大數據對解決小微企業融資難的啟示

李延東鄭小娟

[摘 要]融資難一直是困擾小微企業發展的“痼疾”，歸根結底在于市場信息不對稱，銀行無法對小微企業進行有效篩選。隨著客戶篩選進入全面風險管控時代，以ZestFinance為代表的互聯網金融公司通過大數據技術為小微企業建立經營情況“畫像”，有效緩解了小微企業融資市場信息不對稱，這為解決我國小微企業融資難題提供了有益借鑒。

[關鍵詞]信息不對稱；客戶篩選；經營畫像；非結構化數據

[DOI]10.13939/j.cnki.zgsc.2016.16.135

我國小微企業數量眾多，對GDP的貢獻率已達到25%以上。特別是在當前經濟下行的背景下，小微企業在解決就業、增加稅收、穩定國民經濟等方面具有重要作用。但“融資難、融資貴”長期以來一直制約小微企業發展，國家不斷出臺優惠政策，鼓勵金融機構增加小微企業資金供給，雖然取得了一定成效，但小微企業在融資中的“弱勢地位”并沒有改變，一些具有發展潛力的小微企業依然難以獲得融資支持。

1 小微企業融資難的表象及根源

小微企業融資難的表面原因是小微企業數量眾多、資金需求量大，而金融機構的資金供給有限，市場供不應求，導致較多小微企業的融資需求難以滿足，致使融資成本提高。但表象下存在兩個問題，一是并非所有小微企業的貸款需求都有效，大部分小微企業僅有貸款意愿而無還款能力，貸款意愿和還款能力兩者必須同時滿足才構成有效的貸款需求；二是目前我國貨幣供給總量較大，2016年1月末，M2余額達141.63萬億元，同比增長14%。尤其是近年來國家先后推出取消存貸比、定向降準、抵押補充貸款等政策工具，針對小微企業的信貸資金相對充足。由此可見，資金總供給并不是導致小微企業融資難的關鍵，真正制約小微企業融資的核心問題是金融機構如何將資金分配給具有有效需求的小微企業。如果將社會可貸資金作為蓄水池，那么金融機構就相當于控制小微企業資金供給的閥門，其不僅控制著小微企業獲得的資金總量，更重要的是，還對小微企業進行篩選，以保證資金的還款安全。

反觀我國的小微企業，大多數管理體系不規范，缺乏完善的財務制度，信息透明度低，無法提供金融機構認可的“硬信息”，而且大部分企業征信信息分散，諸如P2P平臺借貸、民間借貸等信息甚至無法查詢，導致小微企業融資市場存在嚴重的信息不對稱，銀行無法通過財務報表等常規材料辨別“好客戶”和“壞客戶”。在此情況下，金融機構只有兩種選擇，一是為使利潤覆蓋風險，提高所有小微企業客戶的貸款利率，這會超出“好客戶”的承受能力，使“好客戶”退出市場，而違約風險高的“差客戶”對利率并不敏感，往往選擇留在市場，這一逆向選擇類似于“劣幣驅逐良幣”，市場最終充斥著“差客戶”，貸款利率只能不斷升高。二是要求小微企業提供必要的抵押物和擔保，這樣雖然可以在較低利率水平下降低不良率，但能提供抵押和擔保的小微企業數量較少，小微企業信用評估和信用增級也會帶來一些利息外支出。據估算，綜合擔保服務費和其他隱形費用后的貸款成本一般在10%以上，而大量制造業小微企業的利潤率僅為3%～5%。大部分“好客戶”仍然無法承擔如此高額的貸款成本。

2 客戶篩選技術的發展

第一階段是人工定性審批。人工審批是傳統的授信審批方式，審批人員根據信貸政策對客戶的申請材料逐項進行審核，對于授信政策中未明確規定的事項主要依靠經驗和主觀判斷，且審批流程通常需要步步上報、層層簽批。該手段雖有效控制了風險，但并不適應小微企業融資的特點，一是該方式主要以抵押、擔保等手段控制風險，對小微企業有資產、抵押、擔保等方面要求，輕資產的服務型和科技型小微企業很難滿足要求；二是對金融機構來說，小額貸款和大額貸款的審批成本基本相同，但小額貸款的收益遠遠小于大額貸款，單筆貸款成本較高，同時，人工審批耗時過長，小微企業難以及時獲得貸款。

第二階段是評分卡審批。1956年，美國工程師William Fair和數學家Earl Isaac成立了FICO公司，從數理統計的角度出發，通過對美國信用局的外部數據和銀行的貸款數據進行挖掘，從幾十個變量中選擇15～20個變量，建立評分卡模型，并以最終評分作為對客戶風險預測的結果。評分卡技術的推出，大大提高了小額貸款的審批效率，金融機構通過評分將“好客戶”和“壞客戶”區分開來，在提高審批效率的同時，降低了違約率，在此基礎上，“信貸工廠”的概念應運而生。該方法至今仍是歐美國家信貸審批中最常用和最普遍的方法。但該方法也存在缺陷，評分卡主要是通過申請人的征信信息判斷客戶的“好壞”，這些信息主要是結構化信息，只是個人或企業資信的一部分，而申請人的行為表現等非結構信息并沒有納入其中，申請人可以通過尋找評分卡規律，規避負面信息，人為提高評分卡評分。同時，一些具有發展潛力的小微企業，由于沒有征信記錄或是暫時經營困難導致征信記錄中出現負面信息，也無法通過評分審核。

