主页 关于我们 最新公告 往期目录 录用通知 精彩阅读 原创作品选编 投稿指南 汇款方式 联系我们
最新公告
《价值工程》现安排24年5月版面!01-22
2023年中国科技核心期刊目录09-21
《价值工程》投稿咨询电话!08-22
《价值工程》栏目设置07-22
《价值工程》文章细节要求:05-15
《价值工程》作者简介格式07-19

版权信息

版权信息:
杂志名称:《价值工程》
主管单位:河北省科学技术协会
主办单位:河北省技术经济管理现代化研究会
国际刊号:1006-4311
国内刊号:13-1085/N
邮发代号:18-2
责任编辑:张崇
咨询电话:18132119945
投稿邮箱:vezzs02@163.com

精彩阅读
基于上市公司财务数据的我国农业供应链金融风险防范实证研究

An Empirical Study on the Prevention of Financial Risks in China's Agricultural
Supply Chain Based on Financial Data of Listed Companies

柴正猛 CHAI Zheng-meng;王占宇 WANG Zhan-yu;司沛琳 SI Pei-lin
(昆明理工大学,昆明 650093)
(Kunming University of Science and Technology,Kunming 650093,China)

摘要:改革开放以来,作为国民经济基础的农业在我国取得了巨大的发展,实现了从吃不饱到吃得好的历史性跨越。然而,相对于第二、三产业的发展,由于过去长期实行农业反哺工业,城乡“二元结构”的政策体制,农业发展依然严重滞后于其他产业的发展。加之,农业受自然灾害等影响较大,使农业生产的风险加大,进一步导致对农业的投资严重不足。为此,本文通过对农业供应链金融模式及其风险防范的研究,运用主成分分析及二元Logistic回归方法,选取农业板块上市公司数据,合作客户在农业供应链金融产品领域的守约概率能被更准确地测量。该研究有助于降低银行贷款的信用风险,同时增加供应链系统的效益。
Abstract: Agriculture is the foundation of the national economy. Since the reform and opening up, agriculture has achieved rapid development in China and has achieved a historic leap from eating enough to eating well. However, relative to the development of the secondary and tertiary industries, due to the long-term implementation of the agricultural back-feeding industry and the "dual structure" policy system in urban and rural areas, agricultural development still lags behind the development of other industries. In addition, agriculture is greatly affected by natural disasters, which increases the risk of agricultural production and further leads to a serious shortage of investment in agriculture. Therefore, through the study of the agricultural supply chain financial model and its risk prevention, this paper uses principal component analysis and binary Logistic regression methods to select the data of listed companies in the agricultural sector. The cooperative customer's compliance probability in the agricultural supply chain financial product area can be measured more accurately. The study will contribute to reduce the credit risk of bank loans while increase the effectiveness of supply chain systems.
关键词:农业供应链金融;主成分分析;二元Logistic回归
Key words: agricultural supply chain finance;principal component analysis;binary Logistic regression
中图分类号:F83                                           文献标识码:A                                  文章编号:1006-4311(2019)01-0081-06

