商业银行金融业务信用风险防控范文

摘要：随着信息技术的不断进步，大数据、区块链和云计算等新技术广泛应用于经济生活的各个层面，我国供应链金融业务受到新技术的洗礼而不断创新，目前已经步入3.0时代。供应链金融在促进实体经济发展尤其是中小微企业融资方面发挥着越来越重要的作用，成为商业银行金融创新的必争之地。但是从国内银行业供应链金融发展现状来看，各家银行对供应链金融信用风险的度量和防控机制尚未健全，因此制定相应的信用风险控制策略对商业银行供应链金融业务风险管理具有重大的意义。论文以供应链金融发展相对成熟的汽车行业作为研究对象，选取中小企业板上市的31家企业2015-2018年数据作为样本，运用主成分分析法通过构建Logistic模型对商业银行信用风险进行实证分析，在此基础上，结合当前金融科技发展趋势提出商业银行防控供应链金融信用风险的几点对策建议。

关键词：供应链金融；信用风险；Logistic模型；金融科技

一、前言

2016年中国人民银行等八部委联合了《关于金融支持工业稳增长调结构增效益的若干意见》，提出了支持商业银行进一步扩大供应链金融融资规模，推动建设更多供应链融资服务平台。在国家政策支持和信息科技进步的推动下供应链金融迅速发展，商业银行、融资企业以及互联网金融平台等各方主体积极参与，展开竞争与合作。供应链金融成为“互联网+”背景下商业银行服务实体经济，加快金融供给侧结构性改革的有力手段，发展前景十分广阔。供应链金融比之传统信贷，风险覆盖面更为宽广。在供应链融资方式下不仅要考察单个融资企业的信用，还要考察核心企业和其贸易相关的上下游企业等多个参与主体的信用情况。企业信用风险成为我国商业银行供应链金融运营面临的重要风险。

二、文献综述

国外很早就有了供应链金融的思想萌芽，很多企业在其资金短缺时都会将应收账款转让给金融机构以获得流动性补充。Allen N Berger（2004）等人在研究中小企业融资问题时初步提出了供应链金融发展理念，认为供应链金融模式是解决中小企业融资问题的重要手段之一，但当时并未给出明确的定义[1]。Michael Lamoureux（2008）提出供应链金融模式可以降低由信息不对称引发的融资风险，第一次明确给出供应链金融的概念。在供应链金融信用风险量化研究上，Martin（1977）选择了58家濒临破产的美国银行，使用8个有代表性的财务指标构建Logistic模型来预测企业的违约概率[2]。West（1985）证明了Logistic模型适合用来研究银行信贷风险。此外还有众多知名的风险度量模型，如KMV模型、Credit Risk+模型和BP神经网络模型可以预测商业银行的信用风险。  国内对供应链金融的研究起步要晚一些，熊熊等（2009）在构建供应链金融模式下中小企业信用风险评价模型时采用了主成分分析和Logistic回归方法，打破了传统的主观评分方式的局限性[3]。茵蜻等（2010）运用BP神经网络模型评价供应链金融模式下的中小企业信用风险。夏立明等（2013）采用微粒群算法构建出供应链融资模式下中小企业信用风险评价模型。通过梳理国内外供应链金融的相关文献发现，在理论方面，研究主要侧重于模型的构建和影响因素的分析上；在实践方面，目前我国商业银行信用风险评价方法仍以基本的财务指标和财务报表相结合的评分法为主，对供应链金融信用风险评价模型的构建仍有待于不断优化。

三、模型构建与指标选取

（一）模型构建在度量商业银行信用风险时，Logistic模型的准确率和稳健性都比较好，适用于我国目前的供应链金融发展情况，所以本文选取Logistic模型来构建和检验商业银行信用风险评价指标体系。为了便于进行回归分析，引入定性变量Y作为解释变量，假设研究存在两种不同情况，银行存在信用风险即企业出现信贷违约时，令Y=1；反之信贷违约不发生则Y=0。模型表述如下：被解释变量Y代表银行信用风险是否存在，取值0或1；iΧ代表解释变量，是银行信用风险判定的影响因素；α是随机参数；iβ为待估计系数，则Y与X的关系可表示为：P表示银行贷款发生损失即信用风险的概率，即Y=1的情形，1-P表示没有发生损失的概率，即Y=0的情形，0≦P≦1，P越接近1，银行贷款发生损失的概率越大，即银行信用风险越大，反之亦然。进一步简化得：

（二）指标选取本文在解释变量的设计方面，选择了与企业财务状况联系紧密的14个指标作为分析对象，按照性质归纳为偿债能力指标、盈利能力指标、经营能力指标和发展能力指标等四大指标体系。模型最初选取的财务指标如表1所示。

（三）数据来源与处理供应链金融的参与主体以中小企业为主，但是目前我国中小企业的信息披露机制尚不健全，非上市的中小企业财务信息无法获得[4]。为使数据真实可靠，在构建信用风险评价模型时选取的是供应链金融发展相对成熟的汽车行业在我国中小企业板上市的企业数据进行研究，经过筛选，选取了整车制造、汽车零部件、轮胎以及内饰等31家供应链上下游企业2015-2018年的数据作为样本，运用SPSS 22.0软件进行处理。数据来自于上市企业财报及国泰安数据库。

