榮飛瓊,馬維敏,李 坤

(蘭州財經(jīng)大學 a.信息工程學院; b.金融學院, 甘肅 蘭州 730000)

一、引言

近年來,供應(yīng)鏈金融已成為中藥材產(chǎn)業(yè)中小規(guī)模企業(yè)新的融資模式。甘肅省也在嘗試這種新的融資模式,以應(yīng)對省內(nèi)中藥材企業(yè)融資困難問題。因此,分析供應(yīng)鏈金融中各參與主體的關(guān)系,挖掘供應(yīng)鏈金融發(fā)展的核心問題并提供有效的解決方案,就成為理論研究的重點。

供應(yīng)鏈金融這一術(shù)語由Allen N.Berger首先提出[1],目的是解決企業(yè)融資困難問題。這一新型融資模式出現(xiàn)之后,國內(nèi)外學者對其進行了更多深入研究。Pellegrino將供應(yīng)鏈融資的概念定義為:需以核心企業(yè)為主導,供應(yīng)鏈上所有企業(yè)作為一個整體從銀行等金融機構(gòu)獲得資金融通[2]。J.Martin和E.Hofmann將供應(yīng)鏈上的核心企業(yè)與鏈上中小企業(yè)進行對比,從中得出核心企業(yè)無論資信等級還是融資渠道皆存在著突出優(yōu)勢[3]。國內(nèi)部分學者將博弈論運用在供應(yīng)鏈金融的研究中。嚴廣樂利用信息經(jīng)濟學與博弈論的理論,對供應(yīng)鏈金融模式中的中小企業(yè)、銀行和第三方物流企業(yè)間的相互作用關(guān)系加以研究[4]。馬娟指出,在供應(yīng)鏈金融的中介服務(wù)中,傳統(tǒng)金融企業(yè)和第三方物流公司之間的異業(yè)聯(lián)合是一個建立契約關(guān)系的聯(lián)合博弈行為[5]。鄭忠良和包興構(gòu)建了一個銀企博弈模型,研究銀行如何設(shè)置融資業(yè)務(wù)的檢查率和懲戒機制,來規(guī)避應(yīng)收賬款融資業(yè)務(wù)的信用風險[6]。而銀企博弈模型對于主體行為違約與貸款的博弈關(guān)系問題,目前尚未有學者進行深度的研究和探討。

本文使用的CART決策樹算法,已有諸多成熟的研究成果。基于決策樹的集成學習方法,L.Breiman提出了隨機森林算法:隨機森林通過構(gòu)建多個決策樹,并通過投票或平均預測結(jié)果來進行集成。每個決策樹都是通過對訓練數(shù)據(jù)進行自助采樣(Bootstrap)和隨機特征選擇來構(gòu)建的[7]。對于隨機森林中特征重要性的理解和解釋問題,G.Louppe介紹了一種常用的變量重要性度量方法,即基于減少不純度(Impurity)的平均減少(Mean Decrease)方法[8]。隨著更多學者的研究,決策樹算法的應(yīng)用有了進一步的發(fā)展。L.Rokach綜述了基于集成學習的分類器,其中包括基于決策樹的集成方法,對決策樹算法在集成學習中的應(yīng)用進行了廣泛概述[9]。 王建強等人探討了在不平衡數(shù)據(jù)環(huán)境中使用決策樹算法的相關(guān)問題,并提出了相應(yīng)的解決方案[10]。因此,本文采用的CART決策樹算法有大量理論和實踐依據(jù)。

在對上述國內(nèi)外研究成果回顧和分析的基礎(chǔ)上,本文旨在通過銀企博弈模型分析核心企業(yè)對于供應(yīng)鏈融資的重要性。同時,構(gòu)建一個基于CART決策樹算法的供應(yīng)鏈金融核心企業(yè)綜合評級預測模型,利用部分國內(nèi)中藥材上市企業(yè)數(shù)據(jù),對企業(yè)的“綜合評價等級”進行預測。使用甘肅省中藥材上市企業(yè)的當期數(shù)據(jù)驗證模型的有效性,最終推廣到整個中藥材產(chǎn)業(yè)供應(yīng)鏈實際應(yīng)用中去。

二、銀企完全信息靜態(tài)博弈分析

本文將采用完全信息靜態(tài)博弈來分析銀企之間的兩種類型博弈,一種為供應(yīng)鏈金融的融資模式,其中存在核心企業(yè)的參與,中小企業(yè)以核心企業(yè)的資信水平作為擔保,從銀行等金融機構(gòu)獲得資金;另一種為傳統(tǒng)融資模式下的銀企博弈。

