论文部分内容阅读
[摘 要]融资难一直是困扰小微企业发展的“痼疾”，归根结底在于市场信息不对称，银行无法对小微企业进行有效筛选。随着客户筛选进入全面风险管控时代，以ZestFinance为代表的互联网金融公司通过大数据技术为小微企业建立经营情况“画像”，有效缓解了小微企业融资市场信息不对称，这为解决我国小微企业融资难题提供了有益借鉴。
[关键词]信息不对称；客户筛选；经营画像；非结构化数据
[DOI]10.13939/j.cnki.zgsc.2016.16.135
我国小微企业数量众多，对GDP的贡献率已达到25%以上。特别是在当前经济下行的背景下，小微企业在解决就业、增加税收、稳定国民经济等方面具有重要作用。但“融资难、融资贵”长期以来一直制约小微企业发展，国家不断出台优惠政策，鼓励金融机构增加小微企业资金供给，虽然取得了一定成效，但小微企业在融资中的“弱势地位”并没有改变，一些具有发展潜力的小微企业依然难以获得融资支持。
1 小微企业融资难的表象及根源
小微企业融资难的表面原因是小微企业数量众多、资金需求量大，而金融机构的资金供给有限，市场供不应求，导致较多小微企业的融资需求难以满足，致使融资成本提高。但表象下存在两个问题，一是并非所有小微企业的贷款需求都有效，大部分小微企业仅有贷款意愿而无还款能力，贷款意愿和还款能力两者必须同时满足才构成有效的贷款需求；二是目前我国货币供给总量较大，2016年1月末，M2余额达141.63万亿元，同比增长14%。尤其是近年来国家先后推出取消存贷比、定向降准、抵押补充贷款等政策工具，针对小微企业的信贷资金相对充足。由此可见，资金总供给并不是导致小微企业融资难的关键，真正制约小微企业融资的核心问题是金融机构如何将资金分配给具有有效需求的小微企业。如果将社会可贷资金作为蓄水池，那么金融机构就相当于控制小微企业资金供给的阀门，其不仅控制着小微企业获得的资金总量，更重要的是，还对小微企业进行筛选，以保证资金的还款安全。
反观我国的小微企业，大多数管理体系不规范，缺乏完善的财务制度，信息透明度低，无法提供金融机构认可的“硬信息”，而且大部分企业征信信息分散，诸如P2P平台借贷、民间借贷等信息甚至无法查询，导致小微企业融资市场存在严重的信息不对称，银行无法通过财务报表等常规材料辨别“好客户”和“坏客户”。在此情况下，金融机构只有两种选择，一是为使利润覆盖风险，提高所有小微企业客户的贷款利率，这会超出“好客户”的承受能力，使“好客户”退出市场，而违约风险高的“差客户”对利率并不敏感，往往选择留在市场，这一逆向选择类似于“劣币驱逐良币”，市场最终充斥着“差客户”，贷款利率只能不断升高。二是要求小微企业提供必要的抵押物和担保，这样虽然可以在较低利率水平下降低不良率，但能提供抵押和担保的小微企业数量较少，小微企业信用评估和信用增级也会带来一些利息外支出。据估算，综合担保服务费和其他隐形费用后的贷款成本一般在10%以上，而大量制造业小微企业的利润率仅为3%～5%。大部分“好客户”仍然无法承担如此高额的贷款成本。
2 客户筛选技术的发展
第一阶段是人工定性审批。人工审批是传统的授信审批方式，审批人员根据信贷政策对客户的申请材料逐项进行审核，对于授信政策中未明确规定的事项主要依靠经验和主观判断，且审批流程通常需要步步上报、层层签批。该手段虽有效控制了风险，但并不适应小微企业融资的特点，一是该方式主要以抵押、担保等手段控制风险，对小微企业有资产、抵押、担保等方面要求，轻资产的服务型和科技型小微企业很难满足要求；二是对金融机构来说，小额贷款和大额贷款的审批成本基本相同，但小额贷款的收益远远小于大额贷款，单笔贷款成本较高，同时，人工审批耗时过长，小微企业难以及时获得贷款。
