加权处理

关于融资的风险，

我认为，通过夸大融资成功的案例来误导公众，对失败的案例视而不见，这在统计学上被称为“幸存者偏差”，有点像古语的“一将功成万骨枯”。这里我们假设ota在旅游供应链金融的融资服务中，作为核心企业，是个有良心的，所提交的数据都是真实的，即使有隐藏的风险，也并不是有意的隐瞒真相，而是真的因为“死者无法说话”，那怎么样才能避免这种幸存者偏差呢？

经过大量研究，这种情况其实也很常见：比如某个供应链金融服务环节当中，牵扯到外部政策和自然风险因素，也牵扯到内部风险因素，比如操作风险和程序风险，管理者职业道德等，由于在旅游供应链金融运作的过程中，所有的风险因素都被避免了，最后融资成功。这样的话，就看不出来风险对供应链金融运作可能造成的损害。如果只分析成功案例，忽略有可能失败的案例，那最终得出来的结果必然会会夸大融资成功的概率的作用。

那么怎样才能避免这种偏差呢？有一种常用的统计学方法称为逆向概率加权。假设我们认为被忽略的风险与融资成功的的程度相关，那我们就把所有与风险相关的指标作为自变量（比如政策风险，自然灾害，操作流程失误，甚至是一些管理人员的道德品质或是诉讼率，其实就是研究中的基线数据），把是否被察觉作为因变量，利用逻辑回归的方法计算出风险被掩盖的回归公式

ln(P/(1-P)) = k +a1X1+a2X2+…+anXn

P为成功融资的概率，X1,X2,,,Xn为当初设定的自变量，a1,a2,,,an为其计算出的偏回归系数，k为常数项

通过代入风险的Ni基线数据，计算出每一个风险出现的概率Pi，和没有出现的风险的概率1-Pi。然后对融资Ni进行加权处理：如果融资Ni成功，其权重就为1/Pi，如果风险被掩盖，那他的权重就为1/（1- Pi）。

算到这里，接下来就简单了，只需要在最终分析融资效果的HR或者OR时候，对每一个风险加权处理就行了。这样得出来的结论就相对更为可信。举个例子来说，如果根据公式计算出自然灾害出现的概率只有0.05，那么他的权重就是20。如果他最终被避免，结果分析时就相当于成功融资20次，如果失败了，那就相当于20次融资失败。因为根据计算，最后能够观察到他结局的概率只有1/20。这样就能一定程度上，避免幸存者偏差，并将风险给予加权处理。