鮑新中,李佳航,李 瑩,徐 鯤

(北京聯(lián)合大學(xué) 管理學(xué)院,北京 100101)

隨著時代發(fā)展,電商小微企業(yè)不斷涌現(xiàn)。有關(guān)部門、電商平臺、金融機(jī)構(gòu)均為小微企業(yè)的發(fā)展提供了便利,如國務(wù)院及相關(guān)部委為鼓勵和規(guī)范電子商務(wù)行業(yè)的發(fā)展出臺了一系列文件[1]、電商平臺降低電商小微企業(yè)的準(zhǔn)入門檻、金融機(jī)構(gòu)為電商小微企業(yè)提供融資便利等。電商小微企業(yè)憑借其累積的采購、交易、信用與資金狀況等信息數(shù)據(jù)直接獲得融資,故信用在電商小微企業(yè)的融資過程中舉足輕重。但電商小微企業(yè)體量小、資產(chǎn)基礎(chǔ)薄弱、動態(tài)性強(qiáng)、體制構(gòu)架不完善,存在天然風(fēng)險抵抗力缺陷,電商小微企業(yè)也察覺了自身問題。因此,在電商小微企業(yè)融資過程中,對電商小微企業(yè)的信用風(fēng)險進(jìn)行預(yù)測尤為重要。

企業(yè)信用風(fēng)險預(yù)警本質(zhì)上可視為多屬性、多指標(biāo)決策問題,現(xiàn)有研究中解決這一問題大多基于不同模型的引入、優(yōu)化、組合不斷提高識別整體風(fēng)險的精度[2-8]。從原理上看,對企業(yè)信用風(fēng)險的預(yù)警可以視為構(gòu)造數(shù)學(xué)映射的過程,輸出的企業(yè)信用風(fēng)險的狀態(tài)判斷集合對應(yīng)輸入的相應(yīng)指標(biāo)集合[9-10],在該映射關(guān)系中,輸出的企業(yè)信用風(fēng)險代表企業(yè)某一時間截點(diǎn)的信用風(fēng)險狀態(tài),輸入的指標(biāo)在相應(yīng)的研究時間區(qū)間內(nèi)同時包含某一時間截點(diǎn)的狀態(tài)指標(biāo)和時序變化的動態(tài)時序指標(biāo)。因此,構(gòu)造合理的映射關(guān)系需要將蘊(yùn)含不同信息的指標(biāo)映射至同一截面上,對時序指標(biāo)的多個截面狀態(tài)的動態(tài)關(guān)系耦合,使構(gòu)建的映射關(guān)系合理、適用、滿足理論和實(shí)踐要求。其中,狀態(tài)指標(biāo)可以直接反映企業(yè)所面臨的信用風(fēng)險狀態(tài),動態(tài)時序指標(biāo)則更側(cè)重反映變化過程,通過不同種類指標(biāo)的劃分及差異度量使得信用風(fēng)險預(yù)警蘊(yùn)含動態(tài)信息,為現(xiàn)實(shí)企業(yè)提供較強(qiáng)的理論指導(dǎo)。

本文以淘寶平臺上生鮮行業(yè)電商小微企業(yè)為研究對象,對電商小微企業(yè)的信用風(fēng)險進(jìn)行動態(tài)預(yù)警,并使用實(shí)際店鋪數(shù)據(jù)將僅采用單期截面數(shù)據(jù)以及同時考慮狀態(tài)指標(biāo)和時序指標(biāo)的隨機(jī)森林模型進(jìn)行了對比。本文的主要貢獻(xiàn)如下:①擴(kuò)展構(gòu)建動態(tài)風(fēng)險預(yù)警模型的思路。從風(fēng)險預(yù)警的映射原理入手,根據(jù)不同指標(biāo)的特性采用差異風(fēng)險度量方法,對于單期截面數(shù)據(jù)反映的狀態(tài)變量,采用線性函數(shù)度量指標(biāo)蘊(yùn)含的風(fēng)險;對于需要用時間序列數(shù)據(jù)反映的時序變量,則借助現(xiàn)代金融理論的資產(chǎn)風(fēng)險度量方法,將包含企業(yè)風(fēng)險演化趨勢信息的時間序列數(shù)據(jù)映射為同一截面值,使所獲的截面值包含動態(tài)因子。②在動態(tài)風(fēng)險演化過程中,靈活設(shè)置參數(shù)反映決策者風(fēng)險偏好?？紤]到不同風(fēng)險偏好決策者的期望預(yù)期存在差異,這種差異豐富了風(fēng)險度量的主觀特性,包含了決策者的主觀風(fēng)險傾向,很大程度上挖掘出電商小微企業(yè)信用風(fēng)險預(yù)警模型的實(shí)際應(yīng)用價值,使得所建立的模型更貼近實(shí)際、更具實(shí)踐指導(dǎo)意義,這也使得本文構(gòu)建的模型更具普適性意義,決策者可以通過自身風(fēng)險偏好設(shè)置參數(shù),獲取更為精準(zhǔn)的預(yù)警模型。

1 文獻(xiàn)綜述

1.1 電商小微企業(yè)融資現(xiàn)狀

小微企業(yè)在融資領(lǐng)域面臨著溢價高、資源少的尷尬境地,因此,提高小微企業(yè)的融資效率,降低融資成本成為目前最重要的研究課題。首先,小微企業(yè)資金需求數(shù)額小、期限短且頻率高的特點(diǎn)使銀行審批更具復(fù)雜性;其次,小微企業(yè)的財務(wù)信息不公開、信用觀念淡薄,在傳統(tǒng)的銀行借貸中,銀企信息不對稱,缺少披露的財會報表、良好的歷史信用記錄等透明信息,導(dǎo)致傳統(tǒng)金融機(jī)構(gòu)逆向選擇[11];最后,小微企業(yè)自身規(guī)模較小、經(jīng)營不穩(wěn)定、成立時間較短,極易受到行業(yè)環(huán)境和宏觀環(huán)境的影響,無形中提高了其借貸風(fēng)險[12]。因此,小微企業(yè)在傳統(tǒng)的銀行借貸中處于劣勢地位,林毅夫等[13]更是提出傳統(tǒng)大型金融機(jī)構(gòu)天生就不是為小企業(yè)提供金融服務(wù)的論斷。

