———以C银行业务创新与实践为例

赖维彬 福建农林大学管理学院

摘要：以C银行为例，调查了现有各大商业银行的线上融资业务，指出其与大数据潮流脱节的问题。分析了C银行结合大数据、云计算打造的新型线上融资业务，剖析了在数据运用、模型构成、模型算法三大方面的创新，提出了加强模型开发团队的建设、强化数据收集与管理工作、规范模型开发与验证管理和持续推进模型的监测工作四大线上融资建设要点，为中小银行的线上融资建设提供了依据。

关键词：商业银行；小微企业；中小企业融资；融资渠道

近年来，在金融科技的发展浪潮下，许多银行和金融企业纷纷推出以“小额”、“信用”、“快速”为特点的线上融资产品，实现贷款申请、尽调、审批、放款全流程线上化，不仅提升了小微企业融资效率，也改善了客户体验。

一、商业银行小微企业线上融资业务主要模式

当前市场上针对小微企业的线上融资主要通过个人经营贷实现，具体模式有：

（一）基于第三方支付机构交易数据的线上融资，如中信银行“POS网贷”等

中信银行“POS网贷”是通过与银联商务合作获取商户交易流水数据，向符合授信条件的个体商户发放的用于个人生产经营的信用贷款。该贷款采用白名单制，基于银联商务POS交易数据筛选出交易稳定的优质个体工商户，并制作成白名单下发至分行，由分行线下营销客户办理并收集相关基础材料,分行将有贷款需求的客户信息上传形成网贷白名单。白名单内客户登录中信个人网银进行在线申请，中信银行总行网贷系统根据客户交易信息和其他相关信息进行在线自动审批、放款。

（二）基于政府部门数据的线上融资，如江苏银行“税e融”等

江苏银行“税e融”是以小微企业在税务局的缴税情况作为主要依据，向符合授信条件的小微企业法定代表人发放的个人经营信用贷款。江苏银行通过向税银服务商---微众税银购买企业纳税数据进行筛选，在江苏省内确定目标客户，采取银企对接会、短信等方式进行批量营销，有意向的借款人在线下完成借记卡开卡、个人网银开户、“短信通”服务开通和对公征信查询授权工作后,方可在江苏银行个人网银申请贷款，由系统自动审批、放款。

（三）基于供应链核心企业数据的线上融资，如浦发银行“伊利贷”等

浦发银行“伊利贷”是向伊利乳业经销商法人代表发放的，用于购买伊利乳制品的个人经营贷款。经销商法人代表通过浦发银行手机银行在线发起贷款申请并上传相关订单资料，伊利旗下惠商担保公司确认订单后向浦发银行以邮件形式发出放款告知函，浦发银行在线审核相关资料后，通过手机银行完成贷款放款，款项直接支付至伊利乳业。

（四）基于同业行内积累的客户数据发放的贷款，如建设银行小微“快e贷”等

建行小微企业“快e贷”，是通过对小微企业及企业主客户在建行的金融资产、代缴税记录、结算、财富、押品、信用状况、业务办理等历史数的分析，筛选出优质客户，并根据相关额度方法测算客户可以申请的贷款额度，将贷款额度呈现在目标客户的网银。建行该产品采用门户网站宣传、电话营销和客户经理主动挖掘等线上线下相结合的营销方式，有融资需求的企业客户可通过委托授权的方式，授权企业主在线完成业务申请、签约、支用、还款、查询等操作。业务授权可以通过建行企业网银线上授权，也可通过签署纸质授权协议线下授权。

二、C银行小微企业线上融资业务的创新与实践

C银行小企业部自2014年起，着力对小微企业线上融资业务进行了创新与实践，由于个人经营贷业务纳入零售板块，该行小企业部主推以小微企业法人为借款主体的线上融资业务。

（一）C银行小微企业线上融资业务演进

1.小企业自助“循环贷”业务发展阶段

C银行小微企业自助“循环贷”业务，是企业在C银行核定的贷款额度和有效期内，可以通过该行企业网银等电子渠道实现贷款资金循环周转使用、自主提用、随借随还的贷款业务。由于小微企业同核心企业（包括交易平台）通常会持续、频繁、小金额地供销与采购，基于这些交易衍生的贷款业务往往具有“短、小、频、急”的特点，C银行把小微企业自助“循环贷”业务重点在供应链金融中推广。典型案例有：某B2B电商交易平台，专注于化纤产品的信息共享及产品销售，平台内入驻采购商近万家，这些采购商绝大多数是小微企业，长期在该平台采购化纤产品。C银行通过与平台开展小微企业自助“循环贷”业务合作方式批量拓展了一批小微企业采购商客户，即小微企业在平台下订单采购时，可选择贷款支付，以此关联到C银行企业网银发起订单金额的贷款支用，即可实现订单支付，满足采购商的采购资金需求。

