上海理工大学管理学院，上海

收稿日期：2024年2月26日；录用日期：2024年3月20日；发布日期：2024年5月17日

摘要

供应链金融是商业银行融资贷款最重要的业务模式之一，是连接核心企业与中小企业的纽带，能够满足中小企业融资需求。但随着金融科技的快速发展与业务的提升，在当前金融环境下，传统的供应链金融模式已不再适应现今的市场环境，商业银行面临着日益复杂的信贷风险。数字供应链金融的出现，可以提升交易数据的真实性、透明性，为商业银行评估融资企业信贷风险等级提供了更加智能便捷与客观的资金管理信息。本文以中信银行为例，在数字供应链金融环境下，综合考虑多个影响因素，对融资企业建立较为全面、综合的评价指标体系，结合因子分析法和3σ法则确定企业信贷风险等级，对中信银行的信贷风险进行深入评价，实现量化识别和精确度量。本文旨在新的金融技术环境下，构建评估融资企业信贷风险的新体系，提高商业银行风险意识，加强风险管理，支撑商业银行构建完善的风险管理体系。

关键词

信贷风险，数字供应链金融，商业银行，因子分析法和3σ法则

Credit Risk Level Assessment for CITIC Bank’s Digital Supply Chain Finance Financing Enterprises

Xin Song, Yanwei Zhang

School of Management, University of Shanghai for Science and Technology, Shanghai

Received: Feb. 26^th, 2024; accepted: Mar. 20^th, 2024; published: May 17^th, 2024

ABSTRACT

Supply chain finance is one of the most important business models for commercial bank financing and lending, which is the link between core enterprises and SMEs and can meet the financing needs of SMEs. However, with the rapid development of financial technology and business enhancement, in the current financial environment, the traditional supply chain finance model is no longer adapted to today’s market environment, and commercial banks are facing increasingly complex credit risks. The emergence of digital supply chain finance can improve the authenticity and transparency of transaction data, and provide more intelligent, convenient and objective fund management information for commercial banks to assess the credit risk level of financing enterprises. This paper takes CITIC Bank as an example, in the digital supply chain finance environment, comprehensively considers multiple influencing factors, establishes a more comprehensive and integrated evaluation index system for financing enterprises, combines the factor analysis method and the 3σ law to determine the credit risk level of enterprises, and carries out an in-depth evaluation of CITIC Bank’s credit risk to realize quantitative identification and precision measurement. The purpose of this paper is to build a new system for evaluating the credit risk of financing enterprises under the new financial technology environment, to improve the risk awareness of commercial banks, to strengthen risk management, and to support the construction of a perfect risk management system for commercial banks.

Keywords:Credit Risk, Digital Supply Chain Finance, Commercial Bank, Factor Analysis and the 3σ Rule

Copyright © 2024 by author(s) and Hans Publishers Inc.

This work is licensed under the Creative Commons Attribution International License (CC BY 4.0).

http://creativecommons.org/licenses/by/4.0/

1. 引言

随着全球经济的不断发展和金融市场的日益深化，商业银行作为金融体系的重要组成部分，面临着前所未有的信贷风险，呈现出多样化、复杂化的特点。这种风险不仅源于传统的信贷业务，还包括新兴的金融产品和服务。如何有效地识别、度量和管理这些风险，成为商业银行稳健经营的关键。为了保障银行业务的稳健运行，商业银行必须建立健全信贷风险评价体系，及时发现和防范潜在风险。

张金贵和侯宇(2014)研究发现中小企业普遍面临融资难，影响其发展。通过2013年上市公司样本，利用SPSS进行因子分析，构建了基于Logit回归的信贷风险度量模型，证明其有效性和准确性，可作为中小企业信贷风险评估依据 [1] 。顾海峰和郑婷(2015)通过分析中国商业银行信贷资产分布设计评价指标体系，以上市银行为样本，应用因子分析法，揭示四大商业银行信贷效率领先，中小商业银行相对较低 [2] 。旁金波等(2018)通过因子分析法研究表明，黑龙江省贫困地区农村金融扶贫水平受农村金融扶贫效率、内生性金融资源及规模等因素影响占比非常高。贫困县中农村金融扶贫水平差距显著，相对较高县占比为10.71%，相对较低县占比为67.86%。建议从扶贫对象、还款能力、覆盖面、信贷风险管理和监管等方面完善农村金融扶贫，以提高整体水平 [3] 。刘莉和李舞岩(2022)构建银行业金融科技发展评价体系，发现我国银行业金融科技整体发展逐年上升，互联网技术迅猛发展，人工智能技术相对缓慢；各后端技术对商业银行不良贷款率负向影响显著，特别是人工智能技术效果最佳；但对大型银行、国有银行信贷风险的抑制效果相对较弱 [4] 。程扬等(2022)提出了一种基于组合赋权法的中小微企业信贷风险量化及预测模型，利用票据交易数据构建多层次风险评估指标体系，并结合AHP法、CRITIC法和随机森林预测方法，实现了对中小微企业信贷风险的量化评估和预测 [5] 。这些学者在不同领域均以创新方法应对风险评估挑战，这些研究为银行业和贷款客户风险评估提供了多元化的解决方案，促进了金融业发展和经济可持续增长。

