大數(shù)據(jù)對解決小微企業(yè)融資難的啟示

1、<p>　　大數(shù)據(jù)對解決小微企業(yè)融資難的啟示</p><p>　　[摘 要]融資難一直是困擾小微企業(yè)發(fā)展的“痼疾”，歸根結(jié)底在于市場信息不對稱，銀行無法對小微企業(yè)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(lián)網(wǎng)金融公司通過大數(shù)據(jù)技術為小微企業(yè)建立經(jīng)營情況“畫像”，有效緩解了小微企業(yè)融資市場信息不對稱，這為解決我國小微企業(yè)融資難題提供了有益借鑒。 </p>

2、<p>　　[關鍵詞]信息不對稱；客戶篩選；經(jīng)營畫像；非結(jié)構(gòu)化數(shù)據(jù) </p><p>　　[DOI]10.13939/j.cnki.zgsc.2016.16.135 </p><p>　　我國小微企業(yè)數(shù)量眾多，對GDP的貢獻率已達到25%以上。特別是在當前經(jīng)濟下行的背景下，小微企業(yè)在解決就業(yè)、增加稅收、穩(wěn)定國民經(jīng)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

3、業(yè)發(fā)展，國家不斷出臺優(yōu)惠政策，鼓勵金融機構(gòu)增加小微企業(yè)資金供給，雖然取得了一定成效，但小微企業(yè)在融資中的“弱勢地位”并沒有改變，一些具有發(fā)展?jié)摿Φ男∥⑵髽I(yè)依然難以獲得融資支持。 </p><p>　　1 小微企業(yè)融資難的表象及根源 </p><p>　　小微企業(yè)融資難的表面原因是小微企業(yè)數(shù)量眾多、資金需求量大，而金融機構(gòu)的資金供給有限，市場供不應求，導致較多小微企業(yè)的融資需求難以滿足，致使

4、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(yè)的貸款需求都有效，大部分小微企業(yè)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(gòu)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(yè)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(yè)融資難的關鍵，真正制約小微企業(yè)融資的

5、核心問題是金融機構(gòu)如何將資金分配給具有有效需求的小微企業(yè)。如果將社會可貸資金作為蓄水池，那么金融機構(gòu)就相當于控制小微企業(yè)資金供給的閥門，其不僅控制著小微企業(yè)獲得的資金總量，更重要的是，還對小微企業(yè)進行篩選，以保證資金的還款安全。 </p><p>　　反觀我國的小微企業(yè)，大多數(shù)管理體系不規(guī)范，缺乏完善的財務制度，信息透明度低，無法提供金融機構(gòu)認可的“硬信息”，而且大部分企業(yè)征信信息分散，諸如P2P平臺借貸、民間借

6、貸等信息甚至無法查詢，導致小微企業(yè)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(guī)材料辨別“好客戶”和“壞客戶”。在此情況下，金融機構(gòu)只有兩種選擇，一是為使利潤覆蓋風險，提高所有小微企業(yè)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(qū)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(yè)提供必要的抵押物和擔

7、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(yè)數(shù)量較少，小微企業(yè)信用評估和信用增級也會帶來一些利息外支出。據(jù)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(yè)小微企業(yè)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。 </p><p>　　2 客戶篩選技術的發(fā)展 </p><p>　　第一階段是人工定性審批。人工審批

8、是傳統(tǒng)的授信審批方式，審批人員根據(jù)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(guī)定的事項主要依靠經(jīng)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(yè)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(yè)有資產(chǎn)、抵押、擔保等方面要求，輕資產(chǎn)的服務型和科技型小微企業(yè)很難滿足要求；二是對金融機構(gòu)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

9、貸款成本較高，同時，人工審批耗時過長，小微企業(yè)難以及時獲得貸款。 </p><p>　　第二階段是評分卡審批。1956年，美國工程師William Fair和數(shù)學家Earl Isaac成立了FICO公司，從數(shù)理統(tǒng)計的角度出發(fā)，通過對美國信用局的外部數(shù)據(jù)和銀行的貸款數(shù)據(jù)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(jié)果。評分卡技術的推出，大大提高了小額貸款的審批效率，

10、金融機構(gòu)通過評分將“好客戶”和“壞客戶”區(qū)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(jié)構(gòu)化信息，只是個人或企業(yè)資信的一部分，而申請人的行為表現(xiàn)等非結(jié)構(gòu)信息并沒有納入其中，申請人可以通過尋找評分卡規(guī)律，規(guī)避負面信息，人為提高評分卡評分。同時，一些具有發(fā)展?jié)摿Φ?/p>

