1、基于供应链金融的小企业信用风险识别研究摘 要：近年来，供应链金融快速发展，成为解决小企业融资难的有效方式。本文首先研究了在供应链金融模式下的小企业信用风险识别，提出了综合行业、受信企业和核心企业等要素的评价体系，用主成分分析法和 Logistic 回归方法建立了信用风险识别模型，然后通过比较供应链金融融资模式和传统模式下的小企业守约概率，表明供应链金融能改善小企业的信用状况，最后从完善信贷数据库、依行业属性调整模型、加强模型检验等方面提出建议。关键词：供应链金融；信用风险；主成分分析法；Logistic 模型中图分类号：F276 文献标识码：A 文章编号:10039031(2013)02002
2、005 DOI:10.3969/j.issn.1003-9031.2013.02.05基于供应链金融的小企业信用风险识别研究近年来， 不少银行开始积极探索创新信贷服务，其中供应链金融受到越来越多的关注。 供应链金融利用供应链生产中的动产或权利作为担保，将核心企业的良好信用延伸到供应链上下游企业，解决小企业信用难以评价或信用不足的问题，进而缓解小企业的融资压力。 对于商业银行而言，供应链金融使得风险评价的侧重点从对主体的评估转向对整个供应链的交易进行评估，核心企业的资信和供应链的整体信用状况使小企业的信用等级获得提升，这样有利于众多小企业进入银行的信贷服务范围。 供应链金融在风险控制技术上的金融
3、创新使得银行能站在供应链全局的高度， 为协调供应链资金流、降低供应链整体财务成本而提供系统性的金融解决方案。 因其能够有效地将银行、核心企业及其上下游配套企业结合， 实现金融资本与实业经济的高度契合，促成各方互利共赢，供应链金融逐渐成为商业银行业务新的重要增长点。一、文献回顾在近年来的研究中， 随着小企业信贷数据获得改善， 国内部分学者对小企业信用风险进行了实证研究。熊熊等人（2009）研究了在供应链金融模式下的信用风险评价体系， 提出了考虑主体评级和债项评级的信用风险评价体系，构建了信用风险评价模型，并据此进行了实证研究。但该研究所取样本并未明确界定于供应链的企业，而且许多数据是随机模拟而得
4、， 因此其拟合模型的准确性有待提高1。胡海青等人（2011）运用支持向量机（SVM）建立信用风险评估模型， 研究了在供应链金融模式下的信用风险评估， 提出了综合考虑核心企业资信状况及供应链关系的信用风险评估指标体系，结果表明基于 SVM的信用风险评估体系具有优越性 2。 在国内的相关研究中，由于信用环境欠佳和数据积累不足等方面的原因，大部分属于定性研究， 度量模型和实证分析的研究成果较少，有的实证研究未契合实际，因此并不能很好地应用于小企业信贷业务实践。二、供应链金融模式下的小企业信用风险识别指标在传统信用风险识别中，银行主要从规模、资产负债情况、抵押物、担保等方面对企业的信用风险进行审核。而
5、小企业业务有其自身的特点， 不宜用传统信用风险识别方法。 根据中国银监会公布的银行开展小企业授信工作制度意见 （银监发200753 号） ，银行应建立和完善小企业客户信用风险评估体系，可依据企业经营状况、存续基金项目：本文系北京市博士后工作经费资助项目（2012ZZ-113）的阶段性成果。收稿日期：20121130作者简介：刘远亮（1977-） ，男，江西寻乌人，华夏银行与中国人民大学联合培养博士后；高书丽（1978-） ，女，内蒙包头人，统计学博士，北京联合大学商务学院讲师。刘远亮 1；高书丽 2（1.华夏银行博士后工作站，北京 100005；2. 北京联合大学 商务学院，北京 100025
6、）金融市场 HAINAN FINANCEMonthly襋20 2013 年第 2 期 总第 291 期表 1 信用风险识别指标体系及描述一级指标层 二级指标层 三级指标层 指标描述行业状况宏观环境宏观经济状况 宏观经济周期 、GDP 增长趋势、货币政策松紧程度法律政策环境 相关法律法规完善程度、 国家政策扶持力度行业成长性行业发展阶段 新兴行业、成熟行业、衰退行业行业增长性 行业平均增长情况行业竞争性 产品同质性、可替代性区域因素当地政府支持力度市场化程度申请企业状况企业经营管理管理者素质 管理者从业年限、职业道德、社会声誉员工素质 员工专业技术等级、 受教育程度、职业道德管理制度和执行力管理
7、制度、 组织架构、 产权结构、考核体系财务报表质量 财务信息披露及报表审计盈利能力净资产收益率 净利润/平均净资产总额总资产报酬率 净利润/总资产平均余额销售利润率 销售利润/销售收入营运能力应收账款周转率log（销售收入/应收账款平均余额）存货周转率 log（销售成本/平均存货净额）资产周转率 销售收入/资产平均余额偿债能力流动比率 流动资产/流动负债速动比率 （流动资产-存货）/流动负债利息保障倍数 息税前利润/利息支出资产负债率 负债总额/资产总额发展前景净利润增长率 （本期净利润-前期净利润）/前期净利润销售增长率 本期销售收入增长额/前期销售收入资产增长率 （本期总资产-前期总资产）
