占90%以上。在化工行業(yè)，中小企業(yè)貢獻了行業(yè)持續(xù)穩(wěn)定發(fā)展的決定動力。與其他行業(yè)類似，“融資難”同樣困擾著化工中小企業(yè)。由于化工行業(yè)具有的輕資產(chǎn)性、價格波動性、交易分散性等特點，化工中小企業(yè)的“融資難”問題與其他中小企業(yè)相比更加復雜多變。在面臨化工中小企業(yè)的融資需求時，銀行等金融機構(gòu)如何開展風險控制識別及措施值得進一步深入研究。

1 相關研究綜述

供應鏈金融是當下金融與供應鏈管理的重要構(gòu)成[1]。對供應鏈金融的概念界定，Kouvelis（2015） 認為，資金提供者基于供應鏈環(huán)節(jié)真實發(fā)生的商業(yè)貿(mào)易開發(fā)的一系列融資、服務產(chǎn)品[2]。近年來，我國學者也對供應鏈金融進行了深入研究，蘭軍（2019） 提出供應鏈金融是一種銀行等金融機構(gòu)從供應鏈管理的角度，涉及供應鏈多個節(jié)點如供應、生產(chǎn)、銷售、運輸，針對中小融資企業(yè)采購生產(chǎn)所需原料或半成品等不同行為，幫助其提高信用等級并提供階段性融資及配套服務的業(yè)務模式[3]。具體到銀行等金融機構(gòu)的實踐層面，深圳發(fā)展銀行是國內(nèi)最早開展供應鏈金融業(yè)務的金融機構(gòu)[4]，通過引入供應鏈金融概念，在國內(nèi)商貿(mào)融資的基礎上推出全新的“1+N”融資模式，將部分資金覆蓋到供應鏈上下游流動資金緊缺的中小企業(yè)是該模式的最大亮點[5]。近年來，供應鏈金融穩(wěn)步發(fā)展，預付賬款類融資、存貨類融資和應收賬款類融資構(gòu)成了供應鏈金融主要類型，具體可以劃分為倉單質(zhì)押授信、先票/款后貸授信、保兌倉、融通倉、國內(nèi)信用證業(yè)務等[6]。

涉及到供應鏈金融信用風險評價的文獻，Hu 和Ansell（2007） 運用專家評分法考慮企業(yè)財務指標及宏觀環(huán)境變量對供應鏈金融信用風險的影響[7]；黃靜思等（2014） 研究發(fā)現(xiàn)供應鏈系統(tǒng)風險對供應鏈金融的信用風險影響較大[8]；Su 和Lu（2017）考慮上下游產(chǎn)業(yè)及貫穿供應鏈整體的物流企業(yè)，建立模型結(jié)合仿真技術(shù)測量信用風險[9]；范方志等（2017） 采用多目標決策分析法，將供應鏈核心企業(yè)及融資企業(yè)的財務數(shù)據(jù)設為變量納入指標體系[10]；顧治程和蔣艷（2017） 采用Logistic 回歸模型分析供應鏈金融信用風險[11]。與此同時，胡海清等（2012） 建立了支持向量機預警模型[12]；葉曉楓和魯亞會（2017） 運用數(shù)學思想，依靠財務指標建立隨機森林考慮樸素貝葉斯的信用風險預警模型[13]；蔣曼曼（2017） 采用主成分分析研究企業(yè)的財務指標并設定一個Logistic 預警模型[14]；戴昕琦（2018） 以線上供應鏈金融為研究對象，分析其融資模式，從SMOTE 算法角度考慮信用風險大小[15]。

近年來，不少學者發(fā)現(xiàn)將人工智能模型與信用風險評價相結(jié)合可以繼續(xù)完善信用風險評價的準確度，因此以BP 神經(jīng)網(wǎng)絡為代表的人工智能模型逐漸成為預警企業(yè)財務危機的主流方式。其中，Hamadi 和Abdelmoula（2010） 以資金需求企業(yè)的財務數(shù)據(jù)運用BP 神經(jīng)網(wǎng)絡建立了預警模型[16]；Lang Zhang 等（2015） 采用SVM 模型和BP 神經(jīng)網(wǎng)絡分析供應鏈上下游中小企業(yè)的信用風險狀況[17]。楊斌等（2016） 將29 家有融資需求的企業(yè)數(shù)據(jù)結(jié)合信用風險評價模型證明了BP 神經(jīng)網(wǎng)絡對信用風險評價具有一定的可行性[18]。蔡靜雯等（2016） 則從金融機構(gòu)的角度出發(fā)，運用BP 神經(jīng)網(wǎng)絡模型測量出樣本判別分類的準確率高達92%[19]。綜上所述，對供應鏈金融信用風險的研究近年來趨向客觀、復雜，本文將利用BP 神經(jīng)網(wǎng)絡來構(gòu)建評價指標體系，以預測供應鏈中化工行業(yè)中小企業(yè)的信用風險。