0  引言
农业是国民经济的基础,农业现代化的实现及“三农问题”的解决对中国实现现代化具有重要意义。现代农业的发展不仅需要科技方面的创新,同样需要来自金融方面的支持与创新,金融支持农业发展是金融作为现代经济核心的最重要的表现之一,金融创新同样提供了金融支持农业发展的多样化的选择。目前,中国农业发展面临的主要问题是缺乏资金支持,这主要体现在农业相关企业和农户融资难方面,而供应链金融的出现提供了一个解决这一问题的有效方法。
供应链金融指在人们为了满足供应链生产组织体系的融资需要而执行的交易融资和相关服务定价的活动,旨在加强整个供应链的信用状况,建立在核心企业和特定产品真实贸易的基础之上,降低了融资成本和风险,提高了中小企业和农户的信用水平,促进了金融服务的发展。农业供应链金融将上下游中小企业,农户和消费者的利益捆绑在一起,并以供应链上的特色农业和优势农产品的核心企业为中心,通过科学和理性地设计金融产品来满足供应链上各方面的融资需要,系统地解决农业供应链的总的协调运作。农业供应链金融已经被许多发展中国家发展用来减少农户金融排斥和扩大农村金融覆盖范围的一项重要举措。相关金融机构在供应链金融领域已经发起了具体的产品和服务创新,建立在国外商业模式研究的基础之上,一些国内的金融机构——比如龙江银行、中国农业银行等,已经基于农业发展的状态和相关区域农业发展的区域特征执行了以下的供应链服务模式:专业合作社+农户,公司+专业合作社/专业大户/基地+农户,公司+农户等。
本文通过对农业供应链金融模式及分险防范的研究,既体现了党和国家对“三农”问题的一贯重视,又是在2020年实现全面脱贫的大背景下进行的研究,选取了37家农业上市公司的2014~2016年的相关财务数据,形成拥有111个样本的数据,样本个数较以往的研究进行了扩容。主要运用二元Logistic回归和主成分分析较为准确地测算了合作客户在农业供应链金融产品方面的守约概率。不同于已有文献多采用ST定义企业是否违约,本文用Z值来定义农业供应链金融上市公司违约风险的高低,在公司的违约风险价值方面,Z值除了有很高的准确价值,同样在精准预测方面有优势,对已有供应链金融的研究进行了有效的补充和完善。其中,国外最近几年涌现出的一些关于供应链金融的研究具有代表性的有:Ying Chen[1](2012)阐述了金融创新服务产品—供应链金融的基本模式,探讨了供应链金融的风险。 采用模糊有序回归支持向量机对风险评估指标体系下的供应链金融风险进行分析,结果表明是有效的并且在未来能够进一步提高。Chang Xingjian等[2](2014)对中国的供应链金融行业进行了调查,并介绍了常用的金融产品,指出了中国供应链金融发展的障碍和不足。Martin R. Fellenz等[3](2009)基于从技术和服务提供商那里收集的关注全球供应网络问题的数据,确定并讨论了改进供应链金融挑战解决方案的要求。Guo Zhiyuan等[4](2018)研究了煤炭公司的资本约束,且面临收益不确定性的煤电供应链融资策略,提出了预付款机制。Xiangjun He等[5](2012)从不同的角度对供应链金融在中国的业务模式进行了分类并分析了相关业务模式存在的问题和不足。Zhi Gao Liao等[6](2015)通过建立博弈模型,分析了完善的信息博弈和双方应收账款融资模式,并使其达到纳什均衡。Yueliang Su等[7](2015)为了解决模拟供应链金融系统的实际运营问题,基于多Agent仿真技术的西蒙有限理性而不是绝对理性设计了供应链金融仿真模型。Yang Wang等[8](2012)研究分析了一类供应链金融体系,主要讨论了两种融资方式:直接融资和供应链金融融资。JunSheng Wang等[9](2017)分析了供应链金融的特点,阐述了区块链技术在供应链金融领域近年来的研究和应用,并对区块链技术在供应链金融中的应用进行了总结和预测。国内关于供应链金融的研究具有代表性的有:陈长彬等[10](2013)分析了影响供应链金融信用风险的各种因素,并且建立在3C理论的基础上筛选了供应链金融的信用风险评估指标,建立了相关评估体系。范黎波等[11](2014)介绍了在供应链金融模型中的一个神经模糊系统,构建了一个对中国中小企业信用风险评级的神经模糊模型。郭菊娥等[12](2014)主要运用理论研究法和比较研究法来加深对线上供应链金融的模式演进和风险因素的分析。李毅学[14](2011)将供应链金融的复杂风险总结为两类,即:系统和非系统性风险。建立在供应链金融风险评估基础之上建立了一个评估指标体系,并在供应链金融评估过程中运用层次分析法。邵娴[15](2013)提出了一种以“菜篮子”工程中的中心批发市场为核心发展农业供应链金融的新模式,并以马王堆蔬菜批发大市场为例进行了说明。屠建平等[17](2013)从电子商务平台供应链融资产生的背景及意义着手,比较和分析了在电子商务平台下的四种供应链金融模式和传统融资模式的不同。熊熊等[18](2009)研究了在供应链金融模式下的信用风险评价,提出一个考虑债项评级和主体评级的信用风险评估体系。张伟斌等[20](2012)从现金-现金流敏感性的视角,集中于供应链金融在中小企业融资约束发展的缓解作用方面进行研究。张丽达等[21](2013)提供了对于供应链金融业务的会计处理的理论和方法支持及对于构建供应链金融内容体系的微观视角支持。张敬峰等[22](2013)建立在供应链金融和产业共生的相互关系分析的基础上,提出了建立中国供应链金融情形的相关建议和措施,认为产业共生关系不仅对供应链金融提出要求,同样为供应链金融的运作和发展提供了基础。
尽管在国内外研究供应链金融方面的研究已经较为充分,但多数研究仍集中在对供应链金融模式的研究,从农业供应链金融上市公司为视角作为研究出发点的文献仍较少,而本文的研究正是对这一方面研究的有效补充和完善。本文的结构安排如下:第一部分对农业供应链金融的融资模式进行了介绍;第二部分识别和度量了农业供应链金融的风险;第三部分求解并分析了理论模型;最后为结论。
1  农业供应链金融融资模式
农业供应链金融业务在中国的发展主要包括:仓单质押融资,回购协议,保付代理,反向保付代理,具体如下:
1.1 仓单质押融资
在仓单质押融资模式中,融资企业不需要提供银行相应的信用记录,仅仅需要评估抵押品变现后的价值,并且用它作为融资之后首要的付款来源。因此,银行借贷的成功与否主要考虑可抵押资产的流动性。
1.2 回购协议
通过一个回购协议,商业银行不提供仓单抵押贷款服务,相反,商业银行直接从农户手里购买农产品并且与农户协商达成一个早期的购买协议,而该协议需要在回购协议中清楚地陈述,在未来特定的时间,用一个在协议中达成的确定价格或当未来交易时以当时市场的价格把特定数量的农产品专门卖给农户的一种方式。  
1.3 保理
保理业务指当上游提供商向下游企业销售农产品时,它直接转移由银行的上游提供者产生的应收帐款。在银行复审之后以贷款的形式向上游供应商提供资金服务和其他额外的金融服务。
1.4 反向保理
反向保理指高质量的核心企业和银行在供应链上签署合同协定并且在供应链上向相关农户执行保理融资服务。
2  农业供应链金融信用风险的识别和测算
农业供应链金融信用风险评估指标体系的设计:
本文从之前的研究结果中吸取经验,并且结合农业供应链金融自身的业务特征,15个指标变量被用来构建一个农业供应链金融风险评估指标体系,具体指标包括:
2.1 盈利能力
盈利能力指一个企业的获利能力,也被称为一个公司资本的增值能力,通常显示一个公司在给定期限内的盈利水平的高低。本文中指标的选取为:净资产收益率、总资产净利率、销售毛利率和净销售率。
2.2 偿债能力
偿债能力指一个企业用它的资产来偿付长期和短期债务的能力,公司是否有能力提供现金或偿还债务是一个公司得以生存和发展的关键。本文中指标的选取为:流动比率、速动比率、现金比率和资产负债比率。
2.3 成长能力
成长能力反映一个企业将来发展的前景,文中指标的选取包含:营业利润同比增长率、每股收益同比增长率、营业收入同比增长率。
2.4 运营能力
运营能力指企业通过建立在外部市场环境约束的情况下,结合内部人力资源和生产资料的分配重组,在财务目标的实现方面所起作用的大小。本文中指标的选取包括:流动资产周转率、总资产周转率、存货周转率和应收账款周转率。
表1是本文中所使用的根据财务指标划分的农业供应链金融风险评估指标。

