| 联系我们 |
 |
合作经济与科技杂志社
地址：石家庄市建设南大街21号
邮编：050011
电话：0311-86049879 |
|
|
| 管理/制度 |
| 钢铁企业绿色信贷信用评估 |
| 第729期 作者：□文/王梓芸 王子萱 张梦阳 时间：2024/5/16 10:31:04 浏览：96次 |
［提要］ 在“双碳”背景下，钢铁行业的贷款需求日益增加，建立有效的针对钢铁企业的绿色信贷信用评估模型是实务界关注的焦点。然而，目前国内信用评级企业仍存在评价主观性较强、涉及绿色指标较少等问题。针对钢铁企业，从财务和环境两个方面提出建立新的绿色信贷信用评估体系，选取上市钢铁企业作为实证样本，结果表明：鲸鱼算法优化的BP神经网络模型较传统神经网络在分类评级中更具有效性。模型以定量研究为主，实现主观性与客观性相结合，有利于钢铁企业的绿色发展。
关键词：绿色信贷；信用评估；神经网络；钢铁行业；银行
基金项目：2023年度河北省大学生创新创业训练计划项目：“基于鲸鱼优化算法的BP神经网络对钢铁企业的绿色信贷评估”（X2023077）；河北省高等学校人文社会科学研究项目（青年基金项目）：“金融开放视域下京津冀产业结构升级研究”（SQ2021009）
中图分类号：F27；F832 文献标识码：A
收录日期：2023年9月20日
引言
近年来，我国绿色金融持续发展。1980年，美国颁布的《超级基金法案》明确了环境责任的连带性，并强化银行放贷应承担的环境污染。2005年，兴业银行成为国内第一家赤道银行。此后，以银行业为主的金融机构积极拓展绿色金融业务。在2020年，随着 “双碳”目标的提出与实施，绿色信贷进入新的发展阶段。
钢铁行业作为传统的高污染重工业，其绿色发展转型过程持续时间长。通过对绿色信贷与钢铁行业对外贸易影响研究发现，绿色信贷政策在长远上对钢铁企业发展有利，但在短期由于绿色转型，会出现成本上升、短期贸易额下降等问题，因此需要针对此种特性制定适合的评价规则。对钢铁企业的绿色信贷信用评估即是在企业信用评估过程中将环境因素作为考核指标，通过改进绿色信贷信用评估指标选择，优化信贷投放结构，有利于满足我国绿色信贷发展的需要。
目前，国内的银行监管当局或信用评级机构以定性分析或定量分析的评级方法为主。定性分析是通过专家的经验进行评价，其主观性较强，且缺乏体系。随着大数据、机器学习的发展，定量分析有所发展，绿色信贷风险评估模型在不断完善，通过不同的模型分析，找到适合钢铁行业的评估模型。
综观已有文献，本文进行的可能的创新为：在传统神经网络的基础上使用鲸鱼优化算法提高分类准确性，在传统评估指标设计中进行改进，加入环境因素，更加符合绿色信贷的要求，提高评估的效率与准确性。
一、绿色信贷信用评估体系指标设计
（一）绿色信贷信用评估体系定义。评估体系指标设计是建立绿色信贷风险评估模型的前提，选择与企业信用关联度高、偿债能力密切的指标是评估结果准确性高的重要保障。针对钢铁企业的特点，结合“双碳”的目标要求，借鉴关于国内商业银行绿色信贷评级模型的研究结果，从两个方面进行评价，分别为环境因素和财务因素，从两方面充分反映企业的绿色信贷信用结果。
（二）绿色信贷信用评估指标设计
1、财务因素。财务指标是指企业总结和评价财务状况和经营成果的相对指标，中国《企业财务通则》中为企业规定的三种财务指标为：盈利能力指标、偿债能力指标和营运能力指标。具体如下：
（1）盈利能力指标。企业获取利润的能力，本文选取销售净利率、资产净利率、权益净利率为指标，其具有很强的综合性。
（2）偿债能力指标。企业的偿债能力包括短期偿债能力和长期偿债能力。本文选取现金比率、流动比率和速动比率、资产负债率、利息保障倍数相关指标来对企业的负债能力进行分析。
