【摘要】供应链金融是中小企业缓解融资困难的有效途径。为缓解供应链金融信用风险预测面临的信息不对称和样本选择偏差等问题，文中将供应链合作伙伴信息引入风险指标体系，基于2010－2021年A股上市企业披露数据，通过随机森林、XGBoost、逻辑回归和MLP四种机器学习模型进行比较分析。结果显示，合作伙伴信息的使用提高了供应链金融信用风险预测的准确性与稳定性。最后通过Lime可解释性分析，发现合作伙伴的速动比率、销售利润率、资产负债率等6个指标是供应链合作伙伴信息中影响信用风险预测的主要因素。

　　【关键词】供应链金融;供应链合作伙伴;信用风险;机器学习;可解释性分析

　　中小企业通过推动就业、创新和经济增长，在国民经济中发挥着重要作用［1］。近期全球社会经济环境的变化给我国产业链和供应链带来了巨大冲击，冲击引发的财务问题与经营风险加剧了中小企业的融资压力，使其迫切需要寻找更为宽松的信贷方式［2］。与此同时，利率市场化改革也导致金融机构面临负债端成本提升、竞争加剧等问题，金融机构急需从产品、创新、服务角度维持自身可持续性发展［3］。供应链金融已成为缓解当前问题的有效手段。

　　供应链金融信用风险是指当中小企业因经济状况等问题拒绝履行还款合约使金融机构蒙受经济损失的风险［4］。随着供应链金融业务的不断发展，金融机构面临的供应链金融信用风险也随之增加，在这一情况下使用传统的评级模型可能面临金融机构难以获取中小企业真实财务信息、经营状况等内部信息，中小企业有意隐瞒部分关键信息这类信息不对称［5］以及因信息缺失导致样本选择偏差问题［6］。这些问题都会导致金融机构难以预测供应链金融信用风险。

　　由于供应链上下游合作伙伴的运营状况会对中小企业的生产经营产生重要影响，基于供应链合作伙伴之间的紧密关联性，本研究尝试在建立供应链金融信用风险预测模型时加入供应链合作伙伴信息，以验证这些信息是否可以提高模型的风险预测准确性和稳定性，从而解决当前信用风险预测中的信息不对称和样本选择偏差问题。

　　1研究现状

　　1．1信用风险指标体系

　　信用风险指标是一个结合定量与定性数据评估供应链金融信用风险的综合工具［7－8］。国内外学者通过寻找关键影响因素来改进指标体系，Chen等［9］通过KMV模型发现资产规模对于中小企业的信用风险评估有重要影响;Calabrese，Osmetti［10］利用GEV模型说明了偿付能力比率和股本回报率等七个变量对信用风险的影响;Zhang等［11］认为中小企业的情绪消极程度影响其信用风险;匡海波等［12］遵循5C原则，全面考虑中小企业偿付能力、交易程度、外部环境等风险来源，建立了更全面的指标体系。

　　1．2信用风险评估方法

　　过去金融机构和学者利用统计学习方法评估供应链金融信用风险［13－14］。然而这些方法在处理非线性数据时受到限制，无法应对如今错综复杂的供应链环境。在大数据时代，基于机器学习的预测模型得到重大发展，机器学习是目前预测供应链金融信用风险的主流方式［15－16］。

　　基于上述研究，本文通过供应链金融特性多维度构建供应链金融信用风险指标体系，并选取适当的机器学习模型进行预测;基于2010－2021年A股上市企业披露数据进行实证分析，以验证模型的有效性;最后通过特征重要性分析和可解释性分析探究合作伙伴信息中影响信用风险预测的主要因素，为供应链金融决策提供支撑。

　　2指标体系构建

　　①中小企业资质:中小企业作为供应链金融的基础组成部分，其资质往往反映了自身的经营管理能力和信用风险水平。以往金融机构为中小企业提供融资服务之前，主要将中小企业的财务指标作为资质的主要考虑依据，将中小企业的发展能力、盈利能力、经营能力、偿债能力和风险水平作为二级指标以反映企业资质水平［17］。