第二阶段是评分卡审批。1956年，美国工程师William Fair和数学家Earl Isaac成立了FICO公司，从数理统计的角度出发，通过对美国信用局的外部数据和银行的贷款数据进行挖掘，从几十个变量中选择15～20个变量，建立评分卡模型，并以最终评分作为对客户风险预测的结果。评分卡技术的推出，大大提高了小额贷款的审批效率，金融机构通过评分将“好客户”和“坏客户”区分开来，在提高审批效率的同时，降低了违约率，在此基础上，“信贷工厂”的概念应运而生。该方法至今仍是欧美国家信贷审批中最常用和最普遍的方法。但该方法也存在缺陷，评分卡主要是通过申请人的征信信息判断客户的“好坏”，这些信息主要是结构化信息，只是个人或企业资信的一部分，而申请人的行为表现等非结构信息并没有纳入其中，申请人可以通过寻找评分卡规律，规避负面信息，人为提高评分卡评分。同时，一些具有发展潜力的小微企业，由于没有征信记录或是暂时经营困难导致征信记录中出现负面信息，也无法通过评分审核。
第三阶段是全面风险管理。自2000年之后，随着大数据技术兴起，金融机构的数据挖掘和建模能力有了巨大的进步，极大地扩展了征信信息的采集范围，小微企业的信息来源不只是局限于传统的征信数据，而且包括借贷人的行为方式、社交、兴趣爱好等非结构化数据。基于全面收集、储存的小微企业信息，征信公司利用大数据技术分析海量、多元化的大数据源，从多维度对小微企业的信用风险进行考核，这些信息不但从数据上反映了小微企业的经营结果，更重要的是对企业发展轨迹、行为特征、经营风格等经营过程进行评价，为金融机构描绘出详细的小微企业经营“画像”。由于该方法所涉及的数据极为丰富且可以进行交叉验证，小微企业基本没有造假的可能，这一方法基本上解决了融资过程中信息不对称问题，使金融机构较为准确的甄别小微企业资质。在控制风险方面，金融机构也不再局限于抵押和担保，而主要采用信用贷款方式。
3 Zestfinance公司在小微企业融资中的突破
ZestFinance旨在利用大数据技术，通过提供信用评估服务，使原先传统信用评估服务无法覆盖的申请人可以获得金融服务，并降低其借贷成本。美国大行银行一般只接受评分卡得分在650分以上的客户，对于评分较低的申请人将会被认为是高风险人群，其贷款必须支付较高利率，或直接被拒绝。ZestFinance认为传统的评分卡评分考察维度较为单一，对客户的筛选欠准确，特别是2008年的金融危机后，评分卡审批通过的客户出现大量坏账，FICO评分卡受到广泛质疑。就我国而言，传统征信数据覆盖面更为有限，目前人行征信系统只有3亿多自然人的信贷记录，无法覆盖广大个体工商户群体。对于无征信信息的申请人，评分卡很难判断其风险。 ZestFinance的基本理念是利用一切客户数据，挖掘客户信用信息。在数据采集方面，ZestFinance在延续评分卡决策变量的基础上，导入了大量结构化和非结构化数据，包括借款人的消费、纳税等信息，以及借款人输入习惯、网页浏览时间、日常关注的网站等极边缘信息。传统的评分模型大约收集了500个数据项，而ZestFinance大约需要收集1万条信息，认为这些看似和借款没有关系的信息，是借款人真实状态的表现，对预测违约概率具有重要参考价值。
在数据处理方面，ZestFinance建立了基于机器学习的分析模型，从超过1万条信息中抽取超过7万个变量进行分析，寻找数据间的关联性，将相关变量整合成反映申请人特征的测量指标，根据不同分析模型的需要，选取相应的指标，最后根据模型的测算结果，运用投票的原则得出最终结果。ZestFinance不断完善和增加信用评估模型，目前已达到14个，模型的类型也由原先的信贷审批模型，向市场营销、助学贷款、法律催收等方面扩展。
