模型化发展趋势

高濛 北京工业大学经济与管理学院

近些年来，在政策不断利好、科学技术不断迅猛发展的背景下，中国物流业发展规模不断扩大，成为拉动经济增长的重要引擎。中国物流金融伴随着中国物流业的发展，也走过了大发展和大跨越的历程。展望未来，中国物流金融市场有着广阔的空间，据前瞻产业研究院供应链金融行业报告数据显示,到2020年,我国供应链金融的市场规模可达14.98万亿元左右。

当前，人类已经进入大数据时代，对发展物流金融也提出了新命题和新任务。伴随着中国物流产业的快速发展、物流金融技术的进步和物流金融市场的发展，中国物流金融管理实践的模型化趋势日趋明显。

一、做好物流金融模型管理的重要性

二十一世纪以来，随着计算机应用技术的发展和Internet的在物流业和金融业的日益普及，在物流金融管理和决策过程中，产生了大量而复杂的物流金融信息。

实践表明，大量而复杂的物流金融信息在给管理者带来方便的同时也带来一系列问题。由于信息量过大，尤其是大量的非结构性数据，传统的数据库技术和数据处理手段已经不能满足要求，超过了管理者已经掌握分析方法和处理数据能力，因而常常对海量物流金融数据兴叹。同时一些信息真伪难辩，给信息的使用者和管理者带来了一定的麻烦。

在这种日益数据复杂化的情形下，给物流金融分析方法管理实践的发展和应用提出了新的使命和挑战。也就是说，谁在实践中掌握了数量分析技术，就可在金融管理工作中少失误，赢得主动，减少技术性风险。

物流金融技术包括对物流金融交易过程中金融契约进行风险管理和收益评估的具体的计量方法和财务分析数据。物流金融技术的发展水平决定着物流金融产品与服务的供给水平，也决定着物流金融市场的广度和深度。就物流金融具体业务而言，物流金融的计量分析主要体现在四个方面。第一，如何对供应链不同环节开发同融资产品，如何分析评估各类物流金融产品的风险水平；第二，如何选择具有不同风险表现的行业组成开展供应链融资；第三，如何把供应链融资产品与其他金融产品进行组合，从而将物流金融风险控制在合理的水平上。

二、物流金融模型的基本层次和类型

在大数据背景下，可计算的物流金融内涵相当丰富，除了传统意义上的仓单、应收票据等可以进行量化分析，越来越多的企业数据通过复杂的算法获得信息。可计算的金融时代，金融就是算法。随着物流金融业务越来越数字化，越来越可计算化，物流金融也越来越算法化。

根据物流金融产品的多样化和金融系统的复杂化，可以将物流金融数量分析分成四个层次，层次越高，数据模型所提供的价值越大。

第一个层次，数据模型告诉我们发生了什么。其数据范围和内容主要限于物流金融的财务数据，目的是通过分析财务数据，仅仅告诉管理者和决策者发生了什么，不探求和分析详细的内容和原因，因而对决策的帮助小。第二个层次，模型告诉我们问题到底是什么。通过模型分析，能够提供给抉择有用的信息，并告诉管理者和决策者问题的所在，分析出问题的原因。这种数据已经不是单纯的财务数据，而是延伸到市场、销售以及相对应的管理和业务活动中了，具备了在线分析的能力，属于商务智能。第三个层次，数据模型告诉我们问题的根源并进行未来预测。通过模型，可以找到物流金融数据之间的因果关系，需要采取对应的措施。第四个层次，数据模型告诉我们最佳的情况是什么。这是个模型优化过程，能通过数据分析将日常的数据转化为企业的实际成果，提高决策的速度和质量。在这种情形下，大数据的应用已不再是一次性或者短期行为，而是融入到管理和决策的日常行为中，因而对于不同确定性系数的问题，通过大数据分析予以消除和控制。

数据挖掘是模型化的重要手段，它具有满足客户需求、降低风险，实现最大化收益，简化管理流程，优化资源配置等优点。数据挖掘可以分为无监督和有监督两大类。在无监督数据挖掘中，可以对各个变量不予以区分，而是考察变量之间的关系，常用方法有描述和可视化、关联规则分析、聚类分析、主成分分析等。在有监督数据挖掘中，可以根据一些变量建立模型，预测另外一些变量，前者被称之为自变量，后者被称之为因变量。常用方法有判别分析、贝叶斯分类算法、k近邻法、线性模型和广义线性模型等方法。

三、建立物流金融模型的基本步骤

物流金融模型的建立一般需要经过六个阶段。

1.物流金融业务理解。物流金融参与各方可以从各自业务的角度对融资项目进行理解，进而转化成一个数据挖掘的问题，并设计实施方案。

2.物流金融数据理解。通过物流金融平台采集物流金融所涉及到数据，考察数据的质量。

3.物流金融数据准备。从采集来的原始数据中，筛选建模所需要的变量，进行数据转换和清理。

4.物流金融模型建立。选择多种方法建模，并进行模型优化。

5.物流金融模型评估。对模型进行全面评估，检查建模过程步骤是否完整、参数解读是否准确、论证逻辑是否清晰、模型结论与业务目标是否一致。

6.物流金融模型的发布与展示。通过信息平台、会议、书函等多种形式展示物流金融模型的结果。

四、加快中国物流金融模型化进程的策略

由票据化到数据化，再到模型化（可计算化）是一个历史发展过程。物流金融数据的可视化可以重新定义物流金融的数据模型，判断物流价值。

物流金融的模型化是根据数理统计和数据决策原理所建立物流金融模型进行分析和决策的过程。加快中国物流金融模型化进程需要做好如下工作。

第一，不断优化物流金融发展环境。中国的物流金融创新必须充分利用当代社会由工业化向信息化转型所提供的有利的信息环境，充分利用信息化所具有的扩散性、渗透性和共享性的额特点，建立和完善物流金融立法和相应的制度规范，建立和完善适应大数据时代要求的物流将金融信息服务体系、物流金融安全保障体系和物流金融健康体系，实现物流金融现代化。

第二，利用大数据技术、物联网技术、信息技术、自动化的搬运技术和分拣技术，提高各种层次和类型物流企业的管理精细化水平，提高对数据管理的效率和准确度，不断推广看板管理、精益管理、持续改进和平衡记分卡的快速推广，从而提高物流金融业务的管理水平和服务能力。

第三，利用大数据、云计算技术，加快建设各类商业银行的供应链金融系统，不断开发物流金融产品，扩展物流金融渠道，商业银行可以通过数据整合和模型构建和定量分析，提高供应链金融管理水平和风险控制能力。

第四，利用云计算、物联网等技术，推进和加快建设物流金融公共信息平台建设。近年来，为加强金融风险控制，国家级和区域级物流金融服务平台不断上线，在推动中国物流金融发展的进程中，中国起到了重要作用。面向未来发展，深化数据管理，加强区域物流金融数据合作，优化物流金融环境，不断提高模型分析能力和水平

第五，利用大数据技术，进一步加快电商供应链金融发展。近年来，阿里巴巴、京东商城、慧聪网等电商供应链金融与商业银行深度合作并不断发力，形成了“互联网+电商+物流”的金融模型，推动中国物流金融快速发展。在未来发展中，挖掘数据模型应用的深度和广度，不断发现客户价值，推动新的发展。