供应链金融风险控制与信用评价研究第四章「供应链金融的风险」

第四章　供应链金融业务中的串谋规避机制

在供应链金融融资业务中，银行等金融机构并不完全熟悉供应链运作的每个业务环节，为降低自身风险，银行会引入第三方物流企业或第三方担保企业为供应链金融中的融资质押物进行监管和担保，从另一方面为信用级别不高的供应链进行“增信”。

但是2013年浙江某物流公司利用假茅台进行恶意融资的案例给了银行一个严重的警示，即当前第三方企业出于自身利益考虑，很可能利用金融服务商对存货质押品鉴别能力差的情况，利用信息不对称的特点，与融资方进行串谋，向银行套取信贷。

因此，在此背景下，本章将从融资过程中第三方物流企业和融资企业的串谋行为分析出发，在此基础上通过一个融贷三方博弈模型对该串谋行为进行理论分析，最后通过计算机模拟从银行角度分析串谋规避机制的设计思路。

第一节　融资过程中的串谋行为

在供应链金融业务中，保兑仓和融通仓融资模式的参与方主要是银行、融资企业和物流企业三者。

保兑仓融资是在仓储监管方（物流企业）参与下的保兑仓业务，融资企业、核心企业（卖方）、仓储监管方、银行四方签署“保兑仓”业务合作协议书，由仓储监管方提供信用担保，核心企业（卖方）提供回购担保，然后银行为融资企业开出银行承兑汇票的一种融资模式；而融通仓业务是中小企业以存货作为质押物或反担保品，将其存入第三方物流企业的融通仓，从而获得第三方物流企业提供的银行信用担保，解决中小企业资金短缺问题的一种融资模式，如图4-1所示。

图4-1　供应链金融存货融资中的串谋行为

从融通仓和保兑仓融资模式的运作机制中（见图4-1）可以看出，银行、融资企业与物流企业三方主体之间存在信息不对称，而信息不对称产生的原因在于融资方（供应商、制造商或经销商等供应链中节点企业）对存货的库存信息有着完全的控制与掌握。

作为金融服务商的银行，在控制存货的真实性、质量上并没有太多的优势，仅拥有融资方声称的存货抵押价值并不能够确保银行在库存信息上的完全控制，因此银行将存货指定给相应的物流监管方监管，并根据供应链金融服务框架向融资方进行贷款的发放。在这个过程中，如果物流企业作为监管方是可靠和值得信赖的，那么银行的信息不对称风险将大大降低。

可靠和值得信赖的物流企业只是服务框架内所假定的，在现实的融通仓和保兑仓融资模式中，这种由服务框架规定的“假定”并不一定成立，物流监管企业很可能出于自身利益的需求，降低服务框架规定的监管义务执行水准，甚至在融资企业的利益招降下与融资企业进行串谋，并联合提供虚假信息来欺诈银行，造成银行信用风险。

例如，2013年12月浙江某物流公司非法购入1400余箱假茅台酒，以质押或抵押物形式，向多家银行、单位和个人申请贷款、借款（后均逾期未还），或冲抵债务，恶意融资金额高达2亿余元，而经公安机关的深入调查，发现早在2010年，浙江某贸易有限公司就曾以195箱五十年53度“飞天”贵州茅台酒（每箱折价人民币28500元）作为质押，向杭州某银行申贷人民币3000万元，并由杭州某货运代理有限公司为这笔贷款提供担保，因贷款逾期未还，担保方代偿了这笔贷款 (1) 。

从融资方和物流企业串谋骗贷的案例中可以看出，作为第三方的物流企业也会成为信用风险的来源，在实际运作时需要对其加以控制，否则供应链金融反而会变成虚假和恶意融资一个非常便利的渠道。

因此，本章将保兑仓和融通仓融资模式，抽象成银行、融资企业和物流企业三方的博弈，在融资企业和物流企业双方均存在串谋动机的情境下，对上述博弈模型中的三方行为进行研究，以此研究银行等金融机构如何防范供应链金融业务中融资企业与物流企业串谋进行恶意融资的机制设计。

第二节　供应链融资三方博弈模型一、串谋情况下的三方博弈模型抽象

（1）该博弈模型的主要参与者为物流企业、融资企业和银行，故有融资企业（与物流企业串谋、不与物流企业串谋）、物流企业（与融资企业串谋、不与融资企业串谋）、银行（进行监督、不进行监督）几种组合。

