复工复产政策下汽车行业供应链金融信用风险研究

刘昆仑

(齐鲁师范学院 数学学院，山东 济南 250013)

1 引言及文献综述

供应链金融是一种以核心企业为主导的信用融资模式，银行将核心企业与中小企业联系在一起提供授信，以此来降低金融风险，改善中小企业融资难的问题.我国的供应链金融虽然起步较晚，但近年来逐渐步入了良性循环，在国民经济中的作用越来越凸显，2013年以来我国供应链金融市场规模保持稳定增长，到2018年达到2万亿元(数据来源：银监会).与供应链金融相关的鼓励政策不断出台：2016年2月，人民银行等八部委印发《关于金融支持工业稳增长调结构增效益的若干意见》，大力发展应收账款融资；2017年10月，国务院办公厅发布《关于积极推进供应链创新与应用的指导意见》，鼓励商业银行、供应链核心企业等建立供应链金融服务平台；2018 年4 月，商务部等八部门发布《关于开展供应链创新与应用试点的通知》，创新供应链金融服务模式；2018 年5 月，财政部发布《关于开展2018 年流通领域现代供应链体系建设的通知》，发展专项资金支持现代供应链体系建设[1].

新冠肺炎疫情发生后，中小企业受到严重的冲击，特别是餐饮、娱乐、旅游、进出口等行业均受到了不同程度的影响.为帮助企业恢复正常的生产经营活动，国家发展改革委、工信部、财政部等相关部门出台了多项复工复产的举措，2月3日，中央提出“要在做好防控工作的前提下，全力支持和组织推动各类生产企业复工复产”；3月4日，中央强调“根据疫情分区分级推动复工复产”；4月8日，中央首次提出“全面推进复工复产”[2].为了支持企业的复工复产，金融机构出台了一系列的优惠信贷政策，截止到3月15日，金融机构累计发放优惠利率贷款共1 114亿元，增加低息贷款，以优惠利率定向支持中小企业.在中央一系列复工复产政策的推动下，2020年GDP从第一季度(206 504亿元)的同比下降6.8%到第四季度(293 199亿元)的同比上升2.3%，2020年GDP总量首次突破百万亿，比2019年增长2.3%(数据来源：中华人民共和国人民政府网)，是全球唯一一个实现经济正增长的主要经济体.

国内外学者在供应链金融的风险研究方面做了很多的工作.国外学者对风险防范的研究可以从质押融资方法和质押物本身的价格波动等方面进行，例如Lai等[3]研究存货质押融资对风险的共享作用，指出混合模式才能实现供应链的效率最优.Seifert等[4]发现，在供应链金融中应加强各企业和金融机构之间的协作，核心企业应在分配资金和维系与供应商的关系中起到更大的作用，以防范金融风险的传递.Finch[5]认为应加强信息系统的建设，尤其是提高中小型企业的信息透明度，并改善其经营能力，以减少商业银行的信用风险.

在国内，很多学者对供应链金融的信用风险进行研究.任文超[6]对银行信贷的信用风险进行了研究，提出了物资银行的概念.弯红地[7]研究了银行的信贷风险，发现对应收账款的风险管理需要建立银行与企业间的新型合作关系来提高避险的能力，促使供应链金融充分发挥作用.鲍旭红[8]提出了供应链金融在融资方面的优势，能够有效地解决融资难的问题.田菁等[9]对线上供应链金融进行了研究，提出了信用风险的应对措施.

在对供应链金融的风险分析中用到了很多的统计模型，这有利于进行实证研究和定量分析，从而更加精确、有效地控制风险.熊熊等[10]分析了供应链中双评级的信用风险，使用了回归分析和主成分分析的方法进行信用风险度量；刘远亮等[11]使用了Logistic回归模型对北京地区的数据进行了实证分析；刘艳春等[12]借助SEM和灰色关联模型对供应链中的中小企业进行了风险评估.

在目前研究的基础上，本文将利用Logistic模型研究供应链金融的信用风险，比较2020年疫情期间复工复产前后汽车行业的供应链金融风险状况.在实证分析中，运用Logistic模型进行信用风险分析，首先使用主成分分析降低变量维度，再利用生成的主成分进行Logistic回归，进而得出企业的信用风险预测值.通过将预测结果与实际结果的比较，表明疫情过后，通过实施复工复产政策，汽车供应链的信用风险状况得到了很大的改善，并针对汽车行业的特点提出了对策与建议.