(一)模型建立

1.決策空間

在完全信息靜態(tài)博弈中,銀行的決策在于選擇是否放貸給中藥材中小企業(yè),中藥材中小企業(yè)的決策在于獲得貸款后是否履約。

2.基本假設(shè)及模型參數(shù)

在供應(yīng)鏈融資中,假定銀行愿意放貸的概率為yj(j=1、2),不放貸的概率為1-yj(y1為供應(yīng)鏈融資中銀行放貸的概率,y2為傳統(tǒng)融資中銀行放貸的概率),中藥材中小企業(yè)還款的概率為xj(j=1、2),不還款的概率為1-xj(x1為供應(yīng)鏈融資中銀行放貸的概率,x2為傳統(tǒng)融資中銀行放貸的概率) ;銀行愿意提供給某中藥材中小企業(yè)融資額為L,銀行收回的貸款利息率為i。

當銀行選擇放貸時,中藥材中小企業(yè)使用這筆資金獲得的投資收益率為r,投資成功的概率為p(其中0

(二)博弈模型分析

在完全信息靜態(tài)博弈中,供應(yīng)鏈融資中銀企雙方博弈的矩陣形式如表1所示。

表1 供應(yīng)鏈融資中銀企完全信息靜態(tài)博弈支付矩陣

在博弈模型中,如果銀行選擇放貸,銀行的期望效用可以表示為:

E貸=x1(Li-S)+(1-x1)[-L(1+i)-S+M]

(1)

若銀行選擇不貸款,則期望效用函數(shù)為:

E(不貸)=0

(2)

令(1)(2)兩式相等,求得:

(3)

中藥材中小企業(yè)守約的期望效用為:

E(守信)=y1(pLr-Li)+(1-y1)E

(4)

中藥材中小企業(yè)違約時的期望效用為:

E(違約)=y1(L+pLr-c)

(5)

令(4)(5)兩式相等,求得:

(6)

在完全信息情況下,傳統(tǒng)融資中銀企雙方博弈的矩陣形式如表2所示。

表2 傳統(tǒng)融資中銀企完全信息靜態(tài)博弈支付矩陣

中藥材中小企業(yè)守約的期望效用為:

E(守信)=y2(pLr-Li)+(1-y2)E

(7)

中藥材中小企業(yè)違約時的期望效用為:

E(違約)=y2(L+pLr)

(8)

令(7)(8)兩式相等,求得:

(9)

根據(jù)上述計算結(jié)果,可以觀察到y(tǒng)1>y2,這表明在有核心企業(yè)參與的供應(yīng)鏈金融的融資模式中,銀行的放貸概率高于傳統(tǒng)融資中銀行的放貸概率,凸顯了核心企業(yè)在供應(yīng)鏈融資中的重要性。

三、中藥材產(chǎn)業(yè)核心企業(yè)評價指標體系構(gòu)建

由于中藥材產(chǎn)業(yè)的特殊性和復雜性,評價核心企業(yè)的標準和指標會受到多種因素的影響。筆者考慮到甘肅省中藥材行業(yè)的特殊性、政府的政策導向,以及金融機構(gòu)的風險管理需求,結(jié)合甘肅省中藥材產(chǎn)業(yè)自身特點建立評價指標體系,并明確評價指標的維度和權(quán)重。

(一)備選指標的確定

本文在一般中藥材核心企業(yè)評估指標體系的基礎(chǔ)上,結(jié)合甘肅省中藥材企業(yè)的特征,給出如下備選指標集合(Ia):華證ESG評級(I1)、GDP年增長率(I2)、預測凈利潤增長率(I3)、研發(fā)人員數(shù)量占比(I4)、前五大供應(yīng)商采購金額占比(I5)、大客戶銷售收入占比(I6)、成本費用利潤率(I7)、企業(yè)倍數(shù)(I8)、銷售毛利率(I9)、博士人數(shù)占比(I10)、大供應(yīng)商采購金額占比(I11)、應(yīng)收賬款周轉(zhuǎn)率(I12)、研發(fā)支出總額占營業(yè)收入比例(I13)、存貨周轉(zhuǎn)率(I14)、資產(chǎn)負債率(I15)、流動資產(chǎn)周轉(zhuǎn)率(I16)、總資產(chǎn)周轉(zhuǎn)率(I17)、應(yīng)付賬款周轉(zhuǎn)率(I18)、企業(yè)規(guī)模(I19)、前五大客戶銷售收入占比(I20)、應(yīng)收賬款比例(I21)、區(qū)間違規(guī)處罰金額(I22)、藥企區(qū)間違規(guī)處罰金額占比(I23)、區(qū)間違規(guī)處罰次數(shù)(I24)、區(qū)間訴訟案金額(I25)、藥企主體信用評級(I26)、區(qū)間違規(guī)處罰金額占比(I27)、藥企主體歷史信用評級(I28)、藥企綜合評級數(shù)值(I29)、綜合管理人員人數(shù)占比(I30)。

