大數據時代小微企業智能審貸問題研究

摘 要：信用風險控制技術是大數據在商業銀行應用的最核心功能。本文以大數據為背景，結合商業銀行內外部環境，探討了小微企業智能審貸引入大數據分析的必要性與可行性，剖析了商業銀行推進小微企業智能審貸面臨的困難與挑戰，并提出加強法制建設、完善數據庫體系建設、強化數據價值挖掘能力、搭建適應大數據的數據管理體系等建議。

關鍵詞：大數據；小微企業；風險管理；信貸審批

中圖分類號：F830.33 文獻標識碼：B 文章編號：1674-2265（2016）11-0051-06

一、引言

大數據是指信息量大而復雜到無法在一定時間內用常規數據庫管理工具對其進行處理的數據集合。小微企業大數據信貸智能審批是指商業銀行通過對綜合“大數據”信息進行全面、深度地挖掘和分析，建立起貸款客戶的信用評級、貸款定價體系，系統根據信用評級結果自動審批等流程決定是否貸款，采用全流程系統在線辦理的操作業務模式。目前，就小微企業授信中大數據技術的應用而言，大多數文獻集中討論了小微企業評級中的大數據技術應用。如，陳勇俊（2011）分析了大數定律下小微企業授信模式，認為可以用小微企業的總體預期貸款損失率來代替每一筆小微企業貸款的預期損失率。孫中東（2013）提出商業銀行的信用評級體系，可以應用大數據技術進一步完善、創新。錢慧、梅強、文學舟（2013）借用主成分分析方法探索對小微企業信貸風險評估的適用性，并結合銀行最終的放貸結果進行評價。劉蕓、朱瑞博（2014）提出互聯網金融的開放性，可有效降低征信成本、促進征信體系更加透明，進而降低小微企業的融資成本。總之，依托大數據技術應用于小微信貸業務僅停留在理論研究階段。

據工商部門統計，截至2015年末，全國在冊的企業一共有1300多萬家，其中99%是中小微企業。這些企業解決了我國50%的稅收、60%的GDP、70%的進出口業務和80%的就業。但中小微企業卻只能從銀行拿到不到10%的貸款，且幾乎無直接融資。信用風險控制技術是大數據在商業銀行應用的最核心功能，商業銀行可從80%的低端客戶獲取到巨大的商機，徹底顛覆銀行傳統經營的“二八定律”。因此，在大數據時代，加強小微企業智能審貸問題研究，對構建小微企業大數據信貸新模式，適應小微企業“短、小、頻、急”的資金需求，具有十分重要的理論和現實意義。

二、小微企業智能審貸引入大數據分析的必要性與可行性

（一）小微企業智能審貸引入大數據分析的必要性

1. 大數據具有信息技術挖掘優勢，為實現精準授信奠定基礎。大數據時代，數據已經滲透到各行各業，銀行業借助大數據信息挖掘優勢，更加前瞻地洞察影響貸款資產安全、收益的各類風險因素，并及時做出針對性調整策略，較好地解決傳統信貸風險管理中的信息不對稱難題（見表1）。

2. 互聯網金融的強烈沖擊，要求商業銀行緊跟大數據在同業應用進程。

（1）傳統銀行加大與數據服務商合作，借助外部專業力量，強化大數據在管理中的運用力度。如美國Zest Finance，通過采集盡可能多的商業化數據，結合信貸數據模型，運用大數據技術，挖掘分析個人信用資源，達到增強個人信用的目的（見圖1）。

（2）大數據在信貸業務中的應用。隨著數據采集范圍的擴大和建模技術的更新，銀行根據業務專家設定的運行規則，開始探索基于大數據生成的評分信息，形成信用風險評級模型，并嵌入到信貸管理系統中，更好地識別客戶風險，極大提升審批效率。