4 对我国小微企业融资的启示
第一，要建立完善的信用体系。互联网金融的特点在于自由、开放、共享，全面、及时的信息是ZestFinance赖以生存的土壤。在我国具有最全面消费者信息的央行征信数据只向银行类放贷机构开放，广大第三方平台掌握了大量消费者信息，但是相互合作的意愿不强，“数据孤岛”现象普遍存在，导致大数据模型开发只局限在某一方面，严重影响了模型预测的准确性。监管机构应在保护用户信息安全和隐私权益的基础上，允许互联网金融机构获得个人征信报告，并在央行的征信报告中纳入申请者在互联网金融平台的信息。同时，加强征信市场化进程，鼓励有互联网背景和特色数据资源的征信企业进入市场，建立相应的利益激励机制，实现客户信息的互联互通。
第二，加强数据分析。ZestFinance的成功在于其强大的数据处理和建模能力。金融机构特别是商业银行客户数据优势明显，应加强数据系统建设，增加信息技术的软硬件投入；合理引进外部数据，提升数据的多样性和精细化；提升非结构化数据的处理能力，通过数据清洗、数据筛选、建立模型等手段，结合业务发展的规律，发掘隐藏在数据背后的发展规律。同时，信息分析的关键是数据分析师，据Accenture研究院的报告显示，包括中国在内的七国银行业的数据分析人才严重短缺。因此，金融机构未来还需注重数据分析队伍的培养，组建大数据分析团队，通过具体项目培养技术人才。
参考文献：
[1]刘新海，丁伟.美国ZestFinance公司大数据征信实践[J].征信，2015（8）：27-32.
[2]刘荣，崔琳琳.大数据技术在中小企业信用体系建设中的应用[J].征信，2015（5）：40-43.
[3]王义增.浅析互联网金融潮流下银行的发展方向[J].经济视野，2014（20）：30-33.
[关键词]信息不对称；客户筛选；经营画像；非结构化数据
[DOI]10.13939/j.cnki.zgsc.2016.16.135
我国小微企业数量众多，对GDP的贡献率已达到25%以上。特别是在当前经济下行的背景下，小微企业在解决就业、增加税收、稳定国民经济等方面具有重要作用。但“融资难、融资贵”长期以来一直制约小微企业发展，国家不断出台优惠政策，鼓励金融机构增加小微企业资金供给，虽然取得了一定成效，但小微企业在融资中的“弱势地位”并没有改变，一些具有发展潜力的小微企业依然难以获得融资支持。
1 小微企业融资难的表象及根源
小微企业融资难的表面原因是小微企业数量众多、资金需求量大，而金融机构的资金供给有限，市场供不应求，导致较多小微企业的融资需求难以满足，致使融资成本提高。但表象下存在两个问题，一是并非所有小微企业的贷款需求都有效，大部分小微企业仅有贷款意愿而无还款能力，贷款意愿和还款能力两者必须同时满足才构成有效的贷款需求；二是目前我国货币供给总量较大，2016年1月末，M2余额达141.63万亿元，同比增长14%。尤其是近年来国家先后推出取消存贷比、定向降准、抵押补充贷款等政策工具，针对小微企业的信贷资金相对充足。由此可见，资金总供给并不是导致小微企业融资难的关键，真正制约小微企业融资的核心问题是金融机构如何将资金分配给具有有效需求的小微企业。如果将社会可贷资金作为蓄水池，那么金融机构就相当于控制小微企业资金供给的阀门，其不仅控制着小微企业获得的资金总量，更重要的是，还对小微企业进行筛选，以保证资金的还款安全。