第三階段是全面風險管理。自2000年之后，隨著大數據技術興起，金融機構的數據挖掘和建模能力有了巨大的進步，極大地擴展了征信信息的采集范圍，小微企業的信息來源不只是局限于傳統的征信數據，而且包括借貸人的行為方式、社交、興趣愛好等非結構化數據?；谌媸占Υ娴男∥⑵髽I信息，征信公司利用大數據技術分析海量、多元化的大數據源，從多維度對小微企業的信用風險進行考核，這些信息不但從數據上反映了小微企業的經營結果，更重要的是對企業發展軌跡、行為特征、經營風格等經營過程進行評價，為金融機構描繪出詳細的小微企業經營“畫像”。由于該方法所涉及的數據極為豐富且可以進行交叉驗證，小微企業基本沒有造假的可能，這一方法基本上解決了融資過程中信息不對稱問題，使金融機構較為準確的甄別小微企業資質。在控制風險方面，金融機構也不再局限于抵押和擔保，而主要采用信用貸款方式。

3 Zestfinance公司在小微企業融資中的突破

ZestFinance旨在利用大數據技術，通過提供信用評估服務，使原先傳統信用評估服務無法覆蓋的申請人可以獲得金融服務，并降低其借貸成本。美國大行銀行一般只接受評分卡得分在650分以上的客戶，對于評分較低的申請人將會被認為是高風險人群，其貸款必須支付較高利率，或直接被拒絕。ZestFinance認為傳統的評分卡評分考察維度較為單一，對客戶的篩選欠準確，特別是2008年的金融危機后，評分卡審批通過的客戶出現大量壞賬，FICO評分卡受到廣泛質疑。就我國而言，傳統征信數據覆蓋面更為有限，目前人行征信系統只有3億多自然人的信貸記錄，無法覆蓋廣大個體工商戶群體。對于無征信信息的申請人，評分卡很難判斷其風險。

ZestFinance的基本理念是利用一切客戶數據，挖掘客戶信用信息。在數據采集方面，ZestFinance在延續評分卡決策變量的基礎上，導入了大量結構化和非結構化數據，包括借款人的消費、納稅等信息，以及借款人輸入習慣、網頁瀏覽時間、日常關注的網站等極邊緣信息。傳統的評分模型大約收集了500個數據項，而ZestFinance大約需要收集1萬條信息，認為這些看似和借款沒有關系的信息，是借款人真實狀態的表現，對預測違約概率具有重要參考價值。

在數據處理方面，ZestFinance建立了基于機器學習的分析模型，從超過1萬條信息中抽取超過7萬個變量進行分析，尋找數據間的關聯性，將相關變量整合成反映申請人特征的測量指標，根據不同分析模型的需要，選取相應的指標，最后根據模型的測算結果，運用投票的原則得出最終結果。ZestFinance不斷完善和增加信用評估模型，目前已達到14個，模型的類型也由原先的信貸審批模型，向市場營銷、助學貸款、法律催收等方面擴展。

4 對我國小微企業融資的啟示

第一，要建立完善的信用體系?；ヂ摼W金融的特點在于自由、開放、共享，全面、及時的信息是ZestFinance賴以生存的土壤。在我國具有最全面消費者信息的央行征信數據只向銀行類放貸機構開放，廣大第三方平臺掌握了大量消費者信息，但是相互合作的意愿不強，“數據孤島”現象普遍存在，導致大數據模型開發只局限在某一方面，嚴重影響了模型預測的準確性。監管機構應在保護用戶信息安全和隱私權益的基礎上，允許互聯網金融機構獲得個人征信報告，并在央行的征信報告中納入申請者在互聯網金融平臺的信息。同時，加強征信市場化進程，鼓勵有互聯網背景和特色數據資源的征信企業進入市場，建立相應的利益激勵機制，實現客戶信息的互聯互通。

第二，加強數據分析。ZestFinance的成功在于其強大的數據處理和建模能力。金融機構特別是商業銀行客戶數據優勢明顯，應加強數據系統建設，增加信息技術的軟硬件投入；合理引進外部數據，提升數據的多樣性和精細化；提升非結構化數據的處理能力，通過數據清洗、數據篩選、建立模型等手段，結合業務發展的規律，發掘隱藏在數據背后的發展規律。同時，信息分析的關鍵是數據分析師，據Accenture研究院的報告顯示，包括中國在內的七國銀行業的數據分析人才嚴重短缺。因此，金融機構未來還需注重數據分析隊伍的培養，組建大數據分析團隊，通過具體項目培養技術人才。

參考文獻：

[1]劉新海，丁偉.美國ZestFinance公司大數據征信實踐[J].征信，2015（8）：27-32.

[2]劉榮，崔琳琳.大數據技術在中小企業信用體系建設中的應用[J].征信，2015（5）：40-43.

[3]王義增.淺析互聯網金融潮流下銀行的發展方向[J].經濟視野，2014（20）：30-33.