供应链金融风险评估研究综述

——基于知识图谱技术

来源:《系统工程理论与实践》时间:2023-10-12


图源摄图网

摘要:供应链金融作为一种面向供应链上所有成员企业的系统性金融服务,重在解决中小微企业融资难、融资贵问题。但长期以来相关参与主体信息不对称问题导致其风险频发,特别是风险评估技术相对滞后,使得供应链金融难以得到有效推广。因此,供应链金融风险评估成为业界亟需解决和学界广泛研究的热点问题。本文主要从供应链金融风险评估相关文献着手,通过知识图谱技术从152篇中文文献和61篇英文文献中提取知识,并进行可视化分析。一方面探究了供应链金融风险评估的研究现状,发现现有研究存在研究视角片面、研究对象单一、研究数据样本小、研究模型性能和可解释性不足等问题;另一方面展望供应链金融风险评估的研究趋势,主要包括以下问题有待深入探究:如何多渠道采集结构化、半结构化和非结构化数据,并对其进行有效整合,以及实现隐私数据的信息安全共享。如何从互联网经济活动所产生的海量数据中挖掘供应链金融风险关联知识,并从中提取风险特征,以此建立高维度、细粒度的供应链金融风险评估指标体系。如何运用深度学习方法来提升供应链金融风险评估模型的整体性能,并通过解析风险特征的重要性和边际效应来确保模型的可解释性。
关键词:供应链金融;知识图谱;大数据;指标体系;深度学习

一、研究背景与意义

供应链金融实现了中小微企业融资结构和现金流优化,以及核心企业资金的可视性,这不仅增强了中小微企业的融资能力,而且促进了供应链的稳定发展。因此,在供应链金融推出之初便得到了金融机构的普遍认可和积极推广。然而,近年来供应链金融“暴雷”事件频发,其中2019年诺亚财富34亿元私募基金延期兑付,该基金底层资产是基于公司之间应收账款形成的供应链融资;2019年福建闽兴医药有限公司22亿元供应链融资造假;2022年雪松控股导致200亿元供应链金融信托产品兑付逾期。一时间,众多金融机构对供应链金融望而却步,供应链金融风险评估也因此成为最热门的话题之一,并引起了学者们的广泛关注。

在此背景下,有必要对供应链金融风险评估的研究现状进行全面梳理,探讨其未来发展趋势,为供应链金融风险评估领域的理论和实践发展提供有价值的参考。

二、主要内容

1. 文献采集与筛选
首先,考虑到文献数据库本身的完整性,本文选取中国知网(China National Knowledge Infrastructure, CNKI)和科学引文索引网(Web of Science, WOS)两个数据库分别作为中文和英文文献检索来源。其次,对供应链金融相关关键词和风险评估相关关键词进行自由组合,并依次作为搜索条件从数据库中采集文献。最后,经过去重、删除仅简单提及风险评估的文献等步骤后,本文最终筛选了152篇被“中文社会科学引文索引(Chinese Social Sciences Citation Index, CSSCI)”以及“北大核心索引”分别或同时检索的中文文献、61篇被“科学引文索引(Science Citation Index, SCI)”以及“社会科学引文索引(Social Sciences Citation Index, SSCI)”分别或同时检索的英文文献。

通过以上筛选流程,本文所获取文献的发表时间处于2005年1月至2022年1月之间。为便于观测供应链金融风险评估研究相关文献的发表趋势,本文将其趋势进行描绘,发现供应链金融风险评估研究领域的发文量整体呈上升趋势。其中,中英文文献发文量均在2021年达到顶峰。由于文献采集截止至2022年1月,所以2022年的文献数量相对较少。

2.关键词聚类可视化图谱分析
关键词体现了一篇学术论文的核心和焦点问题。本文采用LLR算法对获得的关键词进行聚类,并使用关键词聚类进行命名。在关键词聚类中,关键词的重要度量指标是中介中心性,关键词的中介中心性越大表示它在网络中的影响越大。表1列出了供应链金融风险评估研究领域中介中心性排名前10的中英文关键词。

可以看出,绝大多数关键词与供应链金融风险评估研究领域有显著关联性,但“数据挖掘”、“machine learning”、“internet of things”、“big data”、“genetic algorithm”、“ensemble machine learning”、“bp neural network”等关键词看似与该研究领域毫无关联。因此,本文提取这些关键词所对应的文献,并进行深入分析,发现数据挖掘、机器学习、物联网技术与大数据有助于提高供应链金融风险评估水平。

对CNKI和WOS数据库获得的文献分别进行关键词聚类分析,得到QCNKI=0.7489,SCNKI=0.7135;QWOS=0.8821,SWOS=0.9384。根据Newman和Rousseeuw的研究结论可知:Q∈[0, 1),当Q>0.3时,表示聚类结构显著,Q越趋近于1表示越显著;S∈[-1, 1],当S越趋近于1时,聚类效果越好,通常当S>0.5时,表示聚类结果合理,当S>0.7时,表示聚类结果可信度高。由此可见,本文关键词聚类结构显著,且结果令人信服。聚类可视化结果如图1和2。


图1  2006年1月-2022年1月CNKI数据库供应链金融风险评估中文文献知识图谱


图2  2005年1月-2022年1月WOS数据库供应链金融风险评估英文文献知识图谱

3. 关键词突现可视化图谱分析
为进一步探寻供应链金融风险评估研究趋势,本文基于Kleinberg突发检测算法进行关键词突现可视化图谱分析。关键词突发强度以及出现和结束时间如表2与3所示,表中白色部分表示关键词出现的整体时间跨度,黑色部分为关键词突现阶段。