3. 應對金融市場化的復雜風險形勢，滿足更主動、有效的防控信貸風險要求。銀行信貸服務的核心是風控，銀行通過與掌握行業大數據平臺方合作，借助互聯網、大數據、云計算等技術支撐，通過企業的交易數據等歷史信息來構建企業信用評分模型，通過對企業信用評分模型的分析、論證、歸納，最終提取出客戶的真實信用狀況（見圖2），實現小微企業“智能審貸”的服務模式，滿足小微企業“短、小、頻、急”的貸款需求，并構建分析客戶風險變化的量化機制，制訂更精準的信貸風險控制策略，更主動、有效地防控信貸風險。

（二）小微企業智能審貸引入大數據分析的可行性

1. 銀行信貸信息化體系日趨完善，為智能審貸引入大數據技術提供了必要的基礎條件。（1）集成信貸業務生產與管理功能的信貸管理平臺日趨成熟，為信貸信息流的獲取、儲存、共享、分析提供了必要的硬件支撐。以大數據的分布式存儲與處理方式構建的大規模計算機集群，不僅有效降低硬件成本、數據的運算效率大大提升，而且大幅降低信息搜尋與處理費用。（2）積淀了海量的歷史與最新信貸數據信息，為商業銀行提供日益精準的數據。借助大數據平臺，以多年積累的法人客戶、個人客戶為基礎，及時挖掘信息主體基本信息、交易與財務信息、動態行為信息等多層次數據信息，將更能立體客觀地精準映射客戶信息視圖。（3）信貸管理系統與其他相關系統的交互渠道進一步暢通。大數據背景下，銀行可利用互聯網從社交網絡活動中，及時了解信息主體資金交易方式、結算習慣等多維度的動態信息，為信貸數據聯動資金核實數據，以及其他有關數據的關聯性分析提供了更加有利的條件和寬廣的空間，并通過大數據技術將采集的信息數據分門別類存儲到數據庫中。

2. 云計算的超強計算性能配合大數據技術，為信用信息處理提供了強大的技術支持。

一是在金融數據背景下，通過大數據技術使眾多分散的異構數據分解成多個子任務并行關聯與集成分析，如采用分布式計算技術，在信用動態評分、風險評估和管理、提供更多信用報告選擇、預測和快速匹配信貸需求等方面實現大數據的分布式處理，極大提高數據信息處理的時效性與效率。二是大數據的“集中式”處理，提升系統處理效率。采用中央服務器集中處理采集數據信息，且采用非關系型的數據存儲方式構建的數據庫，有效地降低多次重復采集數據信息所增加的成本費用；同時，支持在線擴張的大數據平臺架構，也為業務的迅速發展創造良好的基礎條件。三是大數據和云計算能有效提升信用數據的挖掘深度。當前，80%以上的信息為復雜的非結構化數據，如音頻、圖片、視頻等數據信息，憑借大數據的深層挖掘處理能力，能根據個性化的需求嘗試建立智能分析模型，實現期望預測的目標。目前，國內一些數據公司正在嘗試利用大數據模型為銀行開展信貸預測分析。

3. 商業銀行憑借自身的IT技術優勢，具備了基本的數據挖掘分析經驗。（1）憑借自身的IT技術優勢，具備內外部數據整合的能力。銀行IT技術的發展實現了海量數據收集和存儲，極大地拓展了信用信息的來源和范圍，更重要的是獲得了和大數據鏈條上其他外部數據整合的能力。如互聯網上涉及資金交易、公共政務、日常生活等眾多與信用相關聯的變量，以及互聯網上的信息—用戶IP地址、搜索習慣、網絡數據，甚至一些個人興趣愛好均可作為其信用評價的考量因素。（2）商業銀行具備較強的數據分析能力。大數據時代，商業銀行憑借自身的IT技術優勢和所擁有的信息資源，采用大數據技術，動態挖掘涉及客戶的工商稅務、網絡媒體、資產交易等外部信息，通過文本分析及內容挖掘技術，將識別后的信息轉換成標準分類，建立企業信息預警規則與信息索引庫，結合企業的交易流水信息、資金往來異動信息等，完善企業信息預警系統，開展信用風險管理和控制。如在企業貸款使用環節，銀行可采用大數據手段，采集分析企業資金流向數據，對未按照約定支付或支付規律出現異常的企業實施智能預警。