需要說明的是,備選指標的選擇是基于以下幾方面因素考慮的:

第一,結(jié)合甘肅省中藥材企業(yè)自身特點,金融機構(gòu)對企業(yè)關(guān)注點的選擇非常重要。筆者從相關(guān)研究、實踐經(jīng)驗、行業(yè)標準和金融機構(gòu)的需求等角度出發(fā),綜合考慮企業(yè)的財務(wù)狀況、經(jīng)營能力、創(chuàng)新能力、風險管理等方面的情況,來進行指標選擇。

第二,考慮指標數(shù)據(jù)的獲取來源,有針對性地確定備選指標。本文在大數(shù)據(jù)環(huán)境下,自由獲取豐富的數(shù)據(jù)資源,這種方法可以確保有更多可靠和全面的數(shù)據(jù),從而更好地支持指標的建立和后續(xù)進行評估分析。

第三,使用逐步回歸法來評估備選指標對于評估結(jié)果的影響,并決定是否保留或剔除這些指標。具體而言,本文假設(shè)存在一個指標變量(Ii(Ii∈Ia)),其偏回歸平方和為Vi=min{V(1,2,3,…,s)},其中V(1,2,3,…,s)是I(1,2,3,…,S)的偏回歸平方和。

本文根據(jù)以下準則進行剔除決策:設(shè)定一個顯著性水平α1,計算一個新的F值:

(10)

如果Fnew≤Fα1,則剔除該指標變量,否則保留。一旦Ii被剔除后,可以按照同樣的原則對其他指標變量I(1,2,3,…,S)進行選擇。通過這個過程,最終形成了一個合理的指標體系Ia={I1,I2,I3,…,Im},并建立了相應(yīng)的擬合模型:

(11)

(二)指標構(gòu)建方法

本文在指標構(gòu)建過程中,充分考慮了可獲得數(shù)據(jù)的種類,并運用線性和非線性的數(shù)據(jù)處理方法,得出最終的指標構(gòu)建方法確保了指標的全面性和準確性。該方法能夠從多個角度綜合評估中藥材產(chǎn)業(yè)核心企業(yè)的績效和風險。

在數(shù)據(jù)處理過程中,本文運用了回歸分析、因子分析、主成分分析等方法。這些方法能夠揭示指標之間的相關(guān)性、重要性和潛在結(jié)構(gòu),幫助篩選和權(quán)衡各個指標的貢獻度。評價指標具體構(gòu)建方法見表3。

四、模型算法及實證研究

(一)模型算法

1.決策樹理論

決策樹算法是一種監(jiān)督學習算法,既可用于分類問題也可用于回歸問題。分類與回歸樹CART(Classification And Regression Trees )是一種決策樹學習算法,它可以處理分類和回歸問題。在CART算法中,每次都選擇最優(yōu)特征來劃分數(shù)據(jù),并且該特征能夠最大程度地減少目標變量的不確定性(對于分類問題,使用基尼系數(shù)來量化不確定性;對于回歸問題,使用方差或平均絕對偏差)。

CART生成的是二叉樹,每個內(nèi)部節(jié)點都有兩個子節(jié)點,所使用的分割方式是二分法。這種結(jié)構(gòu)使得CART算法非常適合于機器學習任務(wù),因為它可以自然地適應(yīng)任何輸入數(shù)據(jù)的分布,并且生成的模型易于理解和解釋。

決策樹的一個重要優(yōu)點是它的可解釋性。一旦決策樹被訓練完成,它的決策過程非常直觀。當然,決策樹也有其缺點,例如容易過擬合,對于數(shù)據(jù)的微小變化非常敏感等,因此常常需要通過剪枝等技術(shù)來防止過擬合,提高決策樹的泛化能力①。

