第七章供应链金融信用指标体系和评价模型 供应链金融是一种较为复杂的融资模式，涉及金融机构、中小融资企业以及供应链中占主导地位的核心企业，同时在某一些特定的供应链金融业务中也涉及起到监管、托管和协调作用的第三方物流企业。供应链金融融资业务模式总的来说可以清晰地分为三类，即应收账款融资、融通仓和保兑仓融资模式，银行等金融机构在中间起到的作用是封闭资金管理、畅通供应链各节点企业之间的资金流、改善供应链参与各方的现金流量表质量。 从国内银行等金融机构的角度来看，由于信用评价体系不够完善，行业跨度大、种类多，给中小企业提供贷款的风险是比较大的。因为中小企业大多规模不大，企业运营稳定性也没有明确预期，中小企业多为私营企业，规模小使得可供抵押的资产少，财务制度不健全使得财务状况和信息不透明，即便中小企业明确提供财务报表，银行等金融机构也无法或比较困难甄别财务数据的可靠性；加之经济周期的波动，中小企业很难抵抗下行经济对其业务和利润的巨大破坏……种种因素造成中小企业信用等级比较低，如果金融机构为中小企业提供贷款，很有可能发生中小企业因为逆向选择和道德风险而造成的信用风险，诸如骗贷、违约和跑路等恶意融资行为将会大量爆发。 从供应链金融业务的概念框架来看，中小企业的业务大多有迹可循，即围绕一个规模较大、信誉较好的核心企业进行的业务运作形成了具有稳定的供应链体系，因此将供应链运作过程中发生的“自偿性”交易纳入供应链金融业务之中将会有助于降低供应链金融业务的风险。 因此，如何针对供应链金融业务设计一个信用指标体系，同时给出相应的信用守约／违约评价模型将是本章的研究重点。 第一节供应链金融业务信用指标体系 一、金融机构传统的信用评价框架 在商业银行等金融机构的传统信贷政策框架下，企业的规模实力、资产负债表、质押物质量和担保承诺等是主要的考察对象。最为经典的信用分析方法是专家制度法，这种方法也是一种较为简单的考评定性和定量方法，在当前金融机构内部“项目上会”的说法即是这种分析方法的应用。在专家制度法应用过程中，由专家群体根据各自的经验和专业知识对借款人的还款情况进行评价，提出建议，然后由商业银行根据专家群体的意见并结合客观条件决定是否授信。较为常用的专家制度法为“5C”、“5P”、“5W”等 (1) ，如表7-1所示。 表7-1三种专家制度法考核要素 可以看出，专家制度法高度依赖专家的知识判断，主观性较强，因此在项目性融资业务中，该方法能够发挥较好的效率。然而，针对企业日常运营过程中的融资业务，专家制度法的效率就显得非常低下，毕竟对每一个业务流程要求专家不断评分是一件不现实的事情。 因此，为提高效率，商业银行金融机构通常利用企业的财务指标对企业信用进行评价。就我国金融机构而言，中国人民银行在2006年的95号文件中明确给出了单个企业信用评级管理的指导意见，这些指导意见是现行国内各大中小商业银行评价单个企业财务信用的主要借鉴依据，需要考察企业的内容有：企业素质、经营能力、获利能力、偿债能力、履约情况和发展前景等，具体的一些指标说明如表7-2所示。虽然商业银行会根据自身内容对上述指标内容的权重有所调整，但该指导意见的基本框架是被遵循的。 表7-2现行商业银行评价企业财务信用的指标 序号 一级指标 二级指标 1 企业素质 法人代表素质、员工素质、管理素质、发展潜力等 2 经营能力 销售收入增长率、流动资产周转次数、应收账款及存货周转率 3 获利能力 资本利润率、成本费用利润率、销售利润率 4 偿债能力 资产负债率、流动比率、速动比率、现金流 5 履约情况 贷款到期偿还率、贷款利息偿还率 6 发展前景 宏观经济形势、行业产业政策对企业的影响、行业特征、市场需求对企业的影响，企业成长性和抗风险能力 注：该表总结于中国人民银行信用评级管理指导意见（银发［2006］95号文件）。 从中国央行的指导意见也可以看出，当前评判一个企业的财务风险主要还是依赖于企业的财务指标。