隨著以云計算、大數(shù)據(jù)、人工智能為代表的互聯(lián)網(wǎng)時代的到來,互聯(lián)網(wǎng)融資應(yīng)運(yùn)而生,這種融資模式運(yùn)用互聯(lián)網(wǎng)技術(shù)和大數(shù)據(jù)優(yōu)勢,拓寬了傳統(tǒng)金融借貸服務(wù)的邊界、豐富了傳統(tǒng)金融借貸服務(wù)主體和手段、延伸了金融服務(wù)的觸角[14],為破解小微企業(yè)的融資困境開辟了全新的途徑,在助力小微企業(yè)成長與發(fā)展、改善小微企業(yè)融資狀況方面效果明顯[15-16]?；ヂ?lián)網(wǎng)融資比傳統(tǒng)借貸更符合電商平臺小微企業(yè)的融資特點(diǎn),電商小微企業(yè)可以憑借其累積的采購、交易、資金狀況等信息數(shù)據(jù)直接獲得融資,很大程度上解決了銀企間信息不對稱、授信成本過高的問題,具有辦理周期短、成本低、門檻低、流程便捷等優(yōu)勢。但是新融資模式的發(fā)展必然伴隨著風(fēng)險的產(chǎn)生,融資過程中的信用風(fēng)險問題自然而然受到關(guān)注。

1.2 電商小微企業(yè)信用風(fēng)險

國內(nèi)外學(xué)者對企業(yè)信用風(fēng)險的成因從多維度展開諸多探討。從外部環(huán)境來看,市場經(jīng)濟(jì)環(huán)境的波動、政府經(jīng)濟(jì)政策的變動等都會波及企業(yè)的信用風(fēng)險[17];從內(nèi)部環(huán)境來看,企業(yè)的自身狀況如財務(wù)情況、企業(yè)規(guī)模等會影響企業(yè)信用風(fēng)險[18];結(jié)合內(nèi)外部環(huán)境來看,信息不對稱導(dǎo)致的逆向選擇也是造成企業(yè)信用風(fēng)險增加的原因之一。隨著互聯(lián)網(wǎng)技術(shù)飛速發(fā)展,網(wǎng)絡(luò)零售積累的交易數(shù)據(jù)呈現(xiàn)幾何倍增長,電商小微企業(yè)的信用風(fēng)險逐漸擴(kuò)展其原有外延。相關(guān)研究多結(jié)合大數(shù)據(jù)背景開展探索衡量企業(yè)信用風(fēng)險的指標(biāo)體系,主要集中在兩個方面:①運(yùn)用大數(shù)據(jù)的思想彌補(bǔ)以往傳統(tǒng)信用風(fēng)險研究中的不足[19];②選擇以云端數(shù)據(jù)庫為依托的新研究對象展開深入研究[1,20-22]。在電商平臺信用風(fēng)險評價方面,付永貴[23]充分考慮網(wǎng)絡(luò)供應(yīng)商提供的數(shù)據(jù)資料、信息系統(tǒng)儲存的數(shù)據(jù)信息、互聯(lián)網(wǎng)環(huán)境中獲取的行為信息等涉及網(wǎng)絡(luò)供應(yīng)商信用管理的相關(guān)數(shù)據(jù)渠道,在保證獲取數(shù)據(jù)全面、完整、準(zhǔn)確的基礎(chǔ)上,構(gòu)建了網(wǎng)絡(luò)供應(yīng)商的信用評估模型。信用風(fēng)險評價應(yīng)該充分利用互聯(lián)網(wǎng)技術(shù)的特點(diǎn),獲取企業(yè)的即時動態(tài)信息和數(shù)據(jù),了解交易狀況、行業(yè)狀況、顧客行為狀況等信息[24]?？梢钥闯?在互聯(lián)網(wǎng)、大數(shù)據(jù)、云計算的催化下,信用風(fēng)險的相關(guān)研究不斷延展,出現(xiàn)了新的研究背景、新的研究對象以及新的量化載體,具有廣闊的探索空間。

1.3 動態(tài)預(yù)警現(xiàn)狀

現(xiàn)有風(fēng)險預(yù)警領(lǐng)域的研究已經(jīng)充分認(rèn)識到動態(tài)預(yù)警的重要性,一部分研究著眼于運(yùn)用“厚今薄古”的思想賦予時間序列權(quán)重[25-28],該研究通過二次加權(quán)、縱橫向拉開檔次等方法賦予靜態(tài)數(shù)據(jù)以時序權(quán)重,以動態(tài)的視野把握風(fēng)險特征隨時間的變化;另一部分研究利用面板數(shù)據(jù)的思想,按期考慮風(fēng)險特征空間狀態(tài)變化,運(yùn)用平滑模型、借助狀態(tài)空間思想對未來風(fēng)險狀態(tài)進(jìn)行預(yù)測[22]。另有學(xué)者考慮變量本身的變動情況,借用物理中加速度的概念重新定義“成長因子”修正靜態(tài)評價[29],抑或運(yùn)用FPCA 方法提取指標(biāo)曲線中的動態(tài)特征[30]。

2 數(shù)據(jù)來源與指標(biāo)選取

2.1 數(shù)據(jù)選取來源與處理

電商平臺種類繁雜且行業(yè)五花八門,考慮到不同種類的電商平臺、細(xì)分行業(yè)會造成研究變量不統(tǒng)一,不利于后續(xù)研究,因此,本文選擇最穩(wěn)定為電商小微企業(yè)提供交易平臺的淘寶網(wǎng)作為樣本獲取來源,選擇對信用風(fēng)險較為敏感的生鮮行業(yè)作為研究行業(yè)。由于現(xiàn)行市面上缺少電商小微企業(yè)行業(yè)數(shù)據(jù)庫,故使用python工具分期采集電商小微企業(yè)相關(guān)數(shù)據(jù)。以2021年7月31日為首期,15天為周期,共抓取10期數(shù)據(jù)。隨后運(yùn)用z-score方法對數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理,將所有指標(biāo)數(shù)據(jù)規(guī)范至區(qū)間[0,1]上,經(jīng)過處理后得到10期完整的數(shù)據(jù)序列,為后續(xù)研究奠定基礎(chǔ)。

為緩解樣本集噪聲大、模型過擬合等問題,需進(jìn)行數(shù)據(jù)清洗。清洗標(biāo)準(zhǔn)如下:①每期獲取1 000份樣本持續(xù)追蹤,發(fā)現(xiàn)了包括系統(tǒng)自動生成、重復(fù)、信息量極少、無效無關(guān)、惡意中傷或褒獎、夾帶廣告等噪聲數(shù)據(jù),為避免噪聲數(shù)據(jù)對后期構(gòu)建的模型產(chǎn)生影響,對噪聲數(shù)據(jù)進(jìn)行了剔除。②由于電商小微企業(yè)動態(tài)極強(qiáng),極易出現(xiàn)倒閉、歇業(yè)、更換店鋪名稱的情況,為保證研究的準(zhǔn)確性、合理性,剔除多期觀測過程中出現(xiàn)異常情況的店鋪,包括店鋪名稱改變、店鋪?zhàn)N、店鋪銷售數(shù)據(jù)清除等。需要說明的是,剔除的這部分店鋪雖有可能是風(fēng)險較大的店鋪,但對本文的研究而言,這部分店鋪的重要信息嚴(yán)重缺失,對本文后續(xù)的研究并不具參考價值,同時也極易造成樣本集噪聲過大、模型過擬合問題,故剔除這部分店鋪是合理的。③在前述剔除工作的基礎(chǔ)上,進(jìn)一步對所用樣本數(shù)據(jù)進(jìn)行處理,發(fā)現(xiàn)仍有小部分?jǐn)?shù)據(jù)缺失?？紤]到使用不均衡數(shù)據(jù)集,RF 模型會過度依賴有限的數(shù)據(jù)樣本從而產(chǎn)生過擬合問題,同時樣本類別不均衡會導(dǎo)致樣本中的特征較少難以挖掘相應(yīng)規(guī)律,故在處理過程中對于小部分缺失值使用序列均值進(jìn)行填補(bǔ)。最終獲取到337家電商小微企業(yè)的10期數(shù)據(jù)進(jìn)行研究,既保證動態(tài)分析的效果又保證數(shù)據(jù)集的完整性。