8、/前期总资产信用记录银行信用 与银行合作年限、 贷款按期偿还率、贷款利息支付率社会信用 有无拖欠工资、 水电费、 税款（含关税） 、违规操作等融资项下资产状况质押物特征价格稳定性 季度波动幅度变现能力 流动性，交易便利性易损程度 自然属性是否利于保存应收账款特征应收账款账期 平均账龄退货比率 购买方退货比率应收账款坏账率到期不能收回比率核心企业状况信用记录 信用级别 银行信用级别行业地位 行业垄断性 在行业中垄断情况、集中度盈利能力净资产收益率 净利润/平均净资产总额总资产报酬率 净利润/总资产平均余额销售利润率 销售利润/销售收入偿债能力流动比率 流动资产/流动负债速动比率 （流动资产-存货
9、）/流动负债利息保障倍数 息税前利润/利息支出资产负债率 负债总额/资产总额供应链关系合作密切程度合作强度 交易频度、长期供销合同合作质量 以往违约情况、 核心企业与申请企业管理者的私人关系情况合作时间 合作年限申请企业地位产品价格优势 产品价格与市场平均价格水平比较产品可替代性 市场产品的同质程度、 专利申请情况时间、偿债能力、经营者素质、发展前景、资信状况等指标，制定小企业信用评分体系，突出对小企业业主或主要股东个人的信用，以及小企业所处市场环境和信用环境的评价。相较于传统方法更多地侧重于对财务报表的静态分析，供应链金融模式下银行弱化对企业自身的分析，更侧重于对物流和资金流的分析，将企业置
10、身于供应链条中，这样可以尽量规避小企业在信息披露和财务等方面存在的信息不对称问题，有利于银行开展“链式”开发。同时在信用风险识别中，一方面要分析企业财务指标等定量指标，另一方面还要对交易商品的价格波动性、行业发展前景、企业历史交易情况、整个供应链运作状况等定性指标均要予以分析。 具体而言， 指标体系应主要包括以下几方面的内容：一是企业所在行业状况。 在供应链金融模式下，作为银行信贷的抵质押物如原材料、成品、半成品、应收账款和订单等的价值与企业所在行业的状况密切相关。 外部经济环境、行业发展阶段和所在经济区域等都会极大地影响企业的风险状况。二是申请企业自身的状况。 通过企业的管理状况、财务信息和
11、信用记录等内容可以反映企业的还款意愿、盈利能力、运营能力、偿债能力和发展前景等，融资企业的资信度越高，与物流企业合作的程度越深入，其贸易背景的真实性越准确，银行所面临的信用风险就越小。三是融资项下资产情况。 银行在供应链融资模式中需对所交易的资产进行评估，进而给予授信，由于所交易资产也是在小企业发生违约情况时银行将其变现据以弥补损失的保障，因此融资项下的资产情况应是银行所要考查的重点内容。四是核心企业状况。 由于小企业往往依附于核心企业，是生产过程的某个环节，小企业的资信状况很大程度上依赖于核心企业的状况。 通过考查核心企业的盈利能力、偿债能力和信用状况等因素可以反映核心企业的状况。 如果核心
12、企业资信状况较好， 在核心企业提供担保或履行相应义务的情况下，银行所面临的信用风险可以大幅度地降低。五是供应链关系。 主要是通过合作年限、强度、质量和产品可替代性等指标来反映合作的密切程度和申请企业的地位情况，在供应链上的小企业与核心企业的合作时限越长，两者的合作关系越密切，其违约的可能性就越低，银行所面临的信用风险就越小。本文根据以上五个方面的一级指标，选取了宏观环212013 年第 2 期 总第 291 期金融市场 HAINAN FINANCEMonthly襊表 2 主成分方差分解表主成分原始变量 提取主成分特征值方差贡献率（%）累计贡献率（%）特征值方差贡献率（%）累计贡献率（%）1 5
13、.804 13.191 13.191 5.804 13.191 13.1912 3.920 8.908 22.099 3.920 8.908 22.0993 3.454 7.850 29.949 3.454 7.850 29.9494 3.143 7.143 37.093 3.143 7.143 37.0935 2.793 6.348 43.441 2.793 6.348 43.4416 2.345 5.328 48.769 2.345 5.328 48.7697 2.336 5.309 54.078 2.336 5.309 54.0788 1.702 3.868 57.946 1.702 3