4. 引入和培訓大數據相關技術人員，逐步建立大數據相關專業團隊。商業銀行經過多年的信息系統建設，已逐步建立了以信貸評級體系建設和在線監控人員為主的信貸數據分析應用團隊，而且圍繞數據獲取、儲存、搜索、共享、分析需求，不斷加大科技、軟件、需求相關力量的配置力度；同時，為了適應大數據應用，各銀行普遍重視引進和培訓大數據相關技術人員，并以軟件研發部門為基礎，組建大數據相關專業分析研究團隊，為大數據挖掘分析的順利推進，提供了必要的技術人員基礎保障。

三、小微企業智能審貸引入大數據分析面臨的困難與挑戰

（一）社會信用體系不完善，大數據信用信息的市場監管面臨挑戰

1. 社會信用體系不完善，新興的信用信息業務監管制度缺失。由于社會信用體系不完善以及個人信用數據匱乏，部分企業以互聯網為平臺，陸續嘗試借助各自信息技術資源優勢，廣泛采集企業和個人信息，開展數據信息挖掘分析，提供信用數據等新興業務，但目前我國新興的信用信息業務監管制度缺失，缺乏數據信息的搜集、整理、儲存、分析、處理的相關制度，缺乏大數據挖掘統一的技術規范要求，特別是涉及隱私保護和數據信息安全的法律法規有待進一步完善。

2. 大數據征信領域的監管體系尚未成熟，缺乏相應的法律法規。近年來，我國逐漸興起大數據征信，而有關大數據征信監管的法律法規建設相對滯后，現有的《征信業管理條例》及配套規章制度的監管對象主要是傳統的金融領域，難以覆蓋到征信機構以外。如騰訊、阿里等互聯網企業開展的大數據征信，在行業自律與監管方面，缺乏統一的行業職業道德與規范標準，特別是適應市場監管的相關技術與水平亟須提高。

（二）數據量的劇增和數據的云端集中，對數據安全的保護提出更大的挑戰

1. 信息安全和隱私保護尚需加強。隨著非結構化數據的急劇增長，多元化、多層次的數據量進一步集中，且數據的分布式處理也加大了數據泄露的風險，大數據提取、云計算、云存儲等分布在多臺計算機上，信息數據結構復雜、鏈條長，容易產生數據泄密的風險。因而，對海量數據保密技術要求高，信息數據安全防護變得更加困難。

2. 隱私保護和數據安全成為制約大數據發展的瓶頸。新技術的發展讓信息的獲取更加方便、存儲時間更長久，同時數據搜索也更容易，在云端長久儲存并匯集的數據都可能成為被攻擊的目標，配置或者軟件的錯誤都有可能意外地被其他用戶訪問，數據的分布式處理也加大了數據泄露的風險。用戶在不同場合不同情形下發布或留下的部分個人信息，如電信服務商掌握的手機號、4S店掌握的車牌號等，一旦被黑客全部或部分竊取后經過交易和交換，一個人的完整信息就徹底暴露。保密文件如果托付給技術不成熟的云計算服務商，數據丟失、病毒入侵等問題就更加嚴峻。

（三）數據的質量失真和數據清洗，量化系統性風險面臨挑戰

一是數據的清洗與高質量數據的生成。高質量的信息數據是企業情況的真實反映，大數據技術建立合適的模型以高質量的信息數據為支撐，目前數據不夠清潔，信息數據魚龍混雜、良莠不齊等問題，難以直接對數據關系進行邏輯驗證，無法高質量地清潔數據。因此，首要問題是將此類非結構化、半結構化的數據轉化為可用結構化數據。二是量化面臨系統性風險挑戰。銀行信貸專業人員通常利用網絡平臺，采用基于大數據技術建立的評價模型，對中小企業經營過程進行量化分析與判斷。但是，對量化模型的建立及其及時改善與更新，均面臨系統性風險的復雜性。企業所處的宏觀經濟環境，以及企業本身，增加了系統性風險的復雜性。如量化模型參數的設定、歷史經營的指標數據來源與更新、企業的外在環境與條件的變化等均影響系統性風險的量化模型。