（3）营运能力指标。用资产的周转速度来表示。本文选取应收账款周转率、存货周转率、总资产周转率和流动资产周转率来分析企业的营运能力。
本评估体系中财务因素所选取的指标如表1所示。（表1）
2、环境因素。近年来，国家对环境的重视度提高，根据绿色信贷的原则，企业在环境保护上的投入以及结果成为衡量企业能否可持续发展的基础。根据中国钢铁企业的环境行为和有关环保部门提出的各项有关绿色金融相关政策，参考企业绿色信贷评级方案设计与应用中对于环境因素的选择，构建环境指标，从环保综合、突发环境事故、环境违法事件、事件应急机制、合规管理、废物综合利用治理六个指标进行评价。
将企业环境因素作为银行是否对其进行贷款的第一评判因素。根据绿色信贷对产业结构升级的影响效应分析，具有差异化的绿色信贷可以截断 “两高”企业的部分资金流，抑制资本的盲目扩张，使其进行内部的转型升级，或对内部技术进行转型升级，以减少原有生产的消耗与排放，或调整企业发展规划转向节能环保类，由此推动“两高”企业节能环保发展，同时使绿色信贷健康发展。
综上所述，本文设计的钢铁企业绿色信贷信用评估方案分为两个部分：一是对企业基本财务数据的定量分析；二是企业环境分析，依据企业环境治理和相关数据来对企业的环保业绩进行评估。
二、绿色信贷信用评估模型构建
（一）基于WOA优化的BP神经网络对财务因素的评价
1、BP神经网络基本思想。BP神经网络模型是具有多层结构的神经网络，结构简单，可调整的参数多，具有良好的容错性，适合企业信用评估中存在复杂影响因素以及大量不确定性信息的。但BP神经网络通常采用梯度下降算法，长时间的随机训练容易使神经网络陷入局部极小化。
鲸鱼优化算法（WOA）是一种模仿座头鲸社会行为的算法，其机制简单，调节参数少，收敛速度快，全局搜索能力强，且在收敛速度与收敛精度方面均优于引力搜索算法和粒子群优化算法等，因此本文使用鲸鱼算法优化的BP神经网络对钢铁企业财务数据进行分类预测处理。
2、鲸鱼优化算法运行过程。通过座头鲸特殊的捕猎方法，围捕猎物，搜索全局解空间：
D=C×X*（t）-X（t）
X（t+1）=X*（t）-A×D
其中，t表示当前迭代次数，A和C是系数向量，X*（t）是目前得到的最佳解的位置向量，X（t）向量是位置向量。
若存在更好的解决方案，则在每次迭代中更新X*（t）：
A=2a×R1-a
C=2×R2
在整个迭代过程中，a由2线性降到0；R1和R2是［0，1］中的随机向量。
其次进行捕食，座头鲸与猎物间的位置更新用对数螺旋方程表达：
X（t+1）=D＇×eb1×cos（2πl）+X*（t）
D＇=X*（t）-X*（t）
其中，D＇为当前搜索个体与当前最优解的距离；b为常数，是螺旋形状参数；l为值域为［-1，1］均匀分布的随机数。
由于靠近猎物过程中有两种捕食行为，因此WOA根据概率p来选择气泡网捕食或者收缩包围，位置更新公式如下：
X（t+1）=X*（t）-A×D，p≤0.5D＇×eb1×cos（2πl）+X*（t），p≥0.5
其中，p为［0，1］的随机数。
当迭代次数t逐渐增加时，参数A和收敛因子a逐渐减小，若|A|<1，则各鲸鱼逐渐包围当前最优解，是WOA的局部寻优阶段。
最后搜索猎物，为保证所有鲸鱼能在解空间中充分搜索，WOA根据鲸鱼间的距离来更新位置，达到随机搜索的目的。所以，当|A|≥1时，搜索个体会游向随机鲸。
D＇＇=C×Xrand（t）-X（t）
X（t＋1）＝Xrand（t）-A×D
其中，D＇＇为当前搜索个体与随机个体的距离，Xrand（t）是当前随机个体的位置。