14、.868 57.9469 1.589 3.611 61.557 1.589 3.611 61.55710 1.543 3.506 65.064 1.543 3.506 65.06411 1.364 3.100 68.164 1.364 3.100 68.16412 1.270 2.886 71.050 1.270 2.886 71.05013 1.057 2.403 73.453 1.057 2.403 73.45314 1.000 2.273 75.72615 0.946 2.151 77.877境、企业经营管理、质押物特征和合作密切程度等 17 个二级指标以及宏观经济状况、行业发展阶段、当
15、地政府支持力度和产品可替代性等 46 个三级指标，构建了如表 1所示的供应链金融的小企业信用风险识别指标体系：三、供应链金融模式下的小企业信用风险识别模型目前用于信用风险识别的众多方法中，既有如神经网络等非线性方法，又有如 Logistic 回归等线性方法。 虽然线性方法的精确度低于非线性方法，但线性方法在稳健性方面具有独特的优势。 由于我国正处于转型期，信息不对称程度较深，商业银行的小企业业务也还不成熟，线性方法应为较优选择， 因此本文选用 Logistic 回归方法构建模型。 由于 Logistic 回归方法对自变量多维相关性比较敏感，可以采用主成分分析法选择代表性的变量，因此本文对数据先
16、进行主成分分析， 然后利用 Logistic回归方法计算企业的信用风险情况。鉴于供应链金融业务的开展现状以及该项业务适用于中小企业的背景， 本文选取了北京市汽车行业 219家小企业作为研究样本（其中好客户 135 家，差客户 84家） ，这些小企业以北京现代汽车有限公司、北京奔驰有限公司等为核心企业， 构成了北京市汽车行业供应链。本文利用这些小企业的信贷数据和财务信息，对指标体系中的定量指标进行了计算，而对于宏观经济状况、行业发展阶段和管理者素质等定性因素则采用了专家打分法进行打分，然后对所得分数进行标准化处理，最后对这些数据进行分析。首先对数据进行标准化处理， 利用 SPSS 统计软件对数据
17、进行主成分分析，得到相关系数矩阵的特征根及主成分贡献率，见表 2。前十三个主成分的特征根大于 1，且累计贡献率达到 73.45%。 因此选取前十三个主成分F1、F2、F3、F4、F5、F6、F7、F8、F9、F10、F11、F12、F13 来反映 46 个指标的信息。 由于 SPSS 直接生成的是主成分载荷， 因此需要对主成分载荷中每列的系数除以其相应特征值的平方根，从而得到主成分系数矩阵，具体结果见表3。F1 主 要 与 c11、c10、c8、c13、c26、c25、c9、c21、c17、c16 相关，反映的是受信企业经营管理、总资产报酬率、营运能力、资产负债率和信用。F2 主要表达了 c3
18、6、c37、c38、c39、c41 四个指标的信息量，反映了核心企业的盈利状况和资产负债率。F3 主要表达了 c18、c19、c20 三个指标的信息量，反映了受信企业的偿债能力。F4 主要表达了 c3、c7、c31、c34 四个指标的信息量，反映了行业发展阶段、市场化程度、受信企业退货比率和核心企业行业地位。F5 主要表达了 c27、c28、c29、c32 四个指标的信息量，反映了融资项下资产状况及应收账款坏账率。F6 主要表达了 c30、c33、c35 信息量，反映了融资项下资产状况应收账款账期、核心企业的信用级别和核心企业净资产收益率。F7 主要表达了 c4、c6 两个指标的信息量，反映了
19、行业增长率及当地政府支持力度。F8 主要表达了 c45、c46 两个指标的信息量，反映了供应链关系下的申请企业地位。F9 主要表达了 c1、c2 两个指标的信息量，反映了宏观环境状况。F10 主要反映了 c14、c24 两个指标的信息量， 反映了申请企业的销售利润率及资产增长率。F11 主要反映了 c42、c15 两个指标的信息量， 反映了申请企业的应收账款周转率及供应链关系下的合作强度。F12 主要反映了 c43、c44 两个指标的信息量， 反映了供应链关系下的合作密切程度。F13 主要反映了 c12、c22、c23 三个指标的信息量，反映了申请企业的净资产收益率及发展前景。然后采用 SPS
20、S 软件进行 Logistic 回归模型分析，使用向前逐步选择引入法，根据模型预测结果，选择第七步的回归结果，F1、F3、F4、F6、F7、F8 和 F9 五个主成分被保留在模型中， 说明 F1、F3、F4、F6、F7、F8 和 F9 对于预测受信人的守约率影响显著。 其参数估计以及其统计检验见表 4，各系数统计量检验的效果显著。金融市场 HAINAN FINANCEMonthly襋22 2013 年第 2 期 总第 291 期表 3 主成分系数矩阵Componentf1 f2 f3 f4 f5 f6 f7 f8 f9 f10 f11 f12 f13Zc1 0.128 0.027 0.187