（2）融资企业提出与物流企业串谋的概率为p1 ，物流企业主动提出也融资企业串谋的概率为p2 ，银行对融资企业与物流企业行为进行监督的概率为q。

（3）企业主动提出串谋需要花费一定成本，其中融资企业主动提出串谋需要花费成本C1 ，物流企业主动提出串谋需要花费C2 。银行对融资企业与物流企业行为进行监督的成本为C3 。

（4）当一方主动提出串谋，而另一方未接受时，如果银行对两方行为进行监督发现存在串谋意向，将对一方进行违约惩罚（融资企业为F1 ，物流企业为F2 ），并将违约金以一定比例奖励给另一方以资奖励（融资企业为u1 ，物流企业为u2 ）。如果两方合谋，则可分别获得非法收益S1 和S2 ，并对双方共同进行违约惩罚。

（5）如果银行对市场上的串谋行为进行有力监督和违约惩罚时，银行不仅可获得部分违约金，还能得到上级机构的奖励，总共收益为S3 ；但若串谋存在银行未监督，则上级也将对银行进行惩罚。

二、串谋情况下的三方博弈的收益矩阵

图4-2给出了串谋情况下的三方博弈模型。在博弈模型中由融资企业、物流企业和银行三个主体构成，每个主体都有两种选择：融资企业和物流企业可以选择串谋或者不串谋，银行可以选择监督或者不监督。考虑到物流企业与融资企业存在较多的利益关系，双方都不会将对方发起的串谋请求告诉银行，因此在这个过程中，银行是完全处于信息不对称的境况。

图4-2　融资企业、物流企业与银行的三方博弈模型

虽然该三方博弈模型看上去比较复杂，但从研究的角度来看，该模型仍然属于静态博弈模型，因此我们也可以非常简单地得到该博弈参与者的策略组合为2×2×2组，共计8组策略组合，且分别是：

（1）（串谋、串谋、监督）。

（2）（串谋、串谋、不监督）。

（3）（串谋、不串谋、监督）。

（4）（串谋、不串谋、不监督）。

（5）（不串谋、串谋、监督）。

（6）（不串谋、串谋、不监督）。

（7）（不串谋、不串谋、监督）。

（8）（不串谋、不串谋、不监督）。

由此，我们也可以非常简单地构造其支付矩阵，如表4-1所示。

表4-1　三方博弈的8种支付矩阵

1．融资企业收益情况

融资企业进行串谋的收益为

融资企业不串谋的收益为

2．物流企业收益情况

物流企业进行串谋的收益为

物流企业不串谋的收益为

3．银行收益情况

银行进行监督的收益为

银行不监督的收益为

由此，我们可以计算融资企业、物流企业和银行三方的均衡收益为

由式（4-7）可得

由于计算比较复杂，因此假定融资企业和物流企业串谋后获得的收益和付出的成本相同，即S1 -C1 ＝S2 -C2 ，银行对其进行监督后对两者的违约惩罚也相同，即F1 ＝F2 ，如果其中一方主动提出串谋而另一方没有合谋时，银行将对提出串谋的一方进行违约惩罚，并且将违约金以一定比例对不串谋方进行奖励，因此，u1 ＝u2 。

根据以上假设，将式（4-8）简化得

将式（4-9）简化得

最后将p代入得

第三节　串谋行为规避的计算机模拟分析

前述数理模型明确了银行设立合理的检查率q能有效规避供应链金融融通仓和保兑仓融资模式中因串谋造成的信用风险，模型也明确显示了银行监督成本C3 、银行收益S3 与融资企业和物流企业串谋概率p的关系，以及银行罚款F、融资企业串谋后收益S1 以及对不参与串谋企业的奖励u1 对银行检查率q的影响。因此，本部分利用数值仿真对其中关键的几个参数进行灵敏度分析，重点回答以下几个问题。

