邵 梅，蔣禮仁 SHAO Mei, JIANG Li-ren

（1. 西南交通大學(xué) 交通運(yùn)輸與物流學(xué)院，四川 成都610031；2. 東莞市城建規(guī)劃設(shè)計(jì)院，廣東 東莞523129）

(1. Transport and Logistics Institute of Southwest Jiaotong University, Chengdu 610031, China； 2. Dongguan City Urban Construction Planning and Design Institute, Dongguan 523129, China)

0 引 言

中小企業(yè)的蓬勃發(fā)展已經(jīng)成為推動(dòng)中國(guó)經(jīng)濟(jì)向前的重要力量。但是，由于國(guó)家政策的傾斜、中小企業(yè)自身規(guī)模等原因，資金瓶頸問(wèn)題已經(jīng)成為其發(fā)展道路的主要障礙。中小企業(yè)具有信用等級(jí)較低、固定資產(chǎn)所有權(quán)不明確、融資抵押物和擔(dān)保匱乏等特點(diǎn)。銀行等金融機(jī)構(gòu)為控制貸款風(fēng)險(xiǎn)僅以固定資產(chǎn)抵押擔(dān)保方式為中小企業(yè)提供貸款服務(wù)，幾乎不對(duì)其做信用貸款。那么，如何解決中小企業(yè)融資困境呢？解決中小企業(yè)融資問(wèn)題的核心在于金融創(chuàng)新。物流金融通過(guò)引入物流企業(yè)，優(yōu)化了銀行和企業(yè)間的信息不對(duì)稱所帶來(lái)的逆向選擇和道德風(fēng)險(xiǎn)問(wèn)題，使得銀行對(duì)中小企業(yè)授信的收益成本得到明顯改善。

物流金融是金融服務(wù)和物流服務(wù)相互集成的創(chuàng)新綜合服務(wù)。浙江大學(xué)經(jīng)濟(jì)學(xué)院的唐元琦和鄒小芃（2004） 首次提出了物流金融的概念，他們認(rèn)為物流金融就是面向物流業(yè)的運(yùn)營(yíng)過(guò)程，通過(guò)開(kāi)發(fā)、提供和應(yīng)用各種金融服務(wù)和金融產(chǎn)品，有效地組織和調(diào)劑物流領(lǐng)域中的信用和資金的運(yùn)動(dòng)，達(dá)到物流、信息流和資金流的有機(jī)統(tǒng)一。物流金融不僅能提高第三方物流企業(yè)的競(jìng)爭(zhēng)力、創(chuàng)造新的利潤(rùn)增長(zhǎng)點(diǎn)，還能夠拓寬金融機(jī)構(gòu)的業(yè)務(wù)范圍、提升利潤(rùn)空間，更能解決中小企業(yè)長(zhǎng)期面臨的融資難問(wèn)題。

物流金融作為一項(xiàng)較新的金融業(yè)務(wù)模式，在實(shí)現(xiàn)銀行、物流企業(yè)和中小企業(yè)三方共贏的同時(shí)也給銀行帶來(lái)了各種各樣的風(fēng)險(xiǎn)，比如信用風(fēng)險(xiǎn)、市場(chǎng)風(fēng)險(xiǎn)、操作風(fēng)險(xiǎn)以及流動(dòng)性風(fēng)險(xiǎn)等。信用風(fēng)險(xiǎn)是指交易一方不能履約或不能完全履約而給另一方帶來(lái)的風(fēng)險(xiǎn)，是最主要的風(fēng)險(xiǎn)，主要來(lái)源于委托人和代理人之間的信息不對(duì)稱。從信用風(fēng)險(xiǎn)產(chǎn)生的主體來(lái)看，融資企業(yè)是最主要的風(fēng)險(xiǎn)來(lái)源。因此，如何識(shí)別融資企業(yè)的信用好壞，對(duì)銀行等金融機(jī)構(gòu)來(lái)說(shuō)就顯得尤其重要。隨著信息技術(shù)在物流企業(yè)的普及，大量的數(shù)據(jù)被存儲(chǔ)，這些數(shù)據(jù)中隱藏了眾多信息和關(guān)鍵業(yè)務(wù)模式，決策樹(shù)等數(shù)據(jù)挖掘技術(shù)可以從這些數(shù)據(jù)中提取出潛在的有用信息和知識(shí)。把決策樹(shù)等數(shù)據(jù)挖掘技術(shù)應(yīng)用到物流金融領(lǐng)域，對(duì)海量物流數(shù)據(jù)信息進(jìn)行處理、分析和優(yōu)化，可以充分挖掘出這些信息潛在價(jià)值，從而有利于銀行等金融機(jī)構(gòu)對(duì)需要融資的中小企業(yè)的信用進(jìn)行分類(lèi)，識(shí)別出具有良好信用融資企業(yè)的特征屬性，為信用風(fēng)險(xiǎn)的防范提供參考依據(jù)。