（四）大數據處理專業人才嚴重匱乏

1. 在大數據時代，信貸智能審批需要大量的金融經濟、信息技術、互聯網等專業高端人才，對海量數據進行云計算處理、加工存儲、挖掘分析。因此，對商業銀行來說，最棘手的問題是缺乏人才，尤其是既懂統計學、會編程，又懂專業知識的數據挖掘人才。

2. 相比傳統數據分析，大數據分析是從理念到技術的全新領域，對數據分析人員也提出了更高的要求。數據分析能力強的人員能以深度的商業知識和經驗將數據進行歸類、整合和管理，并能采用數據模型和數據挖掘的方式來對客戶分類，或研究有關產品、風險等 。而同時在數學、計算機和商科等多個領域具備較強能力，又對數據有敏銳洞見的人才極其稀缺。

四、政策建議

（一）加強法制建設，完善金融業營商環境

一是地方政府須擔責，營造良好信用環境。地方政府可以使用地方立法權制定法規、健全制度、完善信用法律支撐；在界定、處理好國家機密、商業秘密、個人隱私保護與公開之間關系的前提下，出臺包括政府信用、企業信用以及個人信用的相關細則；開展社會誠信宣傳活動，對各項信用制度進行普及、研究和培訓，積極開展社會誠信創建活動，向社會宣傳普及信用的價值，營造良好的社會信用環境。二是建立信息采集交換機制。建立包括央行在內的金融監管部門、商業銀行、工商稅務、環保、電信、供水供電等數據交換平臺。盡快建立與完善數據挖掘、處理、存儲等技術標準與規范。條件許可的情況下，建立區域信用數據采集與資源共享平臺，推進大數據信用信息的先行先試，逐步建立并推進金融信用信息的采集交換機制。三是建立多方聯合懲戒機制，形成對失信行為的有效威懾。建立并完善失信行為的信息管理制度，加強企業與個人信用信息披露管理，強化公共服務信息數據共享，進一步完善金融、行政司法、工商稅務等聯合懲戒機制，營造“一處失信、處處受制”的信用環境，提高失信者的交易成本，加大懲戒力度，直至依法追究失信者的民事責任。

（二）完善數據庫體系建設，提升數據處理能力

1. 建立并完善信貸業務全流程的大數據信息采集規則，尤其是規定各環節真實連續反映借款人信息的采集規范要求和內容，并通過整合現有各業務系統數據，將相關數據信息通過大數據技術歸集到大數據庫。

2. 按信貸業務的采集規則，通過整合內外部數據源，對運營管理程序中的各參數進行整合、優化設計，加強數據標準、數據質量管控建設，鋪設連接各類資源交易權威網站的接口等。

3. 通過大數據庫搜索引擎功能，根據信息采集規則，利用信貸審批業務專項數據庫，挖掘分析該信貸業務的關鍵風險點、違約概率、風險防控主要措施等數據信息，提高審批人識別貸款風險的前瞻性。

4. 提升數據處理能力。數據庫建成后，銀行可依據管理決策需求，充分挖掘自有信息數據并積極對接互聯網交易、征信、財務流水等多維度客戶信息平臺，用于組建信用貸款審批模型和貸后管理預警機制，實現信用審批和貸后管理效率的同步提升。

5. 進一步優化信貸評級模型。通過運用大數據技術，有效識別數據的真偽與關聯度。如根據交叉驗證結果，通過經驗判別法來識別是否存在問題數據；并通過數據清洗，減少對運算結果產生影響的低質量數據。同時，對數據進行適當的調整，努力還原數據的真實面貌，建立覆蓋多個領域的大數據建設標準，從授信用信、風險緩釋、風險定價、資本配置、績效考核方面，進一步優化信貸評級模型。