2.決策樹的組成

決策樹通過學習一組訓練數(shù)據(jù),決策樹模型以樹狀結(jié)構(gòu)表示了對數(shù)據(jù)的劃分規(guī)則,最終形成的樹結(jié)構(gòu)中的每個節(jié)點和分支都對應(yīng)著一條決策路徑。在決策樹中,從根節(jié)點到每個葉節(jié)點的路徑,代表了一個可能的決策路徑。數(shù)據(jù)的分類或預測結(jié)果就是基于這些決策路徑得到的②。

3.決策樹的構(gòu)建

決策樹的構(gòu)建過程主要由特征選擇、樹的生成和剪枝這三個步驟組成。首先,在特征選擇階段,本文會選取能夠使目標變量的不確定性減小到最小的特征作為節(jié)點的劃分依據(jù)。然后,通過遞歸的方式生成決策樹,即在每個內(nèi)部節(jié)點上都重復特征選擇和劃分的過程,直到滿足某種停止條件。最后,為了防止過擬合,我們可能需要對生成的決策樹進行剪枝,以達到模型復雜度和預測能力之間的平衡。

(二)數(shù)據(jù)獲取及預處理

1.數(shù)據(jù)獲取

在實證分析階段,本文以Wind數(shù)據(jù)庫作為主要數(shù)據(jù)來源。Wind數(shù)據(jù)庫作為一個綜合性的金融數(shù)據(jù)庫,涵蓋了廣泛的金融市場數(shù)據(jù)、宏觀經(jīng)濟數(shù)據(jù)、企業(yè)財務(wù)數(shù)據(jù)、行業(yè)研究報告等信息,能夠提供本文所需的絕大部分上市企業(yè)指標數(shù)據(jù)。本文從中選取了國內(nèi)中藥材行業(yè)的276家上市公司作為研究樣本。選取的上市企業(yè)基本都是所在地區(qū)的中藥材行業(yè)頭部企業(yè),是當?shù)刂兴幉漠a(chǎn)業(yè)發(fā)展的核心支柱。鑒于此,最終以69家中藥材上市企業(yè)作為樣本,根據(jù)前文構(gòu)建的指標體系,選取了它們在2010—2022年度的全部指標數(shù)據(jù)。而甘肅省的2家上市企業(yè)作為本文評估的重點企業(yè),它們2017—2022年度的指標數(shù)據(jù)同樣作為歷史數(shù)據(jù)參與了模型訓練。最后,根據(jù)模型預測結(jié)果,判斷其是否能夠成為甘肅省中藥材行業(yè)供應(yīng)鏈金融支持的核心企業(yè)。

表3 評價指標構(gòu)建方法*

數(shù)據(jù)選取和預處理過程的具體步驟如下:

(1)使用Wind數(shù)據(jù)庫中國內(nèi)中藥材行業(yè)69家上市企業(yè)的相關(guān)數(shù)據(jù)。

(2)明確最終確定的指標集合中各個指標的含義及計算方法,確定各樣本在不同指標中的取值。

(3)將選取的上市企業(yè)樣本依據(jù)時間標準,劃分為訓練集和驗證集。訓練集用于訓練決策樹模型,驗證集用來測試模型預測的準確度。除了2022年的數(shù)據(jù)為驗證集數(shù)據(jù)以外,其他各個年份的數(shù)據(jù)都為訓練集數(shù)據(jù)。在決策樹模型準確率較高的前提下,根據(jù)已知年份的指標數(shù)據(jù),預測未來時間段的企業(yè)的綜合評價等級取值。

(4)模型預測出中藥材上市企業(yè)綜合評價等級數(shù)值,根據(jù)供應(yīng)鏈金融核心企業(yè)綜合評價等級閾值③的計算結(jié)果,將企業(yè)等級分為“具備核心企業(yè)能力”“弱核心企業(yè)能力”“強核心企業(yè)能力”三個等級。

2.數(shù)據(jù)預處理

由于源數(shù)據(jù)庫存在數(shù)據(jù)采集不完善的問題,所以有一定規(guī)模的指標存在數(shù)據(jù)在一個時間段內(nèi)缺失的情況。鑒于此,筆者設(shè)計了多種方法來建立數(shù)據(jù)序列,填充缺失數(shù)據(jù)。而對于缺失較多的特征指標,為保證預測效果,選擇了直接丟棄。具體處理方法在上文指標體系構(gòu)建部分中進行了說明。