21、0.165 -0.098 -0.112 0.012 -0.087 0.510 0.081 0.062 0.147 -0.027Zc2 0.064 0.041 0.103 0.123 -0.169 0.088 -0.199 -0.041 0.514 0.090 0.026 0.194 0.089Zc3 0.150 0.161 0.222 0.257 0.092 -0.083 0.290 -0.010 -0.101 -0.064 0.052 -0.054 0.086Zc4 0.154 0.098 0.201 0.184 0.066 -0.157 0.303 -0.031 -0.015 -0.041
22、 0.053 -0.027 -0.027Zc6 0.142 0.099 0.172 0.204 0.077 -0.118 0.275 -0.044 -0.046 -0.016 0.067 -0.120 0.041Zc7 0.160 0.199 0.185 0.262 0.022 0.060 0.177 0.036 -0.088 -0.044 0.038 -0.016 0.122Zc8 0.274 -0.164 0.127 -0.085 0.028 0.020 -0.109 0.117 -0.105 0.021 -0.131 0.059 0.032Zc9 0.225 -0.088 0.120 -
23、0.048 0.081 0.056 -0.051 -0.017 -0.069 0.103 -0.215 -0.142 -0.227Zc10 0.288 -0.055 0.047 0.025 0.094 -0.025 -0.054 -0.105 -0.102 0.003 -0.265 0.133 -0.138Zc11 0.294 -0.080 -0.055 -0.011 0.155 -0.093 -0.120 -0.106 -0.006 -0.146 -0.102 0.124 -0.187Zc12 0.003 -0.027 0.049 0.084 -0.011 -0.013 -0.071 0.1
24、20 -0.070 -0.001 0.150 0.207 0.487Zc13 0.273 -0.077 -0.026 0.017 0.211 -0.058 -0.093 -0.030 0.003 0.019 -0.051 0.046 0.055Zc14 0.187 0.002 -0.133 -0.030 0.258 -0.108 -0.211 -0.174 0.059 -0.387 0.124 0.096 0.035Zc15 0.066 -0.062 -0.080 -0.149 0.109 0.049 -0.165 0.212 -0.071 0.099 0.237 -0.142 0.082Zc
25、16 0.147 0.014 -0.036 0.021 0.155 -0.080 -0.144 0.076 0.128 0.284 0.269 -0.234 -0.042Zc17 0.165 -0.020 0.029 0.030 0.154 -0.096 -0.196 0.029 0.145 0.271 0.218 -0.286 -0.020Zc18 0.115 -0.059 -0.381 0.129 0.032 0.183 0.240 0.153 0.092 -0.011 -0.013 -0.037 0.076Zc19 0.120 -0.058 -0.377 0.126 0.042 0.16
26、1 0.236 0.163 0.087 0.020 0.000 -0.038 0.064Zc20 0.135 -0.088 -0.338 0.121 0.034 0.208 0.197 0.114 0.135 -0.059 -0.014 0.048 0.003Zc21 -0.180 0.029 0.221 -0.045 -0.146 -0.165 -0.046 -0.019 -0.065 0.073 -0.100 0.014 0.168Zc22 0.059 0.015 0.013 -0.086 0.120 -0.006 -0.023 0.009 -0.295 0.016 0.180 -0.09