2.2 指標(biāo)選取與處理

電商小微企業(yè)信用風(fēng)險預(yù)警指標(biāo)的契合性、完整性、合理性會直接影響預(yù)警結(jié)果的準(zhǔn)確性,而受其自身特性影響,電商小微企業(yè)信用風(fēng)險很難用傳統(tǒng)的財務(wù)指標(biāo)來衡量,故以5C 要素理論為基礎(chǔ),搭建電商小微企業(yè)信用風(fēng)險評級指標(biāo)體系的框架?；ヂ?lián)網(wǎng)的普及和消費(fèi)評價信息的公開為數(shù)據(jù)的實(shí)時獲取提供了廣闊渠道,網(wǎng)絡(luò)大數(shù)據(jù)可以替代傳統(tǒng)5C 要素的各項指標(biāo)[31],如“行為”和“社交”要素可代替5C要素中的“擔(dān)保”和“環(huán)境”要素,并通過不斷變化的行為和交易數(shù)據(jù)動態(tài)反映信用狀態(tài)[20]。因此,結(jié)合Cai等[20]的研究,考慮電商小微企業(yè)本身特質(zhì),本文將文化資本、經(jīng)濟(jì)資本、社會口碑資本對應(yīng)覆蓋Cai所提出的5C 新演繹中的各項要素。指標(biāo)體系理論基礎(chǔ)與框架構(gòu)建如圖1所示。

圖1 電商小微企業(yè)信用風(fēng)險預(yù)警指標(biāo)框架構(gòu)建Fig.1 Construction of credit risk early warning indicator framework for e-commerce micro and small enterprises

本文構(gòu)建的指標(biāo)體系中,主觀是指消費(fèi)者在店鋪平臺上做出的在線評論所蘊(yùn)含的情感傾向,客觀是指電商小微企業(yè)在經(jīng)營、交易過程中積累的各種數(shù)據(jù)。初步構(gòu)建的指標(biāo)體系共涉及25個特征變量,但易出現(xiàn)數(shù)據(jù)冗余或指標(biāo)間的多重共線性問題,使得構(gòu)建模型精度下降,因此,本文按指標(biāo)的重要程度對特征變量進(jìn)行排序篩選。首先調(diào)用python中的sklearn包實(shí)現(xiàn)隨機(jī)森林輸出特征重要程度。使用OOB err來度量所需選擇的特征變量個數(shù),將特征變量取值為[1,26],通過改變特征變量的個數(shù)來觀察模型運(yùn)行結(jié)果的OOB err,選擇誤差相對較小的變量個數(shù)。輸出特征變量個數(shù)與OOB err的關(guān)系如圖2所示。

圖2 特征變量個數(shù)與OOB errFig.2 The number of characteristic variables and OOB err

根據(jù)圖2可知,總體來看,OOB err隨特征變量個數(shù)的增加首先呈現(xiàn)波動下降的趨勢,當(dāng)特征變量個數(shù)超過一定值時呈現(xiàn)波動上升的趨勢,因此,對特征變量進(jìn)行篩選時,應(yīng)該在遵循指標(biāo)體系構(gòu)建基本原則的基礎(chǔ)上,確保OOB err盡量小。當(dāng)特征變量的個數(shù)取值為12時,OOB err最低為2.3%,但考慮到變量選取的全面性原則,取12 個指標(biāo)并不合理,不能全面涵蓋各指標(biāo),且不具有覆蓋性、代表性;當(dāng)特征變量數(shù)為21時,OOB err次低為2.8%,符合指標(biāo)體系構(gòu)建的全面性原則的同時保證了模型迭代的OOB err最低。因此,本文構(gòu)建的指標(biāo)體系選擇重要程度排名前21個特征變量,從初始的25個電商平臺小微企業(yè)信用風(fēng)險評價指標(biāo)中篩選出排名前21的指標(biāo)。經(jīng)過變量篩選后信息披露風(fēng)險、經(jīng)營活躍度、交易失敗風(fēng)險和成長風(fēng)險4個2級指標(biāo)被剔除,不再作為電商小微企業(yè)信用風(fēng)險評價指標(biāo)體系輸入。為進(jìn)一步保證指標(biāo)間不存在嚴(yán)重的多重共線性問題,本文進(jìn)行了相關(guān)系數(shù)檢驗,如表1所示。表1的結(jié)果顯示,指標(biāo)之間的相關(guān)系數(shù)均不超過0.8,指標(biāo)間不存在嚴(yán)重的多重共線性問題。

表1 指標(biāo)相關(guān)系數(shù)Tab.1 Indicator correlation coefficient

最終構(gòu)建起含21個指標(biāo)的電商小微企業(yè)信用風(fēng)險預(yù)警指標(biāo)體系,如表2所示。

表2 電商小微企業(yè)信用風(fēng)險預(yù)警指標(biāo)體系Tab.2 Credit risk early warning index system for e-commerce micro and small enterprises