另外,在數(shù)據(jù)預處理過程中,通常會包含數(shù)據(jù)標準化過程,以此來消除不同特征或變量之間的量綱差異,避免某些特征對模型訓練產(chǎn)生過大的影響。但是,本文采用的決策樹模型是一種非參數(shù)的監(jiān)督學習方法,它通過創(chuàng)建分支規(guī)則來預測目標變量。構(gòu)建決策樹時,算法會選擇一個特征并設(shè)置一個閾值,將數(shù)據(jù)切分為兩部分。選擇哪個特征和閾值,取決于切分后可以獲得最大的信息增益、基尼指數(shù)的降低等。所以,無論數(shù)據(jù)樣本是原始未處理的,還是經(jīng)過了標準化(比如所有特征都被縮放到0～1之間),決策樹的構(gòu)建過程都是一樣的。因此,在本文數(shù)據(jù)預處理過程中,標準化的步驟被省略了。

基于以上過程和步驟,本文共選取了69家企業(yè),25個指標④在2010—2022年度總共2700多個數(shù)據(jù)樣本。本文評價指標體系的構(gòu)建基于“減少專家評估的指標建設(shè)”原則,故只需對這4萬多個數(shù)據(jù)進行Label預測,即可預測出企業(yè)在未來時間段的“綜合評價等級”。這樣就減少了人工干預的可能,最大限度地排除了主觀因素,使“用數(shù)據(jù)說話”的思想得到體現(xiàn)。

(三)實證研究

1.模型訓練

(1)模型核心算法能力。在決策樹訓練過程中,決策樹會根據(jù)特征的屬性值進行分割,構(gòu)建出一系列的決策節(jié)點,并根據(jù)目標變量的取值確定每個分割點的最佳位置。本文的待預測指數(shù)為連續(xù)值,故采用回歸類型的決策樹算法,建立若干If-Else規(guī)則以形成足夠復雜的樹狀規(guī)則鏈來達到預測推理目的。模型建立的具體描述如下:

第一,本文預測的目標是一個綜合指數(shù),該指數(shù)由多項指標共同計算得出。為了有效預測綜合評級指數(shù),搜尋并建立了一個完整的特征指標體系,包含諸多與藥企評級相關(guān)性極強的指標,并用第m年的特征指標來預測m+1年的綜合指數(shù)。

第二,本文采用了CART決策樹變體模型。CART決策樹與傳統(tǒng)決策樹在分割準則、決策節(jié)點和剪枝策略等方面存在一些差異。CART決策樹既可以用于分類問題,也可以用于回歸問題,而傳統(tǒng)的決策樹算法主要用于分類問題;另外,CART算法每次只生成二叉樹,傳統(tǒng)的決策樹算法可以有多個分支,條件也是多元的。因此,本文結(jié)合研究問題及數(shù)據(jù)特征,選擇了CART決策樹算法用于實驗。

為了說明本文決策樹模型的算法,此處以一棵完整的樹規(guī)則中某一規(guī)則鏈為例進行描述。通過運行決策樹算法,當“華證ESG評級”取值≤0.5時,可直接得出預測的最終評級1.121;當取值>0.5時,還會進一步判斷“華證ESG評級”取值是否≤3.5;若是,則對“前五大供應(yīng)商采購金額占比”取值進行判斷,是否≤12.99;若否,則判斷“GDP年增長率”是否≤7.6,以此類推直至得到最終結(jié)果。

(2) 算法特殊參數(shù)設(shè)置。樹的末端節(jié)點被稱作葉節(jié)點。決策樹理論上可以構(gòu)建非常復雜的樹來擬合訓練集中每一個樣本,若一個葉節(jié)點上只存在一個樣本,由于該樣本不具備較好的統(tǒng)計效應(yīng),用這個葉節(jié)點所在規(guī)則鏈的推理結(jié)果作為預測結(jié)果就不具備普遍適用性,即導致泛化性較差問題,所以,本文約束了樹的最大深度(即規(guī)則鏈的最大長度)以及樹葉子節(jié)點上包含的最小樣本數(shù)。要求在模型訓練的過程中,當模型樹結(jié)構(gòu)達到最大深度限制時,或者再進一步分裂葉子節(jié)點,將導致子葉節(jié)點中包含的樣本數(shù)量小于規(guī)定的最小樣本數(shù)時,則停止分裂。在本文的實際實驗中,約束樹的最大深度為20,每個樹節(jié)點所包含的訓練樣本數(shù)不少于50,葉節(jié)點中包含的最小樣本數(shù)為50。

