基于稅務(wù)數(shù)據(jù)進行小微信貸風險模型研究

劉聯(lián)盟

摘 要：小微企業(yè)或企業(yè)主的純信用貸款融資服務(wù)一直是金融機構(gòu)的難題，如何在風險可控的前提下擴大業(yè)務(wù)規(guī)模是亟待解決的，所以需要做一些基于稅務(wù)數(shù)據(jù)的風控建模的研究，以作為重點解決信貸風險不對稱的問題。當前在風險模型策略中也更為注重量化分析，所以借此論文研究的機會進行擬定題目方向的研究，提升自身的研究分析能力。本文從銀行等金融機構(gòu)的信用風險管理中稅務(wù)數(shù)據(jù)的價值入手，詳細闡述了其在建模方向的應(yīng)用，并提出了相應(yīng)的困難。

關(guān)鍵詞：風控;模型;小微信貸;稅務(wù)

小微金融融資難，其本質(zhì)是源于三個不對稱，即信息不對稱，風險不對稱，成本收益不對稱。綜合國內(nèi)外學者對小企業(yè)融資模式的研究成果來看，大多是希望通過破解信息不對稱問題，來解決其融資過程中遇到的問題，其中風險控制又是關(guān)鍵。盡管近年來，我國商業(yè)銀行正在逐步推行流程銀行改革，大中小行業(yè)銀行也都在對線上化的信用貸款進行了一定程度的嘗試，這些對小微企業(yè)的融資起到了部分促進作用，但依然成效不大。為此，筆者認為重點是從數(shù)據(jù)源著手，提高銀行風險模型和策略的決策能力來減輕小微企業(yè)信息不對稱問題，依托銀稅互動的背景，大力挖掘稅務(wù)數(shù)據(jù)在風控領(lǐng)域的應(yīng)用價值，通過解決風控和成本不平衡的難點逐步解決小微企業(yè)融資難題。

1 小微信貸的意義和價值

小微客群數(shù)量龐大、分布廣泛，他們貼近市場、貼近用戶，活躍在市場競爭最為激烈的領(lǐng)域，是經(jīng)濟增長和市場創(chuàng)新的微觀基礎(chǔ)。

在我國“以票管稅“的大環(huán)境 下，發(fā)票信息與稅務(wù)信息緊密相連。在各類小微企業(yè)融資模式中，稅務(wù)信息模式在風控效果提升、成本與效果兼顧兩方面均具備優(yōu)勢，成為當前各金融機構(gòu)越來越重視的模式。具體而言，稅務(wù)信息具備覆蓋的企業(yè)面廣、信息維度多且與風控效果相關(guān)性大、信息準確度高、電子化存儲方便等優(yōu)勢。其中，稅務(wù)數(shù)據(jù)的信息維度優(yōu)勢尤為突出，這其中包含企業(yè)主營商品分析、繳稅記錄、稅務(wù)信用等級、采購商品分析、銷售額排名區(qū)間、水電支出等信息。

當前情況下，提升風控水平是破解小微信貸成本和風控的兩難問題的最佳手段，同時可以更好地提高貸款決策的有效性和科學性。金融結(jié)構(gòu)可以借助稅務(wù)數(shù)據(jù)來構(gòu)建的企業(yè)經(jīng)營全景視圖來進行風險控制、產(chǎn)品營銷、業(yè)務(wù)創(chuàng)新等活動，真正有效的發(fā)揮數(shù)據(jù)和資金價值，進一步促進經(jīng)濟發(fā)展，落實普惠金融建設(shè)。

2 基于稅務(wù)數(shù)據(jù)的風控建模的實現(xiàn)

本文采用的是一個融合模型，即通過兩個機器學習模型建模，然后在進行邏輯回歸建模。首先會介紹數(shù)據(jù)探索和處理過程，以及特征構(gòu)造等建模前的基礎(chǔ)內(nèi)容。然后介紹Logsitc Regression 的基本原理、數(shù)學模型以及主要的方法。之后詳細介紹了 Random? Forest、Xgboost 在融合模型中的應(yīng)用，對算法的原理及其實現(xiàn)方式進行了詳細的闡述，并對必要環(huán)節(jié)的處理過程進行解釋。主要包含以下幾個重要步驟：

2.1 數(shù)據(jù)探索

數(shù)據(jù)探索要弄清楚這些問題：有哪兒些字段？樣本數(shù)據(jù)長什么樣子？基本特征是什么？分布是什么樣？有什么特殊之處？數(shù)據(jù)之間有沒有關(guān)系（相關(guān)性分析）？樣本數(shù)據(jù)是否能滿足建模需求？

