文/趙健

引言

倉單質(zhì)押融資業(yè)務(wù)是一種第三方物流企業(yè)向金融領(lǐng)域延伸的創(chuàng)新的服務(wù)方式。不但能夠解決融資企業(yè)資金短缺的問題，還能夠增加第三方物流企業(yè)的經(jīng)濟(jì)效益。同時，也能夠拓展銀行的業(yè)務(wù)領(lǐng)域和盈利空間。但是，由于倉單質(zhì)押融資業(yè)務(wù)在我國的發(fā)展時間較短，實(shí)踐經(jīng)驗(yàn)不豐富，相關(guān)的體制和市場規(guī)則不健全，導(dǎo)致倉單質(zhì)押融資業(yè)務(wù)存在著很多不確定性的風(fēng)險。因此，對倉單質(zhì)押融資業(yè)務(wù)的風(fēng)險進(jìn)行研究具有十分重要的現(xiàn)實(shí)意義。

一、文獻(xiàn)綜述

倉單質(zhì)押融資業(yè)務(wù)作為一種最主要的融資模式，受到越來越多的企業(yè)界與學(xué)術(shù)界的關(guān)注。但是，針對倉單質(zhì)押融資風(fēng)險的研究還不夠深入。其中，裴炳和在倉單質(zhì)押貸款操作與風(fēng)險研究中通過圖表舉例論證，倉單質(zhì)押融資的操作流程進(jìn)行分析，列舉存在的風(fēng)險，并提出規(guī)避風(fēng)險的相關(guān)措施[1]。褚靜騉和陳玉霞在倉單質(zhì)押風(fēng)險評估研究中分別列舉了融資業(yè)務(wù)中的主要風(fēng)險，從不同的角度給出了防范風(fēng)險的建議[2，3]。成志平在倉單質(zhì)押融資的風(fēng)險識別研究中，從實(shí)際情況出發(fā)，在整體上對倉單質(zhì)押融資業(yè)務(wù)存在的風(fēng)險進(jìn)行分析，將其分成市場風(fēng)險、信用風(fēng)險、流動性風(fēng)險、管理風(fēng)險和法律風(fēng)險五類主要風(fēng)險[4]。閔嘉寧通過熵權(quán)法在倉單質(zhì)押融資業(yè)務(wù)風(fēng)險評估的應(yīng)用研究中出風(fēng)險產(chǎn)生的原因，并且針對主要風(fēng)險建立合理的指標(biāo)評價體系，采用熵權(quán)法對各項指標(biāo)確定了科學(xué)的、客觀的權(quán)重[5]。綜上文獻(xiàn)可以發(fā)現(xiàn)，針對倉單質(zhì)押融資風(fēng)險的評估模型以及相關(guān)的倉單質(zhì)押融資風(fēng)險指標(biāo)體系有很多種。就目前而言，在倉單質(zhì)押融資方面的研究己經(jīng)涉及到多層次、多方面以及多角度，在該項業(yè)務(wù)的融資模式以及風(fēng)險管控方面研究較多，但是現(xiàn)有研究在具體實(shí)踐中仍然存在一些不足。大部分文獻(xiàn)主要是對單個運(yùn)作主體或具體的模式進(jìn)行定性探討，忽略了各種風(fēng)險成因的耦合關(guān)聯(lián)，并且在倉單質(zhì)押融資模式下定量分析整個系統(tǒng)融資風(fēng)險的研究也相對缺乏。

二、支持向量機(jī)原理及其算法

（一）支持向量機(jī)原理

支持向量機(jī)（Support vector Machine，SVM）是Cortes等人于1995年提出的一種機(jī)器學(xué)習(xí)方法，立在統(tǒng)計學(xué)習(xí)理論的VC維理論和結(jié)構(gòu)風(fēng)險最小理基礎(chǔ)上，在模型復(fù)雜性和學(xué)習(xí)能力之間進(jìn)行了折衷，具有較強(qiáng)的泛化能力和精確性。在小樣本、非線性及高維模式識別等方面有較大優(yōu)勢，克服了神經(jīng)網(wǎng)絡(luò)過于學(xué)習(xí)、欠學(xué)習(xí)、局部極小等問題，已成為繼神經(jīng)網(wǎng)絡(luò)研究之后機(jī)器學(xué)習(xí)理論領(lǐng)域新的熱點(diǎn)。

（二）支持向量機(jī)算法

支持向量機(jī)（SVM）由線性可分情況下的最優(yōu)分類面發(fā)展而來，其基本思想就是將向量映射到一個更高維的空間，建立一個具有最大間隔的超平面。在分開數(shù)據(jù)超平面的兩邊建有2個互相平行的超平面，分隔超平面使2個平行超平面的距離最大化。

該方程應(yīng)該滿足：

利用Lagrange優(yōu)化方法把上述最優(yōu)分類面問題轉(zhuǎn)化為對偶問題，即，其中.