2 基于BP 神經(jīng)網(wǎng)絡的化工行業(yè)供應鏈金融信用風險指標體系構(gòu)建

2.1 化工行業(yè)供應鏈金融信用風險指標的選取

供應鏈金融未興起時，金融機構(gòu)在面對化工企業(yè)融資需求時，僅僅考慮融資企業(yè)本身存在的信用風險，調(diào)查分析其靜態(tài)財務指標，導致大多數(shù)的融資都匯集到大型化工企業(yè)?，F(xiàn)實中面臨融資難問題的化工企業(yè)往往規(guī)模較小，財務數(shù)據(jù)較為零散、不透明，甚至會出現(xiàn)不符合法律法規(guī)的相關問題，因此，真正有融資需求的企業(yè)往往得不到融資貸款。而供應鏈金融從動態(tài)的視角出發(fā)，通過分析中小融資企業(yè)的信用風險，選取一套有效且完善的指標評價體系并結(jié)合化工產(chǎn)業(yè)鏈上下游企業(yè)尤其是核心企業(yè)相關特點，對中小融資企業(yè)所處產(chǎn)業(yè)鏈整體進行評價。

因此實施化工供應鏈金融的前提是為相關融資企業(yè)建立一套適用于化工行業(yè)供應鏈金融的信用風險體系。而化工中小企業(yè)的信用風險主要體現(xiàn)在融資企業(yè)、上下游核心企業(yè)、物流企業(yè)及供應鏈整體運營狀況等，所以本文將依托以下4 個與化工中小企業(yè)的信用風險息息相關的層面建立化工行業(yè)供應鏈金融的信用風險指標體系：

（1） 化工中小融資企業(yè)：化工中小企業(yè)因其規(guī)模較小往往沒有直接的信用等級。企業(yè)素質(zhì)、經(jīng)營能力、盈利能力、償債能力和發(fā)展能力等指標直接反應了融資企業(yè)的信用高低?；ぶ行∑髽I(yè)信用越高，越能按時履行融資合同，對金融機構(gòu)的風險也就越小。

（2） 核心企業(yè)信用狀況：核心企業(yè)因其規(guī)模、行業(yè)地位往往有一定的信用評級，掌握核心企業(yè)的財務和運營等狀況可以在化工中小企業(yè)違約時，履行部分擔保責任，對銀行等金融機構(gòu)降低信用風險具有一定的意義。

（3） 化工供應鏈運營狀況：作為供應鏈金融主體的融資企業(yè)，既可以通過抵押廠房等固定資產(chǎn)又能夠憑借半成品等存貨進行抵押，然而化工產(chǎn)品價值伴隨著化工行業(yè)的發(fā)展程度上下波動，因此化工中小企業(yè)所處行業(yè)的發(fā)展狀況十分重要。

（4） 第三方物流企業(yè)：化工產(chǎn)品因其特殊性往往需要專業(yè)的物流運輸和倉儲服務，第三方物流企業(yè)的運營狀況直接決定著化工供應鏈上下游交易的穩(wěn)定性，第三方物流企業(yè)在化工供應鏈的運轉(zhuǎn)中起到一定的監(jiān)管作用。

在大量文獻研究和專家調(diào)查的基礎上，依據(jù)指標設計的原則和方法，建立了供應鏈金融視角下化工行業(yè)中小企業(yè)信用風險評價指標體系。指標體系及評分準則如表1 所示。

2.2 化工行業(yè)供應鏈金融信用風險BP 神經(jīng)網(wǎng)絡模型的設計

對信用風險BP 神經(jīng)網(wǎng)絡模型而言，首先要確定網(wǎng)絡的層級數(shù)目以及各個層級的神經(jīng)元數(shù)目。Kolmogrov 理論證明具有3 層結(jié)構(gòu)的BP 網(wǎng)絡其學習性較好。因此，本文利用3 層級BP 網(wǎng)絡結(jié)構(gòu)進行訓練。

（1） 確定輸入層和輸出層：本文構(gòu)建的是化工行業(yè)供應鏈金融信用風險評價指標體系，將上文28 個評價指標作為BP 神經(jīng)網(wǎng)絡模型的輸入。由于信用風險評價的目標是判斷某個企業(yè)融資風險的高低，因此神經(jīng)網(wǎng)絡的輸出結(jié)果只有一個，具體可以設置為［-1,1 ］之間的數(shù)值，信用風險從高到低遞增。