表2展示的指標(biāo)體系中,指標(biāo)數(shù)據(jù)主要通過文本挖掘的方式獲得。需要說明的是,定量指標(biāo)可通過收集電商小微企業(yè)財務(wù)數(shù)據(jù)、經(jīng)營數(shù)據(jù)、交易數(shù)據(jù)以及行為數(shù)據(jù)直接獲取。定性指標(biāo)可分為無情感傾向和有情感傾向的定性指標(biāo)。無情感傾向的定性指標(biāo)包括交易支付風(fēng)險和店鋪保障風(fēng)險,經(jīng)過文本挖掘獲取后仍需進(jìn)一步處理才能量化。具體地:對于交易支付風(fēng)險,收集店鋪的支持付款方式,一種方式累加1分;對于店鋪保障風(fēng)險,收集賣家承諾服務(wù)項數(shù),一項累加1分。有情感傾向的定性指標(biāo)包括產(chǎn)品品質(zhì)評價情感、物流包裝評價情感、性價比評價情感和店鋪服務(wù)評價情感,需在挖掘到文本后進(jìn)一步對其進(jìn)行情感賦分,以量化帶有情感傾向的定性指標(biāo)。具體步驟為:①首先構(gòu)建情感詞典、程度副詞詞典和否定詞詞典。②在建好三大詞典的基礎(chǔ)上設(shè)計情感值計算規(guī)則,對每個店鋪的評論文本進(jìn)行情感量化。參考張公讓等[32]的研究,通過python3.8設(shè)計并得到本文情感得分計算體系。③分主題依次進(jìn)行處理,以“產(chǎn)品品質(zhì)”主題為例,第1步輸入整理好的無主題情感詞典與具有“產(chǎn)品品質(zhì)”特征的主題情感詞典,對前文經(jīng)無用文本剔除、特殊符號刪減、去停用詞以及分詞處理后得到的語料庫進(jìn)行積極情感和消極情感的標(biāo)記;第2步輸入程度副詞詞典,以前步驟標(biāo)記好的情感詞為中心,圍繞其前后1～2個詞搜索有無修飾作用的程度副詞,若有則運(yùn)用赫夫曼二叉樹,加權(quán)路徑最小,判斷程度詞所屬層級,根據(jù)上文設(shè)置的權(quán)值賦值;第3步輸入否定詞典,以前步驟標(biāo)記好的情感詞為中心,前后搜尋有無修飾作用的否定詞,原理同程度副詞的搜尋;第4步計算每個文檔(每個店鋪)中整體評論得分,綜合輸出該文檔的情感得分,此得分作為該店鋪在線評論中評論者關(guān)于“產(chǎn)品品質(zhì)”的評論情感量化值,得分為正則代表情感積極,正向得分越高表明積極情感越強(qiáng)烈;得分為負(fù)則代表情感消極,負(fù)向得分的絕對值越高表明消極情感越強(qiáng)烈。

對上述指標(biāo)數(shù)據(jù)進(jìn)行簡要觀察分析后,依據(jù)指標(biāo)的性質(zhì),將指標(biāo)劃分為狀態(tài)指標(biāo)和時序指標(biāo)。狀態(tài)指標(biāo)是指在研究期內(nèi)均不會發(fā)生較大變動,且在一定程度上已經(jīng)反映了企業(yè)具有的信用風(fēng)險狀態(tài)的指標(biāo)。時序指標(biāo)是指僅通過一期截面數(shù)據(jù)難以判斷電商小微企業(yè)面臨的信用風(fēng)險,風(fēng)險評價會受到各期指標(biāo)均衡水平、波動性、極端尾部分散等一系列特征影響的指標(biāo)。

2.3 預(yù)警閾值劃分

傳統(tǒng)上市公司以是否ST 作為判別公司信用風(fēng)險優(yōu)劣的標(biāo)準(zhǔn),但電商平臺小微企業(yè)靈活性高、信用風(fēng)險變化迅速,用“一刀切”的思路判斷電商小微企業(yè)是否存在信用風(fēng)險是不合理的?；谏鲜隹紤],本文將其信用風(fēng)險的產(chǎn)生視為一個變化的過程,劃分為無風(fēng)險、輕度風(fēng)險、中度風(fēng)險和重度風(fēng)險4 個階段。

首先,通過主成分分析方法提取風(fēng)險綜合預(yù)警指標(biāo)為

其次,以正態(tài)分布的原理在95%的置信概率下設(shè)定風(fēng)險類別的閾值,作為劃分電商小微企業(yè)信用風(fēng)險的分界線,據(jù)此設(shè)定界定電商小微企業(yè)信用風(fēng)險類別閾值(ηi),設(shè)計四段式電商小微企業(yè)信用風(fēng)險程度判定區(qū)間。電商小微企業(yè)信用風(fēng)險綜合預(yù)警指標(biāo)閾值具體計算公式為:

式(2)～(4)分別表示3個閾值η0、η1和η2。若RWIt<η2,則說明該企業(yè)處于重度信用風(fēng)險階段;若RWIt>η2<η1,則定義該企業(yè)處于中度信用風(fēng)險階段;若RWIt>η1<η0,則定義該企業(yè)處于輕度信用風(fēng)險階段;若RWIt>η0,則定義該企業(yè)的信用非常好,無信用風(fēng)險。

依照上述思想,對337家電商小微企業(yè)進(jìn)行信用風(fēng)險級別劃分,劃分后可知337個樣本中,有6個樣本被認(rèn)為是重度信用風(fēng)險,類標(biāo)簽為3,有62個樣本被認(rèn)為是中度信用風(fēng)險,類標(biāo)簽為2,有263個樣本被認(rèn)為是輕度信用風(fēng)險,類標(biāo)簽為1,其余6個樣本被認(rèn)為是無風(fēng)險樣本,設(shè)置類標(biāo)簽為0。不平衡樣本會導(dǎo)致少數(shù)類樣本中的特征較少,更難以從中挖掘、提煉相應(yīng)規(guī)律,故采用SMOTE 過采樣方法進(jìn)行樣本“人工合成”,在原有樣本類別的范圍內(nèi)向上采樣合成更多樣本,新合成的樣本保留原有樣本類別的數(shù)據(jù)特征。

3 實(shí)證研究

3.1 實(shí)證過程分析

首先對指標(biāo)體系中所包含的21個指標(biāo)進(jìn)行分析,判斷狀態(tài)指標(biāo)和時序指標(biāo)。根據(jù)每種指標(biāo)其自身特性進(jìn)一步劃分為對信用風(fēng)險正向、負(fù)向兩種影響;同時,考慮到每種指標(biāo)的變化對信用風(fēng)險的影響程度、變化趨勢均有不同的作用機(jī)理,分析指標(biāo)體系內(nèi)各指標(biāo)的性質(zhì)、選取相匹配的風(fēng)險度量方式。其次,考慮到風(fēng)險預(yù)警模型的實(shí)際應(yīng)用價值,將決策者對指標(biāo)的主觀預(yù)期期望值引入模型中,假設(shè)決策者以行業(yè)均值為預(yù)期期望并以此為基礎(chǔ)構(gòu)建模型。最后,將運(yùn)用模型處理后得到的包含動態(tài)風(fēng)險信息與決策者主觀期望的數(shù)據(jù)輸入“兩步法”網(wǎng)格搜索優(yōu)化隨機(jī)森林模型中,構(gòu)建風(fēng)險演化動態(tài)預(yù)警模型,并將該模型與隨機(jī)森林靜態(tài)預(yù)警模型對比分析,一方面,采用準(zhǔn)確率(ACC)、精確率(P)、召回率(R)、F值驗證動靜模型的精度;另一方面,判別模型對各風(fēng)險類別預(yù)測能力。