四、实证检验

(一)主成分分析本文对初选的14个财务指标进行主成分分析。首先进行了Bartlett球形检验和KMO检验，Bartlett球形检验的P值为0.000，KMO统计量为0.697，检验结果表明适合采用主成分分析方法。经检验提取了特征值大于1的4个主成分，其累计贡献率达到了67.77%，效果较好。由于篇幅有限，特征值小于1的项目此处略。主成分提取结果如表2所示，旋转成份矩阵如表3所示。通过分析表3可知，提取的4个主成分代表了多个财务指标，factor1表示企业偿还债务的能力，代表了X1 ，X2，X3，X4四个指标的信息量；factor2表示企业的盈利能力，代表了X9，X10，X11等三个指标的信息量；factor3表示企业的经营能力，代表了X6，X8两个指标的信息；factor4表示企业的发展能力，表达了变量X5，X12，X13，X14等四个指标的信息量。通过表4的系数矩阵可以得到factor1-factor4的表达式，此处略。

（二）Logistic模型回归分析将上述提取出的4个主成分作为自变量，将企业违约率Y作为因变量，本文根据国资委制定的《2018年企业绩效评价标准值》来评判企业的信用风险状况，以债务风险指标中的带息负债比率作为划分标准，样本中高于行业带息负债比率平均值的企业容易发生信贷违约，因此将其纳入到有信用风险的企业组；其余的归为无风险企业组。运用SPSS22.0软件进行Logistic模型回归及稳定性检验，结果如下：由表5可见，factor2通过了显著性检验，即其代表的企业盈利能力相关指标对商业银行的信用风险具有显著影响。结合表4最终得到的Logistic模型表达式如下:对于模型的拟合优度，使用Hosmer和Lemeshow的检验，如表6所示，P值为0.286大于标准值0.05，表明该模型具有良好的拟合效果。从表7可知，394组实际为正常的样本全部被正确地识别了出来，准确率为100%，31组实际为违约的样本有25组被识别出来，准确率为80.6%，总预测准确率达到了92.9%，说明该模型的预测结果比较理想。

五、结论与建议

（一）结论由于不同行业的供应链结构差异较大，业务开展条件和企业间关系也不尽相同，因此本文研究构建出的信用风险评价模型仅适用于汽车行业，对其他行业的供应链金融信用风险进行评价时，需要根据行业的具体特征调整相应的评价模型。本文通过实证分析，可以得出如下结论：企业的盈利能力与供应链金融企业信用风险的发生呈负相关的关系。盈利能力反映了企业的发展前景和偿还能力，营业利润率越高代表企业有较强的创造现金流的能力，而现金是偿还债务与利息的来源和重要保障[5]。即融资企业的盈利能力较强时，商业银行供应链金融信用风险发生的概率较小，反之，则信用风险发生的概率较大。

（二）对策建议1.实施差异化策略，创新供应链金融产品在“互联网+”推动下，我国供应链金融业务已经发展到3.0模式，诸多银行携手电商和互联网金融平台，积极部署线上供应链金融业务。但从产品结构而言，各家银行提供的供应链金融产品缺乏创新，同质化现象严重。大多数银行供应链金融平台发展不够成熟，尚且无法满足中小企业多样化的融资需求。因此，供应链金融业务的创新首先应以产品创新为主，深度挖掘当前经济形势下中小企业客户需求的变化，为实体经济的发展提供必要的金融支持[6]。当前我国供应链金融服务的市场上竞争激烈，面对同业及异业的挑战，商业银行应该打造自己的特色品牌，实施差异化策略，针对不同行业、不同类型的企业设计专业化的方案，结合自身发展特色，在本行熟悉的领域里精耕细作，才能提高市场竞争力。2.提升风险管理水平，打造供应链金融生态圈由于供应链金融业务业务流程复杂，参与主体众多，而目前我国商业银行风险管理水平偏低，信息搜集成本高，数据真实性有待商榷。随着供应链金融模式的不断演进，越来越多新的风险点将暴露出来，这将会是对商业银行风险控制的挑战。大数据、云计算和区块链等引领的信息技术创新，解决了商业银行面对的信息不对称问题，充分利用这些新技术手段能够实时监控供应链交易的各环节，采集相关企业交易的明细数据和财务信息。特别是区块链技术的运用可以实现海量数据的如实记录并难以人为作假，便于银行对企业进行真实的信用评价，从而降低银行信用风险。商业银行想要创立全面高效的风控和信贷管理模式，不可避免的要和金融科技公司以及互联网大数据平台进行深入合作，打造跨越区域跨越产业的供应链金融生态圈，实现产业之间的跨界与融合，使得金融能真正服务于实体经济并推动国民经济的转型升级。

参考文献

[3]熊熊,马佳,等.供应链金融模式下的信用风险评价[J].2009,(12):92-98.

[4]谭兴民.以大数据技术引领强化银行风险管控和不良资产处置[N].金融时报,2016,10.

[5]宋华.互联网供应链金融[M].中国人民大学出版社,2017,2.

[6]岳昱星.基于中小企业的商业银行线上供应链金融信用风险评价研究[D].苏州大学,2016.

[7]王天骄.产业链金融下中小企业信用评价指标体系设计与应用研究[D].上海国家会计学院,2018.

作者：杨希 段光君 单位：山东财经大学东方学院