　　②核心企业资质:核心企业作为整个供应链金融的枢纽，对于中小企业的稳定与发展起到了重要作用，核心企业资质是指标体系的重要组成部分，除财务指标外，核心企业的社会责任也会对中小企业的信用风险造成影响［18］。

　　③行业状况:中小企业所处行业的状况影响着企业间合作关系的建立与维护，将行业状况视为信用风险的影响因素，能够考虑中小企业与其他企业的合作稳定性，避免信用风险的产生。

　　④供应链合作伙伴信息:合作伙伴的财务状况能直接反映其自身的运营与偿债能力，这会对中小企业的生产经营稳定性产生影响;中小企业与合作伙伴之间的交易频度和合作时间长度，能反映双方间的信任度与关系紧密性;合作伙伴的社会责任履行程度也是重要的影响因素。此外，合作伙伴的信用水平也会对中小企业融资的信用风险水平产生效应。因此，将供应链合作伙伴信息纳入体系，有助于更全面准确地预测中小企业的信用风险。

　　综上所述，本文选取了以上四个方面作为一级指标，在此基础上构建包含中小企业发展、盈利、经营、偿债能力，核心企业社会责任等在内的18个二级指标，整理了共45个变量作为初选指标。

　　3预测模型选取

　　3．1定义

　　对于数量为n的中小企业集合V={v1，v2，ⅆ,vn}=1中，其数据集D={(xv1，yv1)，(xv2，yv2)，ⅆ,(xvn，yvn)}=1。若某一中小企业vi存在p个除核心企业外的供应链合作伙伴{vi1，vi2，ⅆ,vip}=1，该中小企业包含特征数为lo其他特征信息xvio∈Rlo和特征数为ls的供应链合作伙伴特征信息xvis=Average(xvilo，xvi2o，ⅆ,xvipo)∈Rls，当考虑供应链合作伙伴特征信息应用于供应链金融信用风险预测时，其总体特征信息xvi={xvio，xvis}∈Rlo+ls，否则其总体特征信息xvi={xvio}∈Rlo。此外，yvi∈{0，1，2}表示该中小企业的信用风险水平，当yi=0时表示该企业处于低信用风险水平，当yi=1时表示企业处于高风险水平。

　　3．2数据预处理

　　归一化通过将数据缩放至特定范围，确保特征具有相似初度，提升模型预测能力。本文采用标准化函数处理数据:

　　其中，xj指某一特征值，μ和δ分别表示特征数据的均值与标准差。

　　3．3随机森林(Random Forest)

　　随机森林通过构建多个决策树模型集成预测中小企业风险水平。其预测结果可表示为:

　　其中，K为决策树数量，fk表示第k颗决策树，随机森林通过平均每个决策树的预测结果得出最后的预测。本文通过构建不同数量的决策树观察预测结果。

　　3．4 XGBoost

　　XGBoost采用梯度提升算法迭代训练决策树，通过强调先前模型预测的错误来提高模型预测性能，从而预测信用风险水平:

　　在每一次迭代中，XGBoost会拟合一颗决策树使其尽可能逼近当前模型的负梯度:

　　其中，中小企业数量为n，l为损失函数，Ω(f)为决策树复杂度。本文在该模型中使用交叉熵损失函数(Cross Entropy Loss):

　　正则化方法。

　　3．5逻辑回归(Logistic)

　　逻辑回归使用Sigmoid函数将线性组合的结果映射到［0，1］之间的概率值，则假设特征数位的中小企业的信用风险可表示为:

　　其中，w表示模型权重，逻辑回归通过最小化损失函数优化权重使模型的预测效果达到最优。本文Logistic模型迭代次数epochs为500，优化器选用Adam，学习率lr为0．01，损失函数选用交叉熵损失函数。

　　3．6多层感知机(MLP)

　　MLP通过建立包含输入层、隐藏层和输出层的基础神经网络架构，以非线性的方式预测中小企业的风险水平。假设有一个L层的MLP，首先将xvi作为输入a(1)，对于每一层l，计算该层的输出a(l+1):

　　其中，W为特征矩阵，f表示激活函数，在最后一层L，计算yvi:

