基于BPSO-RF的航運(yùn)企業(yè)信用風(fēng)險(xiǎn)評(píng)價(jià)研究

匡海波 程躍輝 孟斌

摘 要：航運(yùn)企業(yè)是實(shí)現(xiàn)“一帶一路”倡議的“橋頭堡”，是助力“交通強(qiáng)國(guó)”、“海運(yùn)強(qiáng)國(guó)”等國(guó)家戰(zhàn)略的“前哨兵”。本文從航運(yùn)企業(yè)的財(cái)務(wù)指標(biāo)和非財(cái)務(wù)指標(biāo)兩方面出發(fā)構(gòu)建航運(yùn)企業(yè)信用風(fēng)險(xiǎn)評(píng)價(jià)指標(biāo)體系，以中國(guó)上市航運(yùn)企業(yè)2016-2020年的季度數(shù)據(jù)為研究對(duì)象，通過(guò)離散二進(jìn)制粒子群優(yōu)化算法構(gòu)建BPSO-RF模型，測(cè)度航運(yùn)企業(yè)的信用風(fēng)險(xiǎn)。結(jié)果表明，中遠(yuǎn)海特由于企業(yè)盈利能力和償債能力表現(xiàn)不佳，致使自身成為信用得分倒數(shù)第一的企業(yè)，而海峽股份由于自身良好的償債能力和外部較好的宏觀(guān)環(huán)境，是企業(yè)信用風(fēng)險(xiǎn)得分第一的主要原因。

關(guān)鍵詞：航運(yùn)企業(yè);信用風(fēng)險(xiǎn)評(píng)價(jià);隨機(jī)森林

中圖分類(lèi)號(hào)：U692? ? ? ? ? ? ?文獻(xiàn)標(biāo)識(shí)碼：A? ? ? ? ? ? 文章編號(hào)：1006—7973（2021）06-0057-04

1 引言

黨的十八大以來(lái)，習(xí)近平總書(shū)記先后12次視察航運(yùn)企業(yè)，對(duì)新時(shí)代航運(yùn)業(yè)發(fā)展寄予厚望，指出“經(jīng)濟(jì)要發(fā)展，國(guó)家要強(qiáng)大，交通特別是海運(yùn)首先要強(qiáng)起來(lái)”。我國(guó)始終貫徹“一帶一路”、“海運(yùn)強(qiáng)國(guó)”的國(guó)家戰(zhàn)略，“強(qiáng)國(guó)”的基礎(chǔ)是經(jīng)濟(jì)，經(jīng)濟(jì)的增長(zhǎng)離不開(kāi)貿(mào)易，而貿(mào)易的最重要載體就是航運(yùn)。航運(yùn)業(yè)始終處于國(guó)際市場(chǎng)的前沿，是國(guó)際經(jīng)濟(jì)走向的晴雨表。

航運(yùn)業(yè)又是極具風(fēng)險(xiǎn)性的行業(yè)。2020年，航運(yùn)企業(yè)受到新冠肺炎疫情和中美貿(mào)易戰(zhàn)的影響，航運(yùn)企業(yè)融資由“寒冬期”進(jìn)入“冰河時(shí)代”。因此，急需構(gòu)建一套科學(xué)合理的航運(yùn)企業(yè)信用風(fēng)險(xiǎn)評(píng)價(jià)方法，以解決航運(yùn)企業(yè)的融資難題。在此背景下，本文從航運(yùn)企業(yè)的特點(diǎn)出發(fā)，通過(guò)基于離散二進(jìn)制粒子群優(yōu)化算法優(yōu)化的隨機(jī)森林模型（BPSO-RF）建立航運(yùn)企業(yè)的信用風(fēng)險(xiǎn)評(píng)價(jià)模型。

2 基于BPSO-RF的信用風(fēng)險(xiǎn)評(píng)價(jià)模型

本文將隨機(jī)森林CART樹(shù)個(gè)數(shù)和CART樹(shù)的最大深度作為離散二進(jìn)制粒子群的優(yōu)化目標(biāo)，隨機(jī)森林中預(yù)測(cè)錯(cuò)誤的樣本個(gè)數(shù)作為BPSO優(yōu)化算法中的適應(yīng)度函數(shù)，具體的構(gòu)建步驟如下：

Step1：初始化隨機(jī)森林模型，設(shè)置CART樹(shù)個(gè)數(shù)為100，不限制CART樹(shù)的最大深度;

Step2：根據(jù)隨機(jī)森林的結(jié)構(gòu)隨機(jī)產(chǎn)生一個(gè)初始粒子群和與之對(duì)應(yīng)初始速度，粒子群中的每個(gè)個(gè)體都編碼為二進(jìn)制串，這些二進(jìn)制串中都包含了隨機(jī)森林的CART樹(shù)個(gè)數(shù)和CART樹(shù)的最大深度的信息;