數(shù)據(jù)探索是在具有較為良好的樣本后，對樣本數(shù)據(jù)進行解釋性的分析工作，它是數(shù)據(jù)建模的較為前期的部分。數(shù)據(jù)探索并不需要應(yīng)用過多的模型算法，相反，它更偏重于定義數(shù)據(jù)的本質(zhì)、描述數(shù)據(jù)的形態(tài)特征并解釋數(shù)據(jù)的相關(guān)性及其業(yè)務(wù)意義。通過數(shù)據(jù)探索的結(jié)果，我們能夠更好的開展后續(xù)的數(shù)據(jù)挖掘與數(shù)據(jù)建模工作。

2.2 數(shù)據(jù)處理

對原始數(shù)據(jù)進行處理是論述本文的一切的前提，這部分工作十分繁復，其中主要是對相關(guān)數(shù)據(jù)的抽取，對數(shù)據(jù)類型進行處理，數(shù)據(jù)進行歸一化處理，缺失值填充的方法評估，去除噪聲數(shù)據(jù)，對極值處理，并對確認錯誤的數(shù)據(jù)進行修正或刪除。由此產(chǎn)生的高質(zhì)量的數(shù)據(jù)才能進行下一步的特征構(gòu)造工作。

2.3 特征構(gòu)造

這部分涉及到如何構(gòu)造特征，特征作為模型效果的直接因素，在數(shù)據(jù)建模工作中占了大部分工作量，也是模型建設(shè)中最重要的工作，從多樣化的業(yè)務(wù)邏輯中尋找特征構(gòu)造方法，利用特征工程通用的技術(shù)方法去驗證特征效果，并使用專業(yè)性知識構(gòu)造特征生成模型。由此構(gòu)造出有效且解釋性強的特征，不僅對模型效果有極大提升作用，還能對業(yè)務(wù)意義提供參考。

2.4 模型原理和模型構(gòu)建評估

2.4.1 Logistic? Resgression

Logistic? Resgression 是以概率學理論為基礎(chǔ)所衍生出的非線性回歸模型，針對解決二分類問題的回歸模型，為了擬合因變量 y 與自變量（x1，x2，…，xn）之間關(guān)系而構(gòu)造的數(shù)學模型，是一種廣義的線性回歸分析模型，較常用于數(shù)據(jù)挖掘，醫(yī)學上的疾病分析和診斷，信貸評分卡等領(lǐng)域。

2.4.2 Random Forest

Random Forest算法是由多個基模型組成的分類算法?；跊Q策樹用隨機的方式建立一個森林，在得到森林之后，當有一個新的輸入樣本進入的時候，就讓森林中的每一棵決策樹分別進行判斷。既然 Random? Forest 是一種多模型組合算法，那它一定是由元分類器組成的，它的元分類器是 CART 樹。每次進行訓練的樣本集沒有使用全集，而是使用抽樣的方法，抽樣方法是 Bagging 方法抽取有差異的子集，在樹的分支時也采用隨機選擇分裂特征的方式。通過使用以上方法，增強了 Random? Forest 算法較好的抗噪能力，并且由此也使得其分類效果十分優(yōu)秀。

2.4.3 Xgboost

Xgboost 將通用 Tree? Boosting 算法進行了工程化實現(xiàn)，梯度提升決策樹（Gradient Boosting Decision Tree，GBDT）是 Tree Boosting 算法的代表，而它也被稱為 MART（Multiple Additive Regression Tree）。

2.4.4 模型構(gòu)建

通過之前生成的特征變量，進行變量的必要篩選和入模調(diào)整，構(gòu)建一整套違約預測模型，對融合模型和單模型進行效果對比，并對模型中必要的模塊的實現(xiàn)方法及過程進行論述。

2.4.5 模型評估

效果評估方式包含KS檢驗和ROC檢驗：

1）KS檢驗主要是驗證模型對違約對象的區(qū)分能力，一般用在模型預測建模的信用樣本的信用評分后，將樣本按違約率與非違約率分成兩部分，然后用KS值來檢驗兩組樣本的信用評分是否具有顯著性差異。

2）ROC曲線及AUC系數(shù)主要用來檢驗違約預測模型對客戶進行正確的排序能力。ROC曲線重點描述在一定累計好客戶比例下的累計壞客戶的比例，模型的分別能力越強，ROC曲線越往左上角靠近。AUC值表示ROC曲線下方的面積。AUC越高則模型的風險區(qū)分能力也就越強，AUC的最大值是1，也即是理論上的完美信用違約模型。