（1）银行的收益成本比在怎样一个值时，能使银行建立合理的检查机制，约束融资企业与物流企业的串谋行为？

（2）银行在不增加检查率的前提下，应设定怎样的罚款率才能让企业自主提供真实信息，并且不进行串谋？

（3）银行应对不进行串谋的诚信企业设定怎样的奖励率，使企业得到激励？

一、银行监督成本、银行收益对融资企业与物流企业串谋概率的影响

图4-3和图4-4显示了银行监督成本C3 、银行收益S3 对融资企业与物流企业串谋概率p的影响，其中S1 ＝1。

图4-3　银行监督成本与串谋概率的关系

图4-4　银行收益对串谋概率的影响

图4-3显示了银行监督成本C1 对融资企业与物流企业串谋概率p的影响。随着银行监督成本的增加，考虑到成本收益情况，银行进行监督的力度必然有所减少，因此融资企业与物流企业串谋的概率增加。图4-4显示了在不同的监督成本下，银行收益S3 对串谋概率p的影响。由图4-3和图4-4可以看出σ在成本相同的情况下，银行收益每增加10％，串谋概率就相应减少2.69％（当C3 ＝0.2，S3 ＝1时，p＝0.41；当S3 ＝2时，p＝0.3）。由此可知，在维持一定的串谋概率的情况下，银行在一定检查成本下，应当在允许范围内适当增加银行收益情况。

在供应链金融的融通仓模式和保兑仓模式的开展中，由于有第三方物流企业的参与，融资企业很有可能与物流企业串谋、向银行提供虚假信息骗贷，这将给银行造成巨大损失。因面临更大的信用风险，银行应采取更为有效的检查、惩罚机制。虽然银行由于检查得力能得到违约企业的罚款以及获得上级对自身的一定奖励，然而银行监督企业需要付出一定成本。因此合理的收益成本对于设置检查率、降低信用风险至关重要。

本部分通过对银行监督成本C3 、银行收益S3 和融资企业与物流企业串谋概率p进行数值仿真分析，认为银行因监督所获得的收益（对违约企业的罚款和上级对银行的奖励）与付出的成本直接影响融资企业与物流企业的串谋概率。

本部分假定融资企业与物流企业的串谋概率在20％以下，由图4-4可知，若银行检查成本为0.05，银行收益应该达到1.15；若检查成本为0.1，则银行收益应大幅增加，达到2.4。由此可知，要使融资企业的串谋概率降到20％以下，银行的收益与成本比应该不低于23～24。

因此，银行想减小融资企业与物流企业的串谋概率，则要加大银行的收益成本比，这样才能使串谋概率维持在一个较低的水平（在本部分中假定C3 ＝0.05）。

二、银行对违约企业的罚款、融资企业串谋后收益对银行检查率的影响

图4-5和图4-6显示了银行对违约企业的罚款F、融资企业串谋后收益S1 对银行检查率q的影响，其中S1 ＝1，C1 ＝0.1，u1 ＝0.1。

图4-5　银行罚款对银行检查率的影响

图4-6　企业串谋收益对银行检查率的影响

图4-5显示了银行设置的罚款F对检查率q设置的影响，随着罚款的提高，检查率可适当减小。图4-6显示了罚款设定在不同的值时，融资企业与物流企业串谋后的收益S1 对检查率q的影响。由图4-5和图4-6可以看出，当银行设置一定的检查率时，罚款的设置与融资企业串谋的收益密切相关，当串谋收益较大时，罚款也应设置得大一些。

在保兑仓和融通仓融资模式中，由于有第三方物流企业的参与，即又多了一个信用风险控制点。因此银行在对融资企业审查时也需对物流企业进行审查，这就增加了银行检查的工作量。但检查需要付出一定成本，因此设置合理的检查率对于银行至关重要。

本部分对罚款F、融资企业串谋后收益S1 和银行检查率q进行数值仿真分析，考虑到需要对融资企业和物流企业都要进行审查，认为将银行检查率设置在30％左右较为合理。结合图4-3和图4-4的假定，当银行检查率设置在30％左右，且将罚款设置在0.6，可以使融资企业与物流企业串谋概率降低到20％以下，这就大大降低了信用风险，保障了银行利益。

但是通过图4-6的分析也可清晰地看出，罚款的设置并不是一成不变的，它应随着串谋收益的增加而增加。如图4-6所示，当融资企业串谋收益较大时，相应的罚款值也应设置得高一些（如S1 ＝1.75时，设置F＝0.8）；而当串谋后的收益值较小时，相应的罚款值可以设置得小一点（如S1 ＝1.15时，设置F＝0.6）。

