李佳桐，刘媛华 （上海理工大学 管理学院，上海200093）

LI Jia-tong, LIU Yuan-hua (Management School, University of Shanghai for Science and Technology, Shanghai 200093, China)

0 引 言

近年来，随着银行之间竞争形势的不断变化，商业银行为了获取更大的利益，不断拓宽信贷的渠道，开发研究更多的金融产品，加之我国的实体经济正处在快速发展的阶段，对信贷的需求也颇为旺盛，因此，供应链金融模式得到了越来越多的关注，成为了中小企业解决融资困难和银行获利的有效渠道。供应链金融，简单地说，就是银行将核心企业和上下游企业联系在一起提供灵活运用的金融产品和服务的一种融资模式。目前，供应链金融的运作模式主要包括存货抵押融资模式、应收账款融资模式、保兑仓融资模式等三种模式，关键因素是：覆盖主要贸易渠道和定位相关企业和安全参与[1]。

随着供应链金融的不断发展和变革，中小企业的信用问题也越来越得到重视，企业的资信成了银行考虑的首要因素，信用风险也成了制约供应链金融发展的障碍，从而促使了国内学者纷纷在供应链金融信用风险度量模型上进行了研究。罗齐（2002） 提出来融通仓的概念并进行了详细阐述，同时还分析了融通仓获得金融机构的授信额度和成立独特的信用担保体系两种运作模式[2]。弯红地（2008） 通过对应收账款融资模式的风险模型分析，认为供应链金融依赖的风险规避机制存在失灵的可能性，需要银行与核心企业建立新型合作的关系，并发挥他们各自的优势，才能达到供应链金融期望实现的作用[3]。熊熊、马佳（2009） 研究了在供应链金融模式下的信用风险评价，提出了考虑主体评级和债项评级的信用风险评价体系，用主成分分析法和Logistic 回归方法建立信用风险评价模型并提出应加强对客户基础数据库的建设，从而有利于对现有信用评价体系的修正和完善，提高其准确性[4]。胡海青、张琅、张道宏、陈亮（2011） 运用支持向量机（SVM） 建立信用风险评估模型研究了在供应链金融模式下的信用风险评估，提出了综合考虑核心企业资信状况及供应链关系的信用风险评估指标体系，结果表明基于SVM 的信用风险评估体系具有优越性[5]。夏立明、曾乐乐、孟丽（2011） 从银行的视角，建立了中小企业信用风险评价指标体系，运用灰色层次分析法和一次门限法，建立了基于供应链金融的中小企业信用风险评价模型[6]。何金荫、孟志青、崔后卿（2013） 对中小企业信用风险的影响因素，建立较为全面的综合评价指标体系，并结合AHP-云重心理论对企业信用风险进行评价，通过将一个待测企业风险指标与理想企业相关指标做比较，计算出偏离度，判定待测企业的风险大小接着又将AHP 方法与AHP-云重心方法作对比，计算出一个区分度，从而帮助银行、信贷公司选择合适的中小企业[7]。

目前，由于供应链金融发展的时间还不长，在信用风险度量模型方面还不够成熟，还没有出现专门度量模型来评价和防范风险。本文在前人研究的基础上，采用主层次分析法和灰色多层次关联建立信用风险模型。由于信用风险指标过多，不易操作，先采用主成分分析法选择具有代表性的指标，并且这些指标具有层次性，且部分指标无法确知，只是近似估计，所以有一定的关联性，因此选择层次分析法确定各指标的权重，再结合灰色关联分析法得出关联系数，计算出与标准序列的关联度，进行评价。

1 供应链金融模式企业信用风险指标的识别

根据中国银监会公布的《银行开展小企业授信工作制度意见》 （银监发[2007] 53 号） 银行应建立和完善小企业客户信用风险评估体系，可依据企业经营状况、存续时间、偿债能力、经营者素质、发展前景、资信状况等指标，制定小企业信用评分体系，突出对小企业业主或主要股东个人的信用，以及小企业所处市场环境和信用环境的评价[8]。由此可以看出，银行在传统的信贷模式下，主要考查的是企业的财务状况。然而我国的中小企业的财务制度还不够健全、透明度还不够高，以及规模上的一些限制，使企业不能够达到银行的要求来进行抵押，难以获得授信，严重制约了企业的发展。

相比较传统模式，供应链金融信用评价体系从关注中小企业自身的风险，转变成关注供应链的整体风险，从对中小企业的静态财务数据进行评价，转变到关注单笔交易的自偿性，对交易全过程进行评价[9]。银行站在供应链全局的角度，对供应链的单个企业或上下游多个企业进行授信，不再以单个企业的财务指标作为唯一授信标准，更多的是考虑整条供应链真实的贸易背景、抗风险能力，以及融资企业与核心企业的关系程度，借助于核心企业的资信状况，拓展了自身的信贷范围，也帮助众多中小企业解决了融资难的问题。