Step3：將初始粒子群解碼并輸入到隨機(jī)森林中進(jìn)行訓(xùn)練，計(jì)算初始粒子群的每個(gè)粒子的適應(yīng)度值，記錄個(gè)體歷史最優(yōu)值和群歷史最優(yōu)值。計(jì)算個(gè)體的位速度得到新的粒子群，將新的種群重新二進(jìn)制編碼后再次輸入到隨機(jī)森林中進(jìn)行適應(yīng)度的計(jì)算。循環(huán)此過(guò)程直到模型的預(yù)測(cè)達(dá)到預(yù)期效果或循環(huán)達(dá)到了最大迭代過(guò)程，結(jié)束B(niǎo)PSO優(yōu)化算法。

Step4：將最終得到CART樹(shù)個(gè)數(shù)和CART樹(shù)最大深度輸入到隨機(jī)森林中，可將隨機(jī)森林的性能優(yōu)化到最好。

3 實(shí)證研究

3.1樣本選取和數(shù)據(jù)來(lái)源

選取2016-2020五年間每個(gè)季度的航運(yùn)上市企業(yè)數(shù)據(jù)為實(shí)證樣本，樣本數(shù)據(jù)來(lái)源于同花順行業(yè)分類(lèi)板塊中的交通運(yùn)輸業(yè)的子行業(yè)航運(yùn)企業(yè)。五年間航運(yùn)上市企業(yè)共22家，本文對(duì)原始航運(yùn)企業(yè)進(jìn)行缺失值統(tǒng)計(jì)，除掉數(shù)據(jù)缺失超過(guò)20%的航運(yùn)企業(yè)樣本。共獲得376個(gè)樣本。其中，18個(gè)樣本為風(fēng)險(xiǎn)航運(yùn)企業(yè)，358個(gè)樣本為非風(fēng)險(xiǎn)企業(yè)。將獲取的376個(gè)航運(yùn)企業(yè)樣本經(jīng)過(guò)標(biāo)準(zhǔn)化和缺失值處理。使用SMOTE算法對(duì)風(fēng)險(xiǎn)航運(yùn)企業(yè)進(jìn)行上采樣，人工生成340個(gè)風(fēng)險(xiǎn)樣本，樣本集總數(shù)為716個(gè)。將716個(gè)航運(yùn)企業(yè)樣本的數(shù)據(jù)集的70%作為訓(xùn)練集，30%作為測(cè)試集。

3.2航運(yùn)企業(yè)信用風(fēng)險(xiǎn)指標(biāo)體系構(gòu)建

本文梳理國(guó)內(nèi)外相關(guān)文獻(xiàn)[1-4]，選取了16個(gè)財(cái)務(wù)指標(biāo)，8個(gè)非財(cái)務(wù)指標(biāo)，評(píng)價(jià)指標(biāo)體系如表1所示。

在利用相同測(cè)試集進(jìn)行訓(xùn)練的條件下，將BPSO-RF模型同RF模型、SVM（支持向量機(jī)）模型、LR（邏輯回歸）模型、DT（決策樹(shù)）模型進(jìn)行比較。結(jié)果表明，SVM模型、LR模型、DT模型在相同測(cè)試集中，模型準(zhǔn)確率和AUC值均低于0.75，說(shuō)明SVM模型、LR模型、DT模型都不適合作為航運(yùn)上市企業(yè)信用風(fēng)險(xiǎn)評(píng)價(jià)模型。RF模型的評(píng)估結(jié)果均好于SVM模型、LR模型、DT模型，評(píng)估結(jié)果均高于82%。說(shuō)明RF模型對(duì)航運(yùn)上市企業(yè)信用風(fēng)險(xiǎn)評(píng)價(jià)中效果較好。

本文使用粒子群算法對(duì)RF模型進(jìn)行優(yōu)化，其中，BPSO-RF模型總體的準(zhǔn)確率為91.40%，召回率為92.16%，精確率為92.16%，AUC值為0.913。對(duì)比RF模型評(píng)估結(jié)果，本文使用的BPSO-RF模型對(duì)于航運(yùn)企業(yè)信用風(fēng)險(xiǎn)的預(yù)測(cè)全面優(yōu)于RF模型，且提升較為明顯。

