• 快捷搜索
  • 全站搜索

大数据视角下的供应链金融风险管理

2016-11-21 17:43:51作者:武汉大学 蔡恒进 郭震;华中科技大学 肖华编辑:金融咨询网
供应链金融是以银行为代表的金融机构专门针对产业供应链设计的、基于供应链核心企业的金融服务解决方案,将核心企业和上下游小微企业捆绑在一起的“1+N”整体金融服务。本文所指的供应链金融主要是基于国内贸易的供应链金融服务。

21世纪的市场竞争是供应链的竞争。在全球经济一体化背景下,越来越多的企业进行全球范围的采购和销售,或者成为其过程的一部分。商品或服务的供应链从原材料采购到制成中间件及最终产品,最后送到消费者手中,将供应商、制造商、分销商、零售商及最终用户连成一个有机整体。每个企业都与其上下游企业一起构成供应链体系,共同参与市场竞争。在供应链中,主要是核心企业起主导作用,而上下游的小微企业往往面临规模小、融资难的问题。尤其是当前政经改革和结构调整正在持续深入,“三期叠加”的经济新常态下,融资难更成为制约中国小微企业生存和发展的瓶颈之一。

图片5.jpg

        蔡恒进,武汉大学国际软件学院教授、博导,“自我肯定需求”理论创立者。大学就读于中国科学技术大学空间物理专业,美国阿拉斯加大学费尔班克斯分校博士、衣阿华大学博士后,有多年的美国金融行业从业经历。2005年从美国归国后,受聘于武汉大学国际软件学院,从事服务科学、人工智能、金融信息工程争领域的研究和教学工作。特别注重激发和培养学生的创新思维,指导学生参加国内外大赛赢得了50余奖项。

  供应链金融正是以银行为代表的金融机构专门针对产业供应链设计的、基于供应链核心企业的金融服务解决方案,将核心企业和上下游小微企业捆绑在一起的“1+N”整体金融服务。正如其他不断创新的金融服务一样,再加上其具有跨行业、跨领域的特点,风险管理成为业务开展的核心问题。另外,本文所指的供应链金融主要是基于国内贸易的供应链金融服务,基于国际贸易的供应链金融服务因为已有较为成熟的结算、单证、信息交换的相应规范,不在本文讨论的主要内容范畴,但风险控制的思路和方式仍然可以相互借鉴。

从供应链金融到互联网供应链金融

  供应链金融在中国的发展大致经历了贸易融资、自偿性贸易融资、1+N供应链金融、线上供应链金融四个阶段,目前处于后两者之间的过渡期。据估算,目前我国全行业供应链金融融资余额已超过7万亿元,市场空间巨大。供应链金融是由以银行为主的金融机构提供的包括融资、结算等一揽子服务,其融资具有自偿性的特点,即在一个完整的业务链条中,某一环节的融资需要下一环节或后续环节的正常完成而得以偿付。供应链金融服务模式主要有以下两种分类:按融资对象的不同可以分为供应商融资、核心企业融资、经销商融资、最终用户融资四个层次;按风险控制方式的不同可以分为预付账款类融资、存货类融资、应收账款类融资三种类型,现阶段应用最为广泛的是存货融资。

  任何金融活动都有风险,金融活动的核心就是在承担风险中得到相应的经济回报。由此,对于银行等金融机构来说,风险管理是运营中的重点所在,而对风险的测量,则是风险管理中的核心环节。

  具体到供应链金融服务,各种模式所对应的风险特征也不尽相同:预付账款类融资模式中的风险除了融资企业自身的经营和财务情况外,还源于物流方能否履行其职责、卖方的资信水平、质押物风险;存货类融资模式中的风险除了融资企业自身的经营和财务情况外,还源于仓储监管方能否履行其职责、质押物风险;应收账款类融资模式中的风险除了融资企业自身的经营和财务情况外,还源于欺诈行为、买方的资信水平、应收账款自身质量的恶化。

  进入互联网时代和大数据时代,供应链金融整个体系都发生了一些深刻的变化,其“协同、效率、成本”的核心理念得到了更为充分的体现。

  一是鼓励创新、创业的良好社会氛围使得供应链金融发展出现新的参与方。虽然目前提供供应链金融服务的主体仍是各家商业银行,但更加多元化,新的力量包括行业核心企业、行业信息咨询公司、信息服务提供商、供应链服务提供商、平台公司等,纷纷进入这个蓝海领域。