11、小微企業(yè)，由于沒有征信記錄或是暫時經(jīng)營困難導致征信記錄中出現(xiàn)負面信息，也無法通過評分審核。 </p><p>　　第三階段是全面風險管理。自2000年之后，隨著大數(shù)據(jù)技術興起，金融機構(gòu)的數(shù)據(jù)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(yè)的信息來源不只是局限于傳統(tǒng)的征信數(shù)據(jù)，而且包括借貸人的行為方式、社交、興趣愛好等非結(jié)構(gòu)化數(shù)據(jù)。基于全面收集、儲存的小微企業(yè)信息，征信公司利用大數(shù)據(jù)技術分析海

12、量、多元化的大數(shù)據(jù)源，從多維度對小微企業(yè)的信用風險進行考核，這些信息不但從數(shù)據(jù)上反映了小微企業(yè)的經(jīng)營結(jié)果，更重要的是對企業(yè)發(fā)展軌跡、行為特征、經(jīng)營風格等經(jīng)營過程進行評價，為金融機構(gòu)描繪出詳細的小微企業(yè)經(jīng)營“畫像”。由于該方法所涉及的數(shù)據(jù)極為豐富且可以進行交叉驗證，小微企業(yè)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(gòu)較為準確的甄別小微企業(yè)資質(zhì)。在控制風險方面，金融機構(gòu)也不再局限于抵押和擔保，而主要采用信用貸

13、款方式。 </p><p>　　3 Zestfinance公司在小微企業(yè)融資中的突破 </p><p>　　ZestFinance旨在利用大數(shù)據(jù)技術，通過提供信用評估服務，使原先傳統(tǒng)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。ZestF

14、inance認為傳統(tǒng)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(xiàn)大量壞賬，F(xiàn)ICO評分卡受到廣泛質(zhì)疑。就我國而言，傳統(tǒng)征信數(shù)據(jù)覆蓋面更為有限，目前人行征信系統(tǒng)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(shù)據(jù)，挖掘客戶信用信息。在數(shù)據(jù)采集方面，ZestFinance在延

15、續(xù)評分卡決策變量的基礎上，導入了大量結(jié)構(gòu)化和非結(jié)構(gòu)化數(shù)據(jù)，包括借款人的消費、納稅等信息，以及借款人輸入習慣、網(wǎng)頁瀏覽時間、日常關注的網(wǎng)站等極邊緣信息。傳統(tǒng)的評分模型大約收集了500個數(shù)據(jù)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</p><p>　　在數(shù)據(jù)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

16、數(shù)據(jù)間的關聯(lián)性，將相關變量整合成反映申請人特征的測量指標，根據(jù)不同分析模型的需要，選取相應的指標，最后根據(jù)模型的測算結(jié)果，運用投票的原則得出最終結(jié)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。 </p><p>　　4 對我國小微企業(yè)融資的啟示 </p><p>　　第一，要建立完善的信用

17、體系?；ヂ?lián)網(wǎng)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(shù)據(jù)只向銀行類放貸機構(gòu)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(shù)據(jù)孤島”現(xiàn)象普遍存在，導致大數(shù)據(jù)模型開發(fā)只局限在某一方面，嚴重影響了模型預測的準確性。監(jiān)管機構(gòu)應在保護用戶信息安全和隱私權(quán)益的基礎上，允許互聯(lián)網(wǎng)金融機構(gòu)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(lián)網(wǎng)金融

18、平臺的信息。同時，加強征信市場化進程，鼓勵有互聯(lián)網(wǎng)背景和特色數(shù)據(jù)資源的征信企業(yè)進入市場，建立相應的利益激勵機制，實現(xiàn)客戶信息的互聯(lián)互通。 </p><p>　　第二，加強數(shù)據(jù)分析。ZestFinance的成功在于其強大的數(shù)據(jù)處理和建模能力。金融機構(gòu)特別是商業(yè)銀行客戶數(shù)據(jù)優(yōu)勢明顯，應加強數(shù)據(jù)系統(tǒng)建設，增加信息技術的軟硬件投入；合理引進外部數(shù)據(jù)，提升數(shù)據(jù)的多樣性和精細化；提升非結(jié)構(gòu)化數(shù)據(jù)的處理能力，通過數(shù)據(jù)清洗、數(shù)據(jù)

19、篩選、建立模型等手段，結(jié)合業(yè)務發(fā)展的規(guī)律，發(fā)掘隱藏在數(shù)據(jù)背后的發(fā)展規(guī)律。同時，信息分析的關鍵是數(shù)據(jù)分析師，據(jù)Accenture研究院的報告顯示，包括中國在內(nèi)的七國銀行業(yè)的數(shù)據(jù)分析人才嚴重短缺。因此，金融機構(gòu)未來還需注重數(shù)據(jù)分析隊伍的培養(yǎng)，組建大數(shù)據(jù)分析團隊，通過具體項目培養(yǎng)技術人才。 </p><p><b>　　參考文獻： </b></p><p>　　[1]劉新海