非線性問題就是利用非線性映射把原始數(shù)據(jù)變換到高維特征空間，在高維空間中設(shè)計線性SVM，尋找最優(yōu)分類面。在最優(yōu)分類面中采用適當(dāng)?shù)膬?nèi)積函數(shù)，從而實(shí)現(xiàn)從非線性到線性的分類。常用的核函數(shù)有線性核函數(shù)、多項式核函數(shù)、Gauss徑向基核函數(shù)、Sigmoid核函數(shù)。此時，決策函數(shù)變?yōu)椋?/p>

2.將SVM由分類問題推廣至回歸問題可以得到支持向量回歸（Support Vector Regression，SVR），此時SVM的標(biāo)準(zhǔn)算法也被稱為支持向量分類（Support Vector Classification，SVC）[6]。

支持向量回歸機(jī)的算法如下：

（1）給定訓(xùn)練集T={(x1,y1),…,(xn,yn)}∈(R×y)n，其中xi∈Rn,yi∈y=R,i=1,…,n；

（2）選取適當(dāng)?shù)暮撕瘮?shù)K(x,x')以及適當(dāng)?shù)木圈牛?和懲罰參數(shù)C＞0;構(gòu)造并求解凸二次規(guī)劃問題計算：選取位于開區(qū)間(0,C)中的(*)的分量j或。若選到的是，則

三、基于支持向量機(jī)的倉單質(zhì)押融資風(fēng)險評估模型

表1 倉單質(zhì)押融資風(fēng)險評估指標(biāo)體系表

（一）倉單質(zhì)押融資風(fēng)險評估指標(biāo)體系的建立

在倉單質(zhì)押融資風(fēng)險評估中，必須建立起一套科學(xué)、合理、嚴(yán)謹(jǐn)?shù)娘L(fēng)險評估指標(biāo)體系。建立起一套科學(xué)、合理、嚴(yán)謹(jǐn)?shù)娘L(fēng)險評估指標(biāo)體系是進(jìn)行倉單質(zhì)押融資評估的首要前提和關(guān)鍵條件。為了建立有效的倉單質(zhì)押融資評估指標(biāo)體系，應(yīng)遵循以下原則：（1）科學(xué)性原則，（2）可操作性原則，（3）層次性原則，（4）定性與定量相結(jié)合原則。

近年來，很多學(xué)者從不同角度出發(fā)，構(gòu)建了不同的風(fēng)險評估體系。如羅瑞敏、伍雋通過融資過程的業(yè)務(wù)梳理，認(rèn)為倉單質(zhì)押融資主要面臨資信、質(zhì)押物監(jiān)管和價值評估的風(fēng)險[7]。戴唯和魏瑋認(rèn)為在倉單質(zhì)押融資業(yè)務(wù)中存在融資企業(yè)和質(zhì)押貨物等五類主要風(fēng)險[8]。

筆者根據(jù)前人的研究成果和對已有文獻(xiàn)等資料的分析加上實(shí)際調(diào)研分析，在征求理論研究與生產(chǎn)領(lǐng)域?qū)＜乙庖姾螅忍岢龀醪絺溥x指標(biāo)，以倉單質(zhì)押融資業(yè)務(wù)為基礎(chǔ)，將倉單質(zhì)押融資風(fēng)險因素整理歸納為商業(yè)銀行風(fēng)險、倉儲企業(yè)風(fēng)險、融資企業(yè)風(fēng)險和宏觀系統(tǒng)風(fēng)險共四類一級指標(biāo)。通過對各類風(fēng)險進(jìn)行分析研究，進(jìn)一步分解為二級指標(biāo)和三級指標(biāo)，以此構(gòu)建了一套倉單質(zhì)押融資風(fēng)險的評估體系。

針對上述構(gòu)建的倉單質(zhì)押融資風(fēng)險指標(biāo)，筆者設(shè)計了調(diào)查問卷，以此來判斷分析指標(biāo)的合理性，同時利用統(tǒng)計學(xué)方法進(jìn)行分析。此次調(diào)查共發(fā)放調(diào)查問卷100份，收回調(diào)查問卷90份，有效問卷為80份，有效問卷回收率為80%。

筆者利用SPSS19.0統(tǒng)計軟件對問卷數(shù)據(jù)進(jìn)行分析。從信度分析來看，二級項目的信度系數(shù)都在0.7以上，將任何一個指標(biāo)刪除后，所在分類的系數(shù)都有所下降，說明指標(biāo)體系信度較高。效度分析采用Kaiser～Meryer～Olkin（KMO）評價結(jié)構(gòu)效度，結(jié)果顯示KMO值為0.827，Bartlett的球形度檢驗(yàn)的顯著概率統(tǒng)計值為0.000，因子載荷都在0.6以上，說明指標(biāo)體系效度較高。表1為倉單質(zhì)押融資風(fēng)險評估指標(biāo)體系。