从表2和3可以看出:(1) 2009年之前,中文文献未出现明显受关注的关键词,英文文献虽有关键词突现,但突现时间较短,说明2009年之前还未形成可持续的研究热点;(2) 2009年到2018年,中文文献中除“风险”这一关键词之外,其它关键词突现时间跨度相差无几,且时间周期存在一定重叠,由此可见中文文献的研究热点存在持续更迭,而英文文献中所有关键词的突现持续时间均较短,且突现间隔时间长,可以看出英文文献的研究视角在不断改变;(3) 2019年至今,中文文献中“预警模型”以及英文文献中“genetic algorithm”和“machine learning”关键词出现突现,可见中英文文献的研究热点都集中在风险评估模型构建方面;(4) 中文文献中“中小企业”和英文文献中“core enterprise”的强度最高,说明中英文文献所关注的风险主体存在一定的分歧。

三、主要结论

1. 研究现状
基于以上关键词聚类可视化图谱分析,并通过分析对应的文献资料,本文将从研究视角、研究对象和研究方法三个方面对供应链金融风险评估研究现状展开探讨:

一是研究视角较片面,从图2中簇#1 supply chain可看出现有文献主要从供应链视角展开相关研究。具体而言,现阶段供应链金融风险评估研究主要从供应链风险传染机制和供应链财务风险两个视角展开,而忽视了其金融属性。

二是研究对象较单一,从图1中簇#5中小企业、簇#6借款人和图2的簇#3 core enterprise可以看出现有文献主要针对中小企业和核心企业展开研究。但供应链金融参与主体中除核心企业、中小企业外,还会因供应链应用场景、金融模式和业务阶段的不同出现新的参与主体,所以应针对供应链金融在不同应用场景、融资模式和业务阶段分别构建风险评估指标体系。

三是研究方法存在一定局限性,从表1中机器学习相关关键词和图1中簇#4区块链可以看出现有文献在实证分析研究中,主要通过机器学习和区块链技术来提升供应链金融风险评估水平。但以上两类方法在实践中存在一定的局限:一方面基于机器学习构建的风险评估模型面对多源异构大数据,其准确性、鲁棒性、泛化能力、可解释性将受到质疑;另一方面区块链技术仅能确保数据的真实可靠性,但无法获取海量数据。此外,提取簇#11物联网技术和图5中簇#9 internet of things中的相关文献,分析发现已有学者开始尝试将物联网技术与机器学习或者区块链结合,以提高供应链金融风险评估水平。

2. 研究趋势
从供应链金融风险评估研究现状分析可以得出,现有研究存在数据样本小、指标体系不完善、模型性能不佳和可解释性不足等问题;从关键词突现可视化分析可以发现,现阶段中英文文献的研究热点都聚集在预警模型构建这一研究主题。因此,本文将从数据、指标和模型等角度探索供应链金融风险评估研究的未来趋势。

一是针对研究数据样本小的问题,如何采集和整合多源异构大数据,并实现隐私数据的信息安全共享,以此拓宽数据范围、联通信息孤岛,从而为构建供应链金融风险评估指标体系和模型提供数据保障。

二是针对研究视角片面和研究对象单一的问题,如何从互联网经济活动产生的海量数据中挖掘供应链金融风险关联知识,并从中提取风险特征,以此建立多场景、多模式、多阶段的供应链金融风险评估指标体系,从而为客观、全面地刻画供应链金融风险提供依据。

三是针对研究模型性能和可解释性不足的问题,如何运用深度学习方法,并通过解析风险特征的重要性和边际效应,以此构建高性能和可解释的供应链金融风险评估模型,从而为制定精准、合理的风险控制决策提供路径。

四、边际贡献与未来拓展

目前,仅有部分学者运用传统文献计量方法对供应链金融风险相关文献进行了梳理和评述。但是仍存在三方面的不足:一是仅从风险度量和风险控制两个视角展开综述研究;二是未专门针对供应链金融风险评估这一主题进行文献的综述;三是传统文献计量仅简单统计和对比文献的数量。此外,有学者逐步开始尝试采用知识图谱技术分析供应链金融研究领域演化的潜在动力机制,但是此类文献未针对供应链金融风险评估提出具体的研究趋势。在此背景下,本文通过知识图谱技术对相关中英文文献进行关键词聚类和关键词突现分析,并全面梳理相关文献,探究供应链金融风险评估研究现状和趋势。

但是本文所展现的文献综述知识图谱存在不能实时更新文献、及时捕捉研究热点和自动生成综述报告等问题。在今后的研究中,我们将改进现有知识图谱技术,力图构建知识图谱文献综述自动分析系统。

 

本文摘编自《系统工程理论与实践》第43卷第3期论文《供应链金融风险评估研究综述——基于知识图谱技术》(点击题目链接全文)
作者:祝由1,3, 副教授,博士,研究方向:企业理财与资本运营,金融工程与风险管理,供应链金融;贾冉1,硕士研究生,研究方向:金融工程与风险管理,供应链金融;王纲金1,2,3, 副教授,博士,研究方向:金融工程与风险管理,复杂金融网络,系统性风险;谢赤1,2,3
        1. 湖南大学 工商管理学院, 长沙 410082;
        2. 湖南大学 金融与投资管理研究中心, 长沙 410082;
        3. 湖南大学 智慧经济与数字社会研究院, 长沙 410082