表1 評價指標體系及釋義

（2） 確定隱含層：在實際操作過程中可以通過試錯的方式確定隱含層的具體數(shù)值，具體而言可以通過下式確定：

式中：m表示輸出神經(jīng)元；n代表輸入神經(jīng)元；a為1～10 之間的常數(shù)。為確定最佳的隱含層單元數(shù)，本文設計了一個隱含層神經(jīng)元可變的BP 神經(jīng)網(wǎng)絡。

3 基于BP 神經(jīng)網(wǎng)絡的信用風險模型訓練與實例驗證

（1） 數(shù)據(jù)來源與整理。本文樣本數(shù)據(jù)來源于Wind 數(shù)據(jù)庫，選取并篩選出在新三板掛牌的化工企業(yè)共112 家，根據(jù)《中小企業(yè)劃型標準規(guī)定》對化工行業(yè)營業(yè)收入在300 萬元至40 000 萬元之間為化工中小企業(yè)的標準剔除27 家，剩85 家化工中小企業(yè)。依據(jù)其財務報表將主營業(yè)務為醫(yī)藥化學、高端材料制造等企業(yè)共43 家剔除，剩42 家化工中小企業(yè)。

考慮到化工中小企業(yè)沒有直接可得的信用等級，直接用化工企業(yè)的信用評級進行BP 神經(jīng)網(wǎng)絡的訓練不可取。對新三板上市的化工中小企業(yè)而言，其信用風險的高低可以從股價波動看出。對一定期限內(nèi)股價上漲的企業(yè)，可以歸類為“低風險企業(yè)”，金融機構(gòu)可以授信；對一定期限內(nèi)股價沒有明顯波動的企業(yè)，歸類為“中性企業(yè)”，金融機構(gòu)授信時需謹慎；對一定期限內(nèi)股價下降的企業(yè)，歸類為“高風險企業(yè)”，金融機構(gòu)拒絕授信。基于此標準，本文利用國泰安數(shù)據(jù)庫對42 組數(shù)據(jù)中化工企業(yè)自2019 年下半年的股價進行分析，發(fā)現(xiàn)有11 家企業(yè)受交易不活躍等因素的影響沒有形成完整的市場價格，另外8 家企業(yè)因財務信息不完整剔除，剩23 家。其中訓練樣本集包括20 家企業(yè)，測試樣本集包括3 家企業(yè)。在20 家訓練樣本集中，低風險企業(yè)8 家、中性企業(yè)6 家以及高風險企業(yè)6 家；在測試樣本集中，低風險企業(yè)1 家、中性企業(yè)1 家以及高風險企業(yè)1 家。不同企業(yè)信用風險的高低可以通過具體賦值表示：低風險企業(yè)為1，中性企業(yè)為0，高風險企業(yè)為-1。

表2 風險評價原始數(shù)據(jù)表

本文從國泰安數(shù)據(jù)庫選取了樣本企業(yè)的相關定量指標作為訓練樣本數(shù)據(jù)。而對于“行業(yè)環(huán)境”等定性指標通過已有的文獻來進行賦值評價。這樣可以得到BP 神經(jīng)網(wǎng)絡的原始數(shù)據(jù)表，如表2 所示。

BP 神經(jīng)網(wǎng)絡對輸入有要求，訓練樣本被標準化處理后，屬性數(shù)據(jù)可以轉(zhuǎn)化為無量綱數(shù)據(jù)，有利于統(tǒng)一衡量。最大最小值法是目前運用最廣泛的標準化處理方法，具體處理為：

其中：cp是經(jīng)過轉(zhuǎn)化后的樣本個體，是樣本數(shù)據(jù)X的單個個體，MIN（X）和MAX（X）分別表示樣本數(shù)據(jù)X的最大值及最小值。經(jīng)過標準化處理后的數(shù)據(jù)維持在［0,1 ］之間，具體數(shù)據(jù)如表3 所示。