27、8 0.402Zc23 0.116 -0.008 0.007 -0.004 0.066 -0.126 -0.168 -0.002 0.046 0.137 -0.123 -0.131 0.322Zc24 -0.005 -0.056 0.115 0.003 -0.132 0.115 0.181 0.212 -0.071 0.518 -0.114 -0.057 -0.192Zc25 0.237 -0.158 0.113 -0.080 -0.025 -0.032 -0.041 0.179 -0.112 0.034 -0.116 0.090 -0.073Zc26 0.263 -0.169 0.096 -
28、0.074 -0.110 -0.001 0.047 0.112 -0.033 0.028 0.009 0.015 0.055Zc27 0.151 -0.162 0.059 -0.221 -0.346 0.035 0.097 0.074 -0.010 -0.139 0.111 -0.023 0.080Zc28 0.168 -0.164 0.098 -0.196 -0.331 0.010 0.086 0.030 0.068 -0.144 0.108 -0.044 0.020Zc29 0.189 -0.166 0.071 -0.189 -0.291 0.017 0.116 0.035 0.046 -
29、0.168 0.127 -0.046 0.059Zc30 -0.042 0.003 0.230 -0.237 0.278 0.307 0.126 -0.013 0.159 -0.020 0.024 0.045 0.079Zc31 -0.045 0.021 0.177 -0.295 0.281 0.288 0.145 -0.018 0.125 0.001 -0.003 0.069 0.009Zc32 -0.059 -0.015 0.210 -0.257 0.302 0.259 0.161 -0.027 0.134 0.004 -0.017 0.039 0.095Zc33 -0.034 -0.10
30、4 0.174 0.309 -0.035 0.361 -0.194 -0.003 -0.099 -0.140 -0.018 -0.023 -0.066Zc34 -0.025 -0.111 0.168 0.313 -0.041 0.355 -0.199 -0.006 -0.098 -0.136 -0.015 -0.041 -0.063Zc35 0.076 0.184 -0.005 0.035 -0.074 0.269 -0.227 0.105 -0.082 0.076 -0.025 -0.069 0.035Zc36 0.113 0.313 0.007 0.004 -0.144 0.207 -0.
31、142 0.068 -0.003 -0.121 0.029 -0.014 0.018Zc37 0.139 0.312 0.010 0.022 -0.125 0.134 -0.141 0.118 0.115 0.029 0.048 -0.029 0.061Zc38 0.123 0.366 -0.096 -0.244 -0.069 -0.059 0.063 -0.055 -0.013 0.018 -0.050 0.064 -0.059Zc39 0.152 0.381 -0.055 -0.168 -0.099 -0.001 0.054 -0.054 -0.007 -0.013 -0.025 0.06
32、8 -0.058Zc41 -0.125 -0.394 0.052 0.123 0.053 -0.129 0.079 -0.014 0.169 -0.001 0.061 0.047 0.069Zc42 0.029 0.005 -0.019 -0.025 0.017 0.037 0.041 -0.148 -0.127 0.159 0.555 0.292 -0.330Zc43 0.037 0.033 -0.109 0.005 0.026 -0.046 0.004 0.006 0.031 0.265 -0.347 0.383 0.251Zc44 0.063 -0.058 -0.023 0.081 -0
33、.033 0.099 -0.018 -0.076 -0.273 0.235 0.223 0.532 0.039Zc45 -0.092 0.062 0.108 -0.009 0.137 -0.160 -0.064 0.534 0.081 -0.182 0.088 0.215 -0.123Zc46 -0.085 0.092 0.078 0.027 0.112 -0.173 -0.034 0.586 -0.001 -0.141 -0.032 0.130 -0.147估计的 logistic 回归模型如下：ln p1-p =0.437 +1.286F1 +1.177F3 +0.544F4 -0.534