本文正是基于这样的背景和需求，旨在寻找一种结合因子分析法和3σ法则确定融资企业信贷风险等级的商业银行信贷风险评估模型。因子分析法是一种有效的统计分析方法，能够从多个变量中提取共同因子，实现对风险的精确量化和分层。本文构建了一个综合的商业银行融资企业信贷风险评估模型，该模型能够识别和度量融资企业的信贷风险，为商业银行的风险管理提供科学、有效的决策依据。

2. 融资企业信贷风险评估指标体系的构建

在进行信贷风险评价之前，首先需要构建一个合理的评价指标体系，专业的评价指标体系能确保评价结果的相对准确性。基于全面性原则，选取指标时需要采用定性与定量相结合的方法，不仅要涵盖传统企业基本财务风险指标，还应该结合非财务风险指标。基于科学性原则，指标体系应当客观真实，避免指标之间的重复。基于可操作行原则，在评估信贷风险时还应当考虑企业的信用状况，技术创新也是企业实力的一部分，因此在指标选择中要考虑到可获得性，使评价指标体系适于操作。

因此，本文以企业的四个传统财务指标为基础，再加上现金流量和技术创新这两个维度作为财务风险指标。非财务风险指标也是评估风险的一部分，本文将企业的透明度和信用评级作为市场风险指标。由于企业透明度和信用评级这两个指标大都采用凭经验的纯定性指标 [6] ，主观性较强，而单一的定量指标又不能全面综合的评估信贷风险，所以参考《上海证券交易所上市公司自律监管指引第3号——行业信息披露》，企业透明度越高，所反映的经营性信息越完整，对应的市场风险也就越小。

偿债能力指标代表短期内企业能否按时偿还债务，主要取决于其现金流和债务量的规模。因此，本文选取了衡量企业流动资产转化为现金以偿还负债能力的流动比率和速动比率，反映债权人提供信贷资金风险程度的资产负债率，以及表明企业借款经营程度的产权比率。

盈利能力指标体现了企业获取利润的能力，企业的盈利能力越强，按按期归还贷款的概率越高。因此，本文选取了企业净利润与总资产平均余额比的总资产净利润率和体现自有资本获得净收益能力的净资产收益率。

营运能力指标是反映企业生产经营中利用资金的效率与效益，本文主要选取了反映销售能力的总资产周转率和利用流动资产创造短期投资收益能力的流动资产周转率。

发展能力指标主要选取了表明企业资产经营规模扩张速度的总资产增长率和反映企业资本保全性、应付风险和持续发展能力的资本积累率。

现金流量指标也是银行判断企业是否能及时还款的重要因素，本文选取了表明销售回款能力的净利润现金净含量和反映企业产品、劳务、市场占有率等因素的营业收入现金含量。

技术创新指标可以反映企业创新能力，进而能反映出企业所处行业的前景以及企业自身对创新投入的重视程度，因此本文选取了研发费用率和研发人员数量占比。

企业信用指标是评价企业信贷风险的重要因素，本文选取的信用透明度是指公司财务与管理信息的公开披露程度，披露程度越高，说明企业信息造假的概率越低，而信用评级指标则是根据专业机构对企业进行信用风险等级划分，也在一定程度上反映出企业的偿债能力。

上述通过对财务风险指标和市场风险指标的分析，最终得出中信银行融资企业信贷风险的评估指标体系，如表1所示。

表1. 中信银行融资企业信贷风险评估指标体系的构建

资料来源：作者整理。

3. 数字供应链金融融资企业信贷风险等级评估：中信银行

3.1. 数据选取

对于企业客户的财务信息，数据的真实性是进行信贷风险评价的前提。由于非上市公司的财务数据很少对外公开，为了满足数据的可获得性，因此本文将根据中信银行2022年年报中披露的按行业划分公司类贷款集中度，对贷款排名靠前的如制造业、房地产业、批发和零售业、交通运输、仓储和邮政业、水利、环境和公共设施管理业、建筑业、租赁和商业服务业、电力、燃气及水的生产和供应业等8个行业的上市公司作为研究对象。数据来源从国泰安数据库中按证监会行业标准划分，剔除ST企业，系统随机选出148家企业，报告截止日期为2022年12月31日。

