基于大數據視角的商貿流通企業融資風險測度

孫怡瑤

內容摘要：風險測度的不確定性導致融資難、融資貴問題在商貿流通企業融資中廣泛存在，化解此類問題是解決商貿流通企業融資困境的重要內容。國內大數據技術的不斷發展和運用，為解決商貿流通企業融資困境創造了技術支撐，大大優化了風險測度效率，從而提高了企業融資效率。大數據技術運用所依靠的數據資源存在真實性無法保障、連續性欠缺、存儲周期短及統計口徑不一致等問題，因此廣泛使用大數據技術進行風險測度還需要一定時間。

關鍵詞：商貿流通 融資 風險測度 大數據

關于商貿流通企業融資方面的學術研究較多，而從大數據技術角度進行分析的相對較少，這源于相關理論和技術并不成熟等因素。破解我國商貿流通企業融資困境是當前促進商貿流通企業發展的重要途徑，降低融資風險能夠有效提高商貿流通企業的經營效率（聶晶，2018），從大數據角度破解商貿流通企業融資中風險評估難的問題，有關學者給出了不同的看法。所謂的大數據金融，林巍、王祥兵（2016）認為是指利用大數據所開展的金融服務，此觀點側重大數據使用的范圍；朱大磊（2017）則從普惠金融的角度對大數據進行了闡述，認為金融科技與普惠金融的結合催生了“數字普惠金融”概念，大數據對普惠金融的實踐能夠提供技術上的支撐，是風險測度的重要技術手段；考慮到大數據可能帶來的負面影響，有關研究指出要從個人信息保護立法、信息共享機制建設、市場自律等多方面入手，為金融大數據產業的健康發展提供良好制度環境（孫國峰，2017）。因此，對于大數據技術在商貿流通企業融資中風險測度方面的運用，不能僅停留于理論和簡單的政策建議層面，因為考慮到實際使用中市場的需求情況，大數據技術在進行風險測度的過程中需要適時進行調整，這就涉及到風險測度評估模型的設計。

我國商貿流通企業融資風險評估

（一）傳統風險測度模式指標體系分析

傳統融資模式以商業銀行授信為主，即間接融資模式是我國多數中小型企業獲取發展資金的核心渠道，但相對于股權融資等手段則占比較低?，F有的融資模式或融資渠道較以往豐富了許多，銀行融資始終是核心渠道，而信托、基金、股權融資及P2P平臺等各有不同，資金成本不一而足，整體上仍舊是銀行融資為最低成本（見表1）。由于銀行融資資金投入成本較低，即居民儲蓄存款利率較低，可貸出資金能夠盡量壓縮成本，即便是在當前商貿流通企業融資難、融資貴的現實背景下，整體融資成本還是較其他渠道低。雖然商貿流通企業在銀行的融資成本較低，但是不可忽視一直存在的融資難、融資貴問題，因為對于能夠獲得商業銀行融資準入的商貿流通企業而言，資金成本是其能夠承受的，或者說是在整體經營成本中占比較低的，所構成的財務費用支出并不十分影響其發展。本文討論的重點在于商業銀行在為商貿流通企業提供融資服務時所遵循的風險測度標準是否影響了企業融資的效率，而這些融資效率影響因素是否能夠通過大數據技術進行有效規避。

對于商業銀行而言，商貿流通企業要獲得銀行授信支持，首先需要對其進行基本準入，然后對其相關指標進行風險測度，以考量對其融資可能帶來的風險及相應的風險緩釋措施。商業銀行在測度商貿流通企業融資風險時重點考察企業經營情況、財務狀況、經營者素質、上下游貿易（與單次授信申請有關）、信用狀況、增信措施共六大方面，具體的考察重點如表2所示。根據表2中的評估指標體系，設定最基本的評估模型為：y=∑ni=1?ixi，其中y表示風險測度值，x表示不同的風險測度指標，i、n對應不同的測度指標數量，?為風險測度指標的權重系數，一般根據商業銀行的風險偏好或歷史數據設定，具有一定的主觀經驗判斷的特點。上述風險測度模型為商業銀行傳統做法，并沒有過多的技術性因素在其中，實際操作中僅將其視為一種參考，或者在一些特定融資產品中作為唯一的準入依據或授信額度測算參考依據，與風險測度效率和準確性相關性并不大。因此，提高商貿流通企業融資中的風險測度效率還需要對傳統的評估模型進行優化改進，尤其是要提高運作效率。

