供应链金融模式下的信用风险评价(4)

时间：2025-04-20

供应链金融信用评价指标如图1所示。图中虚线部分为供应链金融融资模式所特有的指标。

Θ ζ

据储备不足，而且并没有建立起完整的数据存储及管理体系，因此，鉴于供应链金融业务开展现状以及数据量不足的约束和供应链金融业务主要适用于中小企业的背景，本文选取的样本数据为国泰安数库中中小企业板2006年12月31日以前的102家上市公司财务数据，其

Θ х

它指标由于无法获得，使用随机数据模拟而成。（其中好客户67个，坏客户35个。）由于评价指标均为财务指标，其相对评价标准界限模糊，根据吕跃进提出的依

[11]据心理因素划分评价等级以及数量等级确定理论，对

二、供应链金融模式信用风险评价模型

信用评价使用较多的方法，包括判别分析、Logistic回归、线性规划法、神经网络方法以及分类树法。判断评估方法或模型的优劣，不应仅仅以错误分类率为唯一标准，而应同时结合该模型的稳健性。模型的稳健性是针对模型对训练样本以外的样本的预测能力而言的。稳健性较好的模型在对训练样本以外的样本进行预测时，其预测精度不应该有较大幅度的下降。若仅从预测的精度考察，神经网络等非线性方法具有独特的优势。虽然判别分析、Logistic回归及线性规划等线性评分方法的预测精度比神经网络等非线性方法低但这些模型的稳健性要强于神经网络等非线性方法，这一点对信贷市场正处于快速发展时期的中国而言可能更加重要。由于市场的快速发展，当模型投入使用后，新的信用产品申请人总体可能很快就与建模总体有差异，一个稳健性较强

[9]

的模型的预测能力反而更好。

因此，对于转型中的中国而言，非对称信息的程度很深，其影响作用大，要获得好的综合效果，宁愿用一定程度的精度损失来换取模型较高的稳健性，也就是说，判别分析、Logistic回归及线性规划等线性评分方法是相对较优的选择。所以，本文选用Logistic回归方法建立模型。但由于Logistic回归方法对模型中自变量的多维相关性较为敏感，需要利用主成分分析或变量聚类分析等手段来选择代表性的自变量，以减少候选变量之间的相关性。故本文先对数据进行主成分分析，再利用logistic回归模型计算企业的守约概率。

由于各银行对供应链金融业务的中小企业客户数

于精度要求不高的数据进行四级评价，将样本数据按照每个指标分为10，7，4，0四个档次予以打分，并对打分结果进行标准化，然后对数据进行分析。

表2 因子得分系数矩阵

Component

Θ ζ

C1C2C3C4C5C6C7C8C9C10C11C12C13C14C15C16C17C18C19C20C21C22C23C24C25C26C27

ˉ х

F1F2F3F4F5F60.0560.0200.115-0.013

F70.1620.0960.0230.285

F80.161-0.0960.099

F9-0.3030.152-0.215

F100.1170.0300.318