1. 供应链金融发展的整体趋势

受益于主流金融服务的缺席，应收账款、融资租赁等金融业态的快速发展以及新企业转型的迫切需求，供应链金融行业正处于高速发展的阶段。

在本次调研中，82%的业内受访企业表示整个供应链金融行业在2017年的景气程度将持续上升。该结果表明大比例的从业者对供应链金融行业的发展持有乐观态度。

仅7%左右的受访企业表示可能出现下降的趋势。表现不乐观的供应链金融从业者主要来自于供应链公司及外贸综合服务平台。

从供应链金融机构的人员规模来看，超50%供应链金融服务商人员规模不到100人，属小微企业范畴，或处于初创期。

约30%的受访机构为中型规模的供应链金融服务商，员工人数在100-500人。员工人数在500及以上的大型供应链金融服务商不到20%。

从人员扩张趋势看，近9成供应链金融服务商表示在未來三个月有招聘新员工的计划。

  

该结果表明企业对供应链金融未来的发展预期表示看好，同时也意味着行业竞争正在逐步加剧。获客和风控将成为供应链金融赖以生存的竞争力。

此外从企业需求角度来看，中国非金融企业应收账款余额规模达到16万亿元，工业企业应收账款规模已超过10万亿元。

供应链金融服务商主要面对的中小型工业企业，总应收账款规模已超过6万亿元。

应收账款融资作为供应链金融重要的融资模式，应收账款规模的不断增长为我国供应链金融的快速发展奠定了坚实的基础。

 
2. 哪些公司正在提供供应链金融服务？

供应链金融行业的参与主体囊括了银行、行业龙头、供应链公司或外贸综合服务平台、B2B平台、物流公司、金融信息服务平台、金融科技公司等各类企业。

其中，供应链公司/外贸综合服务平台、B2B平台类数量约占45%。B2B平台：在本次调研结果中B2B电商平台占18%。

B2B平台主要体现为两种服务模式：

一种是从交易端切入的B2B平台，提供在线交易，鼓励并促成客户的在线交易，使交易数据沉淀在平台上，可以通过数据模型为企业提供更好的资信支持。

另一种是从服务端切入的B2B，为客户提供从寻源，仓储，物流，信息管理等一系列的服务。无论哪一种模式对供应链金融的开展都提供了良好的环境。

B2B平台通过构建生态圈将供应链金融的各方主体吸引过来，包括资金供应方，担保机构，保险公司，仓储公司，物流公司等等。

通过平台的交易，服务，物流，风控等来保障，帮助资产方客户得到相对便宜的资金，帮助资金方更全面更精准地控制风险，相比较而言B2B平台比较容易做出规模。

金融科技公司：

在金融科技日新月异的今天，数据金融公司大行其道，自有技术及研发能力使得金融科技公司能够搭建平台，连接前端多个融资需求平台，后方连接多层级的资金平台，融资需求平台大多是  心企业，B2C平台，B2B平台，资金端涵盖了银行，保理，小贷，信托等等多层次金融提供方。金融科技公司则负责内外部数据归集、处理、传输、分析，协助风险识别与控制。

此外，行业龙头企业，物流公司，银行及非银金融机构也是供应链金融领域的重要参与者。

  

3. 供应链金融服务的对象集中在哪些行业？

随着各类主体的摸索实践，供应链金融的垂直化趋势愈发明显，供应链金融的垂直化发展进一步提升了产融结合的深度与广度。我国供应链金融服务对象集中在计算机通信、电力设备、汽车、化工、煤炭、钢铁、医药、有色金属业等应收账款累计较高的行业。

 

但从调研结果显示，未来供应链金融将作为加速企业活力的重要保障因素，在更为广泛的垂直领域深耕细作，在更多的商业场景得到应用。

从本次调研结果来看，涉足物流企业的供应链金融服务公司相对数量较多，其次为大宗商品，包括钢铁，有色及农产品等，第三位零售业，第四、第五是供应链金融的传统优势领域：汽车及电子电器。

从市场发展的角度来看，我们认为部分行业的供应链融资潜在需求尚未被挖掘，某些垂直领域可能存在较大机会。包括：物流行业，农业，零售业，化工行业，餐饮业等等。以下是对这些潜力行业的供应链金融市场优势分析。

 

物流行业：

中国社会物流总费用已从2015年的7.10万亿增长到2016年的10.80万亿，增速8.8%。

其中，公路运输的规模接近5万亿，有近70万企业提供不同形式的物流服务，而专线物流服务领域的市场不低于万亿，排名前10的专线物流企业占整体市场的份额不足1%，更大的市场份额在几十万家专线中小企业手中。

物流运输企业向货主承运货物时需要向货主缴纳保证金，而且即使是信用好的货主，其支付结算也有60-90天账期；而对个体承运方或者车队，一般都要先付一部分运费，等运输完成，凭回单完成剩余部分的支付。

巨额的运输费用和较长的资金缺口期使物流企业面临运营资金短缺，这些60-90天高质量的应收账款为供应链金融带来巨大的想象空间。

 

农业：

供应链金融正在成为农业上市公司的发展方向，这种趋势主要在畜禽养殖产业链，在饲料企业居于产业链的强势地位。

而养殖业资金回笼需要较长时间，资金压力大，一些上游龙头企业利用供应链金融满足下游养殖业客户的资金需求，同时也进一步促进了自身主业的发展。

 