3.2. 融资企业信贷风险指标筛选

经过文献梳理选取出了17个指标，但是作为解释变量，数据量依然较大且数据之间存在着相关性。因此，为了减少变量的数量，需要对数据进行降维处理，去除高度相关因素。因子分析就是将分散在多个变量中的同类信息集中、提纯，在变量群中提取出共性因子替代原变量，达到信息浓缩的目的，从而便于分析、利用和解释。因子分析的主要公式为：

$\{\begin{array}{l}{X}_1=b_1{f}_1+b_2{f}_2+\cdots +b_m{f}_m+{\epsilon }_1\hfill \\ \cdots \hfill \\ X_p=b_{p1}{f}_1+b_{p2}{f}_2+\cdots +b_{pm}{f}_m+{\epsilon }_m\hfill \end{array}$ (1)

式中， $X_p$ 表示有p个解释变量， $f_m$ 表示有m个主成分，该式表示各变量和主成分之间的线性组合关系。

3.2.1. 数据标准化处理

由于不同指标量纲不同，不存在可比性，所以需要将原始数据进行标准化处理，以消除量纲的影响。标准化公式如下。

$Z_i=\frac{X_i-X_{\min }}{X_{\max }-X_{\min }}$ (2)

式中， $X_i$ 为原始数据， $Z_i$ 为标准化后的数据。

3.2.2. 因子分析效度检验

在进行因子分析之前首先要对数据进行因子分析适用性检验，本文主要采用KMO和Bartlett’s球形检验方法进行结构效度检验。

KMO检验主要观察变量间相关关系和偏相关关系。若KMO的值越接近于1，说明变量间的相关关系越强；若KMO的值越接近于0，则变量间的相关关系越弱。一般来说，当KMO > 0.9表明最适合作因子分析；当0.7 < KMO < 0.9表示尚可作因子分析；当0.6 < KMO < 0.7表明一般可以做因子分析；当KMO < 0.5，表示变量不适合做因子分析。值得注意的是，分析项之间的相关系数过低(KMO < 0.2或没有显著性)，信息重叠度低，无法有效浓缩信息，这会导致KMO值较低；如果分析项之间的相关系数过高(KMO > 0.8)，这会导致严重共线性，从而无法输出KMO值。因此，分析项之间的相关系数值一般希望介于0.3~0.7之间较好。

Bartlett’s球形检验则是检验变量间相关矩阵是否是单位阵，该命题的原假设为相关阵是单位阵，即变量间的相关阵是独立的，也就是不适合进行因子分析。假若P值小于显著性水平P值则拒绝原假设，说明变量适合作因子分析。若上述两个检验同时通过则说明变量群很适合作因子分析。

表2. KMO和Bartlett球形检验

数据来源：作者整理。

从表2可以看到KMO系数值为0.613，说明数据适宜进行因子分析。Bartlett’s测试的近似卡方值为1674.015，对应的P值为0.000，小于0.05，说明变量间的相关关系支持作因子分析。可见所选的17个指标能够进行因子分析。

3.2.3. 公因子提取

图1. 碎石图

在设定特征根大于1的前提下对数据提取公共因子，图1显示当主成分数目大于7后特征根包含的总信息量大小变化趋于平稳，且第7个特征根的值仍然大于1，因此提取7个主成分最为合适。

采用最大方差正交旋转法得到的总方差解释如下表3，结果显示按照提取特征值必须大于1的标准，提取的7个主成分的原始特征值分别为4.127、2.659、1.88、1.661、1.239和1.102，也就是说这7个主成分分别能够解释原始17个变量的24.275%、15.642%、11.059%、9.768%、7.288%、6.482%和6.127%的信息。这7个特征根的累积方差达到80.64%，表明数据信息损失较少，可以较好地解释初始数据。因此本文将用这7个浓缩后的因子主成分进行分析。

表3. 总方差解释

数据来源：作者整理。

3.2.4. 因子载荷

表4是经过旋转后的成分矩阵，可以看出主成分F1是由资本积累率、总资产增长率、净资产收益率以及总资产净利润率所决定。主成分F2主要由流动比率和速动比率所决定。主成分F3是由资产负债率、产权比率和营业净利率所决定。主成分F4是由总资产周转率和流动资产周转率所决定，主成分F5由研发人员数量占比和研发费用率所决定。主成分F6主要由上市公司透明度和信用评级所决定。主成分F7主成分是由营业收入现金含量和净利润现金净含量所决定，主成分分析结果清晰地展现了各主成分浓缩原始信息的情况。