本文在借鉴银行信用评价体系的基础上，遵循全面性、科学性、系统性、针对性、可操作性的原则，并结合供应链金融自身的特点，建立了供应链金融信用风险评价指标。包括以下5 个方面：

（1） 申请企业资质，包括企业素质、营运能力、盈利能力、偿债能力和发展能力，是融资企业真实情况的反映，也符合传统模式下信贷的考察内容，是主要的评价指标。

（2） 企业资产状况，包括质物特征和应收账款特征。质物特征直接影响到质押物的安全问题，也是质押物价值的保障。应收账款特征则考虑了退货比率、应收账款到账率和应收账款账期。银行通过对这两项的评估，若申请企业违约时，银行将其变现来弥补损失。因此，企业资产状况是银行考察的重中之重。

（3） 供应链运营能力，包括合作密切程度、以往违约率，是对供应链整个真实背景的考察，是供应链金融新的考察指标。当申请企业与核心企业合作时间越长、关系越密切，则银行的信贷风险可能就越小。

（4） 核心企业资质，包括信用记录、盈利能力和偿债能力。通过对核心企业的考察，了解核心企业的状况，即使申请企业在违约的情况下，也可以通过核心企业来降低银行的风险。

（5） 行业环境，包括行业发展前景和宏观环境。整个行业所处的现状、GDP 的增长趋势以及相关法律法规、政策的支持程度，对信用风险也有一定的影响。

本文将这5 个方面作为一级指标，并选取了企业素质、营运能力、盈利能力等14 个二级指标和管理者素质、职工素质等38 个三级指标，如表1 所示。

2 供应链金融模式下企业信用风险模型的构建

2.1 主成分分析法选取主要评价指标

主成分分析（Principal Component Analysis） 是利用降维的思想，将多个变量转化为少数几个综合变量（即主成分），其中每个主成分都是原始变量的线性组合，各主成分之间互不相关，从而这些主成分能够反映始变量的绝大部分信息，且所含的信息互不重叠[10]。采用这种方法可以将多个指标进行筛选，避免了一些具有相关性的指标进一步计算，使得复杂问题得以简化，同时得到更为科学、准确的信息。

主成分分析法选取主要评价指标有以下几个步骤：

（1） 估计样本数，选取指标，并对指标数据进行标准化处理：

p维随机向量个样品i=1,2,…,n，且n＞p，构造样本阵，对样本阵进行如下标准化变换：

表1 信用风险识别指标体系及描述

（2） 根据标准化数据矩阵Z，建立协方差矩阵：

（3） 根据协方差矩阵R求出特征值、主成分贡献率和累计方差贡献率，确定主成分个数：

2.2 层次分析法确定指标的权重

层次分析法（The Analytic Hierarchy Process，AHP） 在20 世纪70 年代中期由美国运筹学家托马斯·塞蒂（T.L.Saaty） 正式提出。它是一种定性和定量相结合的、系统化、层次化的分析方法。层次分析法确定指标权重的步骤有如下：

（1） 建立层次结构模型

将上面中确定的m个指标作为准则层，待评价的n个企业作为方案层，建立层次结构模型。

（2） 构造两两比较矩阵

在这一步骤，我们要结合德尔菲法。先邀请一些专家对指标层进行打分，不是要求他们直接确定指标的权重，而只要确定指标i与指标j之间的相对重要性，即相对权重aij构造两两比较矩阵。aij的取值可以参考Saaty 的1～9 比例标度，如表2[12]。

（3） 计算各指标权向量并做一致性检验

已知m个指标的两两比较矩阵为A，其相对权重向量形式为W

表2 1～9 比例标度

①计算矩阵权重向量

在计算矩阵的权重向量W，本文采用和法，即：

②一致性检验

矩阵A一致性检验指标CI：

且：

矩阵A一致性比率C.R.：

其中R.I.查表可得，如表3：

表3 R.I.值

当C.R.＜0.1 时，认为判断矩阵的一致性是可以接受的；当C.R.≥0.1 时，应该对判断矩阵做适当修正。

2.3 利用灰色关联分析确定关联度，综合评价企业信用风险大小

灰色关联分析是研究事物、因素之间关联性的一种方法，根据序列曲线几何形状的相似程度来判断其联系是否紧密。曲线越紧密，相应序列之间的关联度就越大，反之就越小[11]。具体步骤如下：

