基于支持向量機的農業中小企業供應鏈金融信用風險評價

李 昕，謝昊倫

（江蘇大學 管理學院，江蘇 鎮江 212013）

0 引言

農業是國民經濟的重要支柱產業，而中小企業則是農業發展的重要力量，在推動國家農業發展、提高農民收入、促進鄉村振興等方面發揮著重要作用。農業中小企業是指在農業領域經營的中小型企業，其經營范圍主要集中在種植、養殖、加工等方面。與其他行業相比，農業中小企業面臨的問題更加復雜，農業生產過程中存在明顯的季節性和氣候影響；農業生產的商品本質是生鮮產品，保質期短，運輸和銷售渠道也具有一定的限制；其次，農業中小企業的生產往往依賴于地理位置和自然條件，導致產業鏈條的分散和供應鏈的復雜性。上述因素的制約導致在傳統融資模式下農業中小企業難以獲得商業銀行等金融機構的貸款，從而制約了其生產經營活動的持續發展。

供應鏈金融作為一種新型金融服務模式，可以有效解決中小企業的融資難題，為其提供了重要的資金支持。然而，在農業中小企業供應鏈金融的實踐過程中，如何評估農業中小企業的信用風險成為了關鍵問題之一。支持向量機（Support Vector Machine,SVM）作為一種有效的分類算法，在數據挖掘和機器學習領域得到了廣泛的應用。因此，本文旨在基于支持向量機的方法，對農業中小企業供應鏈金融中的信用風險進行評估，為相關決策提供科學依據。

供應鏈金融是目前供應鏈管理與金融的重要結合[1]。蔣伯亨等[2]梳理了農業供應鏈金融的研究進展，并指出后續要進一步強化對風險問題的研究。邵嫻[3]以馬王堆蔬菜批發大市場為例，研究了一種基于“菜籃子”工程中心批發市場的農業供應鏈金融的新模式；許玉韞和張龍耀[4]則對數字化農業供應鏈金融模式進行了理論和案例分析。杜念宇[5]分析了供應鏈金融在支持“三農”發展中存在的問題，董翀和馮興元[6]則針對農業現代化的供應鏈金融服務問題進行剖析，并分別提出相關政策建議。

關于供應鏈金融信用風險評價的文獻，熊熊等[7]提出了一種信用風險評價體系，考慮了主體評級和債項評級，以減少對供應鏈金融業務的專家評價。黃靜思等[8]研究發現，供應鏈系統的整體風險對供應鏈金融信用風險有很大的影響；Su 和Lu[9]考慮了上下游產業和貫穿整個供應鏈的物流企業，建立了信用風險評估模型，并結合仿真技術測量風險；范方志等[10]結合互聯網金融大數據的思維和數據挖掘方向，篩選出評價指標，采用定性和定量的分析方法評價中小企業的信用風險；同時，葉曉楓和魯亞會[11]運用數學思想，依靠財務指標建立了隨機森林和樸素貝葉斯的信用風險預警模型；戴昕琦[12]以線上供應鏈金融為研究對象，建立了C-SMOTE-RF 模型評估信用風險；張永爽[13]運用因子分析和Logistic 回歸模型，對農業中小企業供應鏈金融信用風險進行評估研究。

近年來，人工智能技術的進步使得支持向量機在信用風險評估中的應用越來越廣泛，能夠提高信用風險評估的準確性。其中，胡海青等[14]以西安汽車產業鏈作為研究對象，比較了基于支持向量機和邏輯回歸方法建立的信用風險評估模型的實證結果，證實了基于支持向量機的信用風險評估體系更加有效和優越。Lang Zhang 等[15]則采用支持向量機模型和BP 神經網絡分析了供應鏈上下游中小企業的信用風險狀況。Hao Zhang 等[16]通過結合39 家中小企業的數據，使用螢火蟲算法改良的SVM 模型，證明了經對信用風險評價具有一定的可行性，提高了分類預測的準確性。綜上所述，對供應鏈金融信用風險評估的研究近年來趨向客觀、復雜，但基于SVM 的農業中小企業的信用風險評估文獻較少。因此，本文將利用支持向量機模型來構建評價指標體系，以預測供應鏈金融中農業中小企業的信用風險。