3.2 狀態(tài)指標(biāo)類別劃分

梳理本文所篩選指標(biāo)的特性,以此為依據(jù)對不同指標(biāo)進(jìn)行動靜劃分及信用風(fēng)險度量方法的選擇。創(chuàng)店年限、交易支付風(fēng)險、店鋪保障風(fēng)險、店鋪履約風(fēng)險和定價風(fēng)險5個指標(biāo)在研究期內(nèi)均不會發(fā)生較大變動,且這些指標(biāo)在一定程度上已經(jīng)反映了企業(yè)具有的信用風(fēng)險狀態(tài),可以作為狀態(tài)指標(biāo)采用單期截面數(shù)據(jù)構(gòu)造該指標(biāo)與電商小微企業(yè)信用風(fēng)險之間的映射關(guān)系。

當(dāng)狀態(tài)指標(biāo)與整體信用風(fēng)險呈現(xiàn)單純線性關(guān)系,即企業(yè)整體信用風(fēng)險隨著指標(biāo)值的增加不斷減少(增加)時,可以視為狀態(tài)指標(biāo)與整體信用風(fēng)險呈現(xiàn)線性關(guān)系,用直線型函數(shù)描述這種關(guān)系。創(chuàng)店年限、交易支付風(fēng)險、店鋪保障風(fēng)險和店鋪履約風(fēng)險均可在一定水平上反映企業(yè)的信用風(fēng)險狀態(tài),且各指標(biāo)與電商小微企業(yè)信用風(fēng)險之間的關(guān)系可以視為線性關(guān)系,當(dāng)創(chuàng)店年限越長、交易支付種類越多且越合理、店鋪保障越全面、店鋪繳納越足額保證金,電商小微企業(yè)面臨的信用風(fēng)險越低,故根據(jù)指標(biāo)特性選擇負(fù)向直線型函數(shù)對這4個指標(biāo)進(jìn)行度量。

U 型曲線可用于反映某種特定類型的信用風(fēng)險預(yù)警指標(biāo)與企業(yè)整體信用風(fēng)險之間的關(guān)系。以正向狀態(tài)指標(biāo)為例,最初企業(yè)整體信用風(fēng)險會隨著其升高而不斷提升,而當(dāng)正向狀態(tài)指標(biāo)的增長超過預(yù)期閾值后,企業(yè)整體信用風(fēng)險反而呈現(xiàn)下降趨勢;負(fù)向狀態(tài)指標(biāo)恰與之相反,最初企業(yè)整體信用風(fēng)險會隨著指標(biāo)的升高而不斷降低,超過一定預(yù)期閾值后,企業(yè)整體信用風(fēng)險反而呈現(xiàn)上升趨勢。在定價風(fēng)險指標(biāo)與電商小微企業(yè)信用風(fēng)險之間的關(guān)系中,對于消費(fèi)者而言,在市場透明度有限時,價格永遠(yuǎn)是其最關(guān)心的話題,但也會綜合考慮產(chǎn)品質(zhì)量,商家與其制定高價策略不如直接提供低價同質(zhì)量產(chǎn)品[33],故對于質(zhì)量較低的產(chǎn)品,“一分錢一分貨”是簡單存在的。而對于高質(zhì)量的產(chǎn)品,商家傾向于制定高價,以此與其余產(chǎn)品區(qū)分。但其價格若定得非常高也未必滿足追求高性價比消費(fèi)者的需求[34],反而不利于店鋪信用風(fēng)險。由此可見,在定價風(fēng)險與信用風(fēng)險的關(guān)系中,當(dāng)企業(yè)產(chǎn)品定價過低時,消費(fèi)者“一分錢一分貨”抵觸過低價格產(chǎn)品的心理會導(dǎo)致企業(yè)具有較高的定價風(fēng)險;而當(dāng)產(chǎn)品定價過高時,消費(fèi)者又會望而卻步,這同樣導(dǎo)致企業(yè)定價風(fēng)險升高。只有當(dāng)產(chǎn)品定價處于行業(yè)均值水平時,才存在定價風(fēng)險的最低點(diǎn)。這種特性更為符合U 型曲線的變化傾向,可以選擇U 型曲線衡量其中蘊(yùn)含的信用風(fēng)險。上述5個狀態(tài)指標(biāo)的指標(biāo)類別、對應(yīng)風(fēng)險函數(shù)類別以及函數(shù)各參數(shù)的設(shè)置如表3所示。

表3 狀態(tài)指標(biāo)類別及其適用風(fēng)險函數(shù)匯總Tab.3 Status indicator categories and summary of applicable risk functions

由于所選取的各項指標(biāo)主要針對電商小微企業(yè)設(shè)定、構(gòu)建,各項指標(biāo)缺少決策者主觀預(yù)期的參考,并非像資產(chǎn)負(fù)債率、流動比率等財務(wù)指標(biāo)均有學(xué)術(shù)界公認(rèn)的預(yù)期值。為保證研究的合理性,以行業(yè)均值為基準(zhǔn)線來設(shè)定期望目標(biāo)b,進(jìn)而確定各函數(shù)的參數(shù)。

3.3 時序指標(biāo)類別劃分

其余16個指標(biāo)的風(fēng)險水平會受到各期指標(biāo)均衡水平、波動性、極端尾部分散等一系列特征的影響,故將這些指標(biāo)劃分為時序指標(biāo)。VaR 模型是在一定置信水平內(nèi)保守估計過程變量蘊(yùn)含最大風(fēng)險水平的風(fēng)險度量方法,所度量的是發(fā)生在數(shù)據(jù)分布左尾部極端不利事件所造成的風(fēng)險,本質(zhì)上屬于基于分位點(diǎn)的風(fēng)險度量方法之一,在風(fēng)險管理中基于分位點(diǎn)的風(fēng)險度量通常衡量了數(shù)據(jù)分布左尾部的風(fēng)險,而這些風(fēng)險恰是決策者最關(guān)心的。因此,該模型在風(fēng)險管理中更為常見,常被金融分析家用來設(shè)計金融機(jī)構(gòu)的風(fēng)險度量標(biāo)準(zhǔn)[35]。