34、F6 +1.201F7+0.585F8-0.506F9p= 11+e-(0.437+1.286F1+1.177F3+0.544F4-0.534F6+1.201F7+0.585F8+-0.506F9 )232013 年第 2 期 总第 291 期金融市场 HAINAN FINANCEMonthly襊（上接第 19 页）城市经济发展水平前三名依次为上海、广州和北京； 运用聚类分析方法，36 个城市按经济发展水平由高到低，可划分为三个能级。 实证结果表明，区域城市化与城市区域化是当今城镇发展的规律, 城市的竞争更多表现为城市所依托区域的竞争。 基于此， 各城市在经济发展中,应加快拓展城市的发展空间,
35、走区域协调发展的新型城镇化道路。应当指出的是，本文仍然存在一些不足。 第一,根据因子分析法得到的权重, 受客观数据采集的准确性影响,与实际可能会存在偏差；第二,本文参与因子分析的指标只有 22 个,可能不足以解释问题；第三,因子分析法的缺点表现在样本容量要足够大,评价标准与样本有关,评价结果是一个相对优劣顺序；第四,序号总和理论有两条立论的前提是评价方法要足够多，每种评价方法的结果要大体上准确，但评价方法多就很难实现6。 （特约编辑：罗洋）参考文献:1于秀林,任雪松.多元统计分析M.北京:中国统计出版社,1999.171-172.2谢季坚,刘承平.模糊数学方法及其应用M.武汉:华中科技大学出版
36、社,2006.128-129.3朱建平 .应用多元统计分析 M.北京 :科学出版社 ,2006.82-85.4苏金明 ,傅荣华 ,周建斌 ,张莲花 .统计软件 SPSS ForWindows 实用指南M.北京:电子工业出版社,2000.462-463.5白雪梅 ,赵松山 .多种综合评价方法的优劣判断研究J.统计研究,2000,7:45-48.6Raven, M.R. The Application of Exploratory FactorAnalysis in Agricultural Education ResearchJ.Journal of Agri-cultural Educatio
37、n, 1994，35( 4):9-14.表 4 回归方程变量所求得的 P 值表示了该客户的守约概率。 将客户数据代入模型预测信用状况， 则可计算出 P 值。 P 值越接近 1，则申请人信用较好，P 值越接近 0，则申请人信用较差。在预测分类的准确率方面， 在概率界限为 0.5 的条件下，该模型判定的总准确率为 88.1%，其中对信用好的客户判为守信率高的准确率为 92.6%， 对信用较差的客户判为守信率低的准确率为 81%，所得结果比较理想。四、结论及建议在小企业业务开展中，信用风险的有效识别是此类业务获得良性发展的保障。 采用供应链金融使得商业银行围绕核心企业对上下游的小企业开展信贷业务，更
38、易于准确识别借款人的信用风险状况，从而降低对小企业信贷的违约风险。 在供应链金融的小企业信用风险识别方面，商业银行需要注意以下几点：一是要注重完善信贷数据库。 由于国内的商业银行开展供应链金融业务时间还不长， 同时传统的信贷数据更侧重于企业的财务数据， 而对企业主人品等定性数据关注甚少，因此各商业银行的信贷数据库有待于完善。二是要关注评价指标及模型对不同行业的适用性。由于不同行业的属性各异， 因此能很好地反映某一行业信贷客户的信用风险识别模型未必能较好地在另一行业适用，需要根据各行业的特性对模型进行相应的调整。三是要加强对风险识别模型的检验。 由于我国正处于经济转型期， 企业的外部经营环境和内
39、部经营条件变化较快，特别是小企业经营易受外部经济环境的影响，因此对信用识别模型需要定期进行检验， 以考察该模型是否能较好地反映小企业的信用变化情况。 （特约编辑：罗洋）参考文献：1熊熊, 马佳, 赵文杰, 王小琰, 张今. 供应链金融模式下的信用风险评价J. 南开管理评论，2009 (4): 92-98.2胡海青 , 张琅 , 张道宏 , 陈亮 . 基于支持向量机的供应链金融信用风险评估研究J. 软科学，2011(5): 26-36.B S.E. Wald df Sig. Exp(B)Step 7F1 1.286 0.196 43.164 1 0.000 3.620F3 1.177 0.204 33.380 1 0.000 3.246F4 0.544 0.170 10.278 1 0.001 1.724F6 -0.534 0.190 7.905 1 0.005 0.586