表4. 旋转后的成分矩阵

数据来源：作者整理。

3.2.5. 因子得分

表5为因子主成分得分系数矩阵，由各成分的系数可以得到因子主成分的系数方程。

$\begin{array}{c}{F}_1=-0.004X_1+0.009X_2+0.072X_3+0.082X_4+0.25X_5+0.291X_6\\ +0.04X_7-0.01X_8-0.026X_9+0.34X_{10}+0.344X_{11}+0.067X_{12}\\ +0.03X_{13}-0.088X_{14}-0.008X_{15}+0.042X_{16}-0.076X_{17}\end{array}$ (3)

$\begin{array}{c}{F}_2=0.468X_1+0.439X_2+0.023X_3+0.095X_4-0.001X_5+0.009X_6\\ -0.111X_7+0.079X_8-0.12X_9-0.03X_{10}+0.009X_{11}-0.227X_{12}\\ +0.168X_{13}-0.101X_{14}-0.088X_{15}+0.138X_{16}-0.049X_{17}\end{array}$ (4)

$\begin{array}{c}{F}_3=0.102X_1+0.051X_2+0.415X_3+0.434X_4-0.129X_5-0.002X_6\\ -0.296X_7+0.078X_8-0.114X_9+0.119X_{10}+0.093X_{11}+0.015X_{12}\\ -0.02X_{13}+0.019X_{14}-0.01X_{15}+0.091X_{16}-0.051X_{17}\end{array}$ (5)

$\begin{array}{c}{F}_4=-0.012X_1-0.021X_2-0.033X_3-0.073X_4-0.012X_5+0.004X_6\\ -0.248X_7+0.498X_8+0.485X_9-0.052X_{10}-0.02X_{11}-0.066X_{12}\\ +0.054X_{13}+0.055X_{14}-0.028X_{15}-0.013X_{16}-0.024X_{17}\end{array}$ (6)

$\begin{array}{c}{F}_5=-0.065X_1-0.077X_2-0.01X_3-0.023X_4+0.013X_5+0.018X_6\\ -0.109X_7+0.002X_8+0.015X_9-0.089X_{10}-0.074X_{11}+0.068X_{12}\\ -0.043X_{13}+0.621X_{14}+0.529X_{15}+0.068X_{16}-0.00X_{17}\end{array}$ (7)

$\begin{array}{c}{F}_6=0.071X_1+0.057X_2+0.071X_3+0.087X_4+0.173X_5+0.21X_6\\ +0.058X_7-0.001X_8-0.039X_9-0.217X_{10}-0.093X_{11}-0.087X_{12}\\ +0.035X_{13}+0.081X_{14}+0.026X_{15}+0.602X_{16}+0.449X_{17}\end{array}$ (8)

$\begin{array}{c}{F}_7=-0.02X_1+0.064X_2-0.054X_3+0.041X_4+0.037X_5-0.007X_6\\ +0.03X_7-0.061X_8+0.086X_9+0.033X_{10}+0.086X_{11}+0.62X_{12}\\ +0.686X_{13}+0.001X_{14}+0.013X_{15}-0.042X_{16}+0.012X_{17}\end{array}$ (9)

表5. 成分得分系数矩阵

数据来源：作者整理。

根据因子主成分得分可以算出各企业的总体得分F，但是总体得分的计算涉及到各主成分的权重选择，这里主要采用主成分方差的贡献率占累计方差贡献率的比重作为权重系数值。其综合得分的公式如下。

$\begin{array}{c}F=0.24275\times F_1+0.15642\times F_1+0.11059\times F_2+0.09768\\ \times F_3+0.07288\times F_4+0.06482\times F_5+0.06127\times F_6\end{array}$ (10)

因此，可以得到企业的总体得分情况，表6列示了20家企业的得分情况。

表6. 部分企业总体得分值

数据来源：作者整理。

3.3. 根据3σ法则确定融资企业信贷风险等级

3σ法则是描述偏差程度的数理统计术语，该法则认为若企业信贷风险指标经标准化后服从正态分布，则落在均值3倍标准差的区间理包含了99.73%的数据序列；均值两侧标准差区间内包含了95.45%的数据序列；均值两侧单倍标准差区间内包含了68.27%的数据序列。该理论为数字供应链金融信贷风险等级评估提供了理论依据，数字供应链金融信贷风险指标经过标准化后数据序列符合正态分析，可以用3σ法则分析。