对于融资企业和物流企业来说，银行设置的罚款F和检查率q对企业本身行为都具有一定约束作用。融资企业也会考虑到串谋收益与惩罚的利弊得失，规范自身行为。因此合理的监督力度以及罚款的设置能有效约束融资企业和物流企业的部分串谋行为，杜绝一部分虚假信息的骗贷。

三、银行对不参与串谋企业的奖励对银行检查率的影响

图4-7显示了银行对不参与串谋企业的奖励u1 对银行检查率q的影响，其中S1 ＝1，C1 ＝0.1，F＝0.5。

图4-7　对不串谋企业的奖励对银行检查率的影响

从图4-7可以看出，银行对不参与串谋企业的奖励u1 （图4-7进行仿真的是奖励率a，即u1 ＝a×F）对银行检查率q的影响几乎呈线性关系。随着银行对不串谋企业的奖励率升高，银行检查率也相应下降。由图4-7可以看出，银行检查率的设置还应结合考虑对不串谋企业的奖励u1 这个因素。

在供应链金融融通仓模式和保兑仓模式的开展中，融资企业与物流企业可能进行串谋，向银行骗取贷款，也有可能一方提出串谋意向，而另一方并未与对方合作串谋。当银行对融资企业与物流企业进行检查时，充分了解串谋情况后，应该给予不串谋企业一定的奖励（罚款的一定比例），以表彰诚信企业。诚信企业既受到银行的奖励，又能对将来诚信行为起到激励作用。然而这个奖励减少了银行的罚款收益，因此银行应设置怎样的一个奖励率既能保证银行收益又能有效约束企业行为就显得至关重要。

本部分对银行对不参与串谋企业的奖励u1 和银行检查率q进行数值仿真，当银行检查率设置在30％左右时，银行对不串谋企业的奖励率应设置为28％较为合理。此时，罚款的72％仍为银行收益，而30％的检查概率能使得融资企业与物流企业的串谋概率降低在20％以下，降低了串谋骗贷的风险。

第四节　研究结论

本章从降低融资企业与物流企业串谋概率的角度建立了相应的银行、融资企业与物流企业的博弈模型，通过理论证明和数值仿真分析，研究了银行检查率、银行监督成本、银行收益、银行罚款、融资企业与物流企业串谋概率、融资企业串谋后收益和对不参与串谋企业的奖励之间的关系，回答了本章的两个问题，即：①银行的收益成本比在怎样一个值时，能使银行建立合理的检查机制，约束融资企业与物流企业的串谋行为？②银行在不增加检查率的前提下，应设定怎样的罚款率才能让企业自主提供真实信息，并且不进行串谋？

本章得到的相关结论如下。

（一）银行收益成本比应达到一定比例才能有效约束企业串谋行为

银行收益（对串谋行为的罚款以及上级对银行奖励的总和）与检查成本的比值应达到一定比例，这样能使融资企业与物流企业的串谋概率降低到较低水平。

通过数值仿真验证了银行进行检查，若能产生较好收益成本比时，银行有效合理的监督力度能约束融资企业的串谋行为，降低信用风险。

（二）银行应设置合理的检查概率和适当的违约惩罚比率约束融资企业串谋行为

银行应设置合理的检查概率对融资企业与物流企业进行信息审核和评估较为合理，这样能使融资企业与物流企业的串谋概率降低到较低水平。

此外，违约惩罚率的设置应充分考虑到串谋收益这一因素，本章通过数值仿真分析，认为违约惩罚应随着串谋收益的增加而增加。

当融资企业串谋收益较大时，相应的违约罚款值也应设置得高一些；而当串谋后的收益值较小时，相应的罚款值可以设置得小一点。本章通过数值仿真验证了设置合理的检查概率和罚款机制能有效约束融资企业串谋行为。

（三）银行应对不串谋企业进行一定的奖励机制

通过对银行对不参与串谋企业的奖励和银行检查率进行数值仿真，认为银行除了设置合理的检查概率和违约惩罚外，还应对不串谋的诚信企业进行一定的奖励。

通过数值仿真验证了设置合理的奖励机制既能对诚信企业进行表彰，也能对其他企业的诚信行为起到激励作用，同时还能使银行检查概率维持在较低水平。