　　最后，通过反向传播算法最小化损失函数以优化w，b，预测信用风险。本文使用MLP结构如下:层数为2，迭代次数epochs为500，优化器选用Adam，学习率lr设置为0．001，损失函数采用交叉熵损失函数。

　　4实证分析

　　4．1样本采集与数据来源

　　据统计，中小企业占据我国上市企业70%以上的比率，企业间的频繁贸易关系可以反映复杂的供应链结构，从中可以找到其核心企业及合作伙伴。本文基于我国A股上市企业披露数据，共获取2282家企业间的3101次贸易合作，如图1所示。

　　在供应链结构中，核心企业占据枢纽往往拥有更多的连接关系，本文基于企业合作关系构建度值分布图(如图2)，将度值大于等于5的企业视为核心企业，确定了1210家中小企业及146家核心企业作为研究样本，将指标体系中的三级指标变量作为自变量，通过Z－score模型将企业的风险水平评估结果作为因变量，若Z－score分数小于2．67，则视为低风险企业，否则视为高风险企业，最终得到781家低风险中小企业样本和429家高风险企业样本。本文企业样本的财务数据主要来自于国泰安数据库，合作信息主要来自于企业年报数据，其他信息主要来自于和讯网数据。

　　4．2指标体系筛选

　　皮尔逊系数可以通过反映两个变量间的线性相关程度来筛选出供应链金融风险初步指标体系中有强相关性的指标，进而剔除避免多重共线性问题、减少信息冗余并提高计算效率。筛选皮尔逊相关系数大于等于0．5的指标变量，确定39个指标变量以进行模型预测，包括14个合作伙伴信息指标变量和25个其他指标变量。

　　4．3预测指标选取与预测结果

　　供应链金融实践过程中，若金融机构误将低风险的企业归为中高风险企业，会增加潜在客户流失的可能性;若将高风险企业归为低风险企业，则会加剧信用风险带来的经济损失;此外，评估模型正确判断企业风险类型的概率也是金融机构所要关心的问题。因此，本文通过精确率(Accuracy)、置信度(Precision)和召回率(Recall)来评估不同模型的预测性能，设TP，TN，FP，FN分别表示真阳性样本、真阴性样本、假阳性样本、假阴性样本，评估公式如下:

　　多机器学习模型的预测过程如图3所示，预测结果如表1所示。

　　结果显示，通过在指标体系中引入供应链合作伙伴信息，多种机器学习预测模型在训练时往往能加快收敛速度，并在应用于供应链金融信用风险预测时，能较为显著地增加其预测能力与鲁棒性，对金融机构识别供应链金融信用风险有明显的正向作用。

　　4．4可解释性分析

　　在明确供应链合作伙伴信息对于供应链金融信用风险预测有正向帮助的基础上，供应链金融参与者往往希望进一步明确哪些供应链合作伙伴信息因素在什么程度上影响了供应链金融信用风险的预测。由于MLP模型在预测性能上优于其他机器学习模型，因此本文采用Lime对MLP的预测过程进行可解释性分析，帮助中小企业了解影响其信用风险的主要因素，从而采取相应风险管理策略;帮助核心企业基于中小企业的相应资质更好地制定合作策略，降低信用风险，优化供应链关系;为金融机构在供应链金融信用风险评估中提供决策支持，并保证评估模型的公平性、透明性和合规性，满足监管要求及规定，结果如图4所示。

　　在经济指标上，当供应链合作伙伴拥有较高的速动比率和较低的资产负债率时，表明其拥有足够的财务稳健性和偿债能力;当销售利润率和总资产周转率较高时，意味着该合作伙伴经营效率较高，能够进行有效的资产运用，并能从销售中获得较好的利润。这些指标使其成为可靠并有价值的供应链合作伙伴，从而影响并降低融资中小企业的信用风险。而当合作伙伴的总资产增长率较低时，其发展能力受限，价值的降低可能会对融资中小企业信用带来不利影响。

　　当供应链合作伙伴展现较高的社会责任感时，其积极参与社会公益、关心环境问题、提升员工福祉等对社会的积极贡献有助于提升社会声誉，可能会为融资中小企业带来一定的信用支持。相反，社会情绪的低迷可能会对融资中小企业信用带来负面影响。