反观我国的小微企业，大多数管理体系不规范，缺乏完善的财务制度，信息透明度低，无法提供金融机构认可的“硬信息”，而且大部分企业征信信息分散，诸如P2P平台借贷、民间借贷等信息甚至无法查询，导致小微企业融资市场存在严重的信息不对称，银行无法通过财务报表等常规材料辨别“好客户”和“坏客户”。在此情况下，金融机构只有两种选择，一是为使利润覆盖风险，提高所有小微企业客户的贷款利率，这会超出“好客户”的承受能力，使“好客户”退出市场，而违约风险高的“差客户”对利率并不敏感，往往选择留在市场，这一逆向选择类似于“劣币驱逐良币”，市场最终充斥着“差客户”，贷款利率只能不断升高。二是要求小微企业提供必要的抵押物和担保，这样虽然可以在较低利率水平下降低不良率，但能提供抵押和担保的小微企业数量较少，小微企业信用评估和信用增级也会带来一些利息外支出。据估算，综合担保服务费和其他隐形费用后的贷款成本一般在10%以上，而大量制造业小微企业的利润率仅为3%～5%。大部分“好客户”仍然无法承担如此高额的贷款成本。
2 客户筛选技术的发展
第一阶段是人工定性审批。人工审批是传统的授信审批方式，审批人员根据信贷政策对客户的申请材料逐项进行审核，对于授信政策中未明确规定的事项主要依靠经验和主观判断，且审批流程通常需要步步上报、层层签批。该手段虽有效控制了风险，但并不适应小微企业融资的特点，一是该方式主要以抵押、担保等手段控制风险，对小微企业有资产、抵押、担保等方面要求，轻资产的服务型和科技型小微企业很难满足要求；二是对金融机构来说，小额贷款和大额贷款的审批成本基本相同，但小额贷款的收益远远小于大额贷款，单笔贷款成本较高，同时，人工审批耗时过长，小微企业难以及时获得贷款。
第二阶段是评分卡审批。1956年，美国工程师William Fair和数学家Earl Isaac成立了FICO公司，从数理统计的角度出发，通过对美国信用局的外部数据和银行的贷款数据进行挖掘，从几十个变量中选择15～20个变量，建立评分卡模型，并以最终评分作为对客户风险预测的结果。评分卡技术的推出，大大提高了小额贷款的审批效率，金融机构通过评分将“好客户”和“坏客户”区分开来，在提高审批效率的同时，降低了违约率，在此基础上，“信贷工厂”的概念应运而生。该方法至今仍是欧美国家信贷审批中最常用和最普遍的方法。但该方法也存在缺陷，评分卡主要是通过申请人的征信信息判断客户的“好坏”，这些信息主要是结构化信息，只是个人或企业资信的一部分，而申请人的行为表现等非结构信息并没有纳入其中，申请人可以通过寻找评分卡规律，规避负面信息，人为提高评分卡评分。同时，一些具有发展潜力的小微企业，由于没有征信记录或是暂时经营困难导致征信记录中出现负面信息，也无法通过评分审核。
第三阶段是全面风险管理。自2000年之后，随着大数据技术兴起，金融机构的数据挖掘和建模能力有了巨大的进步，极大地扩展了征信信息的采集范围，小微企业的信息来源不只是局限于传统的征信数据，而且包括借贷人的行为方式、社交、兴趣爱好等非结构化数据。基于全面收集、储存的小微企业信息，征信公司利用大数据技术分析海量、多元化的大数据源，从多维度对小微企业的信用风险进行考核，这些信息不但从数据上反映了小微企业的经营结果，更重要的是对企业发展轨迹、行为特征、经营风格等经营过程进行评价，为金融机构描绘出详细的小微企业经营“画像”。由于该方法所涉及的数据极为丰富且可以进行交叉验证，小微企业基本没有造假的可能，这一方法基本上解决了融资过程中信息不对称问题，使金融机构较为准确的甄别小微企业资质。在控制风险方面，金融机构也不再局限于抵押和担保，而主要采用信用贷款方式。