(3)算法優(yōu)劣勢。選擇CART決策樹算法,主要原因是其能在較好的擬合精度和泛化性下,仍然保持非常好的可解釋性。它建立的樹狀規(guī)則能為人腦快速理解,這將有助于實際場景的使用,使用者對其決策過程越理解,則越能信任算法的計算結(jié)果。

從特征指標的類型看,本文所構(gòu)建的特征指標中,既存在分類型特征指標也存在連續(xù)型特征指標,線性回歸或者神經(jīng)網(wǎng)絡(luò)模型都不擅長處理這種多類型特征的數(shù)據(jù)集合。而決策樹算法能夠處理這種多類型的數(shù)據(jù),包括連續(xù)型數(shù)據(jù)、離散型數(shù)據(jù)和分類型數(shù)據(jù),對于處理特征空間中的非線性關(guān)系、交互作用和高維數(shù)據(jù)具有較強的適應(yīng)性,所以決策樹是本文綜合指標預測的最佳算法選擇。

(4) 特征工程及預測目標構(gòu)建描述。本文模型的預測目標是一個綜合評級指數(shù),也就是指標體系中的“藥企綜合評級數(shù)值”(I29)⑤,該指標也是CART決策樹模型的標簽。該指標的歷史值可由多個具有強相關(guān)性的評級指標共同計算得出,其中每個指標的權(quán)重根據(jù)其對藥企綜合評價的影響程度來決定。具體計算方法見表3評價指標I29的計算公式。鑒于此,為了準確預測“藥企綜合評級數(shù)值”(I29)的未來值,本文建立了一個較為完整的特征指標體系,包含了諸多藥企評級影響因素指標,并用第m年的特征指標取值來預測第m+1年的“藥企綜合評級數(shù)值”(I29)。

2. 模型擬合結(jié)果分析

本文收集了2700多個樣本,以2021年的真實數(shù)據(jù)作為模型指標取值,預測了2022年各企業(yè)“綜合評價等級”指標值。2022年企業(yè)“綜合評價等級”指標取值是歷史數(shù)據(jù),是真實存在的,因此,為了測量模型的泛化能力,取2022年的企業(yè)真實數(shù)據(jù)作為驗證集,來對模型預測結(jié)果的準確性進行判斷。其余年份數(shù)據(jù)作為訓練集引入模型訓練過程。由此得到在兩個數(shù)據(jù)集上的MSE,如表4所示。

表4 兩個數(shù)據(jù)集上的MSE數(shù)據(jù)統(tǒng)計

從MSE對比來看,模型沒有顯示出明顯的過擬合現(xiàn)象,且總體擬合精度控制在較小范圍內(nèi),因此認為該結(jié)果是可接受的,模型的預測結(jié)果也是準確的。

另外,為了深入理解計算出來的決策樹的推理過程,本文還繪制了整個決策樹的樹型圖,該樹型圖包含了模型所有的規(guī)則鏈。部分特征指標核心規(guī)則鏈樹狀圖如圖1所示。

3.模型預測結(jié)果分析

(1) 模型預測結(jié)果。上文中的模型擬合結(jié)果分析證實了模型的有效性,因此本文根據(jù)2022年的企業(yè)實際指標數(shù)據(jù),對選取的69家藥企進行了2023年四個季度的綜合評級指標預測。部分企業(yè)預測結(jié)果如下表5所示。

表5 部分企業(yè)四個季度綜合評級指標預測*

從預測結(jié)果可以看出,影響力、綜合實力越強的企業(yè)的綜合評價指標預測值越大,反之,實力較弱的藥企的綜合評價指標預測值越小。本文特別關(guān)注了甘肅省的2家上市藥企的預測結(jié)果。為了更客觀、全面地反映這2家企業(yè)在2022的綜合評級預測結(jié)果,對它們在2022年4個季度的預測結(jié)果進行了平均值處理,得到佛慈制藥綜合評級值為1.37925,隴神戎發(fā)綜合評級值為1.10855。

(2) 閾值計算。已在“數(shù)據(jù)獲取”部分予以明確。模型預測的綜合評價等級數(shù)值,需要根據(jù)核心企業(yè)綜合評價等級閾值的計算結(jié)果,將企業(yè)等級分為“具備核心企業(yè)能力”“弱核心企業(yè)能力”“強核心企業(yè)能力”三個等級。

