Supply chain-based creditworthiness. Small and mid corporate rating

The standard approach to company rating too frequently neglects the importance of supply-chain related variables for the assessment of creditworthiness. Small and medium enterprises, for various reasons, are often penalized by overly financial performance-oriented risk models. In fact, shifting this paradigm is not only in the interest of borrowers: bad loans are a renowned plague in the banking world, nevertheless in Europe. Improving the approach to small corporate credit risk assessment will indeed contribute to mitigate this issue. Restrained access to funding for small and medium enterprises (SMEs) strongly impacts not only companies the society as well, in that these actors represent the biggest employer in the market. Supply chain literature recognize the importance of connections among supply chain actors for appraising enterprise risk. On one hand, distressed supply chain environments can impact financial performances of a good borrowers while, on the other, quantitatively estimating relationships with commercial partners can yield information on a borrower’s status. Better models can contribute to elicit hidden supply-chain information, thus bridging information asymmetries that raise the cost of financing. Reducing uncertainties from the lending side can renew trust among parties, leading to a virtuous circle to the benefit of the whole economic system. In light of these considerations, this work develops two frameworks that show how supply chain-related performances can be effective predictors of probability of default (PD). From the methodological perspective, the dissertation highlights the potentialities of machine learning as a powerful tool for credit risk assessment, which allows to extract additional - potentially untapped - knowledge from few and unconventional data features. Our promising results shall stimulate researchers and practitioners in casting their more efforts in this directions.

L'approccio alla valutazione del merito creditizio di un'impresa troppo spesso trascura l'importanza di variabili relative alla filera. Le piccole e medie imprese, per diversi motivi, sono sovente penalizzate da modelli di rischio eccessivamente basati sulle prestazioni finanziarie. D'altro canto, mutare questo paradigma non è unicamente nell'interesse mutuatari: i debiti deteriorati sono una piaga rinomata nel mondo bancario e in Europa in primis. Migliorare l'approccio alla valutazione del rischio di credito per le PMI può attivamente contribuire a mitigare i suddetti problemi. Il limitato accesso al credito per di piccole e medie imprese ha un considerevole impatto non solo sulle imprese stesse, ma sull'intero sistema economico, dal momento che PMI rappresentano nell'insieme il più grande datore di lavoro nel mercato. La letteratura nell'ambito Supply Chain riconosce l'importanza dei legami tra gli attori della catena di approvvigionamento nell'esercizio di valutazione del merito creditizio. Da un lato, supply chain in difficoltà possono influenzare le prestazioni finanziarie di un buon mutuatario e, dall'altro, valutare quantitativamente le relazioni con i partner commerciali può fornire preziose informazioni in merito al rischio di credito dello stesso. Migliori modelli possono contribuire a estrapolare informazioni nascoste nella filiera, in tal modo porre parziale rimedio alle asimmetrie informative che aumentano i costi per il finanziamento di un'impresa. Ridurre l'incertezza può inoltre portare rinnovata fiducia tra le finanziatori e mutuatari, in un circolo virtuoso a beneficio di tutto il sistema economico. Alla luce di queste considerazioni, questo lavoro sviluppa due framework il cui obiettivo è mostrare come, le prestazioni correlate alla filiera, possano essere efficaci predittori della probabilità di default di un'azienda. Dal punto di vista metodologico, il lavoro mette in evidenza le potenzialità di innovative architetture algoritmiche - il cosiddetto "machine learning" - come potente strumento per la valutazione del rischio di credito, che consentono di estrarre informazioni addizionali, potenzialmente prima inutilizzate, da poche e non convenzionali caratteristiche dei dati di filiera.