基于BP 神经网络的化工行业供应链金融信用风险评价

李 昕，汤 健 （江苏大学 管理学院，江苏 镇江212013）

LI Xin, TANG Jian (School of Management, Jiangsu University, Zhenjiang 212013, China)

0 引 言

化工行业作为国民经济的支柱产业之一，在国民经济中占有重要的地位。由于产品种类繁多，生产流程长并且复杂的特点，化工行业上下游情况较为复杂。同时，化工行业汇集着数以万计的中小企业。据《中国化学工业年鉴》数据，我国化工行业的企业整体数量已达数十万家，值得注意的是中小化工企业占90%以上。在化工行业，中小企业贡献了行业持续稳定发展的决定动力。与其他行业类似，“融资难”同样困扰着化工中小企业。由于化工行业具有的轻资产性、价格波动性、交易分散性等特点，化工中小企业的“融资难”问题与其他中小企业相比更加复杂多变。在面临化工中小企业的融资需求时，银行等金融机构如何开展风险控制识别及措施值得进一步深入研究。

1 相关研究综述

供应链金融是当下金融与供应链管理的重要构成[1]。对供应链金融的概念界定，Kouvelis（2015） 认为，资金提供者基于供应链环节真实发生的商业贸易开发的一系列融资、服务产品[2]。近年来，我国学者也对供应链金融进行了深入研究，兰军（2019） 提出供应链金融是一种银行等金融机构从供应链管理的角度，涉及供应链多个节点如供应、生产、销售、运输，针对中小融资企业采购生产所需原料或半成品等不同行为，帮助其提高信用等级并提供阶段性融资及配套服务的业务模式[3]。具体到银行等金融机构的实践层面，深圳发展银行是国内最早开展供应链金融业务的金融机构[4]，通过引入供应链金融概念，在国内商贸融资的基础上推出全新的“1+N”融资模式，将部分资金覆盖到供应链上下游流动资金紧缺的中小企业是该模式的最大亮点[5]。近年来，供应链金融稳步发展，预付账款类融资、存货类融资和应收账款类融资构成了供应链金融主要类型，具体可以划分为仓单质押授信、先票/款后贷授信、保兑仓、融通仓、国内信用证业务等[6]。

涉及到供应链金融信用风险评价的文献，Hu 和Ansell（2007） 运用专家评分法考虑企业财务指标及宏观环境变量对供应链金融信用风险的影响[7]；黄静思等（2014） 研究发现供应链系统风险对供应链金融的信用风险影响较大[8]；Su 和Lu（2017）考虑上下游产业及贯穿供应链整体的物流企业，建立模型结合仿真技术测量信用风险[9]；范方志等（2017） 采用多目标决策分析法，将供应链核心企业及融资企业的财务数据设为变量纳入指标体系[10]；顾治程和蒋艳（2017） 采用Logistic 回归模型分析供应链金融信用风险[11]。与此同时，胡海清等（2012） 建立了支持向量机预警模型[12]；叶晓枫和鲁亚会（2017） 运用数学思想，依靠财务指标建立随机森林考虑朴素贝叶斯的信用风险预警模型[13]；蒋曼曼（2017） 采用主成分分析研究企业的财务指标并设定一个Logistic 预警模型[14]；戴昕琦（2018） 以线上供应链金融为研究对象，分析其融资模式，从SMOTE 算法角度考虑信用风险大小[15]。

近年来，不少学者发现将人工智能模型与信用风险评价相结合可以继续完善信用风险评价的准确度，因此以BP 神经网络为代表的人工智能模型逐渐成为预警企业财务危机的主流方式。其中，Hamadi 和Abdelmoula（2010） 以资金需求企业的财务数据运用BP 神经网络建立了预警模型[16]；Lang Zhang 等（2015） 采用SVM 模型和BP 神经网络分析供应链上下游中小企业的信用风险状况[17]。杨斌等（2016） 将29 家有融资需求的企业数据结合信用风险评价模型证明了BP 神经网络对信用风险评价具有一定的可行性[18]。蔡静雯等（2016） 则从金融机构的角度出发，运用BP 神经网络模型测量出样本判别分类的准确率高达92%[19]。综上所述，对供应链金融信用风险的研究近年来趋向客观、复杂，本文将利用BP 神经网络来构建评价指标体系，以预测供应链中化工行业中小企业的信用风险。