本文的時序指標(biāo)涵蓋店鋪資質(zhì)、店鋪經(jīng)營風(fēng)險和店鋪口碑風(fēng)險3個方面,且均具備不僅要求指標(biāo)值保持在一定水平上,還要求在不利環(huán)境下仍可保障企業(yè)存續(xù)基礎(chǔ)的特點(diǎn),考慮到其特性與VaR 模型的構(gòu)建思路類似,故選取VaR 模型分別衡量各時序指標(biāo)中蘊(yùn)含的信用風(fēng)險并將其映射至截面。售賣規(guī)模、信用評級、服務(wù)態(tài)度、組織管理風(fēng)險、產(chǎn)品保質(zhì)風(fēng)險和產(chǎn)品品質(zhì)評論情感反映企業(yè)基本資質(zhì)優(yōu)劣,在電子商務(wù)交易大環(huán)境下,不僅要求指標(biāo)值保持在較高水平,還要求指標(biāo)具有保守增長活力,只有如此才能保持企業(yè)基礎(chǔ)資質(zhì)的信用風(fēng)險維持在較低水平。以售賣規(guī)模為例,對于電商小微企業(yè)而言,機(jī)動性、活躍度是企業(yè)生存必備的條件,在瞬息莫測的電商市場環(huán)境下,保證較大的售賣規(guī)模是實(shí)現(xiàn)企業(yè)生存發(fā)展的關(guān)鍵,售賣規(guī)模較小的企業(yè)會直接降低消費(fèi)者消費(fèi)欲望從而導(dǎo)致店鋪面臨一定的信用風(fēng)險。這就要求在對電商小微企業(yè)進(jìn)行風(fēng)險評估時要判斷企業(yè)能否維持預(yù)期的售賣規(guī)模,并謹(jǐn)慎估計保守增長能力。

經(jīng)營能力風(fēng)險、持續(xù)經(jīng)營風(fēng)險、物流質(zhì)量風(fēng)險、物流包裝評論情感和性價比評論情感指標(biāo)集中反映企業(yè)經(jīng)營能力水平的高低,為保障企業(yè)正常經(jīng)營、發(fā)展活力,電商小微企業(yè)必須有相應(yīng)的維持企業(yè)存續(xù)發(fā)展的經(jīng)營能力,如果經(jīng)營能力過低,企業(yè)將面臨倒閉、歇業(yè)、退出電商平臺的風(fēng)險,決策者需謹(jǐn)慎估計企業(yè)的經(jīng)營能力,以此為基礎(chǔ)估計企業(yè)面臨的信用風(fēng)險。顧客認(rèn)同度、顧客售后參與度、口碑累積、關(guān)注度和店鋪服務(wù)感知風(fēng)險反映企業(yè)在電商平臺上累積的口碑狀況,在互聯(lián)網(wǎng)時代,信息公開透明、互聯(lián)互通,該類指標(biāo)過低會進(jìn)一步惡化電商小微企業(yè)的口碑信用,嚴(yán)重影響企業(yè)生存,意味著企業(yè)的信用狀況將面臨重大風(fēng)險。這就要求電商小微企業(yè)口碑逐步積累并保持在一定水平上。

將上述16個時序指標(biāo)類別及其適用的風(fēng)險函數(shù)、函數(shù)參數(shù)設(shè)置匯總?cè)绫? 所示。在進(jìn)行VaR模型構(gòu)建的過程中,為了保證模型的精準(zhǔn)性,選取置信水平為95%的分位數(shù)1.96作為參數(shù),期望目標(biāo)值b同狀態(tài)指標(biāo)類似,同樣以行業(yè)均值為基準(zhǔn)計算確定。

表4 時序指標(biāo)類別及其適用風(fēng)險函數(shù)匯總Tab.4 Time-series indicator categories and summary of applicable risk functions

選取風(fēng)險度量方法后,按照表3與表4設(shè)定模型參數(shù),將狀態(tài)指標(biāo)與時序指標(biāo)由指標(biāo)值轉(zhuǎn)化為風(fēng)險值,映射至同一截面上,得到電商小微企業(yè)在各個指標(biāo)下的風(fēng)險值矩陣。該矩陣中的風(fēng)險指標(biāo)值考慮長時間指標(biāo)波動過程,在一定程度上避免因指標(biāo)暫時變化而對單期截面預(yù)測結(jié)果產(chǎn)生干擾。

3.4 實(shí)驗結(jié)果

3.4.1 預(yù)警模型精度對比 經(jīng)上述模型運(yùn)算將337個樣本的企業(yè)指標(biāo)值轉(zhuǎn)化為風(fēng)險值,運(yùn)用“兩步法”網(wǎng)格搜索優(yōu)化隨機(jī)森林模型對其進(jìn)行處理。主要步驟如下:①構(gòu)建標(biāo)準(zhǔn)RF 模型;②大步長粗略確定最優(yōu)參數(shù)范圍;③小步長精細(xì)搜索確定參數(shù)點(diǎn);④構(gòu)建得到“兩步法”網(wǎng)絡(luò)搜索算法優(yōu)化的隨機(jī)森林組合預(yù)測模型。

“兩步法”網(wǎng)格搜索優(yōu)化即使用大步長結(jié)合小步長的思想優(yōu)化網(wǎng)格搜索,第1步在較大范圍內(nèi)劃分大網(wǎng)格,運(yùn)用粗搜索思想找尋最優(yōu)參數(shù)大致范圍;第2步在最優(yōu)參數(shù)范圍前后以小步長進(jìn)行精細(xì)搜索,劃分出更為密集的網(wǎng)絡(luò),從而獲取最優(yōu)參數(shù)點(diǎn)。這種優(yōu)化不僅大大降低了訓(xùn)練所需時間,還能夠保證找尋到隨機(jī)森林模型最優(yōu)參數(shù)。

Kaczmarz迭代算法是一種針對過采樣線性等式系統(tǒng)設(shè)計的迭代型算法,適用于求解大規(guī)模線性等式系統(tǒng).由于其具有使用簡單、速度快、內(nèi)存占用率低等優(yōu)點(diǎn),已被廣泛應(yīng)用于數(shù)字信號處理、醫(yī)學(xué)成像等應(yīng)用領(lǐng)域.在求解線性一致等式系統(tǒng)Ax=b時,Kaczmarz迭代算法循環(huán)遍歷矩陣A的所有行,并將當(dāng)前迭代x投影至由矩陣A中當(dāng)前選擇行所對應(yīng)的超平面上,即

隨機(jī)森林模型引入了Bagging和隨機(jī)子空間兩個隨機(jī)變量思想,使得隨機(jī)化在建立更多的回歸決策子樹的同時保證子樹之間的相互獨(dú)立,子樹之間的節(jié)點(diǎn)及每棵樹節(jié)點(diǎn)之間特征子集差異化,從而保證子樹之間的獨(dú)立性和多樣性。同時,隨機(jī)森林算法運(yùn)用較少的樣本即可實(shí)現(xiàn)良好的泛化性能,較好地克服過擬合問題,從而進(jìn)行高效學(xué)習(xí)。設(shè)訓(xùn)練樣本集合為D(X,Y),其中,X為樣本所具有的特征屬性,Y為每個樣本對應(yīng)的類別屬性。對于建好的隨機(jī)森林模型,輸入測試集進(jìn)行預(yù)測估計,每一棵樹的預(yù)測結(jié)果作為一次類別投票,即根據(jù)n個預(yù)測結(jié)果投票,票數(shù)最高的類別為該樣本的預(yù)測分類標(biāo)簽。下式表示計算機(jī)分類器將樣本(X,Y)正確劃分類別的平均票數(shù)與將其錯誤劃分至其他類別中的平均票數(shù)的最小差值:

