用AI技術解決農村金融授信模式

文/沐金農行研組

用AI技術解決農村金融授信模式

文/沐金農行研組

有人曾說，精準授信就像是“點穴”，按得準、力度剛剛好、手法恰到好處，就能手到“病”除。為農村金融點穴，面對小額、分散、差異化明顯的實際難題，再優秀的醫生也需要三思而后行。

一、以村落為單位的預授信模式

農村金融服務的“最后一公里”是公認的制約我國農村金融發展的首要短板，如果將農村金融服務落實到每位農戶比喻為快遞員將快遞送到收件人家中，那么農村金融缺少的并不是快遞員，而是集合快遞員的駐點。

造成農村金融服務最后一公里缺失問題的重要原因是農村人口信用檔案遲遲無法建立，受制于多方面因素，農村人口信用建檔幾乎停滯不前，據中國人民銀行及中國銀監會相關統計，已建立信用檔案數的農村人口只占農村人口總數的25%左右，而已進行信用評定的農村人口只占農村人口總數的18%，個人信用體系建設成為農村金融發展的一大障礙。

隨著互聯網金融場景不斷深入，利用大數據解決農村人口征信不足的方式使農村金融“最后一公里”具有服務于需求切合度高、方應靈活和信息成本較低的優勢，但發展有明顯區域性特點，同時處于逐利目的利率較高，制約了互聯網金融在農村的發展。

一方面是農村金融的的藍海，另一方面是為農村金融尋找可持續的商業模式。對比傳統金融機構與互聯網金融機構涉農貸款的差異，互聯網金融機構的難題是市場地位弱勢、整體競爭力低，同時受制于活動范圍和運營成本，無法具有傳統金融機構強勢、穩固且富有控制力的優勢。

農村具有極強的熟人社會特征，借助組織形態和人際關系兩方面進行捆綁，借助農業合作社的聯合體以及人員關系的“連坐”模式形成關聯，是目前涉農互聯網金融機構的主要打法。然而，這種打法的弊端同樣是不具有代表性，無法形成整體競爭力。

將金融服務的對象化零為整，前移貸款調查，或許是涉農互聯網金融機構的一個可行方向。

以村落為單位，了解村落整體的基本信息，調查日常生活情況及信用記錄，進行整村式預授信，是相比于普及農村征信體系更為實際且成本更低的做法。據相關數據統計，全國行政村數量60余萬個，農村人口約為6億人，相比于為每一位農村人建立信用檔案單獨授信，為整村授信具有普遍性和低成本化。

村落內具有人與人高度相識、生活方式高度相似、需求高度相同的三高特點。提前對整村進行預授信，根據耕地情況、消費訴求、收入能力以及整體信用情況，初步制定授信額度，待符合貸款條件用戶有貸款需求時，僅需要對提交必要資料便可以快速授信，直接申請貸款。

在此基礎上，為家庭進行金融服務是更符合農村實際情況的授信方式。依過往經驗，農村金融服務對象人群有三類：一是普通農戶，對于金融服務實際需求較少，但消費需求逐年提升；二是種植大戶，具有快速融資需求，但傳統金融無法滿足；三是新型農業主，以家庭承包經營為基礎，有創新突破型的融資需求。無論哪一類人群，均是以家庭為單位的借貸需求，結合整村式預授信，可以快速輸出授信結果。

在此同時，在許多金融詐騙案件中，詐騙行為呈現集團化、流水化特征，以村落為單位的預授信模式，將有效的防控集團化詐騙。

二、用比人更懂農村的機器，精準輸出授信結果

在風險管控的約束下，涉農金融機構通常把擔保抵押資產是否充足作為授信的主要條件，且抵押物傾向于房產等固定抵押物。另外，農村承包土地經營權貸款也受制于配套機制不健全，致使農村金融發展前后為難，又無解決之道。

但凡事都具有正反兩面，農村金融的正面是6億農村人的龐大基數和龐大基數帶來的借貸需求；反面則是6億人帶來的無數案例，雖然農村金融在艱難前行找不到出路，但成功與失敗的案例將是打開農村金融結扣的巧手。

在銷售行業有一句心靈雞湯說：想要在海邊將漁具賣給漁民，最好的方式是比漁民更懂捕魚。

人總是希望用自己聰明的智慧解決問題，但人腦顯然缺乏機器的運算速度。相反，人擅長的是制定規則，利用機器的計算能力，將信息數據化，人工智能更懂農村。

人工智能始于大量數據學習過程，通過數據分類和用戶行為的分析推導出規則和流程。面對農村金融及產業的特殊性和金融工具、組織結構的復雜性，渠道多、客戶多、數據大的特點被無限放大。

某平臺信審負責人在談到涉農貸款時說：做農村金融之所以艱難，就是因為它的復雜，各地經濟作物種植有差異、土地情況有差異、土地流轉情況有差異，另外在人文方面也有地區性顯著差異，這些都是變量，也都是農村金融難點，尤其在制定授信額度方面，幾乎無法給出最合適的額度。

解決變量困擾的最佳方式，就是找到這些變量最具代表性的共性。我國幅員遼闊的地域，是提起農村金融后最無所適從的難題。將疆域化零為整，形成以行政區縣和行政村為參考的共性，加之地域特征、種植特點、種植規模、土地流轉情況、人文情況、收入能力、消費能力、欺詐風險等潛在變量因素，是從機器學習到人工智能的重要過程。

6億農村人口的另一面就此顯現，龐大的基數帶來龐大的學習數據。機器有更快速的處理數據能力，通過數據積累，將生成更多授信規則、更準確地確定授信額度。