供应链风险:预测企业信用评级的崭新方法

投资者常常使用信用评级来评估个別公司的融资风险,但中小型企业往往被排除在评级行列之外。由香港中文大学商学院主导的一项研究通过纳入供应链因素以进行更全面精准的评估,从而创造公平的竞争环境并改变信用评级的整体格局

信用评级对一家公司如何融资及其资本结构有明显而直接的影响。投资者一般偏好评级较高的企业,因为它们的违约风险较低。因此企业都会尽力爭取更高的评级,以获得更好的融资选择。

然而,由于定期让信贷评级机构分析师进行评估的成本高昂,中小企业往往無法得到评级。同时,大多数中小企业并不会公开它们的财务报表。缺乏数据和评级,使这些公司在进行融资时处于不利的位置。

为了解决信用评级中的这个 "缺陷",香港中文大学(中大)商学院和剑桥大学的学者组成研究小组,开发出一种可靠稳健的方法,证明供应链信息本身可用于对企业的信用评级预测并有较高的准确性。在这个方法下,中小企业拥有定期向市场披露财务及营运信息的主要供应商或客戶,就有可能被评级,也意味着它们有更大机会获得条款较优厚的贷款。这一种方法也可能会影响监管部门、金融机构,还有供应链融资平台的决策。

为什么学者们在研究信用评级预测时选择专注于供应链因素?中大商学院决策科学与企业经济学系助理教授吴靖解释,近年来已有许多关于供应链合作伙伴对企业财务健康產生重大影响的研究。

由于中小企没有信贷评级机构的评级,而且大多数中小企不公开发布财务报表,这使得它们在获得融资方面处于不利地位。

吴教授指出:"我们已看到企业破产如何对其供应商的股价产生负面影响。我们也看到供应商的表现如何影响一家公司的资产价格。不仅如此,供应链上出现的变化也会影响到上下游的其他公司。因此我们可以想象,供应链上的所有信息,都能影响一家公司的信用评级,尽管影响程度不一。"

借助于机器学习

由于对一家公司进行分析并给出一个信用评级的过程耗时费力、需要大量人力跟资源,这已经成为一种只有大公司才负担得起的工具。人工智能和机器学习技术的新发展可望改变这种局面,塑造出更公平的竞争环境。

在最近的一项研究中,吴教授联同中大商学院决策科学与企业经济学系系主任周翔教授和剑桥大学经济系博士生张兆成,利用机器学习的方法,通过纳入供应链信息,开发了一个预测信用评级的算法模型。这项研究的题目是《利用供应链预测信用评级:一种机器学习的方法》。

"最近发表的经济学和金融学文献已证明了机器学习能非常有效地解决预测的问题,"周教授说。"通过使用机器学习的方法去分析与供应链有关的公开数据,我们的模型能明显地提高企业信用评级预测的准确性。 "

特别值得注意的是,这种方法可以应用于评估大量没有公开披露财务和营运数据的公司的信用评级,如果能够借助公有领域中有关这些公司的主要供应商及客户的资料进行分析。

研究人员开发的方法通过利用其主要供应链合作伙伴的财务和运营披露,例如向监管机构的披露,来评估中小企业的信贷评级。

"中小企业财务上一般比较紧绌,并且依赖外部融资来维持营运,因此,能夠以非传统方式去评估它们的信用评级,会帮助它们更容易地筹集到资金,"周教授说。

他另外指出,这些企业厘清了供应链因素如何影响它们的评级以后,就可以进一步调整经营和供应链战略,从而提升评级。

强大的可预测性

这次研究的样本包括1,134家美国非金融企业,使用的数据年份由2004年到2019年。有关资料主要来自Computstat资料库内的企业年报(Form 10-K),以及金融数据公司FactSet 的供应链关系资料库,这当中所涵盖信息来源广泛而全面,包括电话会议记录、新闻稿、网站等。平均而言,研究样本中的每家公司拥有11.56家供应商跟7.57家客户。

研究人员使用不同的机器学习模型,测试了他们所开发的独特模型的稳健性和准确度,确定它扎实可靠。他们在原本不包含供应链因素的基准模型之上加入供应链变量后,其信用评级预测的准确率提高了5%。此外,他们发现,模型可以通过单独使用供应链信息,不用考虑业本身的因素,已能夠相当准确地预测信用评级。

"这显示我们的方法有可能广泛地应用在沒有公开财务信息的公司,像中小企业,"吴教授说。

研究人员使用机器学习框架整合供应链资讯来开发预测信贷评级的演算法模型。

"这个新模型利用供应链方面的信息,就可以对中小企业进行信用评级。 这会帮助它们供应链上的合作伙伴和金融机构评估它们的风险,并设计出适合他们的独特金融产品和服务。"研究结果有一细节之处:对于对供应链依赖度比较高的公司,例如制造企业和零售业商户,供应链的信息在它们的信用评级预测中会更具重要性及影响力。这也是研究沒有选用本身业务几乎不依赖供应链的金融企业之原因。

加入供应链变量后,模型对零售企业及制造商的预测准确度分别上升大约8.5%及6.7%。对于零售业和制造业以外的行业,准确率提高不超过4%。这些差异可归因于对供应商和客户的不同依赖程度。对供应链上合作公司的依赖程度越高,财务上的关联性就越强。因此,信用风险便在供应链上的传播就更显著。

监管部门和政府也应该关注有关信用风险在供应链上传播的新研究。因为当一家公司违约,其信用风险就可能会经由供应链蔓延到其他公司,引发对实体经济更大的影响。这项研究可以帮助向监管部门建议,说明他们应该更密切地监控哪类公司的信用评级,防止风险溢出。另一方面,中小企业支撑着全球就业市场的半边天,却往往因为缺乏信用评级而在传统融资市场中受尽冷落。这次研究结果可以帮助政府制定政策,协助中小企业降低融资成本。最后,研究人员表示,政府应该推广使用这类利用供应链数据和机器学习算法的自动化信用评级,提高金融包容性、促进经济发展。