泛化誤差和隨機(jī)森林邊緣函數(shù)分別為:

結(jié)合實(shí)際數(shù)據(jù),首先對原樣本數(shù)據(jù)運(yùn)用SMOTE方法進(jìn)行過采樣處理獲得新的平衡樣本數(shù)據(jù)集,然后將新輸出的平衡樣本數(shù)據(jù)集按照2∶8劃分為測試集與訓(xùn)練集,構(gòu)建隨機(jī)森林模型對各樣本企業(yè)的信用風(fēng)險進(jìn)行動態(tài)預(yù)警。將處理后的新平衡樣本集輸入隨機(jī)森林模型中,對比基于時序數(shù)據(jù)的動態(tài)隨機(jī)森林模型和基于單期截面數(shù)據(jù)的靜態(tài)隨機(jī)森林模型的模型效果。輸出結(jié)果如表5所示。

表5 考慮動態(tài)風(fēng)險演化的RF模型與截面靜態(tài)風(fēng)險RF模型Tab.5 RF model considering dynamic risk evolution and crosssectional static risk %

表5結(jié)果顯示:動態(tài)隨機(jī)森林模型輸出測試集樣本的準(zhǔn)確率(ACC)為97.78%,即在測試集上有97.78%的電商小微企業(yè)信用風(fēng)險被正確預(yù)測到相應(yīng)的風(fēng)險類別;精確率(P)為97.68%,即每類預(yù)測結(jié)果的樣本中真正為該類風(fēng)險的電商小微企業(yè)占97.68%;召回率(R)為97.85%,即測試數(shù)據(jù)集中每類樣本被準(zhǔn)確預(yù)測為該類的比例為97.85%;精確率和召回率的調(diào)和均值F1為97.76%。靜態(tài)隨機(jī)森林模型輸出的測試集樣本的ACC、P、R及調(diào)和均值F1的值分別為96.52%、96.39%、96.5%和96.45%。

將上述兩模型的評價指標(biāo)值可視化,繪制柱狀圖如圖3所示。由圖3可以看出,無論是總體樣本精度,抑或其他預(yù)測性能,考慮動態(tài)風(fēng)險演化的隨機(jī)森林模型各項評價指標(biāo)明顯高于基于截面靜態(tài)風(fēng)險的隨機(jī)森林模型,且前者模型整體精度較之后者提高了1.26個百分點(diǎn)。由此可見,考慮動態(tài)因素的隨機(jī)森林模型在靜態(tài)模型的基礎(chǔ)上提高了性能和精度,具有更精準(zhǔn)的預(yù)警效果。

圖3 兩模型預(yù)警精度對比Fig.3 Comparison of warning accuracy of two models

為進(jìn)一步驗證兩種預(yù)測模型的精度,運(yùn)用十折交叉驗證輸出不同分組訓(xùn)練結(jié)果,可以更為穩(wěn)定地驗證考慮動態(tài)風(fēng)險演化的隨機(jī)森林模型與考慮截面風(fēng)險的隨機(jī)森林模型之間的差異,得到的十折交叉驗證折線圖如圖4所示。

圖4 十折交叉驗證對比Fig.4 Ten fold cross-validation comparison

由圖4可以看出,考慮動態(tài)風(fēng)險演化的隨機(jī)森林模型在交叉驗證過程中輸出的結(jié)果折線基本位于考慮截面風(fēng)險的隨機(jī)森林模型之上,僅有個別樣本組集上出現(xiàn)前者精度小于后者精度的情況,可以判斷考慮動態(tài)風(fēng)險演化的隨機(jī)森林模型的預(yù)警具有較為穩(wěn)定的優(yōu)勢,進(jìn)一步印證了考慮動態(tài)風(fēng)險因子的隨機(jī)森林模型在預(yù)警過程中呈現(xiàn)更優(yōu)的預(yù)警狀態(tài)。

3.4.2 各類風(fēng)險類別預(yù)測性能 根據(jù)兩模型的混淆矩陣分別輸出兩模型在不同風(fēng)險類別樣本上的預(yù)警能力,得到表6。

表6 動靜兩模型在不同風(fēng)險類別樣本上的預(yù)警能力Tab.6 Early warning capability of dynamic and static models on different risk category samples %

由表6可以看出:考慮動態(tài)風(fēng)險演化的隨機(jī)森林模型對無信用風(fēng)險的電商小微企業(yè)預(yù)測準(zhǔn)確率達(dá)到100%,比僅考慮截面靜態(tài)風(fēng)險的隨機(jī)森林模型評估精度提高了2.33%;對輕度信用風(fēng)險電商小微企業(yè)的預(yù)測準(zhǔn)確率為92%,略低于考慮截面靜態(tài)風(fēng)險的隨機(jī)森林模型的預(yù)測準(zhǔn)確率93.3%;對中度信用風(fēng)險電商小微企業(yè)預(yù)測準(zhǔn)確率為98.7%,比考慮截面靜態(tài)風(fēng)險的隨機(jī)森林模型評估精度提高了6.49%,預(yù)警效果提升較大。對于具有重度信用風(fēng)險的電商小微企業(yè)而言,動態(tài)模型與靜態(tài)模型預(yù)測精度持平。

由此可見,考慮動態(tài)風(fēng)險演化過程的模型性能較之靜態(tài)模型的改進(jìn)主要體現(xiàn)在對中度風(fēng)險企業(yè)預(yù)警精度的提高,究其原理可追溯至對時序指標(biāo)的風(fēng)險度量函數(shù)作用機(jī)理:通過對指標(biāo)的壓縮變化,將時序數(shù)據(jù)值映射至截面上,使其荷載動態(tài)風(fēng)險信息,同時避免了因變量單期極端變化對預(yù)測結(jié)果產(chǎn)生的干擾,進(jìn)一步強(qiáng)化了對樣本數(shù)據(jù)的區(qū)分能力。這對于識別電商小微企業(yè)的信用風(fēng)險而言至關(guān)重要。以具有中度風(fēng)險的電商小微企業(yè)為例,該類企業(yè)在整個行業(yè)中所占比例較高,只有對其蘊(yùn)含的信用風(fēng)險精準(zhǔn)識別、判斷,才有助于電商小微企業(yè)清晰意識到自身經(jīng)營存在的問題,并為貸款機(jī)構(gòu)提供更為精準(zhǔn)的貸款決策參考,降低因出現(xiàn)錯判、誤判而導(dǎo)致更高的風(fēng)險成本。

