供应链金融模式下的信用风险评价(5)

1. 采用SPSS统计软件进行主成分分析，前十个主成分的特征值的累计贡献率已经达到了74.687%。选取F1，F2，F3，F4，F5，F6，F7，F8，F9，F10作为最终指标进行分析。由因子得分系数矩阵（表2），可以分别将原来27个指标表示为：

F2，F3，F4，F5，F6，F7，F8，F9，F10作为最终选取F1，指标进行分析。

2. 采用SPSS软件进行回归模型分析。回归方法为向前逐步选择引入法，即通过最大似然估计所得的似然比的概率作为引入变量的标准，采取迭代法逐步计算，直到对数似然比不再变化为止。

F1、F2、由表3可以看到，选择第五步的回归结果，F3、F8和F9被保留在模型中，说明F1、F2、F3、F8和F9对于预测受信人的守约率影响显著。其参数估计以及其统计检验见表3，各系数统计量检验的效果显著。

估计的Logistic回归模型如下：

+

F1+

F2+

3+

F8+

F9

(1)

(2)

公式(2)所求得的P值表示了该客户的守约概率。将客户数据代入模型预测信用状况，计算出P值。P值越接近1，则申请人信用较好，P值越接近0，则申请人信用较差。

表3 进入回归方程的变量

…

*

其中Ci*为利用数据标准化公式Ci=

）值。（C为Ci平均数，Si为标准差。

C 标准化后的i

B

Step 5(e)

F1F2F3F8F9Constant

0.9761.6761.1541.4760.7831.286

S.E.

0.3820.3590.4070.4370.3500.384

Wald

6.52421.8578.04411.4185.01611.247

df

111111

Sig.

0.0110.0000.0050.0010.0250.001

Exp(B)

2.6545.3453.1724.3742.1883.619

F1，F2，F3，F4，F5，F6，F7，F8，F9，F10根据表2可以得出。由旋转后的因子载荷矩阵可以看出：

F1主要表达了变量C8、C9、C10和C11四个指标的信息量，反映的是受信人的偿债能力；

F2主要表达了变量C20、C21、C25和C27三个指标的信息量，反映的是质物的状况和供应链合作程度；

F3主要表达了变量C16、C18和C24三个指标的信息量，反映的是交易对手信用等级、盈利能力和行业环境；

F4主要表达了变量C6、C7、C14和C15四个指标的信息量，反映的是受信人的盈利能力和发展潜力；

F5主要表达了变量C1、C2、C3和C4四个指标的信息量，反映的是受信人的企业素质；

F6主要表达了变量C19和C23两个指标的信息量，反映的是交易对手的偿债能力和行业增率；

F7主要表达了变量C22和C26两个指标的信息量，反映的是货物易损程度和交易频度；

F8主要表达了变量C12、C17和C20三个指标的信息量，反映的是利息保障倍数，交易对手行业地位和货物价格的稳定性指标；

F9主要表达了变量C5指标的信息量，反映的是受信人的经营能力；

F10主要表达了变量C13指标的信息量，反映的是受信人的销售增长能力。

预测分类的准确率，在概率界限为0.5的条件下，该模型判定的总准确率为86.3%，其中对信用好的客户判为守信率高的准确率为91.0%，对信用较差的客户判为守信率低的准确率为77.1%。

3. 方法小结

Logistic Regression模型的优点有：(1) 预测结果是介于0和1之间的概率；(2) 可以适用于连续性或类别性自变量；(3) 容易使用，容易解释。

Logistic Regression模型的缺点有：

(1) 对模型中自变量的多维相关性较为敏感，需要利用因子分析或变量类聚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；

(2) 预测结果的概率转换呈“S”型，因此从log(odds)向概率转化的过程是非线性的，在两端随着log(odds)值的变化，概率的变化很小，而在中间概率的变化很大。

随着银行供应链金融业务发展，企业数据信息所