当企业财务数据的真实性和可靠性被质疑的时候，那么这个财务信用评级指导意见的有效性则会大大降低。这也使得很多商业银行在实际操作过程中并没有严格遵循央行的这个指导意见，反而自创了一些适宜当地企业的财务风险评价指标，如“三表融资”（即根据水表、电表和气表）来判断企业主体经营的真实性，并以此推断企业的财务风险。另外，在无法明确掌握一些能够反映企业真实经营情况的数据时，商业银行等金融机构反而强化了传统的质押物融资办法，虽然相比于“三表融资”模式，传统质押物融资方法的效率要低很多，但对于银行而言，质押物的存在能够很大程度上化解其融资的风险。 二、供应链金融的信用评价框架 供应链金融业务违约风险的高低依赖于适用于供应链体系运作的信用评价指标和评级模型。理想的供应链金融业务信用评级应该根据供应链体系的运作特点进行设计，理论上应该结合借款人的资信水平，重点考察单笔融资业务的自我清偿特征以及贷款人组织该笔交易的能力，对每笔业务进行信用评价。 然而现实的供应链金融业务并非完全按照上述理念进行设计，而是通过融资服务框架向供应链进行一揽子融资服务，在这个统一的融资框架体系内，再规定每一笔融资业务应该遵循的操作规范。这种简便处理的思路，虽然与供应链金融业务融资理念有些许不一致，理论上会增加融资业务的违约风险，但现实中如果核对每一笔业务的信用，那么在操作上将会变得非常繁复，反而会降低供应链金融的融资效率。 供应链金融业务的核心在于利用一个统一的框架将主体评级和债务评级 (2) 合二为一。在这个统一的框架下，核心企业的信用为其上下游供应链的节点企业进行了背书，这些节点企业很可能是达不到银行的授信标准的，但是其与核心企业的业务往来却是能够有效控制和把握，那么银行也可以淡化企业的自身限制，针对这笔业务进行授信融资，从而规避这些中小节点企业的财务披露等方面存在的融资障碍。因此，在供应链金融业务的框架中，财务指标衡量所占的比例有所下降，而对核心企业的自信、商品的价格走势和价值稳定性、交易流程的控制能力、供应链内部的交易记录将会成为评估的重点。 马佳（2008）在其论文中设计了供应链金融指标体系框架，本人认为该框架很好地反映了供应链金融业务信用评价的特征，因此本书也借鉴和遵循了她的框架，如图7-1所示。虽然在其框架中涉及了动态分析，但从该论文的研究内容来看并没有涉及如何进行动态分析，不过马佳（2008）的研究框架总体来说基本上反映了金融机构在开展供应链金融业务过程中的风险评价思路。 图7-1供应链金融评级框架 资料来源：马佳．供应链金融融资模式分析及风险控制［D］．天津：天津大学，2008. 三、供应链金融信用的评价指标体系 在中国现有金融管理和政策环境下，中国人民银行对商业银行、信托公司等金融机构的影响和管理能力十分强大，央行要求金融机构上报的融资信息需要符合其业务信息征集体系，而这个业务征集系统的设计框架源自于其设计的信用评级指导意见。因此，在设计供应链信用评级指标体系时不得不参考中国人民银行的信用评级指导意见，该指导意见本身就具有较强的框架性，基本上考虑了企业主体的财务评价和宏观层面的经济、产业评价。因此我们在设计供应链金融信用的评价指标时，仍应该仔细借鉴该指导框架。 因此，在上述研究背景之下，本着全面性、科学性、针对性、公正性、合法性和可操作性的指标体系设计原则，在中国人民银行信用评级管理指导意见（银发［2006］95号文件）规定的框架范围内，对供应链金融业务重新进行解释，并对其中的一些指标做相应的解读。 本书赞同马佳（2008）的观点，即指标体系应该覆盖以下四个方面的内容，关于指标的含义可以参见银发［2006］95号文件。 （1）受信人资质：目标是考察申请贷款企业的基本财务情况以及企业管理和发展的能力。 （2）交易对手资质：目标是考察供应链核心企业的资质，因为在供应链业务中核心企业对中小企业起到了反担保作用，核心企业的信用状况直接影响了中小企业与其发生交易的质量。 （3）交易资产特征：目标是考察交易资产的价值，依据评估结果给予授信，若遇到违约情况，那么交易资产也是银行变现弥补损失的基础。因此这是供应链金融业务中必须考察的重中之重。 （4）供应链运营状况：目标是考察供应链运作质量，考察整个供应链的业务、履约情况，交易对手与上下游之间的合作情况。该项的考察有助于减少企业隐瞒信息而产生信息不对称问题造成的评估质量下降。 在本章研究中，我们借鉴了马佳（2008）的研究思路。图7-2是一个典型的“主体＋债项”的评级思路。 图7-2供应链金融信用评价指标体系 根据图7-2的供应链金融信用评价指标体系，进一步将这些一级指标细分为更为详细的可量化的指标，这些指标既包括财务指标也包括非财务指标。为了更好地反映实际供应链金融业务融资过程中的信用评价问题，我们邀请了1位供应链金融业务高级经理、2位主管对各项评分标准重新进行了界定。 在访谈过程中，我们不断与马佳（2008）论文中的指标评分标准 (3) 进行对比，发现：指标评分标准并不是固定的，当前经济下行的情况下，银行金融家对主体和债项评级的各项指标均比以往更加严格（见表7-3～表7-6）。 与马佳（2008）相比，受邀的供应链高级经理在指标C5、C6、C7、C8、C10、C11、C12、C13、C14和C15上都明显要严格。说明金融机构对供应链中小企业的主体信用要求在近年来是提高的。但这个取向与中小企业下滑的利润是相悖的，这也说明供应链金融业务实际上对中小企业的融资要求还是有所顾忌。 表7-3申请融资企业信用指标评分 与马佳（2008）相比，受邀的供应链高级经理在C17、C18和C19指标上都明显要严格。对于供应链中核心企业近年来频频出现“老板出走”“路跑跑”现象，商业银行也有所考虑，提高融资门槛是其最佳的选择。从另一个角度来看，近年来信用较高的供应链核心企业向银行融资的难度也在增加。 表7-4交易对手信用等级（供应链核心企业信用等级） 二级指标 三级指标 说明 评分标准 交易对手 信用等级 信用等级C16 交易对手在银行的信用等级 AAA，10分；AA～AAA－，7分；BBB～AA－，4分，＜BBB－，0分 交易对手 行业特征 行业地位C17 行业集中度、垄断、周期特点 高，10分；中，7分；差，4分 盈利能力 销售利润率C18 销售利润／销售收人 ≥20％，10分；10％～20％，7分；0％～10％，4分；＜0％，0分 偿债能力 速动比例C19 （流动资产－存货）／流动负债 ≥120％，10分；70％～120％，7分；50％～70％，4分；＜50％，0分 与马佳（2008）相比，供应链高级经理在C22指标上要求更为严格，也就是说出现违约、存货不易保管的情况下，银行的授信门槛将大大提高。而当前普遍5％以上的坏账率情况下，商业银行也面临着两难的境地。 表7-5交易资产特征（存货和应收账款） 二级指标 三级指标 说明 评分标准 存货质押物特征 价格稳定性C20 上月波动幅度 ＜5％，10分；5％～8％，7分；8％～10％，4分；＞10％，0分 变现能力C21 存货的流动性、出清的能力 高，10分；中，7分；差，4分 存货易损程度C22 是否便于保存、保管 不易损耗，10分；损耗率0％～3％，7分；损耗率3％～50％，4分；损耗率＞5％，0分 应收账款特征 账龄与账期C20 90％应收账款账期长短 ＜2个月，10分；2～4个月，7分；4～6个月，4分；6个月以上，0分 退货记录C21 买方退货记录 无，10分；有，4分 坏账率C22 到期不能收回贷款的比率 1％以下，10分；1％~2％，7分；2％~5％，4分；＞5％，0分 与马佳（2008）相比，供应链合作水平这一指标相差不大。从与供应链高级经理的访谈中也可以看出，当前对供应链合作水平的描述实际上还是非常原始和粗糙的，在很多情况下是无法进行比较的。