3  农业供应链金融信用风险的Logistic模型分析
3.1 建立Logistic回归模型
Logistic模型假设企业的守约概率服从Logistic分布,并且在供应链金融信用风险评估指标体系中设定一系列指标(Xk,k=n)作为自变量,通过建立Logistic回归模型预测公司的守约概率P,在Logistic模型中因变量Y只有两个取值,分别为0和1,其中1为守约,0为违约。根据风险承受能力设定农业供应链金融公司的风险承受标准P*,P与P*作对比来决定是否合作企业的守约概率已经达到了合作的标准。
Logistic模型能被表示为:
假设有k个因素影响Y的取值,分别表示为X1,X2,…,Xk,则有
■=g(X1,X2,…,Xk)
这k个因素X1,X2,…,Xk为Logistic模型的自变量,因此Logistic回归模型则可以表示为:
■=B0+B1X1+...+BkXk
其中B0,B1,…,Bk是待估的未知参数,对上式进行整理可得:

对上述公式进行整理,则可得到企业的守约概率P的计算公式为:
p=■,i=1,2,3,…,k
该Logistic方程是一个增函数,取值范围为(0,1),P值越接近1,公司的信用越好,反之,则信用越坏。
3.2 主成分分析
Logistic回归分析对于模型中自变量的多维相关性较敏感,本文中上市公司的财务数据均来自万得资讯,所选指标有很高的相关性,当用Logistic回归分析时,在评估方程中将会出现多重共线性问题。因此,有必要用主成分分析法选取具有代表性的自变量,然后用Logistic回归模型来计算公司的守约率。
表2是将原始数据用spss软件进行的描述性统计,包括均值、标准差、极小值、极大值。