　　最后，合作伙伴的违约记录直接反映了合作伙伴在商业交往中的守信度和履约能力。若合作伙伴存在违约或逾期行为，可能预示着潜在的履约风险，并会将该风险传递至融资中小企业。

　　5结论

　　本文针对供应链金融背景下金融机构面临的信用风险困境，提出将供应链合作伙伴信息引入供应链金融信用风险指标体系从而提升风险预测的准确性和稳定性。通过比较多种机器学习模型的预测结果，利用实证分析验证了合作伙伴信息对预测模型能力的显著提升作用。此外，通过Lime可解释性分析，发现合作伙伴的速动比率、销售利润率、资产负债率、社会情绪、社会责任与违约记录是预测融资中小企业信用风险水平的主要影响因素。

　　［参考文献］

　　［1］Chen J．Development of Chinese small and medium‐sized enterprises［J］．Journal of Small Business and Enterprise Development，2006，13(2):140－147.

　　［2］宋华．困境与突破:供应链金融发展中的挑战和趋势［J］．中国流通经济，2021，35(05):3－9.

　　［3］李斌，黄治国，彭星．利率市场化会降低城市商业银行投融资水平吗?———基于中国24家城市商业银行数据的实证研究［J］．中南财经政法大学学报，2015(01):40-47.

　　［4］Yang Y，Chu X，Pang R,et al．Identifying and predicting the credit risk of small and medium－sized enterprises in sustainable supply chain finance:Evidence from China［J］.Sustainability，2021，13(10):5714.

　　［5］Wuttke D A，Blome C，Foerstl K，et al．Managing the innovation adoption of supply chain finance—Empirical evidence from six European case studies［J］．Journal of Business Logistics，2013，34(2):148－166.

　　［6］Omri N，Ai Masry Z，MAIROT N，et al．Industrial data management strategy towards an SME－oriented PHM［J］.Journal of Manufacturing Systems，2020，56:23－36.

　　［7］熊熊，马佳，赵文杰，等．供应链金融模式下的信用风险评价［J］．南开管理评论，2009，12(04):92－98+106.

　　［8］Derviz A，Podpiera J．Predicting bank CAMELS and S＆P ratings:The case of the Czech Republic［J］．Emerging Markets Finance and Trade，2008，44(1):117－130.

　　［9］Chen X，Wang X，Wu D D．Credit risk measurement and early warning of SMEs:An empirical study of listed SMEs in China［J］．Decision Support Systems，2010，49(3):301－310.

　　［10］Calabrese R,Osmetti S A．Modelling small and medium enterprise loan defaults as rare events:The generalized extreme value regression model［J］．Journal of Applied Statistics，2013，40(6):1172－1188.

　　［11］Zhang H，Shi Y，Yang X，et al．A firefly algorithm modified support vector machine for the credit risk assessment of supply chain finance［J］.Research in International Business and Finance，2021，58:101482.

　　［12］匡海波，杜浩，丰昊月．供应链金融下中小企业信用风险指标体系构建［J］．科研管理，2020，41(04):209－219.

　　［13］Edmister R O．An empirical test of financial ratio analysis for small business failure prediction［J］．Journal of Financial and Quantitative Analysis，1972，7(2):1477-1493.

　　［14］Ciampi F．Corporate governance characteristics and default prediction modeling for small enterprises———An empirical analysis of Italian firms［J］．Journal of Business Research，2015，68(5):1012－1025.

　　［15］Fantazzini D，Figini S.Random survival forests models for SME credit risk measurement［J］．Methodology and Computing in Applied Probability，2009，11:29－45.

　　［16］Zhang L，Hu H，Zhang D．A credit risk assessment model based on SVM for small and medium enterprises in supply chain finance［J］．Financial Innovation，2015，1(1):1-21.

　　［17］胡海青，张琅，张道宏．供应链金融视角下的中小企业信用风险评估研究———基于SVM与BP神经网络的比较研究［J］．管理评论，2012，24(11):70－80.

　　［18］刘志雄．企业社会责任、社会资本与信用风险传染研究———基于利益相关者理论的分析［J］．江苏社会科学，2019(06):66－72.