譬如，行业增长率这一项指标，在纺织行业和电子工业的增长率评价为高的情况下，并不能说纺织行业的供应链运作质量就优于电子工业。 表7-6供应链合作状况 二级指标 三级指标 说明 评分标准 行业状况 行业增长率C23 与行业平均水平相比 ＞50％，10分；20％～50％，7分；0％～20％，4分；＜0％，0分 行业环境C24 综合政治、社会、经济、技术等 高，10分；中，7分；差，4分 合作密切程度 交易年限C25 融资方与交易对手的交易年数 高，10分；中，7分；差，4分 交易频率C26 结合行业平均次数 高，10分；中，7分；差，4分 以往履约情况 违约率C27 违约次数/总交易次数 ＜5％；10分，5％～10％，7分；＞10％，0分 第二节供应链金融信用评价模型 一、信用评价中的Logistic回归模型 虽然信用评价可以用多种方法，如线性回归、神经网络、模糊判断和决策树等，并且诸多研究都声称自己所采用的研究方法得到的评价精度要优于其他方法。但需要注意的是，一个方法的好坏并不仅仅局限于其评价的精度，还需要观察在一定精度情况下的稳健性如何。 而对于许多智能算法（Artificial Intelligence，AI）而言，评价模型的稳健性依赖于样本特征和对样本之外的预测能力，如果仅对训练样本有很好的回归能力，而对于样本之外的数据缺乏稳定性，那么该评价模型仍然不是一个好的模型。神经网络算法（Neural Network）在模型稳定性方面存在先天性的不足，虽然很多研究声称神经网络具有很好的泛化能力，但是对于金融数据、财务数据而言，模型的泛化能力来自于数据的平稳性，一旦输入数据存在阶跃和不平稳特性，那么由神经网络构造的评级模型很可能会得出令人难以接受的结果。 相较而言，传统的Logistic模型在模型稳定性方面具有较好的优势，尽管其精度有时候并不令人满意。因此，在精度、稳定性方面，本书选择了Logistic信用评级模型。在计算受信企业的信用评级中，本部分借鉴了Madlla（1983）和Martin（1977）关于Logistic模型在预测公司破产、区分是否存在违约方面的回归模型。以下是Logistic回归模型在评价信用方面的步骤。 二、数据预处理和主成分分析 首先，对表7-3～表7-6中的三级指标进行评分，可以邀请本领域的专家进行打分。本书在评分过程中邀请了两家商业银行的信贷部经理和供应链金融高级经理对受信企业进行了打分，评分采用10分制。 其次，假设受信企业样本容量为n个，指标序号用m表示，数学处理上要求n＞m，并采用以下步骤进行主成分分析，目的是对指标进行归并和简约。 （1）列出原始数据矩阵：X ＝［xnp ］。 （2）对数据进行标准化处理：Z ＝［Znp ］。 （3）计算每两个指标间的相关系数，得到相关系数矩阵 。 （4）计算R 矩阵的特征值λ1 ，λ2 ，…λp 和特征向量t1 ，t2 ，…，tp 。 （5）计算主成分得分。取出主成分方差贡献率为70％以上的前i个贡献率，并设为主成分得分Fi ＝zij ti 。 上述步骤可以通过SPSS等统计软件很方便地计算得到。 最后，构建Logistic回归模型。经典的Logistic信用违约概率模型为 。Fij 为主成分变量，βj 为需要回归的系数。 对于评价对象而言，P→0意味着违约概率接近100％，p→1意味着信用极好，几乎不存在违约风险。因此，p又被称为守约概率。 令 表示公司i信用好，yi ＝0表示公司n信用差。利用极大似然估计对样本进行估计，估计的步骤如下： （1）n个样本公司的联合密度似然函数为 。 （2）对似然函数两边取对数： 。 （3）求解似然函数对数一阶偏导，并使其等于0。 （4）求解上述联立方程组，估计参数βj 。 至此，就可以求出样本公司的信用向量P。 三、Logistic模型回归分析 当前各银行的供应链金融业务尚处于应用初期，企业数据库建设并不完善，因此缺乏足够的财务数据支撑。