2.基于大数据运用的线上融资业务发展阶段

为顺应小微企业线上融资的需求，以国家税务局与银保监会联合推动“银税互动”工作为契机，2018年C银行小企业部在前期小微企业自助“循环贷”业务的基础上，启动了线上融资业务的升级工作，基本实现融资全流程线上化，一是把企业贷款申请、受理、签约等环节进行线上化处理；二是基于小微企业及企业主的人行征信、税务、法院、工商等数据开发贷款审批模型，将模型运算结果应用于客户额度及利率审批，以及风险预警等决策，实现客户筛选与信贷审批模型化、预警精准量化。该项目完成开发后，以高效的融资效率、优良的客户体验，赢得小微企业客户及分行业务人员的喜爱。

（二）C银行小微企业线上融资业务的主要创新

小微企业线上融资业务的核心在于贷款线上化审批，基于大数定律推断原理，通过足够多的样本分析，发现违约客户特征，构建贷款审批模型。C银行自主独立开发了贷款审批模型，主要创新：

1.数据运用创新

引入小微企业与企业主全方位、多维度数据进行建模，模型除了运用小微企业及企业主在C银行的结算、财富、信用卡等行内业务信息，还引入小微企业及企业主的工商、税务、人行征信、法院、FICO评分、百融多头借贷等外部信息，基于对以上内外部数据的科学分析、工程化

处理，构建了逾200多个指标（如国标行业分类、企业主信用卡逾期次数等）对小微企业的经营情况、小微企业及企业主的征信情况和还款能力形成全面清晰的画像，自动生成客户综合信用评价并计算客户授信额度。

2.模型构成创新

C银行小微企业线上融资模型由白名单（目标客户筛选）模型、否决点规则、评分模型和额度定价模型等一套模型审批策略组成，各个模型嵌套在小微企业线上融资业务流程相应环节，推进业务全流程实现线上化和智能化。具体为：一是在线上融资业务开展前，系统通过白名单模型鉴别、筛选出资质较好的小微企业客户，精准营销客户同时，提高客户申请通过率和体验；二是当小微企业在线上申请贷款时，通过数据挖掘探索出的相关否决点业务规则和信用评分模型会对企业行内外大量的数据进行分析，评估是否对企业发放贷款；同时，额度定价模型根据企业的信用评分以及分行当地区域市场定价情况决定发放给企业的贷款额度以及贷款利率；三是贷款发放后，系统会运用否决点规则和信用评分模型持续监测借款企业的信用状况，并对潜在的违约进行预警提醒。

3.模型算法创新

一是白名单模型应用GBDT（Gradient Boosting Decision Tree）算法，是一种树集成的人工智能机器学习模型，该算法预测精度高，能够灵活处理各类数据，包括非线性和线性、连续型和离散型数据，适合应用在具有高维度数据特点的白名单筛选中；二是业务否决点规则通过业务经验与数据分析相结合的方式得出，先通过业务经验总结出极有可能导致客户贷款违约的业务规则，再用数据分析计算相关规则是否与客户贷款违约强相关，若强相关则纳入业务否决点规则；三是信用评分模型逻辑回归算法建模，该模型稳定性高，解释性强，适合用于贷款最终审批的信用评分模型部署和监控。逻辑回归模型是广义线性回归模型的一种，其本质是在线性回归的预测值上利用sigmod激活函数的反函数，把违约概率进行转换，和模型变量之间建立线性关系，计算出各变量的对违约概率的影响因子，影响因子通过一定的转化行成变量的信用评分分值。

三、启示及建议

（一）加强模型开发团队的建设

当前，一些小型银行迫切希望利用线上融资突破物理网点和服务时间的限制，但自身又缺乏模型开发专业人员，大多采取外包模式，由外部机构（如腾讯灵鲲、益博睿、安硕益盛等）承接模型设计与开发工作，这种模式的不足在于：一是大多外部机构不能承担风险责任，通过模型审批投放的贷款出现违约风险，基本由银行自行承担，而且银行还须支付相关的模型开发与维护费用，提高了小微企业的融资成本；二是外部机构通常无法基于各家银行的业务导向、风险文化、历史数据开发个性化的模型，所开发的模型同质化特征明显，基于模型投放的贷款难以契合各家银行的业务发展策略；三是模型开发与运用实际包括开发、验证、维护等一系列工作，各个环节均需专业的人员才能胜任，外包模式或难以及时响应银行的需求，比如大多银行的模型都应用到了第三方数据（如税务），数据项及结构发生变化均需模型及时调整。四是监管机构（如人行、银保监等）要求银行必须建立自主风险评价与计量体系，模型外包形式或存在监管风险。因此，银行自己要培养一支既熟悉风险计量建模技术、又精通银行业务的稳定的专业人才队伍，确保线上融资业务合规合法、顺利开展。