1 物流金融研究現(xiàn)狀

物流金融起源于物資融資業(yè)務(wù)。國(guó)外物流和金融的結(jié)合可以追溯到公元前2400 年美索不達(dá)米亞的“谷物倉(cāng)單”。國(guó)內(nèi)關(guān)于物流金融的研究起步相對(duì)較晚，1987 年陳淮提出了關(guān)于構(gòu)建物資銀行的設(shè)想，但由于種種原因，這一設(shè)想沒(méi)有被充分發(fā)現(xiàn)和認(rèn)識(shí)。隨后又出現(xiàn)了物流銀行、倉(cāng)單質(zhì)押、融通倉(cāng)、金融物流等概念。

儲(chǔ)雪儉等提出目前我國(guó)金融物流信貸風(fēng)險(xiǎn)防范中的四個(gè)主要難點(diǎn)，并給予了相關(guān)的對(duì)策建議。孫穎對(duì)物流金融的業(yè)務(wù)風(fēng)險(xiǎn)、宏觀環(huán)境風(fēng)險(xiǎn)和法律風(fēng)險(xiǎn)進(jìn)行了分析，提出了相關(guān)的風(fēng)險(xiǎn)管理建議。王元元認(rèn)為物流金融業(yè)務(wù)中進(jìn)行融資的中小企業(yè)是銀行最主要的信用風(fēng)險(xiǎn)來(lái)源，其次，物流企業(yè)也是銀行面臨的信用風(fēng)險(xiǎn)來(lái)源。

隨著定性研究的逐步深入，定量研究開(kāi)始出現(xiàn)。潘永明從物流金融運(yùn)營(yíng)狀況、第三方物流企業(yè)綜合實(shí)力、中小企業(yè)綜合實(shí)力和行業(yè)狀況四個(gè)方面對(duì)物流金融信用風(fēng)險(xiǎn)的影響因素進(jìn)行分析，建立了物流金融信用風(fēng)險(xiǎn)評(píng)價(jià)指標(biāo)體系。劉哲等利用模糊層次綜合法從企業(yè)基本特征、財(cái)務(wù)能力、貨物風(fēng)險(xiǎn)、履約能力、發(fā)展?jié)摿Φ任鍌€(gè)方面構(gòu)建物流金融信用評(píng)價(jià)指標(biāo)體系，并對(duì)這些指標(biāo)因素進(jìn)行細(xì)分，建立了三級(jí)四層的指標(biāo)評(píng)價(jià)體系。何明珂運(yùn)用BP 神經(jīng)網(wǎng)絡(luò)評(píng)估模型以及Matlab 軟件將某一項(xiàng)具體的物流金融業(yè)區(qū)分為高、中、低三種風(fēng)險(xiǎn)。

綜上所述，國(guó)內(nèi)對(duì)物流金融的研究多集中在物流金融基本知識(shí)、風(fēng)險(xiǎn)種類(lèi)及防范和信用評(píng)價(jià)指標(biāo)體系建立等方面。