此外，还是如前所述，供应链中小企业的财务数据存在不规范和不完善的情况，因此我们选取了2011年12月31日之前中小企业板和创业板的100家上市公司财务数据作为主体评级的财务，而对于债项评价由于无相关数据得以借鉴，所以我们利用Matlab随机生成评级的初始样本数据（本部分随机生成的结果是，好客户74家，坏客户26个），并将该数据转换为Excel格式 (4) 。在此基础上进行如下步骤。 （1）采用SPSS软件对样本数据进行主成分分析结果发现前6个主成分的特征值累计贡献率已经达到了73.266％，如表7-7所示。Bartlett球形检验p＝0.001，KMO＝0.74，可以进行因子旋转分析。 选取F1 ～F6 作为最终指标进行分析。 表7-7旋转因子载荷矩阵 Component Initial Eleen Values Total ％of Variance Cumulative％ 1 5.734 26.345 26.345 2 4.812 15.809 42.154 3 3.656 12.064 54.218 4 2.149 9.134 63.352 5 1.330 5.321 68.673 6 1.075 4.593 73.266 表7-8是因子旋转之后的因子得分系数矩阵，那么对于每一个F值，就可以通过 计算得到。 表7-8因子得分系数矩阵 表7-9给出了旋转之后的因子载荷矩阵，可以看出 (5) ： F1是C8、C9、C10、C11的综合指标，反映的是受信人的偿债能力。 F2是C16、C21、C25、C27的综合指标，反映的是质押物的状况和供应链合作程度。 F3是C16、C18、C24、C27的综合指标，反映的是交易对手的信用等级和盈利能力。 F4是C6、C7、C14、C15的综合指标，反映的是受信人的盈利能力。 F5是C1、C2的综合指标，反映的是受信人的企业素质。 F6是C21的综合指标，反映的是存货质押的变现能力和应收账款背后的真实交易。 表7-9因子载荷矩阵 （2）采用SPSS进行Logistic回归分析，回归方法为Stepforward引入法，通过反复迭代直到对数似然比收敛为止。 表7-10是经过3次迭代后的回归结果，其中F1、F3、F4、F5和F6均保留在模型中，说明这几个综合指标对受信人的违约率影响最大。这也是非常容易理解的，受信人的偿债能力、盈利能力、企业质量、核心企业的信用等级和业务的真实性都是供应链金融业务中最的要点。 表7-10进入回归方程的变量 受信人守约概率p为 预测分类的精度如表7-11所示，在概率界限为0.5的条件下，该模型判定的总准确率为73.75％，其中对信用好的客户判断为守信概率高的准确率为87.5％，对信用差的客户判断为守信概率低的准确率为100％。因此，对于本模型而言，对信用差的客户识别能力更强。 表7-11识别分类表 从样本数据中随机挑选20个样本进行预测，结果如表7-12所示。在概率界限0.5的条件下，回归得到的Logistic模型对样本预测的准确率为83.3％。第一类错误概率为5％，第二类错误概率为10％，总的来说预测概率比较理想。这也说明Logistic模型并没有过度拟合，适用于信用评级。 表7-12预测结果 本部分参考马佳（2008）的四评分档次，在实际过程中可以对评分分值按照组间距进行线性和非线性调整，这样所得到的模型会更为细腻。 四、Logistic信用评级模型算例 选取厦门科华恒盛股份有限公司（科华恒盛002335）为案例研究对象，研究过程中，我们邀请了供应链金融业务经理进行打分，打分的依据是其2012年度财务报表数据，计算得出的最终指标得分如表7-13所示。 表7-13最终指标得分计算 将表7-13中所得的最终指标打分结果代入p的计算公式，可求得守约概率P＝0.93，说明科华恒盛公司守约概率高，信用程度很高。事实上，科华恒盛公司仅仅是一家上市不足五年的中小企业版上市公司，若银行用传统的评价体系仅考虑申请人的信用状况，那么该企业可能很难获得银行大额度授信。