2 基于BP 神经网络的化工行业供应链金融信用风险指标体系构建

2.1 化工行业供应链金融信用风险指标的选取

供应链金融未兴起时，金融机构在面对化工企业融资需求时，仅仅考虑融资企业本身存在的信用风险，调查分析其静态财务指标，导致大多数的融资都汇集到大型化工企业。现实中面临融资难问题的化工企业往往规模较小，财务数据较为零散、不透明，甚至会出现不符合法律法规的相关问题，因此，真正有融资需求的企业往往得不到融资贷款。而供应链金融从动态的视角出发，通过分析中小融资企业的信用风险，选取一套有效且完善的指标评价体系并结合化工产业链上下游企业尤其是核心企业相关特点，对中小融资企业所处产业链整体进行评价。

因此实施化工供应链金融的前提是为相关融资企业建立一套适用于化工行业供应链金融的信用风险体系。而化工中小企业的信用风险主要体现在融资企业、上下游核心企业、物流企业及供应链整体运营状况等，所以本文将依托以下4 个与化工中小企业的信用风险息息相关的层面建立化工行业供应链金融的信用风险指标体系：

（1） 化工中小融资企业：化工中小企业因其规模较小往往没有直接的信用等级。企业素质、经营能力、盈利能力、偿债能力和发展能力等指标直接反应了融资企业的信用高低。化工中小企业信用越高，越能按时履行融资合同，对金融机构的风险也就越小。

（2） 核心企业信用状况：核心企业因其规模、行业地位往往有一定的信用评级，掌握核心企业的财务和运营等状况可以在化工中小企业违约时，履行部分担保责任，对银行等金融机构降低信用风险具有一定的意义。

（3） 化工供应链运营状况：作为供应链金融主体的融资企业，既可以通过抵押厂房等固定资产又能够凭借半成品等存货进行抵押，然而化工产品价值伴随着化工行业的发展程度上下波动，因此化工中小企业所处行业的发展状况十分重要。

（4） 第三方物流企业：化工产品因其特殊性往往需要专业的物流运输和仓储服务，第三方物流企业的运营状况直接决定着化工供应链上下游交易的稳定性，第三方物流企业在化工供应链的运转中起到一定的监管作用。

在大量文献研究和专家调查的基础上，依据指标设计的原则和方法，建立了供应链金融视角下化工行业中小企业信用风险评价指标体系。指标体系及评分准则如表1 所示。

2.2 化工行业供应链金融信用风险BP 神经网络模型的设计

对信用风险BP 神经网络模型而言，首先要确定网络的层级数目以及各个层级的神经元数目。Kolmogrov 理论证明具有3 层结构的BP 网络其学习性较好。因此，本文利用3 层级BP 网络结构进行训练。

（1） 确定输入层和输出层：本文构建的是化工行业供应链金融信用风险评价指标体系，将上文28 个评价指标作为BP 神经网络模型的输入。由于信用风险评价的目标是判断某个企业融资风险的高低，因此神经网络的输出结果只有一个，具体可以设置为［-1,1 ］之间的数值，信用风险从高到低递增。

表1 评价指标体系及释义

（2） 确定隐含层：在实际操作过程中可以通过试错的方式确定隐含层的具体数值，具体而言可以通过下式确定：

式中：m表示输出神经元；n代表输入神经元；a为1～10 之间的常数。为确定最佳的隐含层单元数，本文设计了一个隐含层神经元可变的BP 神经网络。

3 基于BP 神经网络的信用风险模型训练与实例验证

（1） 数据来源与整理。本文样本数据来源于Wind 数据库，选取并筛选出在新三板挂牌的化工企业共112 家，根据《中小企业划型标准规定》对化工行业营业收入在300 万元至40 000 万元之间为化工中小企业的标准剔除27 家，剩85 家化工中小企业。依据其财务报表将主营业务为医药化学、高端材料制造等企业共43 家剔除，剩42 家化工中小企业。

考虑到化工中小企业没有直接可得的信用等级，直接用化工企业的信用评级进行BP 神经网络的训练不可取。对新三板上市的化工中小企业而言，其信用风险的高低可以从股价波动看出。对一定期限内股价上涨的企业，可以归类为“低风险企业”，金融机构可以授信；对一定期限内股价没有明显波动的企业，归类为“中性企业”，金融机构授信时需谨慎；对一定期限内股价下降的企业，归类为“高风险企业”，金融机构拒绝授信。基于此标准，本文利用国泰安数据库对42 组数据中化工企业自2019 年下半年的股价进行分析，发现有11 家企业受交易不活跃等因素的影响没有形成完整的市场价格，另外8 家企业因财务信息不完整剔除，剩23 家。其中训练样本集包括20 家企业，测试样本集包括3 家企业。在20 家训练样本集中，低风险企业8 家、中性企业6 家以及高风险企业6 家；在测试样本集中，低风险企业1 家、中性企业1 家以及高风险企业1 家。不同企业信用风险的高低可以通过具体赋值表示：低风险企业为1，中性企业为0，高风险企业为-1。