3 當前遇到的困難和后續(xù)展望

3.1 當前遇到的困難

一是對稅務(wù)數(shù)據(jù)的業(yè)務(wù)含義認識上的片面性，導致無法構(gòu)造出一些十分有價值的變量，可能致使最終模型效果無法達到預期;二是數(shù)據(jù)實證分析遇到阻滯，影響論文寫作的階段性推進;三是企業(yè)上下游數(shù)據(jù)因普通發(fā)票開具的信息以及接收到的信息不完整，上下游的統(tǒng)計數(shù)據(jù)可能會與企業(yè)實際交易情況存在細微的誤差。

3.2 后續(xù)展望

綜上所述，通過本文的研究，給出了利用稅務(wù)數(shù)據(jù)對小微信貸領(lǐng)域的風控模型進行分析和挖掘的一個思路和方向，并取得了初步的成果，但是由于本人知識面的狹窄和經(jīng)驗上的不足，該研究并不完美，還存在著許多需要完善的地方，有待未來繼續(xù)努力。未來可以進一步研究的內(nèi)容包括：

1）對數(shù)據(jù)的深度分析和使用，采集更多的數(shù)據(jù)，除了本文所使用的稅務(wù)基礎(chǔ)數(shù)據(jù)之外，還可以納入更多的與企業(yè)經(jīng)營相關(guān)的數(shù)據(jù)，包括不限于水電費用信息，企業(yè)進銷項中更多維度的數(shù)據(jù)。此外對于數(shù)據(jù)的處理，需要研究更優(yōu)的數(shù)據(jù)清理方式，更加有效的消除異常數(shù)據(jù)，填補空缺數(shù)據(jù)。最后還要對小微企業(yè)的經(jīng)營數(shù)據(jù)做深度分析，提高特征數(shù)據(jù)的粒度，尋到更多有效的與違約強相關(guān)的數(shù)據(jù)特征。

2）使用一些最新的算法來進行違約預測，利用目前前沿的深度學習技術(shù)對違約模型進行優(yōu)化。

4 結(jié)束語

綜上所述，小微信貸領(lǐng)域的數(shù)據(jù)模型的應(yīng)用還處在探索與發(fā)展階段，但是這也是當前數(shù)據(jù)挖掘應(yīng)用領(lǐng)域的熱點研究方向。本文以作者實際經(jīng)驗出發(fā)，介紹了在當前國家政策的大力支持下，小微企業(yè)融資難、融資貴的現(xiàn)象依然一直存在，分析融資難的本質(zhì)原因分析，以及解決小微企業(yè)融資的現(xiàn)實意義，針對小微企業(yè)融資難的問題，一方面，通過“銀稅互動”、“銀商互動”、對接產(chǎn)業(yè)中的交易數(shù)據(jù)、與正規(guī)持牌的第三方征信機構(gòu)合作等方式，不斷拓展充實小微企業(yè)的經(jīng)營信息;另一方面，結(jié)合稅務(wù)數(shù)據(jù)和機器學習算法，動態(tài)搜集企業(yè)經(jīng)營的相關(guān)信息線索、提煉數(shù)據(jù)特征。豐富和完善企業(yè)信用評估的維度，將傳統(tǒng)的評分卡建設(shè)轉(zhuǎn)變?yōu)槿诤夏Ｐ偷臉?gòu)建，切實提高金融結(jié)構(gòu)的小微信貸風險把控能力。

企業(yè)的稅務(wù)相關(guān)數(shù)據(jù)中也存在很多值得挖掘的信息等待人們?nèi)グl(fā)現(xiàn)，盡管本論文的研究內(nèi)容還有許多不足之處，但隨著未來研究的進一步開展，相關(guān)領(lǐng)域的研究必然會取得更大的突破，為數(shù)據(jù)建模在小微信貸領(lǐng)域的應(yīng)用取得更大的成果。

參考文獻

[1]姜強，趙蔚，王朋嬌，等.基于大數(shù)據(jù)的個性化自適應(yīng)在線學習分析模型及實現(xiàn)[J].中國電化教育，2015（1）：85-92.

[2]洪娟.大數(shù)據(jù)環(huán)境下商業(yè)銀行“小微貸”競爭策略研究[J].南方金融，2014（03）：80-82.

[3]王妍.構(gòu)建大數(shù)據(jù)“云銀行”金融模式突破小微企業(yè)融資瓶頸[J].對外經(jīng)貿(mào)，2015（07）：114-116.

[4]李雅芹，楊慧中.一種基于Bagging算法的高斯過程集成建模方法[J].東南大學學報：自然科學版，2011，41（B09）：93-96.

[5]李航.統(tǒng)計學習方法[M].北京：清華大學出版社，2012.