（三）強化數據價值挖掘能力，實現數據價值最大化

1. 深入挖掘內部數據源信貸風險管理價值，實現數據價值最大化。通過大數據挖掘，分析客戶靜態財務數據與客戶動態行為，量化用戶違約概率，動態調整組合層面的信貸增量配置。通過與大數據關鍵技術結合的組合算法模型，精準地識別出風險客戶、深入地挖掘出優質客戶，解析出影響客戶類型的關鍵要素，從傳統的“經驗決策”轉向“數據決策”的風險精細化管理。如建立以風險調整后經濟資本回報率（RAROC）為核心的信貸資產組合管理模型，實現精準貸款定價決策。

2. 借鑒大數據相關關系提升信貸審批前瞻性。利用大數據關聯關系和數理邏輯思維，依照“事由到行為再到結果”的次序，深入挖掘影響信貸資產質量的主要工序與關鍵環節等“行為”，并基于大數據技術的決策模型實現系統自動審批，同時通過批量計算客戶風險分值的方式，及時預警客戶風險、提高決策效率和準確性（見圖3）。

（四）搭建適應大數據的數據管理體系，實現全方位的風險監測預警

1. 搭建適應大數據的數據管理體系。圍繞信用評級、授信審批、貸后監控等信貸管理的關鍵環節，將信息收集范圍覆蓋到對借款人本身、財務管理、上下游關聯企業及其往來、核心管理層行為偏好等信貸管理相關的數據來源和數據分析維度；擴大相關數據廣度，采用信息數據檢索比對及其相關性分析，非結構化與結構化數據的耦合信息印證分析，揭示出靈活、高效、多方位映射貸款風險參數變化的規律性，形成數據模型，進而有效利用模型工具進行預測和防范風險，大大提高信貸管理效率。

2. 監測分析挖掘，實現全方位的風險監測預警。如建立多元化數據獲取渠道，注重利用社交媒體數據、網絡工具等各種運作載體，并從中融入銀行的工作目標。通過實時、動態監控，及早發現和識別風險來源、范圍和程度，及時發出風險警示信號；提升大數據處理與分析技術水平，加強大數據平臺的投資建設，加強風險建模；結合借款人的歷史數據進行全局性實時分析，評估借款人行為，對借款人的信用風險等級適時進行動態修正，提高授信客戶精細化管理水平（見圖4）。

圖4：小微企業大數據授信管理平臺

（五）加強人才隊伍建設，營造良好的人才環境

大數據時代的數據挖掘是一個系統工程，必須建立跨部門的工作小組共同攻關，把數據倉庫和數據挖掘變成現實的生產力。一是加快組織機構調整。由具備數理建模和數據挖掘技能的電腦工程師、數據分析師、具備對大數據理解與應用能力的專業人員，共同組成復合型的大數據專業團隊，為數據挖掘奠定組織基礎。二是提升大數據技術處理能力。加快大數據專業人才隊伍建設，招聘、培養掌握數據建模、云計算、金融經濟等技能的復合型人才，為大數據時代的信貸業務提供強有力的人才保障。三是加強與大型互聯網企業的合作。積極借鑒阿里巴巴、騰訊等互聯網企業的先進經驗，打造直銷銀行等零售新模式；加強與國內外如IBM、SAS等頂級大數據服務商的合作，構建大數據應用聯合實驗室，并建立富有成效的激勵管理機制，促進大數據向價值資產的轉換。四是加強與監管機構協調配合，借助各監管部門的力量，努力提高大數據的安全管理水平，研發大數據風險防范技術；學習國外欺詐警示、網絡安全漏洞評估等技術，開發加密技術、網絡脆弱性評估工具、信息系統風險評估工具等支撐大數據應用的信息安全產品。

參考文獻：

[1]Big Data：Science in the Petabyte Era.Nature 455（7209），2008，（1）.

[2]陳勇俊.大數定律與小微企業授信模式研究[J].上海金融，2011，（12）.

[3]孫中東.大數據技術應用與銀行信用評級體系創新之探[J].金融電子化，2013，（11）.

[4]錢慧，梅強，文學舟.小微企業信貸風險評估實證研究[J].科技管理研究，2013，（14）.

[5]聶元銘.大數據及其安全研究[J].信息安全與通信保密，2013，（5）.

[6]謝清河.大數據時代我國商業銀行發展問題研究[J].南方金融，2014，（11）.