2 決策樹(shù)技術(shù)

數(shù)據(jù)挖掘（Data Mining，DM） 就是從大量的、不完全的、有噪聲的、模糊的、隨機(jī)的數(shù)據(jù)中，提取隱含在其中的、人們事先不知道的、但又是潛在的有用信息和知識(shí)的過(guò)程。數(shù)據(jù)挖掘又稱數(shù)據(jù)庫(kù)知識(shí)發(fā)現(xiàn)。決策樹(shù)是數(shù)據(jù)挖掘諸多技術(shù)和方法中常見(jiàn)的一種，它的優(yōu)勢(shì)在于通過(guò)對(duì)已知類(lèi)別訓(xùn)練集的分析，可以提取出有價(jià)值的分類(lèi)規(guī)則，從而對(duì)新數(shù)據(jù)的類(lèi)別進(jìn)行預(yù)測(cè)，給決策者提供一定的參考。

ID3 算法是基于決策樹(shù)的挖掘算法，以信息增益作為屬性測(cè)試，并選取具有最高增益的屬性值作為分裂屬性，自頂向下地構(gòu)建決策樹(shù)，直到不能再劃分為止。ID3 算法的核心問(wèn)題是如何選取決策樹(shù)的每個(gè)節(jié)點(diǎn)要測(cè)試的屬性。

設(shè)S是s個(gè)樣本數(shù)據(jù)的集合，將樣本劃分為m個(gè)不同類(lèi)Ci（i=1,…,m）的信息熵按式（1） 計(jì)算（其中pi是任意樣本屬于Ci的概率）：

假設(shè)屬性A作為決策樹(shù)的根節(jié)點(diǎn)，屬性A具有v個(gè)不同取值，把數(shù)據(jù)集S劃分成v個(gè)子集｛S1,S2,…,Sv｝，根據(jù)屬性A劃分成的子集熵按式（2） 計(jì)算：

信息增益為原來(lái)的信息需求（基于類(lèi)比例） 與新的信息需求（對(duì)A劃分之后得到的） 之間的差，即式（3）：

3 算例研究

決策樹(shù)技術(shù)應(yīng)用于物流金融信用風(fēng)險(xiǎn)中的基本思路是：根據(jù)已知樣本和原始信用評(píng)價(jià)狀態(tài)，發(fā)現(xiàn)貸款企業(yè)信用狀態(tài)與其某些特征屬性之間的關(guān)系，進(jìn)而通過(guò)對(duì)這些企業(yè)屬性的具體觀察值，對(duì)其信用狀況進(jìn)行預(yù)測(cè)。本文利用ID3 算法給出某物流企業(yè)的具有高還款風(fēng)險(xiǎn)客戶的特征屬性，為銀行等金融機(jī)構(gòu)進(jìn)行風(fēng)險(xiǎn)控制提供參考依據(jù)。

3.1 數(shù)據(jù)選擇和預(yù)處理。假設(shè)從某物流企業(yè)的數(shù)據(jù)庫(kù)中收集到的客戶信息有注冊(cè)方式、信用等級(jí)、企業(yè)規(guī)模、企業(yè)性質(zhì)等。需要注意的是進(jìn)行相關(guān)分析的數(shù)據(jù)不是只存儲(chǔ)在一個(gè)數(shù)據(jù)庫(kù)中，還可能存在于其它數(shù)據(jù)集中，要根據(jù)實(shí)際需要進(jìn)行相關(guān)的收集整理。收集后的數(shù)據(jù)往往不能直接挖掘，需要進(jìn)行一定的選擇、清理、轉(zhuǎn)換和歸納等預(yù)處理工作，數(shù)據(jù)預(yù)處理工作準(zhǔn)備是否充分，對(duì)于挖掘算法的效率乃至正確性都有關(guān)鍵性的影響。