本文的创新之处在于从微观的角度研究复工复产政策的成效，并以汽车行业为例，选取了汽车板块全部22家上市公司的财务指标数据进行定量研究，分析复工复产前后企业的信用风险状况，为有效地控制汽车供应链风险提供了参考.

2 供应链金融信用风险的度量模型

Logistic回归模型是度量供应链信用风险的经典方法之一，该模型的优点是不要求样本服从多元正态分布和协方差阵相等，结果有较强的稳健性，可以利用保留样本进行直接的统计检验，能够处理非线性问题和大样本问题.

本文主要是运用Logistic模型对企业的违约率进行估计，假设企业出现风险的概率为[13]

P(Y=1|X)=pi

(1)

这是一个条件概率，其中随机变量X=(x1，x2，…，xn)T为解释变量，本文选取企业的财务指标作为解释变量，表示影响风险的因素；Y为被解释变量，表示企业的违约风险，Y=1表示高风险，Y=0表示低风险，则此条件概率表示某企业出现高风险的概率.Logistic回归模型的关键就是通过样本数据得出某企业风险概率pi的估计值，进而对企业的风险状况进行定量评估.

Logistic回归方程为

(2)

将上述回归方程进行线性变换，令

(3)

对式(2)、(3)整理，可得

(4)

式(4)为多元线性回归模型.

Logistic模型中对系数的检验采用的是Wald统计量：

(5)

通过对企业的财务数据进行回归分析，可以得出βj，j=0，1，2，…，n的估计值，再将数据代入式(2)便可以得出风险概率pi的估计值.若pi的估计值大于0.5，则企业的风险较高；若pi的估计值小于0.5，则企业的风险较低.

因此，Logistic回归模型可按以下的步骤进行：

1)适当地选取解释变量和被解释变量；

2)选取合适的样本用于模型分析；

3)若解释变量之间不存在高度相关性，被解释变量发生概率的模型即为Logistic模型；

4)用回归分析的方法对回归参数进行估计，并检验参数的显著性；

5)参照实际风险情况对模型进行验证.

3 供应链金融信用风险的评价指标体系

3.1 指标体系的建立

本着可量化、科学性、可获得性的原则利用财务指标构建供应链金融的风险评价指标体系.为了更全面地反映供应链的整体状况，选择融资企业与核心企业的22项指标，并进行分级量化处理，见表1.

表1 供应链金融的信用风险评价初级指标体系

3.2 指标的选取

选取的财务指标应尽可能地有代表性，能够充分反映企业的经营状况，然而指标的数量过多，也会带来一些冗余和重复的信息，并增加了模型计算的难度.参考已有的风险评价体系[14-15]，并考虑各个财务指标的意义，将主营业务利润率、营业利润率、销售毛利率、净资产增长率、存货周转率、流动比率、主营业务收入行业排名等指标剔除，最终确定信用风险评价指标体系，见表2.

表2 供应链金融的信用风险评价指标体系

4 实证分析

4.1 样本选取

为研究汽车行业2020年复工复产前后供应链金融的信用风险状况，本文选取了汽车供应链的22家整车制造企业作为样本进行研究，企业信息见表3，分别选取了这些企业2020年第一季度和第三季度的财务指标数据(数据来源：新浪网).

表3 样本企业的股票名称

汽车供应链是一个以整车制造企业为核心企业，以零部件制造企业为上游企业，以销售企业为

下游企业的庞大集成化产业.高效协同的供应链体系是各汽车企业之间不断发展的重要支撑，核心企业的风险状况对整个供应链金融的信用风险起到决定性的作用，对核心企业进行风险评价可以反映出整个供应链的风险状况.

依据表2的信用风险评价指标体系，对22家整车制造企业(即核心企业)两个季度的财务指标数据进行描述统计[16]，见表4、表5.本文数据处理使用SPSS软件.

表4 第一季度指标变量的描述统计量

表5 第三季度指标变量的描述统计量

由于各个指标之间的量纲不同，为了计算的方便需要对原始数据进行标准化变换，这里选用标准差标准化的方法，即

(6)

4.2 主成分分析

由于选取的指标数量较多，同一指标类型的变量之间存在较强的相关性，因此对标准化的指标变量进行主成分分析，以达到降低维度、浓缩信息的目的[17-18].

先研究第一季度的指标数据，从公因子方差表(表6)可以看出，本次分析从每个指标变量中提取的信息都超过了65%，除了净资产收益率行业排名外，主成分几乎包含了各个指标至少80%的信息.