（二）樣本數(shù)據(jù)的收集與處理

基于保證倉儲上市企業(yè)數(shù)據(jù)的可獲得性和建立支持向量機(jī)模型的準(zhǔn)確性，本文選取了一家規(guī)模較大的上市倉儲企業(yè)。通過國泰安等數(shù)據(jù)庫以及相關(guān)資料的查詢及搜集，收集到了該企業(yè)與相關(guān)企業(yè)已經(jīng)完成的18個倉單質(zhì)押融資業(yè)務(wù)詳細(xì)資料。在倉單質(zhì)押融資評估指標(biāo)體系中，包括定性指標(biāo)和定量指標(biāo)。對于定性指標(biāo)，采用專家打分法進(jìn)行量化，評分范圍為[0，1]。正向指標(biāo)取值越大、風(fēng)險越大，其歸一化公式為。逆向指標(biāo)代表取值越大、風(fēng)險越小，其歸一化公式為為第i個指標(biāo)的歸一化值，xi為第i個指標(biāo)的輸入樣本，xmax為第i個指標(biāo)的最大值，xmin為第i個指標(biāo)的最小值。

通過以下專家打分法獲得樣本數(shù)據(jù)過程：（1）選擇專家。其中包括5名倉單質(zhì)押融資領(lǐng)域的大學(xué)教授、15名從事倉單質(zhì)押融資的企業(yè)管理人員和5名銀行融資風(fēng)險控制部門的專職人員。（2）向?qū)＜姨峁﹤}單質(zhì)押融資相關(guān)企業(yè)以及行業(yè)的背景資料，以匿名方式征詢專家意見，并對各個指標(biāo)的風(fēng)險級別以及每個倉單質(zhì)押融資業(yè)務(wù)整體風(fēng)險進(jìn)行打分。（3）對專家意見進(jìn)行分析匯總，將統(tǒng)計結(jié)果反饋給專家，經(jīng)過多輪匿名征詢和意見反饋，形成最終分析結(jié)論。對每位專家的最終風(fēng)險評估打分表進(jìn)行處理，每一個風(fēng)險指標(biāo)以及每個倉單質(zhì)押融資業(yè)務(wù)整體風(fēng)險取所有專家的算術(shù)平均數(shù)，得到最終倉單質(zhì)押融資風(fēng)險指標(biāo)數(shù)據(jù)表。將評價結(jié)果分為5個級別，即[可忽略風(fēng)險、較低風(fēng)險、中度風(fēng)險、較高風(fēng)險、不容許風(fēng)險]，對應(yīng)的風(fēng)險區(qū)間為（0，0.2］、（0.2，0.4］、（0.4，0.6］、（0.6，0.8］、（0.8，1.0］。

具體歸一化數(shù)據(jù)如表2所示。

（三）模型訓(xùn)練及結(jié)果

筆者使用MATLAB軟件中的SVM功能，同時安裝LIBSVM工具箱。在MATLAB環(huán)境下能運(yùn)行LIBSVM函數(shù)，對樣本數(shù)據(jù)的訓(xùn)練，得到支持向量機(jī)回歸模型。使用的版本為MATLAB～R2015b和LIBSVM～3.1～[Faruto Ultimate3.1Mcode]。

收集的樣本數(shù)據(jù)進(jìn)行劃分，前16個樣本數(shù)據(jù)作為評估模型的樣本對其進(jìn)行訓(xùn)練，A17和A18兩組數(shù)據(jù)為檢驗(yàn)樣本。雖然LIBSVM工具箱的參數(shù)有默認(rèn)值，但還需要選擇相應(yīng)的參數(shù)（懲罰參數(shù)C和核函數(shù)參數(shù)g）。筆者使用K～fold交叉驗(yàn)證得到最優(yōu)參數(shù)C和g，懲罰參數(shù)C取1.6211和核函數(shù)參數(shù)g=0.25。同時選用徑向基函數(shù)作為核函數(shù)訓(xùn)練模型，結(jié)果見表3。

表2 歸一化倉單質(zhì)押融資風(fēng)險指標(biāo)數(shù)據(jù)

表3 數(shù)據(jù)檢驗(yàn)結(jié)果

通過觀察發(fā)現(xiàn)，采用支持向量機(jī)模型得到的回歸值與專家打

四、結(jié)束語

倉單質(zhì)押融資是我國中小企業(yè)融資的重要方式和組成部分，在我國中小企業(yè)融資領(lǐng)域占有重要的地位。但是由于近年來的市場環(huán)境等因素的不確定性，導(dǎo)致融資風(fēng)險不斷加大，所以對風(fēng)險的評估顯得越來越重要。筆者首先對融資風(fēng)險的相關(guān)研究進(jìn)行了概述；隨后，通過調(diào)查問卷構(gòu)建了一套倉單質(zhì)押風(fēng)險評估體系；最后，將基于支持向量機(jī)的機(jī)器學(xué)習(xí)算法運(yùn)用到倉單質(zhì)押融資評估中，構(gòu)建了倉單質(zhì)押融資風(fēng)險評估模型，并進(jìn)行了實(shí)證研究。研究結(jié)果表明，基于支持向量機(jī)的倉單質(zhì)押風(fēng)險評估模型，具有較高的訓(xùn)練效率和精度。同時能夠?yàn)樯虡I(yè)銀行、倉儲企業(yè)、融資企業(yè)提供科學(xué)的決策支持。分值幾乎吻合，相對誤差較小，證明支持向量機(jī)模型的學(xué)習(xí)效果很好，可以在倉單質(zhì)押融資風(fēng)險評價領(lǐng)域運(yùn)用。