表2 风险评价原始数据表

本文从国泰安数据库选取了样本企业的相关定量指标作为训练样本数据。而对于“行业环境”等定性指标通过已有的文献来进行赋值评价。这样可以得到BP 神经网络的原始数据表，如表2 所示。

BP 神经网络对输入有要求，训练样本被标准化处理后，属性数据可以转化为无量纲数据，有利于统一衡量。最大最小值法是目前运用最广泛的标准化处理方法，具体处理为：

其中：cp是经过转化后的样本个体，是样本数据X的单个个体，MIN（X）和MAX（X）分别表示样本数据X的最大值及最小值。经过标准化处理后的数据维持在［0,1 ］之间，具体数据如表3 所示。

（2） 网络训练与仿真检验。BP 神经网络提供Log-sigmoid 类S 型传递函数、Tan-sigmoid 类正切S 型传递函数、Purelin 类线性函数等函数。鉴于样本已经通过最大最小值法处理，本文将Tan-sigmoid 函数运用到BP 神经网络的输入层到隐含层，将Log-sigmoid 函数运用在网络的隐含层到输出层，训练算法则选择trainglm 函数。最后构成一个28×20×1 的BP 神经网络模型。模型的设定参数误差为0.001，学习率为0.01，循环学习次数为1 000 次。在设定好BP 神经网络的各项参数后，将已经处理好的数据训练学习：训练样本包含1～20 号样本数据，检验样本包含21 号到23 号样本，具体的验证如下：

表3 标准化处理数据表

本文通过设定round 函数，对训练结果进行取整以便训练结果更加直观。经过训练得到：Y=（0,-1,0.5,1,0.5,-1,0,1,-1,1,0.5,1,1,-1,-0.5,1,1,0.5,1,0）；与实际情况相结合（见图1） 可以发现，经过BP 神经网络训练的输出结果与现实结果误差较小，说明本文采用的BP神经网络具有一定的有效性，可以应用到其他样本检验测试。

图1 BP 神经网络回归分析图

将21 号至23 号样本输入调试好的信用风险评价模型中，经过多次运算得到的检验结果为：0.137,-0.924,0.839。

依据股价波动将检验结果与实际信用风险高低对比，可以发现21 号至23 号所代表的XX 化成、君X 科技、连X 化学3家企业的信用风险值分别为0,-1,1。以连X 化学为例，该企业的运算结果与实际信用风险误差最小。在资料分析过程中，该企业的财务信息相对透明，所处供应链运营状况较好，对应核心企业为国内钢铁龙头企业，承担运输的企业同样为5A 级物流企业，因此在3 家企业中信用风险最低。从实际运算来看，本文构建的化工行业供应链金融信用风险评价模型的评价结果与实际误差较小，该BP 神经网络具有较强的风险评价能力。对融资难的化工企业而言，其财务信息透明度，供应链上下游之间的运营状况以及物流企业的稳定性直接影响着企业自身的信用风险大小。对银行等金融机构而言，供应链金融业务顺利开展的决定因素往往来源于信用风险评价结果，因此化工行业的中小企业必须对自身财务数据如盈利能力、偿债能力等加以重视。

4 研究结论与展望

本文基于供应链金融视角，充分考虑供应链管理的相关理论，依托现有的供应链金融指标体系，充分考虑化工供应链上下游中小企业财务状况、供应链整体运营情况，增加了第三方物流企业运营状况等影响因素，构建了经营能力、偿债能力、发展能力等28 个评价指标在内的化工行业供应链金融信用风险评价体系，并通过BP 神经网络建立相关检验模型，研究发现本文选取的指标，为学者研究供应链金融信用风险提供了较好的方法。

在缺少化工中小企业信用评级的背景下，化工中小企业想要获得银行等金融机构的融资，必须意识到信用风险的重要性，要保证自身信用风险相对较低，这就要求其平稳发展，不断完善财务信息，寻求行业地位高的核心企业合作。另外，除了金融机构，在投资多元化的热潮中，风投以及依托贸易开展融资的第三方供应链金融都可以成为化工中小企业的融资选择，面对不同的融资方，信用风险应是最被关注，被认为是否融资的决定因素。因此本文建立的化工行业中小企业供应链金融信用风险评价模型可以为融资机构提供一定的参考，在我国融资机构对化工中小企业的信用风险管理中具有较好的发展前景。