3.4評(píng)價(jià)指標(biāo)重要性分析

由圖1圖2可知，企業(yè)償債能力、盈利能力和企業(yè)基本情況平均得分較好，分別為0.084、0.057和0.055，平均得分占比分別為27%、18%和18%，說(shuō)明航運(yùn)企業(yè)信用風(fēng)險(xiǎn)狀況主要受企業(yè)償債能力、盈利能力和企業(yè)基本情況的影響。企業(yè)營(yíng)運(yùn)能力、成長(zhǎng)能力平均得分較差，分別為0.035、0.030和0.009，平均得分占比分別為11%、10%和3%，說(shuō)明航運(yùn)企業(yè)信用風(fēng)險(xiǎn)狀況受其營(yíng)運(yùn)能力、成長(zhǎng)能力和信用情況的影響較少。由于企業(yè)自身對(duì)失信行為等負(fù)面新聞的披露情況較少，數(shù)據(jù)收集并不完全準(zhǔn)確，使得企業(yè)的信用情況占比最少。

3.5典型企業(yè)分析

以2020年航運(yùn)上市企業(yè)為研究對(duì)象，使用構(gòu)建的BPSO-RF模型對(duì)企業(yè)進(jìn)行評(píng)價(jià)，企業(yè)信用風(fēng)險(xiǎn)得分，結(jié)果如表3所示。

剔除數(shù)據(jù)缺失超過(guò)20%的企業(yè)，2020年航運(yùn)上市企業(yè)共有18家，信用得分高于0.9的航運(yùn)企業(yè)有3家，得分低于0.5的航運(yùn)企業(yè)僅有1家。中遠(yuǎn)海特信用得分最低為0.402，海峽股份信用得分最高為0.980。航運(yùn)企業(yè)信用風(fēng)險(xiǎn)平均的得分為0.748。雖然2020年航運(yùn)企業(yè)受世界新冠疫情影響比較嚴(yán)重，但2020年下半年，由于中國(guó)疫情控制得當(dāng)，全球?qū)τ谥袊?guó)物資需求旺盛，造成了集裝箱市場(chǎng)少見(jiàn)的運(yùn)費(fèi)增長(zhǎng)高峰期，是航運(yùn)運(yùn)輸業(yè)信用風(fēng)險(xiǎn)狀況較好的原因。接下來(lái)重點(diǎn)介紹信用狀況最差的中遠(yuǎn)海特和信用狀況最好的海峽股份的信用風(fēng)險(xiǎn)情況。

2020年，受世界新冠疫情影響，中遠(yuǎn)海特自有及租入的多用途船共實(shí)現(xiàn)營(yíng)業(yè)收入人民幣22.38億元，同比減少18.08%;實(shí)現(xiàn)船隊(duì)營(yíng)業(yè)利潤(rùn)人民幣-0.90億元，同比減虧0.08億元。重吊船共實(shí)現(xiàn)營(yíng)業(yè)收入人民幣12.78億元，同比減少8.19%;重吊船實(shí)現(xiàn)營(yíng)業(yè)利潤(rùn)人民幣-0.49億元，同比減少0.68億元。由圖3可知，2020年企業(yè)償債能力和盈利能力準(zhǔn)則層下的5個(gè)正向二級(jí)指標(biāo)級(jí)企業(yè)流動(dòng)比率、速動(dòng)比率、銷(xiāo)售凈利率、銷(xiāo)售毛利率和總資產(chǎn)凈利率均遠(yuǎn)低于行業(yè)均值，企業(yè)資產(chǎn)負(fù)債率1個(gè)負(fù)向指標(biāo)高于行業(yè)均值。企業(yè)盈利能力和償債能力不佳是中遠(yuǎn)海特信用得分較低的主要原因。

海峽股份是海南航運(yùn)龍頭。2019年起，企業(yè)運(yùn)營(yíng)模式由“大輪班”模式改為“班輪化運(yùn)營(yíng)”模式，實(shí)行定船舶、定航線(xiàn)和定班次，關(guān)注格局變化發(fā)揮企業(yè)管理優(yōu)勢(shì)。企業(yè)運(yùn)營(yíng)的西沙旅游航線(xiàn)在2019年和競(jìng)爭(zhēng)對(duì)手開(kāi)展合作營(yíng)銷(xiāo)，毛利首度轉(zhuǎn)正，未來(lái)隨著西沙航線(xiàn)產(chǎn)品豐富性增加以及由觀(guān)光游向休閑游轉(zhuǎn)變，西沙航線(xiàn)的盈利能力有望再上一個(gè)臺(tái)階。2020年，受疫情影響，海峽股份營(yíng)業(yè)總收入和客運(yùn)量出現(xiàn)下降，但是企業(yè)為應(yīng)對(duì)疫情帶來(lái)的影響，海峽股份積極調(diào)整和轉(zhuǎn)換運(yùn)營(yíng)與管理思路，拓展非主營(yíng)收入，減少不必要的開(kāi)支，挖掘利潤(rùn)空間。除數(shù)據(jù)缺失的已獲利息倍數(shù)指標(biāo)外，海峽股份的償債能力觀(guān)察圖4可知，2017-2020四年間企業(yè)流動(dòng)比率和速動(dòng)比率穩(wěn)步上升，資產(chǎn)負(fù)債率逐年下降，并且企業(yè)流動(dòng)比率和速動(dòng)比率遠(yuǎn)遠(yuǎn)高于行業(yè)均值，資產(chǎn)負(fù)債率為航運(yùn)企業(yè)中的最低值，良好的償債能力是海峽股份信用風(fēng)險(xiǎn)得分較高的主要原因。此外，海峽股份所在地海口的GDP指數(shù)和居民人均可支配收入較高，也是企業(yè)信用風(fēng)險(xiǎn)較好的原因之一。

