摘要:隨著物流水平的提高和電子商務技術安全的完善，它們不再是制約電子商務發(fā)展的重要問題，而今信用風險問題成了制約電子商務發(fā)展的瓶頸，本文采用了規(guī)范研究和實證研究相結合的研究方法。在對國內外研究現(xiàn)狀及現(xiàn)有風險預警理論進行綜述的基礎上．構建電子商務信用風險的預警指標體系，建立電子商務信用風險預警的Z—Score模型．而提出了企業(yè)應對不同風險狀態(tài)的預警對策
　　
　　關鍵詞:風險預警論文：信用風險論文：電子商務論文
　　
　　1電子商務信用風險問題研究現(xiàn)狀論文
　　
　　1．1國內外信用風險研究現(xiàn)狀近十年來，我國電子商務交易增長幅度迅猛增長。據(jù)艾瑞市場調研統(tǒng)計，2010年僅第三季度中國電子商務市場交易額1．2萬億元，預計未來10年．將有70％的貿易額通過電子交易完成。
　　
　　隨著電子商務交易的不斷增加，信用問題已經成為制約電子商務發(fā)展的重要因素之一。流動快、風險高、傳染蔓延迅速的虛擬經濟若發(fā)生信用危機，實體的貿易體系勢必會受到巨大的沖擊。所以，對電子商務信用風險研究已經成為各國發(fā)展電子商務的首要問題目前，國內外對電子商務信用的研究尚屬于起步階段，以案例研究和定性描述的方法為主．大都是從電子商務信用危機產生原因和信用風險機制的形成方面來呼吁整個社會加強電子商務信用體系的建立，而利用模型來研究國際范圍的電子商務信用風險并將其量化的少之又少。
　　
　　1．2現(xiàn)有信用風險頇警模型信用風險預警模型的研究最初主要用于金融機構防范企業(yè)貸款的信用風險。而貸款信用風險往往是由企業(yè)財務危機引起的，因此，找出一些顯現(xiàn)財務狀況惡化征兆的財務指標．有利于及早發(fā)現(xiàn)和判斷借款人或證券發(fā)行人的財務狀況，從而確定其信用等級。基于這一目的．國內外許多金融機構通常將信用風險的測度轉化為企業(yè)財務狀況的衡量，這使得財務風險預警模型得到了極大的發(fā)展，形成了大量的研究成果。為企業(yè)其他信用風險預警模型的研究的提供了有力的支持。
　　
　　現(xiàn)有的風險預警模型可以歸納為以下幾類：
　　
　　(1)專家系統(tǒng)模型(2)貸款評級分類模型(3)CART結構分析模型(4)信用風險判別模型2電子商務信用風險預警模型建立電子商務信用風險預警體系是一個復雜的體系，源于電子商務交易過程自身的復雜性，所以本研究運用因子分析的方法建立了電子商務信用風險的Z．Score預警模型。希望能夠減少電子商務交易中的信息不對稱。降低交易主體可能面臨的信用風險。
　　
　　2．1電子商務信用風險預警概述論文
　　
　　2．1．1電子商務信用風險預警管理的內容本文借鑒黃冠勝的風險預警系統(tǒng)理論，抽象出電子商務信用風險預警管理六方面具體管理活動。在實踐中這些管理活動的先后邏輯如圖1所示警情從產生到爆發(fā)，有一個生命周期，被稱之為警情生命周期(如圖2)。
　　
　　至少有三次機會可以防止信用風險給電子商務造成損失，如果這三次機會都被忽視，那么電子商務運作必然失敗。
　　
　　2．1．2電子商務信用風險預警管理系統(tǒng)信用風險預警管理系統(tǒng)的機制是防錯和糾錯，是以免疫和安全性為目的。主體的預控能力和自組織能力是其本質。從功能模塊上劃分，主要包括一個綜合數(shù)據(jù)庫和五個子系統(tǒng)(如圖3)。
　　
　　通過以上的風險預警管理系統(tǒng)企業(yè)可以科學高效地實施電子商務信用風險預警管理任務，縱觀整個管理系統(tǒng)運行過程可以看出一個清晰而封閉的管理流程(如圖4)。流程圖表達出了電子商務信用風險預警管理的基本內容、思路和邏輯關系2．2預警模型的建立多元線性判定模型又稱為Z—Score模型，最早是由美國學者Altman(1968)開始研究的。多元線性判斷模型盡管存在一些缺陷(如工作量較大)，但由于其具有較高的判別精度，所以在風險評價模型中被廣泛采用，因此，本論文將采用Z—Score方法建立模型。
　　