3 Zestfinance公司在小微企业融资中的突破
ZestFinance旨在利用大数据技术，通过提供信用评估服务，使原先传统信用评估服务无法覆盖的申请人可以获得金融服务，并降低其借贷成本。美国大行银行一般只接受评分卡得分在650分以上的客户，对于评分较低的申请人将会被认为是高风险人群，其贷款必须支付较高利率，或直接被拒绝。ZestFinance认为传统的评分卡评分考察维度较为单一，对客户的筛选欠准确，特别是2008年的金融危机后，评分卡审批通过的客户出现大量坏账，FICO评分卡受到广泛质疑。就我国而言，传统征信数据覆盖面更为有限，目前人行征信系统只有3亿多自然人的信贷记录，无法覆盖广大个体工商户群体。对于无征信信息的申请人，评分卡很难判断其风险。 ZestFinance的基本理念是利用一切客户数据，挖掘客户信用信息。在数据采集方面，ZestFinance在延续评分卡决策变量的基础上，导入了大量结构化和非结构化数据，包括借款人的消费、纳税等信息，以及借款人输入习惯、网页浏览时间、日常关注的网站等极边缘信息。传统的评分模型大约收集了500个数据项，而ZestFinance大约需要收集1万条信息，认为这些看似和借款没有关系的信息，是借款人真实状态的表现，对预测违约概率具有重要参考价值。
在数据处理方面，ZestFinance建立了基于机器学习的分析模型，从超过1万条信息中抽取超过7万个变量进行分析，寻找数据间的关联性，将相关变量整合成反映申请人特征的测量指标，根据不同分析模型的需要，选取相应的指标，最后根据模型的测算结果，运用投票的原则得出最终结果。ZestFinance不断完善和增加信用评估模型，目前已达到14个，模型的类型也由原先的信贷审批模型，向市场营销、助学贷款、法律催收等方面扩展。
4 对我国小微企业融资的启示
第一，要建立完善的信用体系。互联网金融的特点在于自由、开放、共享，全面、及时的信息是ZestFinance赖以生存的土壤。在我国具有最全面消费者信息的央行征信数据只向银行类放贷机构开放，广大第三方平台掌握了大量消费者信息，但是相互合作的意愿不强，“数据孤岛”现象普遍存在，导致大数据模型开发只局限在某一方面，严重影响了模型预测的准确性。监管机构应在保护用户信息安全和隐私权益的基础上，允许互联网金融机构获得个人征信报告，并在央行的征信报告中纳入申请者在互联网金融平台的信息。同时，加强征信市场化进程，鼓励有互联网背景和特色数据资源的征信企业进入市场，建立相应的利益激励机制，实现客户信息的互联互通。
第二，加强数据分析。ZestFinance的成功在于其强大的数据处理和建模能力。金融机构特别是商业银行客户数据优势明显，应加强数据系统建设，增加信息技术的软硬件投入；合理引进外部数据，提升数据的多样性和精细化；提升非结构化数据的处理能力，通过数据清洗、数据筛选、建立模型等手段，结合业务发展的规律，发掘隐藏在数据背后的发展规律。同时，信息分析的关键是数据分析师，据Accenture研究院的报告显示，包括中国在内的七国银行业的数据分析人才严重短缺。因此，金融机构未来还需注重数据分析队伍的培养，组建大数据分析团队，通过具体项目培养技术人才。
参考文献：
[1]刘新海，丁伟.美国ZestFinance公司大数据征信实践[J].征信，2015（8）：27-32.
[2]刘荣，崔琳琳.大数据技术在中小企业信用体系建设中的应用[J].征信，2015（5）：40-43.
[3]王义增.浅析互联网金融潮流下银行的发展方向[J].经济视野，2014（20）：30-33.