3、基于鲸鱼算法优化的BP神经网络的绿色信贷风险评估模型。本文对钢铁企业信用评估分为两个角度，在MATLAB环境下，针对财务因素采用WOA优化的BP神经网络，处理步骤如下：第一，准备原始样本集。根据绿色信贷信用评估体系，建立原始样本集，少量缺失数据采用多重插补进行补充。第二，建立子样本集，在原始数据集中选择70%作为训练集，30%作为测试集。第三，建立绿色信贷WOA优化的BP神经网络模型。第四，数据训练。进行k轮训练，调整模型。第五，分类结果检验。对调整后的模型用测试集测试，进行检验，得出企业财务因素信用等级。
（二）基于AHP层次分析法对环境因素的评价。在环境因素中，采用定性与定量相结合的方法，使用AHP层次分析法对所选指标进行权重划分，处理步骤如下：
首先，准备原始数据集。在国家政务服务平台生态环境部、公司年报、国泰安数据库中进行搜集整理。
其次，建立AHP层次分析法模型。使用yaahp得到各自权重，如表2所示。（表2）
最后，结果计算检验。根据2019～2022年企业环境指标数据，对数据进行无量纲化处理，通过zij=■实现标准化，使用TOPSIS优劣解距离法，输入yaahp所得出的环境指标权重，得到各个企业环境因素的评分等级。
三、实例分析
（一）数据基本信息。财务指标所采用的数据集来源于2010～2022年各个上市公司年度财务报表、国泰安数据库；环境指标数据来源于国家政务服务平台、上市公司的社会责任报告等。
（二）实例计算。基于鲸鱼算法优化的BP神经网络绿色信贷风险评估模型在MATLAB语言环境下进行，建立一个3层BP神经网络，调整设置的输入层结点数、隐含层神经元个数、输出层结点数。
其中，将发生过ST的企业作为财务信用危险样本，未发生的企业作为信用正常样本，如表3所示。（表3）
为获得精确度较高的结果，根据所给的样本容量进行试验，选择中间隐含层神经元个数由20到40，试验表格如表4所示。通过观察图 1可知，隐含层神经元个数为25时效果最佳，由此确定最优隐含层神经元个数。（表4、图1）
通过训练集学习后，使用测试集测试，得到测试集的准确率为93.34%，将WOA优化前后的BP神经网络进行对比，如表5所示，发现WOA-BP神经网络准确率93.34%，明显优于未优化的BP神经网络的83.34%。通过图2、图3也可看出，WOA-BP神经网络的拟合性良好，分类结果较为精准。（表5、图2、图3）
调整优化模型后，对2022年已有数据的34家钢铁企业进行绿色信贷信用评估，从财务因素与环境因素两方面通过熵权法综合赋值排名，如表6所示，鞍钢股份排名第1位，友发集团排名第34位。（表6）
鞍钢股份公司拥有完整的钢铁生产流程以及配套设施，产品技术工艺水平处于行业领先地位，并拥有国家重点实验室。公司全面通过ISO9002质量体系认证，钢铁主体通过ISO14000环境管理体系认证。钢材产品按国际先进水平标准组织生产有了可靠保证。从财务上看，其盈利质量好，营运能力较强，净现比有所增长，增加了经营的安全系数，资产负债率处于较为合理的区间，说明能够适度地运用财务杠杆，增强企业运营活力，通过WOA优化的BP神经网络分类的结果中，其财务评分等级为9，处于较为优秀的级别；从环境上看，未发生环境违法事件和突发环境事故，有应对环境事件应急机制，制定相关环保管理制度，与多个企业合作，拓展节能减排新技术，全力提升能源利用效率，健全绿色低碳循环发展的能源体系，推动绿色制造，是环境友好型和资源节约型企业。
友发集团2022年在财务上净利润增长率出现负增长，应收账款周转率低，赊销力度加大，净利润同比有所下降，在评估模型中其财务等级为6，有一定风险；环境上，在环保上未采取任何措施，缺乏环境事件应急机制，对于废气、废水、粉尘、固废利用等的治理均未进行定性或定量的说明，并在环境排名中处于33名，说明其对于环境治理未采取有效措施。其财务与环境水平均低于行业均值。