（2） 網(wǎng)絡訓練與仿真檢驗。BP 神經(jīng)網(wǎng)絡提供Log-sigmoid 類S 型傳遞函數(shù)、Tan-sigmoid 類正切S 型傳遞函數(shù)、Purelin 類線性函數(shù)等函數(shù)。鑒于樣本已經(jīng)通過最大最小值法處理，本文將Tan-sigmoid 函數(shù)運用到BP 神經(jīng)網(wǎng)絡的輸入層到隱含層，將Log-sigmoid 函數(shù)運用在網(wǎng)絡的隱含層到輸出層，訓練算法則選擇trainglm 函數(shù)。最后構(gòu)成一個28×20×1 的BP 神經(jīng)網(wǎng)絡模型。模型的設定參數(shù)誤差為0.001，學習率為0.01，循環(huán)學習次數(shù)為1 000 次。在設定好BP 神經(jīng)網(wǎng)絡的各項參數(shù)后，將已經(jīng)處理好的數(shù)據(jù)訓練學習：訓練樣本包含1～20 號樣本數(shù)據(jù)，檢驗樣本包含21 號到23 號樣本，具體的驗證如下：

表3 標準化處理數(shù)據(jù)表

本文通過設定round 函數(shù)，對訓練結(jié)果進行取整以便訓練結(jié)果更加直觀。經(jīng)過訓練得到：Y=（0,-1,0.5,1,0.5,-1,0,1,-1,1,0.5,1,1,-1,-0.5,1,1,0.5,1,0）；與實際情況相結(jié)合（見圖1） 可以發(fā)現(xiàn)，經(jīng)過BP 神經(jīng)網(wǎng)絡訓練的輸出結(jié)果與現(xiàn)實結(jié)果誤差較小，說明本文采用的BP神經(jīng)網(wǎng)絡具有一定的有效性，可以應用到其他樣本檢驗測試。

圖1 BP 神經(jīng)網(wǎng)絡回歸分析圖

將21 號至23 號樣本輸入調(diào)試好的信用風險評價模型中，經(jīng)過多次運算得到的檢驗結(jié)果為：0.137,-0.924,0.839。

依據(jù)股價波動將檢驗結(jié)果與實際信用風險高低對比，可以發(fā)現(xiàn)21 號至23 號所代表的XX 化成、君X 科技、連X 化學3家企業(yè)的信用風險值分別為0,-1,1。以連X 化學為例，該企業(yè)的運算結(jié)果與實際信用風險誤差最小。在資料分析過程中，該企業(yè)的財務信息相對透明，所處供應鏈運營狀況較好，對應核心企業(yè)為國內(nèi)鋼鐵龍頭企業(yè)，承擔運輸?shù)钠髽I(yè)同樣為5A 級物流企業(yè)，因此在3 家企業(yè)中信用風險最低。從實際運算來看，本文構(gòu)建的化工行業(yè)供應鏈金融信用風險評價模型的評價結(jié)果與實際誤差較小，該BP 神經(jīng)網(wǎng)絡具有較強的風險評價能力。對融資難的化工企業(yè)而言，其財務信息透明度，供應鏈上下游之間的運營狀況以及物流企業(yè)的穩(wěn)定性直接影響著企業(yè)自身的信用風險大小。對銀行等金融機構(gòu)而言，供應鏈金融業(yè)務順利開展的決定因素往往來源于信用風險評價結(jié)果，因此化工行業(yè)的中小企業(yè)必須對自身財務數(shù)據(jù)如盈利能力、償債能力等加以重視。

4 研究結(jié)論與展望

本文基于供應鏈金融視角，充分考慮供應鏈管理的相關理論，依托現(xiàn)有的供應鏈金融指標體系，充分考慮化工供應鏈上下游中小企業(yè)財務狀況、供應鏈整體運營情況，增加了第三方物流企業(yè)運營狀況等影響因素，構(gòu)建了經(jīng)營能力、償債能力、發(fā)展能力等28 個評價指標在內(nèi)的化工行業(yè)供應鏈金融信用風險評價體系，并通過BP 神經(jīng)網(wǎng)絡建立相關檢驗模型，研究發(fā)現(xiàn)本文選取的指標，為學者研究供應鏈金融信用風險提供了較好的方法。

在缺少化工中小企業(yè)信用評級的背景下，化工中小企業(yè)想要獲得銀行等金融機構(gòu)的融資，必須意識到信用風險的重要性，要保證自身信用風險相對較低，這就要求其平穩(wěn)發(fā)展，不斷完善財務信息，尋求行業(yè)地位高的核心企業(yè)合作。另外，除了金融機構(gòu)，在投資多元化的熱潮中，風投以及依托貿(mào)易開展融資的第三方供應鏈金融都可以成為化工中小企業(yè)的融資選擇，面對不同的融資方，信用風險應是最被關注，被認為是否融資的決定因素。因此本文建立的化工行業(yè)中小企業(yè)供應鏈金融信用風險評價模型可以為融資機構(gòu)提供一定的參考，在我國融資機構(gòu)對化工中小企業(yè)的信用風險管理中具有較好的發(fā)展前景。