在表3中,球形检验x2的值为1187.7(自由度为105),达到显著水平,因此拒绝原假设。Sig值小于0.05,表明在总的相关矩阵中有共同因子,适合做因子分析。从表3的检验结果能得出KMO=0.572>0.5,适合做因子分析。Bartlett的球形检验Sig值为0.000小于0.05,表明各财务指标的相关性较强,适合做因子分析。

事实上,先前的变量相关系数表明存在多重共线性,此次检验是为了进一步考察变量之间的偏相关性,取值在0~1之间,如果达到0.5及以上,就能用主成分分析法,在此处取值为0.572,表明样本适合进行主成分分析。
表4为主成分解释方差统计,可以看到前5个成分特征值累计占了总方差的75.295%,后面的特征值的贡献度越来越小,一般情况下选择特征值大于1作为主成分的抽取条件。按此标准,得到5个主成分,其特征值分别为:4.036、2.965、2.056、1.217、1.021。
通过碎石图,我们能直观地观察到每个特征值的大小,在本图中,特征值为1的水平线表明需要保留的主成分分析分界点,同时强调了在本例中成分6~16是不重要的。
根据由主成分解释方差统计表提取的5个主成分,这5个主成分分别被命名为F1,F2,F3,F4和F5,主成分得分根据主成分系数得分矩阵计算出来,得出以下线性关系式:
F1=0.157X1+0.16X2+0.117X3+0.079X4+0.138X5+0.001X6+0.134X7+0.064X8-0.058X9-0.087X10-0.115X11+0.168X12+0.172X13+0.156X14-0.173X15
F2=0.204X1+0.212X2+0.045X3+0.157X4+0.193X5+0.086X6+0.184X7-0.132X8+0.019X9+0.106X10+0.102X11-0.197X12-0.192X13-0.152X14+0.084X15
F3=0.013X1+0.049X2-0.141X3+0.118X4-0.011X5+0.134X6-0.037X7+0.147X8+0.341X9+0.341X10-0.329X11+0.169X12+0.165X13+0.1X14-0.053X15
F4=-0.192X1-0.186X2-0.441X3+0.273X4+0.205X5+0.197X6+0.336X7+0.399X8-0.094X9-0.154X10-0.168X11+0.055X12+0.009X13-0.126X14+0.22X15
F5=0.076X1+0.12X2+0.337X3-0.06X4-0.212X5+0.654X6-0.225X7+0.225X8-0.397X9+0.091X10+0.041X11+0.104X12+0.063X13-0.129X14+0.233X15
在第一主成分的表达式中第十二、第十三、第十四、第十五项指标的系数较大,这四项指标起主要作用,我们可以把第一主成分看成是由流动比率、速动比率、现金比率、资产负债率所刻划的反映上市公司偿债能力的综合指标。
在第二主成分中,第一、第二项指标的影响大,因此可以把第二主成分看成是由净资产收益率、总资产净利率表示的反应上市公司盈利能力的综合指标。
在第三主成分中,第九、第十、第十一项指标大于其余的指标,可看成是受存货周转率、总资产周转率、流动资产周转率的影响,反映上市公司营运能力的综合指标。
在第四主成分中,第三、第四项指标的影响大,可看成是受销售毛利率、销售净利率的影响,反映上市公司盈利能力的综合指标。
在第五主成分中,第三、第六、第七、第九项指标的影响大,因此可以把第五主成分看成是由营业收入同比增长率、营业利润同比增长率表示的反映上市公司成长能力的综合指标。
Z值为模型中通常用来决定企业财务风险和违约风险的临界值。当Z值小于1.81时,企业面临的财务风险较严重,并且可能的违约和破产的概率极高;当Z值大于1.81,小于2.675时,公司的财务状况不清楚,并且它的运作状况不稳定;当Z值高于2.675时,公司的财务状况相对健康,违约和破产的可能性极小。本文用Z临界值来定义企业商业信用风险的大小,相比于一般研究用ST来定义企业是否违约,Z值不仅有更高的准确性,同时在具体的预测方面有优势。除此之外,ST公司承受了连续两年的损失,这不能反应当一个公司第一年亏损时商业信用风险增加的情况,而用Z值来决定企业的信用风险的大小能克服这一缺陷。
建立在样本公司值的基础上,本文以高商业信用风险和低商业信用风险将样本公司分为两种类型的公司。根据制造业的特征,Z值为2.675时为企业风险的临界值,当一个公司的Z值满足Z>2.675(1)时,被认为该公司的商业信用风险很低,其违约的可能性较小。当一个公司的Z值满足Z<2.675(0)时,被认为该公司的商业信用风险很高,其违约的可能性较大。
通过主成分分析得到的相关表达式可计算出样本各企业中的F1,F2,F3,F4,F5的值,与各企业的Y值进行比较分析,其中当年违约企业的Y值为0,不违约企业的Y值为1。利用统计软件进行Logistic模型回归分析,为了获得F1,F2,F3,F4,F5对供应链金融风险的影响程度,运用的方法是向后去除、逐步向后选择。
3.3 模型回归分析
表6是基本信息数据表,给数据进入模型的数字。表中显示总的111个未加权的样本案例被筛选用作Logistic回归,0为缺失案例和未选案例。