　　多元判定方程Z=a1xX1+×2+a．xX，通過該判別式把各種指標轉換成單一的判別標準，或稱為z值。其中a，％是權數(shù)，是各種指標。在運用上，先是根據(jù)預測樣本構建多元線性判定模型，確定判別z值，z值的大小可以作為判定企業(yè)電子商務信用風險的綜合標準然后將測試樣本的數(shù)據(jù)代人判別方程，得出Z值。
　　
　　本論文借鑒比較成熟的財務預警指標體系中的部分指標，結合電子商務的特點，建立了從靜態(tài)和動態(tài)兩個角度考察的電子商務信用風險預警指標體系。
　　
　　預測風險還需要對指標進行篩選。分析各種統(tǒng)計資料，選取以下14個指標作為本論文衡量電子商務信用風險預警指標的初始數(shù)據(jù)。具體情況見表1。
　　
　　2．3搜集預警指標數(shù)據(jù)搜集指標數(shù)據(jù)可選擇以下兩種方案[3]：一是以n個企業(yè)同期各指標的原始數(shù)據(jù)作為樣本。二是將某個企業(yè)凡個時期的各指標原始數(shù)據(jù)作為樣本、輸入變量。若電子商務信用風險預警系統(tǒng)是基于企業(yè)自己的，可以選用第二種方案第一種樣本采集方案適合某一類型企業(yè)或行業(yè)的電子商務信用風險預警系統(tǒng)。
　　
　　本論文選取了36家涉及電子商務的商貿類上市公司2009年的數(shù)據(jù)作為研究對象(其中包括七家ST公司)，得到了樣本公司的14組(x1到Xl4)指標數(shù)據(jù)。
　　
　　2．4預警指標數(shù)據(jù)的處理論文
　　
　　2．4．1主成分分析首先對選取的36家公司的原始指標數(shù)據(jù)進行標準化處理，在此基礎之上計算得到36家上市公司的14個指標的相關系數(shù)矩陣。在相關系數(shù)矩陣表中發(fā)現(xiàn)，某些指標之問的相關性很小(相關系數(shù)絕對值小于0．1)，某些指標之問的相關性很大(相關系數(shù)絕對值大于0．9)；若要減少信息的冗余，必須將那些相關性很高的指標做進一步的處理，以消除部分指標的相關性。可以確定．解決預警指標之間信息的重疊問題有必要進行指標的綜合]．以解決預警指標之間信息的重疊問題。本論文將采用因子分析中的主成分分析法進行處理。在進行分析之前，對數(shù)據(jù)進行了KMO統(tǒng)計量檢驗和Bartlett球形檢驗，結果見表2．通過檢驗結果發(fā)現(xiàn)KMO=0．616>0．5，球形檢驗時P=0．000<0．01．這說明進行主成分分析是合適的。
　　
　　在研究過程中，本論文以特征值大于1的主成分數(shù)目為因子數(shù)目，由于相關系數(shù)矩陣中有六個大于1的特征值，這前六個因子已經反映了數(shù)據(jù)的主要信息，其累積貢獻率為80．8％，大于80％，能比較全面地反映全部信息。
　　
　　為此，做m其因子載荷矩陣，在矩陣中能夠看出，第四、五、六個公共因子的典型代表變量不突出，那么載荷值就不能在原始變量上很好地解釋。故需進一步進行因子旋轉，選用方差最大正交旋轉法，經過9步迭代得到旋轉后的因子載荷矩陣。如表2-3所示。由表3可以看出在其上載荷值大于0．8的指標有X3，表明因子1只需由凈資產收益率來解釋；因子2，在其上載荷值大于0．8的指標有X9和X12，表明數(shù)字證書等級和流動比率和兩個變量可以解釋因子2：因子3。
　　
　　在其上載荷值大于0．8的指標有Xl0和X11，表明因子3只需由總資產增長率和資本累計率兩個變量來解釋：因子4，在其上載荷值大于0．8的指標有X6，表明因子4只需由存貨周轉率來解釋：因子5，在其上載荷值大于0．8的指標有X7．表明因子5只需由應收賬款周轉率來解釋；因子6，在其上載荷值大于0．8的指標有X14，表明因子6只需由貨款逾期率來解釋。為了解釋這6個因子．需要得到原始指標與因子的相關系數(shù)，運用SPSS軟件。觀察正交旋轉后的因子載荷矩陣發(fā)現(xiàn)，指標與因子的對應性很強，所有指標其載荷都只在一至兩個因子上取值較大，說明只被一至兩個因子解釋。而且每個指標較大的因子載荷值幾乎都在0．8以上，說明對應的因子能夠比較典型地對其進行解釋。
　　