按照常理而言，評估商貿流通企業的實際風險一般對財務情況較為看重，但在實際操作中會發現越來越弱化對財務指標的分析，主要存在這樣幾點原因：第一，企業所提供的財務報表數據通常存在造假行為，企業通常有銀行賬、老板賬及稅務賬三套賬，企業提供給銀行的通常是夸大盈利能力后的財務數據，因此銀行難以測度其真實的盈利水平，可信度大幅度降低；第二，銀行基于多年的實踐經驗發現，即便是企業能夠提供真實的財務數據，并能夠從中評估出企業具備良好的盈利能力和還款能力，但市場是有風險的，不以人的意志為轉移，各種不可控的風險時有發生，會導致純信用類貸款出現不良后果。因此，商業銀行就會選擇通過房產抵押、專利質押或相關擔保等相關增信措施進行風險防范，基于增信措施商業銀行就會弱化對財務數據的評估。

（二）傳統風險測度模式存在的弊端剖析

第一，弱化財務數據后增加了企業信息負擔。在進行風險測度的過程中如果選擇弱化財務信息分析，則需要企業通過提供其他方面的數據進行風險測度，而實際上其他方面的數據難以獲得，因此最為直接的就是通過增加增信措施來覆蓋潛在風險，通過其他信息以替代對財務數據的分析和甄別，如此一來就會在無形中增加企業負擔，導致實際融資成本提高。這樣一來，實際解決商貿流通企業融資難、融資貴成為空話。

第二，時間成本和人工成本增加導致融資效率大幅度下降。傳統的風險測度以人工審核為主，輔助較為簡單的計算機程序化操作，實際上只是利用Excel表格進行基本運算，技術手段還處在最為原始初級的階段，與國外的風險測度技術相比相差甚遠。人工審核需要更多的時間成本和人工成本，而且人工審核過程所掌握的風險偏好因人而異，容易出現商業銀行前中后臺風險偏好不一致的情況，會直接導致企業融資效率降低。

第三，傳統風險測度下交叉驗證存在缺失，過分依賴企業相關數據信息。傳統風險測度模式下企業所提供的信息很難進行真實性驗證，無法保障信息的真實性和有效性，一方面源自企業存在的道德風險，另一方面則是沒有一個技術手段能夠實現交叉驗證。交叉驗證的缺失導致所獲取的信息無法保證真實性，也就無法評估出企業的真實信用風險和償債能力。此外，傳統風險測度模式下很容易出現評估差錯，對數據分析失誤會導致最終評估結果出現錯誤，存在高估或低估企業信用風險的可能，也就存在流失有效企業客戶或增加自身經營風險的可能。因此，如何有效革除現有風險測度中存在的問題，需要采用更加科學合理的技術手段，大數據技術在依托傳統風險測度模型的支撐下，通過采集更多有效信息進行綜合性判斷，從而對商貿流通企業進行全方位分析，以得到真實信用級別。

大數據維度下商貿流通企業風險模型分析

（一）大數據風險測度發展現狀

財務數據弱化、人工成本和時間成本高、交叉驗證缺失及容易出錯是傳統風險測度模式存在的較為突出的問題，因此需要借助大數據技術進行改進，弄清事物之間的內在聯系和作用機制，這也一直是傳統經濟學研究的核心（俞立平，2013），大數據徹底改變了傳統的統計調查方式，能夠有效解決傳統數據采集的弊端。大數據一方面對傳統的因果關系理論提出了挑戰，另一方面又給因果概念的進一步展開提供了更高層次的整體視角（王天思，2016）。隨著國內金融科技的不斷發展，基于大數據技術的風險測度模型在進行信用風險識別和判定方面取得良好成效，并促進了商貿流通企業融資效率的大幅度提升。表3介紹了國內部分金融科技公司所開發的基于大數據技術的風險測度產品或服務。

大數據技術在進行風險測度時不僅將傳統的風險測度要素納入考察范圍，同時利用互聯網思維將更多維度的數據納入風控模型進行綜合的全方位分析（見圖1）。大數據技術最重要的一點就在于能夠通過多維度的數據進行交叉驗證，發現交易中存在的規律性特征，從而核查交易的真實性，而風險測度的本質就在于此。大數據技術下的數據來源是多渠道的，具有“4V”特點（量Volume、多樣Variety、價值Value、速Velocity），具體來源包括企業自身提交的數據、網絡收集的行為數據、累積的交易數據及第三方數據等，其中第三方數據來源相對權威真實，包括政府、公共事業單位、電信公司、稅務、社保等。