表7是因变量的赋值表,在SPSS中,二分类变量中出现频率最多的被默认赋值为1。从表格中可以看出,将“不违约”赋值为1,“违约”赋值为0。

表8是模型初始分类预测表,此时模型中不含任何自变量,只包含常数项。表格左方代表实际观测值,右方代表模型的预测值和正确率。此时预测所有上市公司都不违约,预测的正确率为71.2%。

从表9中我们能看到最初的模型系数赋值方式,最先只对常数项赋值,结果为B=0.904,标准误是SE=0.21,Sig.=0胜算比为Exp(B)=2.469,达到了显著水平。

表10总结了在因变量和自变量之间的相关检验结果,最终的Cox&Snell R方值和Nayelkerke R方值的迭代结果分别是0.519和0.742。表明在5个主成分变量和农业供应链金融风险领域有一个中等强度的关联性。结合模型汇总表和模型系数的综合检验表,利用Wald检验结果剔除变量的向后剔除法,卡方值逐渐变小,而且Sig值大多较小,说明模型较显著。
表11显示了模型回归总的拟合检验结果,用Hosmer-Lemeshow检验法,df=8,Hosmer-Lemeshow检验的卡方值4.545<15.507(卡方检验的临界值),通过检验。最后的P值为0.805,该值远大于0.05,并没有达到一个显著的水平,表明总的回归的拟合优度很好,自变量对因变量进行了一个很好的预测。

通过迭代回归,步骤11的数据被选中,表12显示在回归方程中X1,X2,X4,X7,X15被保留,这5个变量的显著水平除了X7外都在5%的显著性水平以下,因此相关变量通过检验,估计回归模型如下:
In■=16.661+0.717X1-1.566X2+0.013X4+0.004X7-0.32X15
P=■(1)
公式(1)中P值代表着企业守约概率的大小,因此,当P值越接近于1,表示该融资企业的守约概率越大;当P值越接近于0,则表示该融资企业的守约概率越小。因此,企业预测到的P值能被用作银行用来向融资公司提供融资服务的重要参考。
4  模型实例验证
以样本中的公司1为例,企业1的P=0.52288%,表明企业1的守约概率很低,银行最好不考虑为样本公司1提供融资服务,同理可求得样本中的其余的110个样本的P值。
根据表13可得,在本文已观测到的32家违约企业的样本中,通过模型实证分析可知,预测到的违约企业24个,准确率为75%,而对于己观测到的79家有不违约企业的样本中,通过模型预测,预测到了73个,准确率为92.4%,而该模型的总体预测准确率为87.4%。可见,得出的Logistic回归模型,对于农业供应链金融风险的预测有很高的准确性。