ID3 算法比較適合處理離散數(shù)值的屬性，表1 中的注冊(cè)資本和銷(xiāo)售業(yè)績(jī)是連續(xù)屬性，可以通過(guò)分箱、直方圖分析、直觀劃分等離散方法將屬性的值劃分為幾個(gè)區(qū)間，然后就可采用和離散值處理相同的方法。由于考慮的是一組具有高還款風(fēng)險(xiǎn)物流企業(yè)的客戶的特征屬性，選取企業(yè)規(guī)模、企業(yè)性質(zhì)、企業(yè)地點(diǎn)、銀行資信等級(jí)和還款風(fēng)險(xiǎn)屬性來(lái)進(jìn)行分類(lèi)預(yù)測(cè)。

3.2 信息增益的計(jì)算。決策屬性為高還款風(fēng)險(xiǎn)和低還款風(fēng)險(xiǎn)，S1（高還款風(fēng)險(xiǎn)）=8，S2（低還款風(fēng)險(xiǎn)）=12，則信息熵I（S1,S2）

公司規(guī)模分為大型企業(yè)、中型企業(yè)、小型企業(yè)三組，在大型企業(yè)中具有高還款風(fēng)險(xiǎn)屬性的企業(yè)有0 個(gè)，具有低還款風(fēng)險(xiǎn)屬性的企業(yè)有6 個(gè)，

在中型企業(yè)中具有高還款風(fēng)險(xiǎn)屬性的企業(yè)有4 個(gè)，還款風(fēng)險(xiǎn)低的企業(yè)有5 個(gè)，則信息熵=0.9911。

在小型企業(yè)中還款風(fēng)險(xiǎn)高的企業(yè)有4 個(gè)，具有低還款風(fēng)險(xiǎn)屬性的企業(yè)有1 個(gè)，則信息熵為=0.7219。

表1 企業(yè)信息表

企業(yè)地點(diǎn)分為上海、成都、北京三個(gè)地方：

銀行資信等級(jí)分為A，B，C 三組：

各屬性的信息增益：

G（企業(yè)規(guī)模）=0.9710-0.6265=0.3445

G（企業(yè)性質(zhì)）=0.9710-0.9121=0.0589

G（企業(yè)地點(diǎn)）=0.9710-0.8846=0.0864

G（銀行資信等級(jí)）=0.9710-0.7992=0.1718

我們知道，信息增益越大，選擇測(cè)試屬性對(duì)分類(lèi)提供的信息越多。從上面計(jì)算出的值可以看出具有高信息增益的屬性是企業(yè)規(guī)模，所以選擇企業(yè)規(guī)模為根節(jié)點(diǎn)。當(dāng)企業(yè)規(guī)模都為大企業(yè)時(shí)，企業(yè)的還款風(fēng)險(xiǎn)低，當(dāng)企業(yè)規(guī)模為中型企業(yè)或者小型企業(yè)時(shí)，企業(yè)的還款風(fēng)險(xiǎn)或者低或者高，沒(méi)有具體的特征屬性，所以可以繼續(xù)對(duì)屬性進(jìn)行分類(lèi)。

對(duì)中型企業(yè)進(jìn)行分類(lèi)：

S1（還款風(fēng)險(xiǎn)高）=4，S2（還款風(fēng)險(xiǎn)低）=5

G（企業(yè)性質(zhì)）=0.991-0.660=0.3311

G（企業(yè)地點(diǎn)）=0.991-0.612=0.3791

G（銀行資信等級(jí)）=0.991-0.988=0.0311

對(duì)于中型企業(yè)來(lái)說(shuō)，選擇屬性企業(yè)地點(diǎn)為節(jié)點(diǎn)進(jìn)行分類(lèi)。類(lèi)似，可以給小型企業(yè)選擇信息增益最大的屬性作為節(jié)點(diǎn)進(jìn)行分類(lèi)。經(jīng)過(guò)進(jìn)一步的分類(lèi)，得到如圖1 所示的決策樹(shù)。在這里，采用預(yù)剪枝的方法進(jìn)行剪枝，停止樹(shù)的增長(zhǎng)，防治過(guò)度擬合。