（二）强化数据收集与管理工作

数据是模型拟合的基础，其数量与质量关系到模型能否拟合成功，以及模型的可靠性。一是要做好数据的采集工作。商业银行的业务属性决定其不同于阿里及京东等电商平台，能够积累大量的小微企业交易数据，也不同于税务机构掌握小微企业的经营信息。各家银行在开办小微企业线上融资业务时，无一例外地将第三方机构掌握的企业及企业主相关数据代入信用评估模型中。在引入外部数据时，一方面要确保数据能够真实反映企业的经营情况，且数据可以通过第三方的其他信息进行验证，如电商平提供的企业交易数据应与资金、物流等数据匹配，税务提供的企业营业收入、利润数应分别与增值税、所得税匹配；另一方面要确保数据来源合规合法，企业经营数据大多非公开信息，获取必须取得企业授权。二是要做好数据的积累与保管工作。模型的建立通常需要客户3至5年的贷款数据，而且要涵盖正常客户、违约客户及已核销客户的贷款数据，这就要求商业银行建立健全数据管理体系，做到数据标准统一、存诸平台统一，确保数据的可用性、安全性和保密性。三是要做好数据挖掘工作。反映客户特征的数据通常是海量的，但并非每项数据或指标都适合建模，只有那些有预测能力（或强相关性）的数据或指标（变量）才适合纳入建模范围。这就要求商业银行应根据建模方案，加强对客户数据的分析挖掘，从数据或指标的预测能力、易用性（容易部署）、稳健性（不容易变化）、可解释性等几个维度筛选适合建模的数据或指标。

（三）规范模型开发与验证管理

小微企业线上融资业务由模型代替人工决策，客观上要求模型授信审批的偏差小、精度高，必须从源头对模型开发与验证进行规范管理，防范信贷风险。一是模型开发人员与业务部门（需求部门）就模型预测目标（违约率）、可使用的数据或指标（变量）进行充分的沟通，在此基础上，确定建模数据的时间跨度，抽取建模训练样本及验证样本，以及检验备选变量的敏感性、相关性、稳定性和时效性；二是模型开发人员应优先选择在行业内得到合理应用的常见模型，避免使用检验时间较短或尚未经过业内实践检验的新模型，例如通常借款人信用评分卡采用逻辑回归算法建模；三是模型投用前必须通过模型验证，一方面必须确保验证的独立性，即验证人员独立，与开发人员不交集；验证数据独立，与拟合模型的印证数据不交集。另一方面对模型的表现和群体稳定性进行验证，具体验证包括：K-S值、AUC值等模型评估指标，以及PSI指标群体稳定性验证指标。

 （四）持续推进模型的监测工作

模型是基于历史数据的数学刻画，具有局限性、时效性特征，必须对已投产运用的模型进行持续定期的跟踪监控，避免模型随着时间推移、外部经济环境、业务政策变化等因素导致模型预测力减弱甚至失效。一是科学设置监测指标对模型表现进行监测，监测指标包括计算模型表现验证、群体稳定性验证等。监测过程应用的数据应不局限于拟合模型的数据和验证数据，监测结果及时向业务部门（需求部门）发布。二是适时启动模型迭代优化工作，如K-S值或AUC值下降10%以上且PSI指标上升10%以上，模型开发人员应及时通知业务部门上（需求部门），双方取得一致意见后对模型进行优化，从而保证模型的有效性，保障业务的持续、快速、健康发展。三是持续跟踪模型变量业务含义，若模型变量依赖的业务含义发生变化，如今年以来的减税政策对于涉税变量的影响，应及时根据业务含义变化调整模型，确保模型与业务实际一致。

参考文献:

[1]茆诗松.概率论与数理统计教程（第二版）[M].高等教育出版社,2011.

[2]贾俊平.统计学（第七版）[M].中国人民大学出版社,2018.

[3]马杜姆.雷法特.信用风险评分卡研究[M].社会科学文献出版社,2013.