根据原中国银监会制定的《贷款风险分类指引》划分，本文将融资企业信贷资产分为正常类、关注类、次级类、可疑类、损失类五类风险级别。设信贷风险得分F的均值为μ，标准差为σ，运用SPSS得出：μ = 0.0000013514，σ = 0.4090432599。将μ + σ作为正常类和关注类的临界点，μ + 3σ作为关注类和次级类的临界点，μ − 3σ作为可疑类和损失类的临界点。具体对应关系如表7所示。

表7. 中信银行融资企业信贷风险评估等级

数据来源：作者整理。

综上所述，得出各个企业归一化处理后信贷风险F得分与风险等级的对应，部分企业风险等级情况如表8所示。

表8. 部分企业信贷风险F得分值与风险等级

数据来源：作者整理。

4. 结论与建议

4.1. 结论

参照以往的国内外学者的研究成果，结合我国上市公司的实际情况，本文遵循指标体系原则构建了中信银行数字供应链金融融资企业信贷风险评估指标体系，科学分类，能够尽可能的真实、合理地反映信贷风险评估的实际情况，提出了中信银数字供应链金融融资贷款企业的信贷风险评估指标体系包括财务风险指标和市场风险指标两大类。其中对企业透明度和信用评级这两个等级类定性指标按国家标准进行权重划分，得出两个指标的定量化数据。进而与财务指标一起进行正态性检验与显著性检验，筛选出符合要求的指标。运用因子分析法得出了7类指标的公共因子，降维缩减指标，根据主成分得分算出企业总得分。进而采用3σ法则的信用风险评级情况进行模拟识别，依据企业总得分来判定融资企业的信贷风险等级。

4.2. 政策建议

从近几年商业银行发展来看，尤其是针对中小企业发放的贷款在风险把控上存在诸多问题，随着经济下行，实体经济低迷，不良贷款猛增，商业银行唯有不断创新信贷风险监测模式，提高自身的风险管理能力，才能更好地应对现在经济形势的变化，因此在结合我国商业银行所面临的实际境况，本文据此提出了以下建议。

1) 制定明确的信贷政策。首先，商业银行应该制定明确的借贷标准和政策规定，明确客户资质要求、贷款额度、抵押要求等各项借贷条件，以确保借贷活动符合风险承受能力和经营战略。其次，应该建立客户分类和评级体系，根据客户的信用状况、还款能力、行业风险等因素对客户进行分类和评级，以区分不同风险客户的信贷政策和定价策略。此外，应加强信贷审批和监督机制，建立严格的信贷审批流程和内部控制程序，确保信贷决策符合政策规定和风险管理要求，并及时发现和处理潜在的信贷风险。通过以上措施，商业银行可以建立全面的信贷风险管理框架，实现对信贷风险的科学识别、有效控制和持续监测，从而保障银行的稳健经营和风险可控。

2) 引入先进技术和模型。引入先进技术和模型可以帮助商业银行更准确地评估和管理信贷风险。具体而言，商业银行可以利用大数据技术来收集、存储和分析大规模的客户数据，包括个人信用记录、企业财务信息、行业趋势等。基于大数据分析，银行可以发现隐藏的模式和关联，更准确地评估客户的信用风险。这些模型可以基于历史数据进行训练，不断优化和更新，以适应不断变化的市场环境和客户行为。此外，区块链技术也在数字供应链金融中应用广泛，它可以提高交易数据的透明度和安全性，降低信贷交易的欺诈风险。商业银行能通过区块链技术建立信贷交易的分布式账本，实现交易信息的实时共享和验证。通过引入以上先进技术和模型，商业银行可以提高信贷风险管理的精确度和效率，降低信贷损失和违约风险，从而保障银行的稳健经营。

3) 政府部门可以加强监管框架。加强监管框架涉及到加强对商业银行信贷风险管理的监管制度和执行力度。一方面，监管机构可以加强对商业银行信贷风险管理的监管要求，包括资本充足性要求、贷款拨备计提标准、风险管理制度建设等方面的规定，以确保商业银行在信贷业务中有足够的风险覆盖能力。另一方面，监管机构应当定期评估和修订监管政策，根据金融市场的发展变化和风险情况的变化，及时调整监管政策和措施，确保其与时俱进、适应性强。

文章引用

宋 鑫,张晏维. 中信银行数字供应链金融融资企业信贷风险等级评估
Credit Risk Level Assessment for CITIC Bank’s Digital Supply Chain Finance Financing Enterprises[J]. 电子商务评论, 2024, 13(02): 1670-1680. https://doi.org/10.12677/ecl.2024.132203

参考文献