5  结论
本文探讨了中国农业供应链金融的背景和现状,并且了解了当前中国农业供应链金融发展的主要障碍来自于融资难的问题,在商业银行和农业上市公司的信贷交易过程中及评估和管理信用风险方面存在困难。为了解决这一问题,改变在农业供应链金融领域融资难的现状,提高融资机构对上市农业企业的授信管理是非常重要的。
对于模型指标的选取,本文建立在综合、简明、可操作原则及确保模型信息丰富和模型容易解释现实问题的基础上并且考虑市场宏观因素的影响来增强模型预测的准确性。从很多涉及商业信用风险的指标中,15个指标被选中来反映公司相关的信息,并且据此构建信用风险模型。这15个指标包含有公司的成长能力、运营能力、偿债能力和盈利能力方面的信息。
建立在提取的公因子的基础之上,判别中小企业商业信用风险的问题转变为计算中小企业违约率的问题。定义这样的二分变量为因变量并以F1~F5作为自变量来用软件进行二项Logistic回归模型的构建。逐步回归分析法采用“向后wald法”来对模型进行分析,用最大似然比法来估计参数及用检验来分析模型中自变量的显著性。用最初的指标来表达公因子,在去标准化之后,得到一个中小企业商业信用风险的模型。通过观察样本数据来检验模型的有效性,观察结果显示,通过模型计算样本公司的违约概率值,以0.500为切割点,模型对于高违约和低违约样本预测的准确率分别高达75%和92.4%,得到的回归模型总的预测准确率为87.4%,表明模型对于预测信用风险有较好的准确性。
参考文献:
[1]Chen Y. Research on Risk of Supply Chain Finance of Small and Medium-Sized Enterprises Based on Fuzzy Ordinal Regression Support Vector Machine[J]. International Journal of Business & Management, 2012, 7(8).
[2]Chang X, Deng S. The development of supply chain finance in China[J]. International Journal of Management Excellence, 2014, 3(3):475.
[3]Fellenz M R, Augustenborg C, Brady M, et al. Requirements for an Evolving Model of Supply Chain Finance: A Technology and Service Providers Perspective[J]. Communications of the Ibima, 2009, 10(29).
[4]Guo Z, Zhou M, Peng H. Financing strategies for coal-electricity supply chain under yield uncertainty[J]. International Journal of Mining Science & Technology, 2018.
[5]He X, Tang L. Exploration on Building of Visualization Platform to Innovate Business Operation Pattern of Supply Chain Finance[J]. Physics Procedia, 2012, 33:1886-1893.
[6]Liao Z, Zhao X, Feng Z. Analysis on Supply Chain Finance Accounts Receivable Financing Mode Game[C]// International Conference on Education, Management, Commerce and Society. 2015.
[7]Su Y, Lu N. Simulation of Game Model for Supply Chain Finance Credit Risk Based on Multi-Agent[J]. Open Journal of Social Sciences, 2015, 03(1):31-36.
[8]Wang Y, Ma Y, Zhan Y. Study on Supplier-Led Supply Chain Finance[J]. Research Journal of Applied Sciences Engineering & Technology, 2012, 4(18):3375-3380.
[9]Wang J, Lili L I, Qingsu H E, et al. Research on the Application of Block Chain in Supply Chain Finance[J]. 2017(iceiti).
[10]陈长彬,盛鑫.供应链金融中信用风险的评价体系构建研究[J].福建师范大学学报(哲学社会科学版),2013(2):85-92.
[11]范黎波,贾军,贾立.供应链金融模式下中小企业信用风险评级模型研究[J].国际经济合作,2014(1):90-94.
[12]郭菊娥,史金召,王智鑫.基于第三方B2B平台的线上供应链金融模式演进与风险管理研究[J].商业经济与管理,2014(1):13-22.
[13]胡跃飞,黄少卿.供应链金融:背景、创新与概念界定[J].财经问题研究,2009(8):76-82.
[14]李毅学.供应链金融风险评估[J].中央财经大学学报,2011(10):36-41.
[15]邵娴.农业供应链金融模式创新——以马王堆蔬菜批发大市场为例[J].农业经济问题,2013,34(8):62-68.
[16]宋平,蒋怡心,杨琦峰.例解鲜活农产品供应链订单融资模式设计[J].财会月刊,2016(26):86-89.
[17]屠建平,杨雪.基于电子商务平台的供应链融资模式绩效评价研究[J].管理世界,2013(7):182-183.
[18]熊熊,马佳,赵文杰,等.供应链金融模式下的信用风险评价[J].南开管理评论,2009,12(4):92-98.
[19]徐鹏.线上农产品供应链金融风险防范研究[J].华南农业大学学报(社会科学版),2016,15(6):93-103.
[20]张伟斌,刘可.供应链金融发展能降低中小企业融资约束吗?——基于中小上市公司的实证分析[J].经济科学,2012,34(3):108-118.
[21]张丽达,赵益闽.供应链金融的业务模式整合研究——基于会计处理及经济效应的相关分析[J].生产力研究,2013(3):188-190.
[22]张敬峰,周守华.产业共生、金融生态与供应链金融[J].金融论坛,2013(8):69-74.

社址:石家庄市槐安西路88号卓达玫瑰园物业楼 050091    电话:18132119945    微信:15132496582

投稿邮箱:vezzs02@163.com

价值工程杂志社

    点击这里给我发消息      点击这里给我发消息

备案号:冀ICP备19020820号-1


我要啦免费统计
点击这里给我发消息
点击这里给我发消息
24小时热线: 18132119945