（1） 确定分析数据序列

（2） 变量的无量纲化

当系统行为特征映射量和各个相关因素的意义、量纲不同时，不便于做进一步的量化研究分析，因此就要对他们进行无量纲化处理。初值化法、均值化法和区间值化法都可用来将序列化为无量纲化且数量级相同的序列，在这里我们选取初值化法。

式中xi（k）为各数据序列中的分值，xi（1 ）为数据序列的初始值，yi（k）为无量纲化处理过后的值。

（3） 计算关联系数

①求差序列

②求两极最大差和最小差

③求关联系数

（4） 结合权重，建立灰色多层次关联综合评价模型，求综合关联度

通过最终比较n个方案的综合关联度，筛选出最佳方案。

3 实证分析

本文选取了中小企业板上的甲、乙、丙、丁、戊5 个医药公司为例，进行供应链信用风险的分析，旨在筛选出最佳的信贷合作伙伴。其中相关的定量指标可以通过企业的财务报表得出，定性指标则通过专家评分的方法给出，评分范围在1～9 之间。

（1） 提取主成分

本文通过SPSS18.0 软件对甲、乙、丙、丁、戊5 个公司的38 个指标进行主成分筛选，前3 个成分累积贡献率就已经达到86.776%，符合大于85%的原则，即选取前3 个作为主成分，如表4，由于篇幅有限，本文只截取了前面一部分。

表4 解释的总方差

根据前3 个主成分，得到突出反映的15 个指标，分别为：C6固定资产周转率、C10成本费用利润率、C11流动比率、C12速动比率、C13资产负债率、C15总资产增长率、C16销售收入增长率、C19价格稳定性、C21退货比率、C22应收账款坏账率、C23应收

账款账期、C25交易频度、C28核心企业净资产收益率、C33核心企业资产负债率、C37宏观经济状况。

（2） 确定权重

本文结合专家对各个指标进行的相对权重的判定，再利用yaahp7.5 软件计算各个指标的权重，得到以下具体数据，并且其一致性比率C.R.为0.0391，C.R.＜0.1，即一致性是可以接受的。

（3） 计算综合关联度

本文选取5 家企业的每个指标的最优值组成标准数据序列，将所有序列经过变量的无量纲化后，再分别计算出差序列：

并且进一步得到极差的最大值和最小值：

取ξ=0.5，计算得到关联系数矩阵R：

再结合权重，计算出综合关联度U：

由此可以看出，银行最佳的授信对象为戊公司。

4 结束语

本文在考虑供应链金融信用风险影响因素的基础上，较为全面、合理地选择了信用风险评价指标，构建了信用风险评价体系。通过主成分分析法，将多个指标转化为几个主要指标，避免了一些指标之间的相关性影响，又通过层次分析法确立各指标权重，并与灰色关联系数结合，得到综合关联度，以此来确立银行的最佳授信对象。将定量方法与定性方法相结合，得到较为客观的结果，有效地对供应链的金融信用风险进行评价。本文的研究也有不足之处，指标的权重是通过专家打分得来，具有一定的主观性。在进一步的研究中可以选择更加客观的方法来确定权重，使模型更加完善和符合实际需求。

[1] Nicolas. Supply chain finance-From myth to reality[J]. McKinsey on Payments, 2010(10):22-28.

[2] 罗齐，朱道立，陈伯铭. 第三方物流服务创新：融通仓及其运作模式初探[J]. 中国流通经济，2002(2):11-14.

[3] 弯红地. 供应链金融的风险模型分析研究[J]. 经济问题，2008(11):109-111.

[4] 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.

[5] 胡海青，张琅，张道宏,等. 基于支持向量机的供应链金融信用风险评估研究[J]. 软科学，2011(5):26-30.

[6] 夏立明，宗恒恒，孟丽. 中小企业信用风险评价指标体系的构建——基于供应链金融视角的研究[J]. 金融论坛，2011(10):73-79.

[7] 何金荫，孟志青，崔后卿. 供应链金融环境下的中小企业信用风险评价——基于AHP-云重心的综合评价模型[J]. 经济与管理，2013(10):92-95.

[8] 刘远亮，高书丽. 基于供应链金融的小企业信用风险识别研究[J]. 海南金融，2013(2):20-24.

[9] 刘长义，孙刚. 基于聚类分析与模糊可拓AHP 的中小企业信用评价——一个供应链金融的视角[J]. 现代管理科学，2011(5):83-85.

[10] 朱星宇，陈勇强. SPSS 多元统计分析方法及应用[M]. 北京：清华大学出版社，2011:241.

[11] Saaty T L. The Analytic Hierarchy Process：Planning, P rioritySetting[M]. Resource AllocationMcGraw-H ill, New York,1980.

[12] 刘思峰，谢乃明. 灰色系统理论及其应用[M]. 北京：科学出版社，2013.