4 結(jié)論

本文構(gòu)建了基于BPSO-RF模型的航運(yùn)上市企業(yè)信用風(fēng)險(xiǎn)評(píng)價(jià)模型。首先從企業(yè)的財(cái)務(wù)和非財(cái)務(wù)兩層面出發(fā)解析航運(yùn)企業(yè)信用風(fēng)險(xiǎn)關(guān)鍵影響因素，構(gòu)建了由24個(gè)評(píng)價(jià)指標(biāo)組成的航運(yùn)企業(yè)信用風(fēng)險(xiǎn)評(píng)價(jià)指標(biāo)體系。然后，選取航運(yùn)上市企業(yè)2016-2020五年間每個(gè)季度數(shù)據(jù)作為研究對(duì)象，依據(jù)模型關(guān)于各指標(biāo)重要性得分分析了信用風(fēng)險(xiǎn)評(píng)價(jià)指標(biāo)對(duì)航運(yùn)企業(yè)的影響。最后，對(duì)航運(yùn)企業(yè)的信用得分進(jìn)行測(cè)算，重點(diǎn)剖析信用得分最低的中遠(yuǎn)海特和得分最高的海峽股份的信用風(fēng)險(xiǎn)狀況。主要結(jié)論如下所示：

第一，航運(yùn)企業(yè)信用得分高于0.9的航運(yùn)企業(yè)有3家，得分低于0.5的航運(yùn)企業(yè)僅有1家。雖然2020年航運(yùn)企業(yè)受世界新冠疫情影響比較嚴(yán)重，但2020年下半年，由于中國(guó)疫情控制得當(dāng)，全球?qū)τ谥袊?guó)物資需求旺盛，造成了集裝箱市場(chǎng)少見(jiàn)的運(yùn)費(fèi)增長(zhǎng)高峰期，是航運(yùn)業(yè)信用風(fēng)險(xiǎn)狀況整體表現(xiàn)較好的原因。中遠(yuǎn)海特由于企業(yè)盈利能力和償債能力表現(xiàn)不佳，致使自身成為信用得分倒數(shù)第一的企業(yè)，而海峽股份由于自身良好的償債能力和外部較好的宏觀(guān)環(huán)境，是企業(yè)信用風(fēng)險(xiǎn)得分第一的主要原因。

第二，根據(jù)指標(biāo)的重要性分析，企業(yè)償債能力、盈利能力和企業(yè)基本情況平均得分較好，分別為0.084、0.057和0.055，說(shuō)明航運(yùn)企業(yè)信用風(fēng)險(xiǎn)狀況主要受企業(yè)償債能力、盈利能力和企業(yè)基本情況的影響。企業(yè)營(yíng)運(yùn)能力、成長(zhǎng)能力平均得分較差，分別為0.035、0.030和0.009，說(shuō)明航運(yùn)企業(yè)信用風(fēng)險(xiǎn)狀況受企業(yè)營(yíng)運(yùn)能力、成長(zhǎng)能力和信用情況的影響較少。

參考文獻(xiàn)：

[1] Shang S ， Zhao Y ， Chen Z M . Research on Risk Management in Ocean Transportation Enterprises Based on Game Strategy Model[J]. Journal of Coastal Research， 2020， 111（sp1）.

[2] Spicas R， Kanapickiene R， Vijunas M， et al. Development of Enterprise Credit Risk Assessment Model for Lithuanian Credit Unions[J]. Transformations in Business & Economics， 2018， 17（1）： 152-177.

[3]胡海青， 張瑯， 張道宏. 供應(yīng)鏈金融視角下的中小企業(yè)信用風(fēng)險(xiǎn)評(píng)估研究——基于 SVM 與 BP 神經(jīng)網(wǎng)絡(luò)的比較研究[J]. 管理評(píng)論， 2012， 24（11）： 70-80.

[4]孟斌， 楊越， 刁姝杰. 基于顯著區(qū)分兩類(lèi)客戶(hù)的小型建筑企業(yè)信用評(píng)價(jià)模型研究[J]. 系統(tǒng)工程理論與實(shí)踐， 2019（2）： 346-359.

基金項(xiàng)目：遼寧省社會(huì)科學(xué)規(guī)劃基金項(xiàng)目（L19CGL002）。