3.4.3 預(yù)警模型結(jié)果對比 為進(jìn)一步驗證動態(tài)隨機(jī)森林預(yù)警模型的優(yōu)越性,本文還將靜態(tài)隨機(jī)森林模型預(yù)警的店鋪風(fēng)險閾值與動態(tài)隨機(jī)森林模型預(yù)警的店鋪風(fēng)險閾值進(jìn)行對比,以證明時間序列上店鋪的風(fēng)險水平發(fā)生變化時,動態(tài)模型相較于靜態(tài)模型的準(zhǔn)確性更高。為保證預(yù)警結(jié)果的可比性,靜態(tài)和動態(tài)隨機(jī)森林模型使用的數(shù)據(jù)均為最后一期的觀測數(shù)據(jù),其中,靜態(tài)模型的數(shù)據(jù)是最后一期的截面數(shù)據(jù),動態(tài)隨機(jī)森林模型的數(shù)據(jù)是將觀測期間兩種類型指標(biāo)的動態(tài)情況映射至同一截面的數(shù)據(jù)。結(jié)果如表7所示。由于店鋪較多,表7中僅列示前10家店鋪的結(jié)果。

表7 預(yù)警模型結(jié)果對比Tab.7 Comparison of early warning model results

表7的結(jié)果顯示,使用靜態(tài)模型和動態(tài)模型后,部分店鋪的信用風(fēng)險發(fā)生了變化。以店鋪7和8為例,店鋪7和8原本屬于輕度風(fēng)險店鋪,使用靜態(tài)隨機(jī)森林模型預(yù)警后,店鋪7和8依舊屬于輕度風(fēng)險店鋪。使用動態(tài)隨機(jī)森林模型風(fēng)險預(yù)警發(fā)現(xiàn),店鋪7屬于無風(fēng)險店鋪,而店鋪8 屬于中度風(fēng)險店鋪。進(jìn)一步觀測兩店鋪在淘寶平臺中的實(shí)際情況發(fā)現(xiàn),店鋪7是一家開店10年的老店,開店10年來店鋪的平均好評率超97%,各項服務(wù)平均超過同行的49.53%,信用評級、商品評論等各方面均呈現(xiàn)較高水平,動態(tài)模型預(yù)警后評定為無風(fēng)險店鋪是可信的。類似地,店鋪8在淘寶平臺中雖為開店11年之久的老店,開店以來的平均好評率也超過了98%,但店鋪整體信用評級較低,且各項服務(wù)的平均水平均低于同行,持續(xù)關(guān)注店鋪的粉絲也較少,翻閱商品評論發(fā)現(xiàn),商品評論中負(fù)面評價出現(xiàn)的頻率較高。因此,綜合來看,靜態(tài)模型將該店鋪歸為輕度風(fēng)險店鋪僅能夠代表最后一期數(shù)據(jù)時點(diǎn)店鋪的信用風(fēng)險水平,可信度有待商榷,并不能代表店鋪整體真實(shí)的信用風(fēng)險水平。相比較而言,動態(tài)模型綜合店鋪信用情況的動態(tài)變化后,將其歸類為中風(fēng)險店鋪更為合理。綜合上述分析,本文構(gòu)建的動態(tài)隨機(jī)森林信用風(fēng)險預(yù)警模型的準(zhǔn)確性更高。

綜合實(shí)驗結(jié)果的對比情況,相較于以往的預(yù)警模型,本文構(gòu)建的動態(tài)預(yù)警模型的主要優(yōu)勢有:①從風(fēng)險預(yù)警的本質(zhì)入手,將指標(biāo)體系中的指標(biāo)劃分為狀態(tài)指標(biāo)與時序指標(biāo),采用差異化度量的方式反映不同指標(biāo)的風(fēng)險特征,并將兩種類型指標(biāo)的動態(tài)情況映射至同一截面,使得截面的數(shù)據(jù)包含動態(tài)因子;②以行業(yè)均值作為風(fēng)險偏好的臨界點(diǎn)用于模型參數(shù)的調(diào)節(jié),將決策者對于指標(biāo)的主觀預(yù)期期望引入模型中;③考慮時序因素,將包含風(fēng)險信息與決策者主觀決策信息的多期時序數(shù)據(jù)映射至同一截面,使得最終構(gòu)建的隨機(jī)森林預(yù)警模型蘊(yùn)含動態(tài)信息;④考慮動態(tài)因素的隨機(jī)森林模型在性能、精度方面均有提升,預(yù)警效果更精準(zhǔn)。

4 結(jié)論

電商小微企業(yè)的信用風(fēng)險對其生存發(fā)展至關(guān)重要,其發(fā)展的不確定性更高、受企業(yè)主觀影響更大,在構(gòu)建風(fēng)險預(yù)警模型的過程中更需考量動態(tài)因素以及決策者的預(yù)期期望。本文以淘寶生鮮小微企業(yè)為研究對象,綜合考慮截面狀態(tài)指標(biāo)、動態(tài)時序指標(biāo)以及決策者對指標(biāo)的主觀預(yù)期期望,構(gòu)建電商小微企業(yè)信用風(fēng)險預(yù)警指標(biāo)體系,將綜合了風(fēng)險信息和決策者主觀決策信息的多時期時序數(shù)據(jù)映射至同一截面并構(gòu)建隨機(jī)森林預(yù)警模型,對電商小微企業(yè)信用風(fēng)險進(jìn)行動態(tài)預(yù)警,并通過真實(shí)樣本數(shù)據(jù)驗證了預(yù)警模型的可行性。得出的結(jié)論有:

(1) 構(gòu)建了具有電商小微企業(yè)特色的信用風(fēng)險預(yù)警指標(biāo)體系。從5C 要素理論出發(fā),將指標(biāo)體系劃分為店鋪資質(zhì)風(fēng)險、店鋪經(jīng)營風(fēng)險和店鋪口碑風(fēng)險3大類,從主、客觀兩維度篩選出了21個信用風(fēng)險預(yù)警指標(biāo),并驗證了指標(biāo)體系的合理性,形成了完整的信用風(fēng)險預(yù)警指標(biāo)體系。

(2) 考慮了指標(biāo)屬性,將指標(biāo)劃分為截面狀態(tài)指標(biāo)和動態(tài)時序指標(biāo),構(gòu)建了包含動態(tài)時序指標(biāo)多截面耦合的映射關(guān)系,合理、適用并能滿足理論和實(shí)踐需求。

(3) 構(gòu)建了考慮動態(tài)風(fēng)險演化的隨機(jī)森林預(yù)警模型,并將其應(yīng)用于樣本的信用風(fēng)險預(yù)警中以驗證其有效性,發(fā)現(xiàn)本文構(gòu)建的考慮時序數(shù)據(jù)動態(tài)變化的隨機(jī)森林預(yù)警模型具有高精度和高貼合度,能夠全面、科學(xué)地反映電商小微企業(yè)信用水平高低并給出精準(zhǔn)的預(yù)警結(jié)果,對中度風(fēng)險的電商小微企業(yè)有更好的判別能力。