然而，在供应链金融信用风险评价体系中，由于将供应链上交易对手的资信状况作为重要评价指标，考虑到科华恒盛公司的大部分客户都是大型国有企业，信用等级很高，故对融资企业本身的信用水平形成了有力支撑，在这种情况下，得出的守约概率较高，获得授信也相对容易了。 第三节研究结论 本章对供应链金融业务信用指标体系和评价模型进行了研究，在研究过程中马佳（2008）的研究思路和研究方法给了我们很多启示，在此对其出色的研究表示致敬，同时我们也做了大量的模拟和研究工作。总的来说，本章得到了以下几个方面的结论。 一、初步构建了适应供应链金融业务开展的信用指标体系 在指标体系构建和选择过程当中，我们遵循了中国人民银行信用评级管理指导意见（银发［2006］95号文件）中所解释的指标条款，在此基础上我们借鉴了马佳（2008）的思路邀请了商业银行从事供应链金融业务的高级经理对信用指标体系进行了筛选和解释，并对一些评价标准进行了重新明确。我们发现，在当前经济下行压力明显的趋势下，商业银行实际上是严格了供应链金融业务的放贷标准，如对核心企业、对受信企业的盈利等十多个指标的要求均比马佳（2008）所提的标准要严格。从某种程度上来看，宏观环境、货币政策的趋紧会对银行的放贷行为有着较为明显的影响，这反过来也影响到了供应链金融业务的融资放贷。 二、借鉴了Logistic模型对供应链金融业务的信用评级，设计了信用守约计算方法 在设计供应链金融信用守约模型时，本部分借鉴了财务管理研究中的财务违约和危机理论，依照上述供应链金融业务信用评价指标体系构建了相应的Logistic回归模型，同时在研究过程中搜集了100家中小板的上市公司作为回归分析中使用的企业样本，最后利用SPSS软件对设计的Logistic信用评价模型的预测能力进行了分析。模拟计算表明，本部分设计的Logistic信用守约模型具有较好的泛化和预测能力，能够有效为供应链金融业务开展提供定量的信用评级模型，有助于提高供应链金融业务风险识别能力和信用评价效率。同时通过信用违约模型的构建，也能够增强商业银行的信用风险意识，有助于增强供应链金融业务中的风险规避。 三、一些研究上的不足 首先，在供应链金融指标设计上，虽然我们遵循了央行的指导意见。然而，我们也发现即便在中国沪深证券交易所上市挂牌的企业，在一些具体指标上仍然是十分欠缺的，因而我们只能通过仿真和模拟来补足缺失的数据内容。另外，研究过程中为方便对Logistic回归模型的构造，我们直接对三级指标进行了回归分析，而没有对这三级指标的高层指标权重进行分析，同时对一些衡量供应链合作水平、第三方监管和担保机构参与等指标并没有深入研究，而这些遗憾和不足，将在后面一章中继续补充研究。 其次，Logistic回归模型不允许缺失的数据，局限了该模型在信用风险和守约概率评价方面的应用，因此关于供应链金融业务评价体系指标的数据库建设变得十分重要，因为数据来源和完备性是构建任何评级模型的基础。另外，Logistic模型对自变量之间的多重共线性十分敏感，因此在模型回归之前仍需要用因子分析或者聚类分析来减少解释因子的维度，但是这些主成分因子的构成变量很可能会出现风马牛不相及的情况，这很有可能是指标级别不同造成的，但主成分分析却无法对这些指标进行分级研究。 最后，Logistic评级模型应该属于一个动态的评价模型，需要根据经济周期、政府政策、货币政策和企业经营状况进行调整。对于不同信用等级的企业，应该采取不同的融资利率，然而关于此我们并没有进行研究，同时也超过了本书的焦点。另外，信用评价模型提供的只是一个技术分析手段，仍然离不开供应链金融业务经理、主管和操作员的知识和经验，也离不开商业银行等金融机构对受信人的信用意识灌输和培养。营造一个好的信用文化环境，比单纯设计一个信用评级模型更有助于减少供应链金融业务中的违约风险。