　　在表4中，6個因子的累計方差貢獻率在正交旋轉前后都是80．835％，這說明它們都保留了原有14個指標中80．835％的信息，因此因子總體的解釋能力沒有因為正交旋轉而改變。但是正交旋轉后，每個因子的方差貢獻率和特征根值變化了。原來因子中最小的特征根值為1．046，最大的特征根值為3．662：旋轉后的因子中最小的特征根值增大到1．305，最大的特征根值減小為2．629。說明各因子解釋原來變量的能力更加平衡．源于因子旋轉縮小了各因子方差貢獻率之間的差距。
　　
　　2．4．2模型系數(shù)的確定在因子分析中，當因子確定以后，可計算各因子在每個樣本上的具體數(shù)值．這些數(shù)值就是因子得分。因子得分不僅是本論文接下來進行聚類分析的依據(jù)，而且各因子作為信用評級的中間變量，可以反映不同信用等級的動因。用回歸法計算各因子得分系數(shù)。
　　
　　根據(jù)計算結果可以得出各因子對原始指標的得分函數(shù)，如：根據(jù)上述公式可以計算出各主成分得分．在此基礎上，借鑒劉淑蓮(2008)[5i的研究思路，計算公司的綜合得分Z(權重是各因子的方差貢獻率)，即：
　　
　　最終，得出關于電子商務信用風險評價指標的Z值表達式．即2．5聚類分析聚類分析是應用最廣泛的分類技術．它把性質相近的個體歸為一類，使得同一類的個體具有高度的同質性．不同類之間的個體具有高度的異質性在聚類分析過程中，選擇電子商務信用風險評價指標Z為聚類變量，采用常用的迭代聚類法。本論文分別采用五級和四級分類進行聚類分析，發(fā)現(xiàn)五級分類效果不如四級分類。本論文列出了四級分類的聚類分析結果，分析結果如表5所示上述數(shù)據(jù)顯示ST公司信用等級差的比例很高。3家上市公司被評為第4級中的全是ST公司。第3級中l(wèi)3家上市公司有3家是ST公司。
　　
　　在7家ST公司中，只有1加公司被評為2級司，這表明論文構建的信用評級模型是有效的。從理論上說．ST公司違約的可能性大，ST公司被評為4級和3級是最理想的，但它們并不等同于違約公司．有一家ST公司屬于第2等級是合理的。
　　
　　由于電子商務信用風險評價指標數(shù)據(jù)獲取的局限．以及在因子分析過程中會丟失少部分信息，存在一定的誤差也是合理的，要想非常精確地評價m每個電子商務上市公司的信用狀況是不客觀的。
　　
　　2．6實證檢驗為了測試模型對上市公司電子商務信用風險狀況的預測能力，本論文在已有建模樣本之外，另外選取了8家涉足電子商務的上市公司的2009年數(shù)據(jù)作為測試樣本，其中包括3家ST公司。
　　
　　對這8家公司的數(shù)據(jù)進行四級信用評級，結果如表8模型很好地評價了上市公司的電子商務信用風險狀況，即具有較強的預測能力。
　　
　　3企業(yè)電子商務信用風險管理對策論文
　　
　　3．1正常風險狀態(tài)下的預警對策
　　
　　(1)洞察危機征兆，嚴密監(jiān)測電子商務活動中的問題。
　　
　　(2)制定預防電子商務信用風險或危機的管理方案。
　　
　　3．2輕微風險狀態(tài)下的預警對策當企業(yè)處于輕微風險狀態(tài)，預警系統(tǒng)已經發(fā)出警報時，要嚴密審查風險預警指標體系，并詳細分析暴露的風險因素。采取的對策有：(1)避免電子商務信用風險：(2)電子商務信用風險損失預防；(3)白留電子商務信用風險。
　　
　　3.3嚴重風險狀態(tài)下的預警對策當預警系統(tǒng)警報為嚴重風險狀態(tài)時。要凋整應對風險的策略重點，防止惡化，可采取的戰(zhàn)略措施有：嚴密監(jiān)測電子商務過程．選擇合適的戰(zhàn)略措施進行控制，防止新風險的發(fā)生。采取風險抑制策略將高度風險狀態(tài)逐步轉化為輕微風險乃至正常狀態(tài)。
　　
　　4結論
　　
　　(1)建立了電子商務信用風險預警指標體系，該體系包括動態(tài)和靜態(tài)兩個方面。
　　
　　(2)運用主成分分析的方法對電子商務信用風險預警指標進行了分析，使最終確定的指標之間具有較好的低相關性和獨立性，增強預警結果的客觀真實性。
　　
　　(3)在對相關數(shù)據(jù)進行分析的基礎上，建立電子商務信用風險預警的Z—score模型，并通過聚類分析的方法對電子商務信用等級進行分類。針對不同的預警模型輸出等級。提出了企業(yè)應該采取的對策建議。