零售业：

对于零售行业，专业市场最为受益，因为专业市场掌握着大量商户资源。一方面，因为互联网对线下零售业的冲击以及实体经济的疲软，商户的资金压力越来越大，除了少数商户可以通过银行获得贷款，大部分商户只能通过小贷公司、民间融资来筹集资金，而供应链金融则立足于产融结合，为小B类商户提供了新的融资渠道。

另一方面，供应链金融的关键在于风险控制，专业市场掌握商户的经营信息，并且具有商铺租金、承租权费等抵押手段，能更有效地控制风险。

因此，专业市场发展供应链金融有其内在的优势。

 

化工行业：

塑料行业是最适合做供应链金融的化工品种，因为其具有1.6-1.8万亿级的市场空间，产品具备易运输、易储存的特点，市场交易活跃，下游分散且多为中小企业。中小企业利润空间薄，融资需求大。

而塑料行业B2B平台在产业发展中充当着越来越重要的角色。一些B2B平台也已初具规模。

 

餐饮行业：

目前国内市场有250万家餐饮企业，420万家餐饮门店，1100万家食品分销商，整个餐饮行业有3万亿营收，其中1万亿用于食材采购。餐饮行业的供应链金融还处于起步阶段。

餐饮业的供应链具有环节多、供应链运作波动大、效率低的特点。大量餐饮类中小企业/个体户资金链紧张。

银行的传统信贷业务无法满足大部分中小企业的融资需求。筷来财等一些供应链金融服务平台利用先进的风控模型和强大的数据系统对金融风险进行控制，进而满足餐饮类中小企业的融资需求。

 

4. 供应链金融企业的业务规模集中在什么层级？

供应链金融服务商的信贷规模差异较大，这与供应链金融服务商的资源优势的不同有很大关系，各类服务商的年信贷投放规模从千万级到百亿级不等，规模差异较大。

调研结果显示，放贷规模在1亿元以下的供应链金融服务商约占21%，此类机构通常处于供应链金融业务起步或转型阶段。这类企业占比并不小，表明供应链金融行业目前仍有处于起步阶段。

放贷规模在1-10亿之间的供应链金融服务商数量占比约39%。该类供应链金融服务商已初具规模，业务模式相对成熟，具有明确的市场定位，具有较强的客户开发能力和资金供应能力。

其中小部分专注于垂直领域和细分市场的供应链金融服务商的放贷规模已渐趋稳定。

放贷规模在10-100亿之间的服务商数量占比约26%，表明市场中已有一部分供应链金融服务企业具有一定规模。

 

5. 什么是成熟的供应链金融风控体系？

成熟的供应链金融风控体系包含三个层次：数据层、实践层、技术层。其中：

 

数据层包括风控主数据的获取、风险数据的拓展、数据的维护；
实践层包括高效的在线审批、精准及时的事中风控；
技术层是指利用先进的模型科学地处理和分析数据，帮助预测和决策。

完善的风险主数据管理使风控数据维度更完整全面、信息提取更高效，避免人为因素干扰。

此外，风险数据的积累与沉淀为未来的风险建模打下坚实基础；基于IT系统的审批流程进一步减少人为因素影响，提升审批效率，而事中风险监控体系可以确保异常情况的及时处理；基于大数据分析的量化风险模型帮助企业充分利用数据资产，预测风险，是金融风险定价的基础。

在本次调研中，我们依照以下规则将被访企业的风控成熟度分为三个等级：

 

调研结果显示，10%的企业已经建立了领先的风控系统和风险数据库，并以此为基础利用大数据分析技术构建了风险预测模型。63%的企业正在将数据分析、IT技术与传统风控流程进行融合进而提升风控能力。仍有27%的企业依赖传统的风控方法和工具，如下图所示。

 

 

6. 为什么要丰富风控数据来源？

在200家受访对象中，有76%的企业主要依赖于自身数据来评估客户逾期风险。

据邓白氏过往的项目经验，客户自身的交易、经营数据只能在一定程度上提供风险预警，有时会出现“这家客户一直很好，但不知道什么原因突然信用状况恶化”的情况。

这种现象的产生往往是因为我们对客户的风险识别受制于有限的信息。一家公司的经营不仅受到其主要贸易伙伴的影响，同时会受到产业链上下游产业、周边产业，以及各种宏观因素的影响。因此，拓展风险数据的获取渠道从而更全面掌握和预测客户发展，是建立成熟风控体系的基础。

 

 

7.为什么需要利用数据分析技术构建风险评分卡？

基于大数据的风险预测模型正在逐步被行业内的领先企业所接纳。接受调研的企业中有35%的企业仍在使用基于风控经验的风险评分表，48%的企业已将数据分析引入到风险评估中，17%的企业已经开始使用基于大数据分析的预测模型进行风险量化。

专家法模型在风险评估过程中容易受到评估人员的主观因素影响，导致结果不够准确。在过往风控建模项目中，邓白氏团队常常遇到下图描述的情况：专家法模型中每一个横坐标分段的逾期概率相差无几，甚至出现评分较好的客户逾期概率反而更大。

与之形成鲜明对比的是，基于大数据分析的预测模型能够大幅提升预测的准确性，不同分段的风险概率区分度高，最好分段的未来逾期概率只有3%左右，最差分段的未来逾期概率高达45%，区分度高更有利于针对不同客户设计不同策略。

 

来源：众润金控