本文實驗主要利用企業(yè)在過往不同年份的綜合評價等級數(shù)據(jù)進行閾值計算。在上文的指標體系構(gòu)建部分中,關(guān)于企業(yè)“綜合評價等級”指標的計算方法已經(jīng)明確。計算公式如下:

(12)

其中,μi為樣本企業(yè)在2010—2022年度的“綜合評價等級”指標均值,n為選取企業(yè)數(shù)量,σμ1→i為全部選取企業(yè)“綜合評價等級”指標均值的平均值對應(yīng)輸出的標準差。

需要說明的是,實驗中閾值的計算,包括了樣本企業(yè)“綜合評價等價”的平均值以及選取企業(yè)“綜合評價等價”指標均值的平均值標準差。平均值和標準差這兩個統(tǒng)計量,可以對未來的趨勢和情況進行預測和決策支持,以涵蓋一定范圍內(nèi)的數(shù)據(jù)。其中平均值提供了數(shù)據(jù)集的集中位置的指標,可以幫助確定數(shù)據(jù)的中心傾向;而標準差是用于衡量數(shù)據(jù)集內(nèi)部變異程度的一種度量方式。因此,為了“閾值”計算的科學性,將閾值結(jié)果設(shè)置為平均值下調(diào)2個標準差。

圖1 特征指標核心規(guī)則鏈樹狀圖⑥

(3)模型預測結(jié)果判定。根據(jù)閾值計算公式,本文分別選取了全部69家上市藥企和優(yōu)異且各年綜合評級數(shù)據(jù)完整的20家藥企進行了兩次閾值計算,對應(yīng)的閾值分別為為1.037 1和1.363 4。因此,確定核心企業(yè)判定原則為:設(shè)樣本企業(yè)“綜合評價等級”指標預測值為γ,若γ∈[1.037 1,+∞),則判定該企業(yè)為“具備核心企業(yè)能力”;若γ∈[1.037 1,1.363 4],則判定該企業(yè)為“弱核心企業(yè)能力”;若γ∈[1.363 4,+∞),則判定該企業(yè)為“強核心企業(yè)能力”。根據(jù)模型的預測結(jié)果,2023年甘肅省有2家上市企業(yè)具備了基本的供應(yīng)鏈金融核心企業(yè)能力,分別是佛慈制藥股份有限公司和甘肅隴神戎發(fā)藥業(yè)股份有限公司。筆者發(fā)現(xiàn)這2家企業(yè)2023年的“綜合評價等級”指標分別為1.465 5和1.189 7,表明佛慈制藥具備強核心企業(yè)能力,而隴神戎發(fā)僅具備弱核心企業(yè)能力?？梢?佛慈制藥作為供應(yīng)鏈金融模式中的核心企業(yè),是整個供應(yīng)鏈的主導者。它具備充分的供應(yīng)鏈管理能力、信用可靠性、資金實力、風險管理能力以及數(shù)據(jù)管理和技術(shù)能力,能夠確保供應(yīng)鏈金融的有效運作和可持續(xù)發(fā)展。隴神戎發(fā)雖然具有了核心企業(yè)的基本能力,但在這些關(guān)鍵能力上還略有欠缺,需要進一步提升和優(yōu)化。

五、結(jié)論與建議

首先,本文從甘肅省中藥材產(chǎn)業(yè)供應(yīng)鏈金融支持問題入手,通過建立完全信息靜態(tài)博弈模型,分析兩種融資模式下的銀企博弈行為,證明了核心企業(yè)在供應(yīng)鏈融資過程中的重要性,以及供應(yīng)鏈融資更易使中小企業(yè)獲得所需的融資支持。以69家國內(nèi)中藥材上市企業(yè)的財務(wù)數(shù)據(jù)作為原始數(shù)據(jù)源,構(gòu)建了一個CART決策樹模型。模型評估結(jié)果表明,該決策樹模型沒有顯示出明顯的過擬合現(xiàn)象,且總體擬合精度控制在較小范圍內(nèi),MSE指標結(jié)果可接受,模型的預測結(jié)果也是準確的。根據(jù)模型預測結(jié)果,判定了省內(nèi)中藥材企業(yè)是否能夠成為我省中藥材行業(yè)供應(yīng)鏈金融支持的核心企業(yè),并提出了政策建議。綜上所述,本文實證研究中構(gòu)建的決策樹模型預測結(jié)果準確,模型穩(wěn)健可靠,可以推廣至實際應(yīng)用中去。