解释的总方差表(表7)显示了各主成分解释原始变量的情况，前五个主成分的累积特征值为90.496%，大于85%，因此保留前五个主成分.

表7 第一季度指标解释的总方差

成分得分系数矩阵(表8)给出了主成分用第一季度标准化财务指标表示的近似表达式，即：

表8 第一季度指标成分得分系数矩阵

4.3 Logistic模型

实际风险状况的确定，可以观察股市波动，令Y=1表示高违约风险，Y=0表示低违约风险.选取上述的5个主成分z1，z2，z3，z4，z5作为自变量进行二元Logistic回归，得出参数的估计结果见表9.

表9 第一季度指标变量的参数估计

表9中的Sig值是对Wald检验的显著性概率，可以看到，第四个主成分的Sig值为0.241，大于0.05，Wald检验不显著，将其剔除，其余的主成分保留.通过系数的估计值“B”可以看出，第二、三个主成分系数的绝对值较大，因此营运能力和成长能力是影响企业风险状况的关键性指标，在风险防控过程中应加强对这些指标的监管.

根据表9的结果可以得到最终的Logistic回归方程为

从表10中可以看出，在22家企业中只有三家企业的预测结果与实际观察结果不一致，正确率的平均值为86.2%，表明Logistic回归能够很好地对企业的信用风险状况进行估计.

表10 第一季度Logistic回归结果正确率表

利用同样的步骤可以对2020年第三季度汽车行业的信用风险状况进行分析，得到结果正确率见表11.

表11 第三季度Logistic回归结果正确率表

从表11可以看出，只有两家企业的预测结果与实际结果不一致，正确率的平均值为87.05%.

4.4 结果分析

将第一季度和第三季度汽车行业的信用风险状况进行比较发现，受到新冠肺炎疫情的影响第一季度的高风险企业较多.随着疫情受到控制以及我国复工复产政策的实施，到了第三季度高风险企业的数量明显减少，低风险企业占了绝大多数.在Logistic模型构建的过程中发现，第二主成分和第三主成分对企业信用风险的影响较大，即净资产收益率、主营业务收入增长率、净利润增长率、总资产增长率、应收账款周转率、总资产周转率、流动资产周转率等指标是决定企业信用风险状况的重要因素.

5 对策与建议

根据汽车供应链的实证分析结果，并结合汽车行业的特点提出以下建议：

第一，关注上游零部件生产企业状况，推动整个供应链的协同高效运作.尽管复工复产成效显著，但产能的恢复需要供应链上下游企业的协同配合，个别环节复工复产效率的低下会影响到整个供应链的运转.我国的汽车产业正处于降速调整期，新冠肺炎疫情对汽车供应链产生了巨大的冲击，汽车制造是长链条式生产，包含上万个零件，全球化采购，某个上游供应商的断供，就会造成整个供应链的停摆.武汉是我国重要的汽车零部件生产基地，武汉地区的复工复产状况直接影响了众多国内汽车制造厂的生产效能.面对这种情况，汽车装配企业应积极采取自救措施，调整零部件供应商，变更运输途径，确保劳动力供应，建立零部件供应联盟，优化供应布局，加强国内各品牌之间的合作.

第二，积极拉动汽车消费，改进不合理的体制机制.疫情导致汽车销售量减少，从而导致汽车市场产能大幅度下滑、汽车企业的负担增加.相关部门应本着长远发展的角度出台一系列推动汽车供应链复苏的措施：一是继续实施减税降费政策，降低企业负担，扶持资金困难企业，帮助企业改善库存.二是实施刺激消费政策，增加传统汽车的销售量，鼓励旧车报废，部分城市取消汽车限购或增加限购配额.三是挖掘市场潜力，促进新能源汽车的发展，继续实施政策补贴，推动充电设施的建设，解决续航里程不稳定等技术问题.

第三，实行供应链内外双循环，解决进口采购困难，加强关键零部件的开发研制工作.我国汽车行业的很多关键零部件依赖进口，德、日、韩、美是主要的来源国，受疫情影响上述国家的汽车零部件生产停产或部分停产，再加上国际物流不畅的影响，使得我国汽车产业的关键零件及半导体产品断供，无法进行后续的生产.国内汽车行业应大力增加科研创新投入，提高生产工艺，保证基础元件的自给自足，形成完整的国内大循环，使汽车的各个供应链条逐步实现本土化，以弱化国际风险对我国汽车产业的影响.