大数据视角下供应链金融风险管理探析

欲了解更多供应链金融行业的未来发展前景，可以点击查看中研普华产业院研究报告《2023-2028年中国供应链金融行业发展分析与投资前景预测报告》。

(相关资料图)

一、数字化发展将助推供应链金融实现新突破

数字化发展将助推供应链金融实现新突破。

（1）互联网和电子商务使得供应链管理更加科学、高效。提升供应链管理和运营效率，可使得供应链上的信息整合和资源对接更加便利高效，为供应链金融发展进一步提供了坚实的基础。目前国内外许多大型企业都建立了电子商务供应链管理体系，依托信息技术和互联网优化供应链管理和信息整合，如戴尔、通用电气、海尔等。

（2）区块链可以助力提升供应链金融业务的安全性和有效性。由于信息不对称等因素影响，交易背景的真实性审查成为供应链金融业务中的一大风险隐患。而区块链具有分布式存储、数据公开透明、不可篡改等特征，可用于建立电子交易的识别和共享平台，在提高票据流转效率的同时，通过搭建场景建立供应链金融服务中的信任。

（3）人工智能、大数据等应用可以优化供应链金融服务效率。供应链金融的本质是以核心企业为切入点，在产业链条中发现并充分利用信用数据。基于大数据、人工智能等应用，可优化上下游企业授信、还款数据整合并实现动态调整，从而提升企业资质和还款能力评估，提高金融服务效率。

二、大数据视角下供应链金融模式的发展与创新

1、互联网供应链金融的交易结构更趋丰富、复杂

伴随着先进技术的逐步渗透，供应链金融业务模式也在不断升级和转型。供应链金融从以核心企业为信用支撑的传统线下模式，转向ERP与供应链上下游对接的线上化供应链金融，再到综合平台化的供应链金融，发展成为今天基于产业层次、去“中心化”的数字化供应链金融。

供应链金融将以产业互联网为基础，充分结合云计算、物联网、大数据、人工智能、区块链等技术，渗透到供应链的管理和运营过程中，实现供应链全过程的信息化、数字化、集成化和自动化，实现供应链金融向智慧化的转型升级。

2、提供供应链金融服务的参与主体呈现多元化趋势

随着我国供应链市场的加速发展，市场参与主体也呈现多元化特征，由单一金融机构拓展到多种类型的参与主体。根据万联供应链金融研究院和中国人民大学中国供应链战略管理研究中心联合发布的《2019中国供应链金融调研报告》的数据显示：供应链管理服务公司、B2B平台和商业银行数量规模占据市场前三，合计占比56.86%。

按照参与主体性质来看，在供应链金融的各参与主体中，民营企业是主要参与者，占总体参与主体数量的62%。

按参与主体融资规模来看，参与主体融资规模整体较小，融资规模在1-100亿之间的比例高达75.95%。大多数企业融资规模在1-10亿和10-50亿之间，占比分别为27.21%和24.05%。

3、互联网供应链金融强化了信息的管理

在供应链金融运行过程中，风险控制是大数据应用的核心。信用管理的实质是通过对信息的不断筛选，对信用主体的风险等级进行评估，有针对性地采取不同的授信策略。通过使用多层次、多维度的数据，大数据可以帮助企业有效地实现融资主体的交叉验证，信息数据越广泛，融资主体的风险画像就越明确。

随着大数据技术的应用，供应链金融将发展成为以数据流和信息流为手段，以物流和资金流为基础，兼具资金融通、支付和信息中介功能的综合性金融业态。这一模式可以有效地解决供应链金融中存在的信息不对称、交易成本高、风险控制不完善、模式单一等问题，为供应链金融创造更大的发展空间。

三、大数据视角下供应链金融风险管理的特点与难点

1、操作风险

供应链管理为供应链金融提供了保障。供应链金融要求的数据化、操作封闭性、授信用途定向性等，都要求供应链管理作为基础。一是借助供应链管理，依据交易数据实现授信额度管理及风险实时控制，达到供应链金融数据化的要求；二是借助供应链管理，依据对信息流、物流、资金流“三流合一”的全程监控，达到供应链金融操作封闭性的要求；三是借助供应链管理，依据全流程的订单跟踪管理，确保贸易真实性，达到金额、时间、交易双方等信息匹配，达到供应链金融授信用途定向性的要求。

2、信用风险

信用风险是指在商业活动中由于借款者（债务人）未能满足合同要求而给贷款者（债权人）带来经济损失的风险。由于信用风险是以借款者还款能力和还款意愿为基础，因此，计算出借款者的资产价值多少，未来现金流的大小，和还款意愿强弱是度量信用风险的关键。按照借款者类别，信用风险基本可以分为政府、大中型企业、小微型企业、个人几类，融资难问题主要体现为小微企业的融资难，因为缺乏资产的小微企业其信用风险更多地还是与企业所有人的信用和资产相挂钩。因此，从这个角度来说，针对供应链上的“长尾”——小微企业的信用评估是针对企业主个人的信用评估的延伸。

大数据应用于金融业务风险控制的国内外实践。传统的信用评估模型虽然在进行信用风险管理过程中发挥了很大的作用，但在大数据背景下出现更多的信息维度，除了交易数据本身以外，还有大量的如企业用水用电、企业高管人员日常行为等行为数据，传统信用评估模型解决问题的能力越来越受限。