  二是互联网所积累的数据和信息使得供应链金融发展出现新的风险控制方式。如前所述,传统供应链金融对于供应链上的上下游客户一般是通过预付账款、存货、应收账款等方式来进行风险控制,操作比较繁琐。现在有了更多的数据和信息来源后,通过数据分析完成“主体+债项”风险评级,使得更简单、更快捷的基于信用或准信用的在线放款模式成为可能,原来的贷前、贷中、贷后环节均可实现线上化,效率得到了极大提升。最新的例子是,2015年的“双11”期间,阿里系的“蚂蚁花呗”、京东系的“京东白条”大放异彩。淘宝全网共46700万笔交易中,使用“蚂蚁花呗”的达到6048万笔,占总交易数的1 3%;京东商城共3200万笔交易中,使用“京东白条”的达到1 280万笔,占总交易数的40%。这种放款效率,如果不是借助“互联网+大数据”模式几乎是不可能完成的任务。这种模式不但适合于“蚂蚁花呗”、“京东白条”这样的网络消费性贷款,也同样适合于以供应链金融为代表的网络经营性贷款,只是后者更加复杂而已。

供应链管理与供应链金融的关系

  信息化是大数据的基础。随着移动互联网、物联网、大数据等信息技术的发展,使得供应链全链条信息化具备了技术上的可行性;竞争态势的发展,使得核心企业有了供应链全链条信息化的现实需求。在内部,全面推行ERP信息化管理和使用BI进行数据分析和挖掘;在外部,搭建与上下游无缝连接的网络服务平台,使供应链信息化逐步拓展到供应链生态圈信息化。

  以信息化、数据化为核心的供应链管理SCM(Supply Chain Management)和供应链金融SCF(Supply Chain Finance)之间的关系可简要总结为两方面内容。

  1.供应链管理为供应链金融提供了保障。供应链金融要求的数据化、操作封闭性、授信用途定向性等,都要求供应链管理作为基础。一是借助供应链管理,依据交易数据实现授信额度管理及风险实时控制,达到供应链金融数据化的要求;二是借助供应链管理,依据对信息流、物流、资金流“三流合一”的全程监控,达到供应链金融操作封闭性的要求;三是借助供应链管理,依据全流程的订单跟踪管理,确保贸易真实性,达到金额、时间、交易双方等信息匹配,达到供应链金融授信用途定向性的要求。

  2.供应链金融为供应链管理提供了支持。供应链金融是供应链管理的润滑剂和催化剂。供应链金融通过为供应链管理提供资金支持从而达到成本降低。通过为核心企业及其上下游提供运营资金支持,降低采购成本、库存占用、销售压力,可以提升供应链的整体竞争力。

大数据对供应链金融风险管理的创新

  大数据应用具有复杂性和临界性的特点,有国外学者将大数据的特点总结为数据量大、速度快、类型多、价值密度低。其中对现行技术挑战最大的是最后一个特点,即如何提高价值密度,发现多维度数据背后的关联和逻辑。巴塞尔协议是全球银行业监管的标杆,最新的巴塞尔协议Ⅲ中将商业银行面临的风险分为信用风险、市场风险、操作风险、流动性风险、国家风险、声誉风险、法律风险以及战略风险八大类。具体到供应链金融业务,主要涉及信用风险、操作风险及法律风险,其中又以信用风险为主。目前应用大数据在供应链金融及其他金融业务领域进行风险分析和风险管理也主要是针对信用风险。

  信用风险是指在商业活动中由于借款者(债务人)未能满足合同要求而给贷款者(债权人)带来经济损失的风险。由于信用风险是以借款者还款能力和还款意愿为基础,因此,计算出借款者的资产价值多少,未来现金流的大小,和还款意愿强弱是度量信用风险的关键。按照借款者类别,信用风险基本可以分为政府、大中型企业、小微型企业、个人几类,融资难问题主要体现为小微企业的融资难,因为缺乏资产的小微企业其信用风险更多地还是与企业所有人的信用和资产相挂钩。因此,从这个角度来说,针对供应链上的“长尾”——小微企业的信用评估是针对企业主个人的信用评估的延伸。

  1.大数据应用于金融业务风险控制的国内外实践。传统的信用评估模型虽然在进行信用风险管理过程中发挥了很大的作用,但在大数据背景下出现更多的信息维度,除了交易数据本身以外,还有大量的如企业用水用电、企业高管人员日常行为等行为数据,传统信用评估模型解决问题的能力越来越受限。

  在美国,快速崛起的互联网金融公司ZestFinance依靠强大的数据挖掘能力和模型开发能力受到投资界和金融界越来越多的关注,成为美国传统的信用评估大佬FICO的挑战者。ZestFinance公司的CEO也是GoogIe公司的前CIO梅里尔有句名言“All data is credit data(一切数据都是信用数据)”。ZestFinance主要面向两类人群:一类是信用评分过低(FICO低于500)因而无法从银行、小贷公司、互联网P2P网贷公司获得基本信贷需求的人群;另一类是信用评分不高(FICO略高于500)而借贷成本较高的人群,利用大数据征信降低他们的信贷成本。国内的京东也是其投资者之一,双方甚至还成立了合资公司。表1对FICO和ZestFinance的信用评估体系做了简单比较。