1 指標體系與算法模型

1.1 指標體系的建立

本文在借鑒商業銀行傳統的信用風險評估指標體系的基礎上，根據供應鏈金融融資模式的特點設計了評價指標體系，主要包括以下4 個方面：

（1）融資企業自身資信情況：包括了企業的管理情況、財務狀況和信用記錄等?？梢苑从吵鋈谫Y企業的還款意愿、運營能力、盈利能力和償債能力等。

（2）核心企業信用狀況：包括核心企業的信用等級、行業地位、盈利能力和償債能力。掌握核心企業的財務和運營等狀況可以在農業中小企業違約時，履行擔保責任，降低商業銀行等金融機構所面臨的信用風險。

（3）農業供應鏈運營狀況：反映農業供應鏈的穩定性，供應鏈上中小融資企業與核心企業的關系越穩定、兩者業務來往的時間越長，中小企業和核心企業違約的可能性越低，銀行貸款的信用風險就越小。

（4）第三方物流企業狀況：農業生產的商品本質是生鮮產品，保質期短，運輸和銷售渠道也具有一定限制的特殊性，所以往往需要專業的物流運輸和倉儲服務，因此第三方物流企業的運營狀況直接決定著農業供應鏈上下游交易的穩定性，并在農業供應鏈的運轉中起到一定的監管作用。

在大量文獻研究的基礎上，并依據指標設計的原則和方法，本文主要選取了4 個一級指標，并建立了包括企業素質、營運能力、盈利能力、成長能力、合作密切度等15 個二級指標和28 個三級指標。建立了供應鏈金融視角下的農業中小企業信用風險評估指標體系，如表1 所示。

表1 評價指標體系及釋義

1.2 支持向量機

支持向量機（SVM）是以統計學習理論，結構風險最小化準則為基礎的一種算法。旨在尋找一個最優分類超平面進行分割訓練樣本，確保最小的分類錯誤率。使得訓練樣本集中不同類別的點正好落在超平面的兩側，同時還要求超平面兩側的空白區域達到最大，盡可能使兩個分開的類別具有最大間隔，這樣才能使分隔有更高的可信度，使新樣本有更好的泛化能力。

支持向量機最優分類面的求解問題可轉化為求數據樣本分類間隔最大化的二次函數的解，關鍵是求得分類間隔最大值的目標解。如圖1 所示，黑圓和白圓分別代表兩類不同的樣本。H1到H2之間的距離margin 代表分類平面間的最大分類間隔，處于分類線兩側的數據點為待分類的樣本，在圖1 中，基本分類判別面方程如公式（1）所示，若對線性可分的樣本集進行數據歸一化處理，分類間隔表達式如公式（2）所示。推廣到高維空間，最優分類線就叫做最優超平面。

圖1 線性可分情況下的最優分類超平面

根據分析，引入拉格朗日乘子后，加入有效約束條件，可以解得最優分類判別函數，其參數的確定依賴于支持向量。在實際應用中，核函數結合最優分類判別面形成的支持向量機模型，可以解決只處理線性可分樣本的問題，這兩者的結合構成了最終的支持向量機模型。相應的通用支持向量機分類函數表達式如公式（3）所示：

供應鏈金融信用風險評估，其最終目的是通過信用風險評價體系進行綜合評估，以確定融資企業的信用等級，以決定是否給予貸款。不同的銀行有不同的信用等級評估標準，但最后都歸結為“是否貸款”問題，這是一個典型的二分類問題。支持向量機在二分類中有著廣泛而良好的應用，適用于解決小樣本、非線性以及高維模式識別問題，因此本文將運用該方法對供應鏈金融模式下中小企業的信用風險進行評估。

2 信用風險評估

2.1 數據來源與整理

本文主要選取2021 年企業財務數據，樣本來源于全國中小股份轉讓系統（新三板）掛牌公司（截至2022 年4 月底），財務指標數據來源于國泰安CSMAR 數據庫。首先篩選出在新三板掛牌的農業企業共61 家，去除一家破產清算企業，一家注冊會計師出具無法表示意見審計報告，可能被終止股票掛牌的企業和一家未彌補虧損達實收股本總額且凈資產為負的企業，剩58 家企業。再根據《中小企業劃型標準規定的通知》對農業行業營業收入在50 萬元至20 000 萬元之間為農業中小企業的標準剔除16 家，剩42 家農業中小企業。再依據其財務報告將主營業務為旅游的企業1 家剔除，剩41 家農業中小企業。