（三）结果讨论。通过观察图表结果，在财务指标评估中，WOA优化的BP神经网络预测准确率和拟合度均优于BP神经网络，说明在经过机器学习后，WOA优化的BP神经网络有较好的预测分类能力，对于所给出的财务数据能够快速进行风险评估，证明了所构建指标体系和评估模型的科学性与实用性。
四、结论及建议
（一）结论。当前，国内绿色信贷逐渐发展，其主要用于企业的绿色项目，但国内关于绿色信贷主要的评级方法中部分未涉及绿色因素，评级结果主观性较强，受专家个人影响较大。在机器学习对绿色信贷信用评估中，部分机器学习模型存在过拟合问题，泛化能力不强，推广性差，可信度不高等，本文构建的评估体系在指标体系中将财务因素、环境因素作为第一层级的评估指标，表明对环境的重点参考，在模型选择上使用基于WOA算法优化的BP神经网络。结果显示，该模型具有较高的分类精度，评估效果较好，有良好的推广性。与BP神经网络的对比表明，WOA算法优化的BP神经网络减少了主观因素对财务评估的影响，评估准确率较高，证明了该模型的科学性与可行性。该评估体系有利于国家对绿色发展的逐步推进，对于国内外评级机构发展、钢铁企业改革、商业银行投资可以提供适当的借鉴思路，促进国家绿色金融的发展。
（二）建议
1、评级指标引入环境因素。在评级体系中引入环境因素衡量企业绿色绩效。在严春晓等的研究中指出ESG评级中由于涉及环境指标，因此重污染企业、市场化程度较高的企业对于ESG评级更敏感，绿色转型更为显著。并且在本文企业排名中，中信特钢与鞍钢股份的财务评级相同，但中信特钢在环境方面的表现较差，因此排名不高。所以，在评估体系中引入环境因素，有利于钢铁企业这类对环境敏感的企业投入更多资金加快绿色转型，进行环境保护。
2、商业银行引导绿色信贷。商业银行要积极带头发展绿色信贷，避免为盈利而减少绿色信贷的发放，研究证明绿色信贷显著增强企业绿色创新能力，可以建设专门支持绿色环保产业发展的机构，使企业有更多的融资渠道选择，支持企业绿色发展，助力产业结构升级。
3、企业自身加快绿色转型。企业自身应加快绿色转型，通过绿色信贷资金进行技术改进，及时定量披露废物综合治理状况，及时上报资金使用明细，通过改进生产技术，一方面实现绿色转型，另一方面有利于绿色资金的借贷。
（作者单位：华北理工大学经济管理学院）
主要参考文献：
［1］何丹.赤道原则的演进、影响及中国因应［J］.理论月刊，2020（03）.
［2］郑元桢，朱鹏华.绿色信贷对钢铁对外贸易的影响研究［J］.管理现代化，2022.42（05）.
［3］任宇光，赵洪瑞，黄谦.中国绿色金融发展现状与趋势研究［J］.北方经贸，2022（12）.
［4］杨明，常坤.创新国内商业银行绿色信贷评级模型的研究［J］.华北金融，2011（08）.
［5］颜加贝.企业绿色信贷评级方案设计与应用［D］.长沙：湖南大学，2018.
［6］徐胜，赵欣欣，姚双.绿色信贷对产业结构升级的影响效应分析［J］.上海财经大学学报，2018.20（02）.
［7］王忠超.基于BP神经网络的绿色信贷信用风险评价研究［D］.青岛：中国海洋大学，2013.
［8］严春晓，李雅薇，朱迪星.ESG评级能否促进企业绿色转型?［J］.当代金融研究，2023.06（06）.
［9］谭中明，董蕴仪，康勤.绿色信贷对企业绿色技术创新的效应研究［J］.科技管理学报，2023.25（04）.
［10］韩昊辰.绿色信贷对产业结构升级的影响机制分析［J］.商展经济，2023（16）.
|
|
|
|