图片6.jpg

        图1展示了ZestFinance的信用评估分析原理,融合多源信息,采用机器学习的预测模型和集成学习的策略方法,进行大数据挖掘。在此过程中,数据处理大致经历了五个阶段:一是收集原始数据(RawData),数干种来源于第三方和信贷申请人的原始数据将被输入系统;二是获得转换数据(TransformedData),寻找数据间的关联性并对数据进行转换;三是整合成元变量(Meta Variables),在关联性的基础上将变量重新整合成较大的测量指标,每一种变量反映信贷申请人的某一方面特点,如诈骗概率、长期和短期内的信用风险和偿还能力等;四是形成几大模块(Models),将这些较大的变量输入到不同的数据分析模型中去;五是输出合成分数(Ensembled Answer),将每一个模型输出的结论按照模型投票的原则,形成最终的信用分数。

图片7.jpg
图1 ZestFinance的信用评估分析原理

  ZestFinance开发了10个基于机器学习的分析模型(欺诈模型、身份验证模型、预付能力模型、还款能力模型、还款意愿模型以及稳定性模型等),对每位信贷申请人的超过1万条数据信息进行分析,并得出超过7万个可对其行为做出测量的指标,在5秒钟内就能全部完成。这就好比是在询问10位具有不同思考方式的朋友对同一件事情的看法,这种机制的决策性能远远好于业界的平均水平。

  数据和模型需要提炼,需要数据科学家的参与,即使把ZestFi nance的模型拿到中国来,也不可能能够直接用。对数据和客户的理解、数据挖掘技术的掌握都是建模过程中不能省掉的功课,国内的京东和阿里等互联网公司在这方面也进行了很多探索和实践。如,阿里构建了包括风险管理模块在内的“阿里金融云平台”,其对金融业务的支撑能力主要是在于云的能力,实现自主可控、海量并发、弹性扩展、敏捷运维等;还有就是大数据的支持,提供客户洞察、个性化服务、实时风控、数据化运营等;最后是解决端的问题,比如流量入口、场景植入、应用分发、体验管理等。

  2.对供应链金融信用评估模型的补充建议。从大数据分析的角度,相对于其他金融业务来说,在供应链金融业务中更能发挥大数据的威力:一是对于供应链中的上下游小微企业来说,最大的问题就是缺乏传统方式进行融资所需要的有效的抵押物和质押物,同时金融机构也难以利用结构性数据来掌握其信用状况,这就使得大数据在其间大有作为;二是随着供应链管理水平的提升和供应链管理系统的发展,交易过程中存在大量可被利用的交易数据和行为数据,提供了大数据分析处理所需的基础原料,只是之前固于理念和技术等多重因素,守着矿藏不知如何利用而已。

  供应链金融服务围绕业务真实性、还款保障性两个风险控制核心要点,借助大数据建立供应链金融信用评估体系是完全可行的。理想情况下,根据供应链金融自身的业务特点,数据来源至少应包含以下维度,详见表2所示。

图片8.jpg

总结与讨论

  2014年国务院发布了《社会信用体系建设规划纲要(2014~2020年)》,也提及在信用体系的建设中大数据应发挥更大的作用,使过去“模糊化”的信用生态体系逐步走向“丰富化、精准化”,金融的健康运行离不开健全的信用环境。我们当然不应该拒绝大数据,但也不应该走向另一个极端而迷信大数据。

  一是因为前面提到在金融业务中,服务对象可大致分为政府、大中型企业、小微型企业、个人几类,政府、大中型企业通过传统征信方式已经可以比较简单地获得信贷支持,相对来说,在小微企业和个人客户方面更需要大数据的帮助,而且传统信贷数据本身也是大数据的重要来源之一。所以,大数据方式对传统方式只是补充而不是颠覆。

  二是大数据分析通常是基于历史数据的,如计量经济学模型会假设在相同条件下人们会做出相同的行为选择,这通常是正确的。但市场和人的行为又往往具有非理性的一面,对此进行预测将是非常棘手的任务。所以,大数据方式在当前仍有其明显的局限性。

  三是在大数据利用和保护个人隐私方面需要有清楚的界限和底线。在我国,使用大数据的征信机构要想开展业务只有数据和模型还不行,还必须拿到央行颁发的牌照,企业征信业务实行备案制,个人征信业务实行更严格的审核制,也有这方面的考虑。
  
(文章来源:《金融电子化》)

扫码即可手机
阅读转发此文

本文评论

相关文章