基于大数据的供应链金融信用风险评估实证研究
来源:用户上传
作者:周雷 邱勋 朱奕 毛晓飞
摘 要：通过将前沿大数据征信技术与评分卡方法相结合，以整车制造行业供应链为场景，对供应链金融信用风险进行测度。借助Python软件，从“企查查”API数据接口和万得数据库获取相关数据，对27家核心企I122条供应链多维指标进行数据挖掘、WOE编码和变量筛选，构建指标体系。然后，运用大数据和人工智能建模思路，建立涵盖14个特征解释变量的Logistic回归模型，并运用多种工具训练和改进模型形成可用于实务的Logistic评分卡。经实证检验，最终确定的信用评估模型区分能力强，风险预测准确率能达到96.77%。基于大数据的Logistic评分卡将供应链信用等级数字化，相较于传统的信用评级更具有实用性，因此，大数据技术的运用对提升供应链金融信用风险评估和管理水平具有重要价值。
关键词：供应链金融;信用风险;Logistic评分卡;人工智能
中图分类号：F832 文献标识码：B 文章编号：1674-2265（2022）05-0064-07
DOI：10.19647/j.cnki.37-1462/f.2022.05.009
一、引言
金融科技创新驱动数字供应链金融快速发展，但也使信用风险的识别与评估更加复杂。为了对供应链金融信用风险进行有效识别与管控，大多数学者从理论分析与风险测度两方面展开研究。在理论分析方面，付玮琼（2020）[1]运用供应链金融网络拓扑结构及依赖共生模型来说明核心企业主导模式下的依赖性垄断现象及其对供应链金融风险的作用机理。曹允春等（2020）[2]指出大数据等金融科技技术不断推动供应链金融智慧化，各交易主体跨界联动及数据挖掘可以解决传统风险评估中的供应链关系识别、信用风险指标关联性等问题。赵成国和江文歆（2021）[3]基于供应链金融生态发展逻辑，从资源、组织、知识分析视角建立供应链金融生态风险管理内外协同共生机制，并提出了供应链金融生态风险评估和管理建议。周雷等（2021）[4]运用博弈论分析了区块链赋能供应链金融的作用机理，指出区块链的智能合约技术有助于提高信用风险评估效率。在风险测度方面，大数据征信在很大程度上改变了传统征信对数据采集、加工和分析的方式以及对客户信用风险预测的效果（张瑜等，2021）[5]，特别是能够通过重新设计信用评级模型以及创新风险识别系统，更有效地控制和评估供应链金融风险（Tian等，2019）[6]。因此，部分学者使用主成分分析和逻辑回归模型、Rough和GADEMATEL模型、GA-BP神经网络模型、PSO-SVM供应链金融预警模型、Copula 模型等进行了信用风险测度（余得生和李星，2019;周茜等，2019;孙中叶和徐晓燕，2021;李健和张金林，2019;胡海青等，2020）[7-11]。
国家“十四五”规划指出，要加快构建全国一体化大数据中心体系，加强信用信息归集、共享、公开和应用。大数据技术在供应链金融信用风险评估中的应用，对于防控信用风险、提升供应链发展水平具有重要的现实意义。但是，从已有的相关文献来看，理论研究和机理分析较多，部分实证研究也大多从学术角度出发，未能提供可以直接实践应用的供应链金融信用风险评价工具;或者仅针对某个特定供应链企业案例展开，对整个行业场景的实践指导价值较弱。鲜有学者将实务中普遍运用的评分卡工具用于供应链金融信用风险测度，而本文将前沿大数据征信模型与评分卡工具相结合，针对具体行业场景的供应链金融信用风险评估以应用为导向进行深入研究，具有一定的创新性和现实针对性。
二、场景选择与变量筛选
（一）场景选择
大数据供应链金融信用风险评估模型的构建首先需要选择合适的研究对象和模型训练场景。整车制造行业具有典型的供应链协同特征，该行业一般以整车制造企业为核心企业，上游汽车零配件供应商与下游整车经销商围绕整车制造核心企业合作，形成上下游相互协作的供应链。整车制造行业供应链的供应商数量多、交易脉络复杂、应收账款和资金需求量较大，具有开展应收账款质押融资的有利条件。而应收账款质押融资正是供应链金融发展较为成熟的主流模式。因此，本文以整车制造行业供应链为场景探索大数据技术在供应链金融信用风险评估中的应用具有典型性和代表性。样本具体选择条件如下：（1）核心企业为整车制造的上市公司，属于国民经济行业分类中的“汽车制造业――汽车整车制造业”;（2）中小融资企业选取自核心企业的上游供应商，考虑数据可得性，根据证监会《上市公司行业分类指引》将中小板、创业板中的汽车制造业供应商认定为所选样本。根据以上筛选条件，共选取27家上市公司核心企业和122条样本供应链作为本文实证研究对象。
在选择场景的基础上，评估指标设计参考中国知网（CNKI）的35篇相关文献，并咨询大数据技术应用与供应链金融领域的专家，初步确定了42个原始指标供筛选。指标主要包括六个维度：中小融资企业情况、核心企业情况、供应链关系、宏观经济状况、信用评级情况、信息披露质量。各项指标数据来源为：供应链关系数据，通过“企查查”关系图谱API接口获取，数据爬取前申请Key，以JSON（JavaScript Object Notation）半结构化数据形式返回;上市公司的主体信用评级数据，采用华政ESG信用评级作为代理变量;核心企业和中小融资企业的信息披露质量数据，也选自华政ESG信用评级中的信息披露选项;其他指标主要通过万得数据库整理导出。上述指标数据选取的时间点为2020年12月31日，均使用Python3.8软件编程进行数据挖掘和建模分析。
在整车制造供应链场景下，设定被解释变量为汽车行业上市公司主体的好坏，对好样本赋值为0，坏样本赋值为1。由于我国汽车行业上市公司截至2021年10月没有发生实质的退市，通常上市公司总体评级参考标准为A级以上，因此，本文将A级作为好坏样本的切分点，评级为A级及以上的样本标签为好样本，A级以下（不含A级）的为坏样本。根据采集的数据，122个汽车行业供应链样本中，好样本95个，占比77.87%;坏样本27个，占比22.13%。为解决数据平衡性问题，笔者使用Python进行了SMOTE过采样算法处理。
nlc202206231445
转载注明来源:https://www.xzbu.com/3/view-15434389.htm