結(jié)合本文實證研究結(jié)果,及甘肅省中藥材行業(yè)供應(yīng)鏈金融發(fā)展特點,對中藥材行業(yè)供應(yīng)鏈金融核心企業(yè)評價的實際應(yīng)用給出以下建議:

(一)技術(shù)層面的建議

本文實證研究中的技術(shù)選擇是權(quán)衡了現(xiàn)有數(shù)據(jù)情況及可解釋性后做出的合理選擇,但還是有可深入和調(diào)整的空間。第一,由于來源渠道的限制,本文所使用的數(shù)據(jù)多限于上市企業(yè)的財務(wù)數(shù)據(jù),數(shù)據(jù)類型和數(shù)據(jù)規(guī)模相對偏小,未來研究中要積極拓展數(shù)據(jù)獲取方式,增加樣本容量,為充分發(fā)揮機器學習算法優(yōu)勢提供更充足的樣本數(shù)量。第二,由于Wind數(shù)據(jù)庫中指標數(shù)據(jù)的時間區(qū)間存在差異,造成數(shù)據(jù)缺失。面對這種情況,本文采用缺失值填充的方法予以解決,但是這種方法存在缺陷,一定程度上影響了數(shù)據(jù)的準確性和客觀性。未來研究中應(yīng)采取識別數(shù)據(jù)缺失、數(shù)據(jù)重建、尋求專業(yè)幫助等辦法解決數(shù)據(jù)缺失問題。第三,在數(shù)據(jù)規(guī)模進一步擴大,數(shù)據(jù)缺失問題得到有效解決的前提下,可以考慮增加樹模型的復雜度。同時,進一步考慮復雜樹模型如何有效地向決策人員提供良好解釋性的問題,因為這影響到?jīng)Q策人員對模型計算結(jié)果的信任程度。

(二)實踐層面的建議

本文基于CART決策樹模型進行的實證研究,對于甘肅省中藥材供應(yīng)鏈金融的發(fā)展具有一定實踐意義,但是,關(guān)于甘肅中藥材產(chǎn)業(yè)中核心企業(yè)參與的供應(yīng)鏈金融支持的研究還需進一步深入。第一,核心企業(yè)應(yīng)最大力度保證原有資金來源的穩(wěn)定,并發(fā)揮自身龍頭地位優(yōu)勢,吸引眾多社會資源(如民間資本)的加入,創(chuàng)新多元化供應(yīng)鏈融資,推動中藥材產(chǎn)業(yè)提檔升級。此外,核心企業(yè)應(yīng)增加融資服務(wù)的附加值,大力推動中藥材產(chǎn)業(yè)、金融科技和養(yǎng)生旅游等深度融合發(fā)展。第二,中小企業(yè)應(yīng)當重視創(chuàng)新對企業(yè)的作用,引進中藥材行業(yè)的技術(shù)創(chuàng)新人才,不斷增強自身的競爭力。農(nóng)村種植戶及合作社應(yīng)當利用好供應(yīng)鏈模式,與核心企業(yè)建立長期合作關(guān)系,保持自身種植及銷售的連續(xù)性。第三,銀行等金融機構(gòu)應(yīng)加強供應(yīng)鏈融資的風險控制,通過對供應(yīng)鏈運作的全程監(jiān)管,綜合分析評估核心企業(yè)及鏈上企業(yè)的潛在風險隱患,健全產(chǎn)業(yè)鏈風險控制體系。

[注釋]

① 摘自Leo Breiman,Jerome Friedman,Charles J.Stone,Richard A.Olshen共同撰寫的《分類與回歸樹》(ClassificationandRegressionTrees)一書。

②摘自Trevor Hastie,Robert Tibshirani,Jerome Friedman于2009年共同撰寫的《統(tǒng)計學習基礎(chǔ): 數(shù)據(jù)挖掘、推斷與預測》 (TheElementsofStatisticalLearning:DataMining,Inference,andPrediction) 一書。

③此處綜合評價等級的閾值計算原理及計算方法會在模型建立部分詳細說明。

④指標體系中,指標作為決策樹模型訓練的標簽Label,歷史值也是通過其他指標計算而來的,無需數(shù)據(jù)來源。

⑤是表3確定的評價指標體系中的指標之一。

⑥因版面限制,本文只展示特征指標核心規(guī)則鏈樹狀圖。