本文從國泰安CSMAR 數據庫選取了樣本企業的相關定量指標作為訓練樣本數據。而對于“行業情況”等定性指標通過已有的文獻來進行賦值評價，具體評分標準如表1 所示。

此外，支持向量機模型對數據輸入有要求，因此需要對數據進行標準化處理，這樣處理后的樣本可以轉化為無量綱數據，便于進行統一衡量。目前最常用的標準化方法是最大最小值法，具體處理為：

其中：xi為原始樣本數據，mini和maxi分別表示原始樣本數據xi的最大值及最小值。

2.2 SVM 模型構造

數據經過歸一化處理后，得到新的無量綱數據作為支持向量機的輸入；用+1 和－1 來代表融資企業所屬的信用風險類別，即為支持向量機的輸出。為了確保模型的有效性，選取占總樣本數三分之二的28 個樣本作為訓練樣本集，用于構建SVM 模型；另外，剩余13 個樣本作為測試集，用于評估模型的泛化能力。具體樣本集的分布情況如表2 所示。

表2 樣本集分布情況

2.3 核函數的選取與參數的選擇

通過選擇合適的核函數和調節相關參數，可以提高SVM 分類模型的預測準確率。本文選擇徑向基核函數（RBF）來實現SVM 模型在高維空間的內積運算，同時綜合考慮最大分類間隔和最少錯分樣本，從而在高維空間構造軟間隔。經過交叉驗證方法的比較，最終確定了參數C=100，gamma=0.1。

2.4 實證結果分析

將供應鏈金融信用風險評估指標體系中的28 個指標作為自變量，以融資企業是否有逾期未還的貸款或應付賬款作為因變量，并用虛擬變量Y 表示，+1 表示沒有逾期未還的貸款或賬款，－1 表示有逾期未還的貸款或賬款。經過模型訓練和測試，預測結果如表3 所示。

表3 樣本分類正確率%

由表3 可知，SVM 模型對訓練集樣本分類準確率為94.22%，對測試集樣本分類準確率為92.19%，模型的總體評估準確率為93.39%。進一步計算得出SVM 模型總體第一類錯誤率為11.3%，第二類錯誤率為6.7%。

第一類錯誤和第二類錯誤是統計學中的概念，通常在假設檢驗或者分類問題中使用。在假設檢驗中，第一類錯誤指的是拒絕了一個實際上正確的假設；而第二類錯誤則指的是接受了一個實際上錯誤的假設。

通過分析可知，選用SVM 模型進行信用風險評估時，分類準確率較高，且第一類錯誤率（沒有違約的企業分類成了違約企業）和第二類錯誤率（違約企業分類成了沒有違約的企業）較低。其可以有助于降低銀行信貸風險并減小銀行損失，在我國商業銀行信用風險管理中具有較好的應用前景。

3 結論與展望

本文基于供應鏈金融視角，根據以往學者研究的基礎上，充分考慮供應鏈上農業中小企業財務狀況、核心企業資信情況、供應鏈整體運營情況，并增加了第三方物流企業運營狀況等影響因素，構建了盈利能力、成長能力、行業狀況等28 個評價指標在內的農業中小企業供應鏈金融信用風險評價體系，并利用支持向量機建立了相關的檢驗模型。相較于其他方法，該模型在分類準確率上表現更好，能夠為商業銀行等金融機構提供更準確的農業中小企業信用風險的評估參考，從而有助于做出更明智的決策。

隨著“互聯網+”的不斷發展，未來在建立信用風險評價指標體系時更應多考慮與線上影響因素的結合。例如，當區塊鏈引入到供應鏈之中，有哪些方面會影響到農業中小企業的信用風險；區塊鏈應用的優勢與劣勢；如何建立更完善的信用風險評價體系；以及如何優化信用風險控制策略等方面。