3.3 結(jié)果分析。由圖1 可以得到如下規(guī)則：（1） 如果公司規(guī)模是大型企業(yè)，則還款風(fēng)險(xiǎn)低；（2） 如果是中型公司且公司地點(diǎn)在上海，則還款風(fēng)險(xiǎn)低；（3）如果公司是小型企業(yè)，則具有高還款風(fēng)險(xiǎn)。

根據(jù)上述結(jié)論，具有高風(fēng)險(xiǎn)還款能力的是小型企業(yè)或地點(diǎn)在北京或者成都的中型企業(yè)，還款風(fēng)險(xiǎn)低的是大型企業(yè)或在上海的中型企業(yè)。針對(duì)這種分類(lèi)，銀行在對(duì)物流公司進(jìn)行還款風(fēng)險(xiǎn)預(yù)測(cè)時(shí)，可以將主要精力集中在具有低還款風(fēng)險(xiǎn)特征屬性的物流企業(yè)上。

圖1 決策樹(shù)

4 結(jié)束語(yǔ)

隨著信息化水平的提高，銀行和物流企業(yè)都積累了各種各樣的數(shù)據(jù)，如何從大量的數(shù)據(jù)中挖掘出潛在的應(yīng)用價(jià)值，有效地降低物流金融的信用風(fēng)險(xiǎn)是個(gè)值得探討的問(wèn)題。本文利用決策樹(shù)ID3 算法對(duì)某物流企業(yè)客戶的高還款風(fēng)險(xiǎn)特征屬性進(jìn)行了挖掘，能夠給銀行進(jìn)行信用風(fēng)險(xiǎn)分類(lèi)預(yù)測(cè)時(shí)提供一些參考，克服人為經(jīng)驗(yàn)因素帶來(lái)的不確定性，降低信用風(fēng)險(xiǎn)。需要指出的是，在實(shí)際應(yīng)用時(shí)，可以根據(jù)實(shí)際情況選擇相應(yīng)的屬性進(jìn)行分類(lèi)，以期找到更加符合現(xiàn)實(shí)情況的分類(lèi)，為物流金融信用風(fēng)險(xiǎn)的防范提供一定的科學(xué)依據(jù)。

[1] Jiawei Han Micheline Kamber. 數(shù)據(jù)挖掘概念與技術(shù)[M]. 范明，孟小峰,等譯. 北京：機(jī)械工業(yè)出版社，2006:128-137.

[2] 陳祥鋒，石代倫，朱道立. 金融供應(yīng)鏈與融通倉(cāng)服務(wù)[J]. 物流技術(shù)與應(yīng)用，2006(3):93-95.

[3] 裴英梅. 基于數(shù)據(jù)挖掘技術(shù)的現(xiàn)代物流決策研究[J]. 物流技術(shù)，2008,27(7):47-49.

[4] 郭洪濤，郭永紅. 數(shù)據(jù)挖掘技術(shù)在物流信息系統(tǒng)中的應(yīng)用[J]. 科技信息，2009(4):262-263.

[5] 薛華，朱杰. 物流決策中決策樹(shù)分類(lèi)技術(shù)的應(yīng)用研究[J]. 商場(chǎng)現(xiàn)代化，2012,10(698):72-73.

[6] 謝江林，何宜慶，陳濤. 數(shù)據(jù)挖掘在供應(yīng)鏈金融風(fēng)險(xiǎn)控制中的應(yīng)用[J]. 南昌大學(xué)學(xué)報(bào)，2008,6(32):278-281.

[7] 唐元琦，鄒小芃. 物流金融淺析[J]. 浙江金融，2004(5):20-21.