對于測度商貿流通企業融資風險，利用大數據技術進行風險評估與一般的建模流程基本一致，僅存在一個行業的差別性特點，因此在建模中會對不同的指標權重進行差異化處理，這需要具有一定的歷史數據積累或其他相關類型行業數據的比較和參照。在風控模型建立方面，需要運用到多種機器學習算法，比較成熟的如SVM支持向量機、隨機森林、集成學習等，不同的算法比較如表4所示。

（二）大數據技術對商貿流通企業融資效率提升的可行性

基于上述對大數據技術的基本分析會發現，大數據技術在商貿流通企業融資中進行風險測度具有較高的技術含量，完成風險測度技術的轉換是一項系統性工程，涉及多個環節。對于商業銀行而言，真正采用大數據風險測度技術還需要一個過程，眾多風險管理部門對大數據技術存疑，其有效性并沒有得到實質性驗證，因此單純依靠大數據技術進行風險測度遠不如傳統的抵押、擔?；蛸|押更為簡單有效。但是應該看到，大數據技術的發展對提高商貿流通企業融資效率具有廣闊的市場前景，是行業發展的必然趨勢，商貿流通企業所涵蓋的行業范圍廣、可積累數據多、交易周期長，能夠為數據建模提供豐富的數據資源，因此在推動大數據風險測度工作方面具有一定的優勢。大數據技術下，商貿流通企業風險測度所需要的原始數據主要包括經營數據、財務數據、交易數據、傳統征信數據、網絡數據、第三方數據（政府、稅務、水電、電信、交通等）這樣幾大類，同時匹配商貿流通業自身發展規律進行建模比較。

此外，在運用大數據技術對企業進行風險測度時需要考慮到一定的困難，由于該項風險測度模型對數據的依賴性很大，處于底層的數據資源十分重要，因此企業及金融機構應該意識到數據的重要性。在我國的商業環境下，數據資源積累存在四大問題：一是數據本身真實性無法保證，很多數據為偽造數據；二是數據不具備連續性，經常出現斷層；三是數據存儲周期短，并沒有完整的歷史交易數據可供分析；四是數據統計口徑不一致，同樣是經營收入數據，在不同的企業極有可能因財務報表編制過程中財務數據分類不同而導致可比性下降。因此，全方位運用大數據技術對商貿流通企業進行風險測度還需要很長一段時間，但是從另一方面分析，由于大數據技術下的風險測度模型具有迭代性，即分析模型是根據市場的變化及時調整，因此早期能夠運用現有的數據進行初步分析，金融機構配合傳統的風控手段能夠實現對企業基本風險的控制。

綜上，商貿流通企業在融資過程中因風險測度的不確定性而出現融資難、融資貴問題，化解此類問題是解決商貿流通企業融資困境的重要課題。隨著國內大數據技術的不斷發展和運用，基于行業大數據的風險測度方法逐漸發揮了重要作用，實現了對傳統風險測度方法的改進和優化。國內眾多金融科技公司紛紛研發大數據風險測度技術，為解決商貿流通企業融資困境創造了技術支撐，大大優化了風險測度效率，從而提高了企業融資效率。但是大數據技術運用所依靠的數據資源存在真實性無法保障、連續性欠缺、存儲周期短及統計口徑不一致等問題，因此廣泛使用大數據技術進行風險測度還需要一段時間。

參考文獻：

1.任保平.中國商貿流通業發展方式的評價及其轉變的路徑分析[J].商業經濟與管理，2012（8）

2.路遠方.商貿流通企業融資問題探討[J].商業經濟研究，2017（11）

3.孫國峰.金融大數據應用的風險與監管[J].清華金融評論，2017（10）

4.朱大磊.大數據風控助力普惠金融[J].中國金融，2017（11）

5.林巍，王祥兵.大數據金融商業模式的構成要素與創新趨勢[J].經營與管理，2016（4）

6.聶晶.商貿流通企業間接融資模式的風險測度分析[J].商業經濟研究，2018（4）

7.俞立平.大數據與大數據經濟學[J].中國軟科學，2013（7）

8.王天思.大數據中的因果關系及其哲學內涵[J].中國社會科學，2016（5）