黄丁聪 资深数字金融专家，上海汽车集团财务有限责任公司数据业务部副总经理、兴业银行高级研修院客座教授，原建设银行总行上海大数据智慧中心首席产品经理、普惠与互联网金融处负责人，建设银行大数据应用战略规划主要起草人之一。
宋梦超 大数据算法专家，曾就职于建设银行总行、蚂蚁金服等多家机构，先后负责快贷、云税贷、龙信商、智慧关系链、住房租赁指数、蚁盾-摩斯分等多个核心数据产品的模型研发工作。
风险控制是金融的核心，小微信贷和普惠金融的健康有序发展离不开风控体系的完善。在互联网信息技术和商业需求的共同推动下，大数据风控和信用体系日益受到重视，以大数据、云计算为代表的技术发展，使得海量数据的采集和深入挖掘逐步成熟，这为小微信贷和普惠金融的发展提供了新的契机，但同时也带来一些新问题新挑战。为此，我们特邀资深数字金融专家、兴业银行高级研修院客座教授黄丁聪和大数据算法专家宋梦超做客“智·汇·谈”栏目，共同探讨在数字经济和金融科技发展的大背景下，如何让金融机构与金融科技公司围绕小微企业各类风险建立智能风控体系，持续探索小微金融智能风控解决方案，从而提升客户体验，降低银行运营和风险成本。
小微信贷的发展现状和未来趋势
《金融时报》记者：小微企业在国民经济中发挥了十分重要的作用。当前小微信贷的发展现状如何？有哪些业务模式？
黄丁聪：近几年，小微信贷业务发展迅猛，呈现出几个新的特征。
（一）国家层面大力推动，小微信贷业务快速发展。随着监管机构加大对商业银行尤其是国有大型银行普惠金融业务的考核力度，小微信贷业务呈现爆炸式增长态势，小微企业信贷可得性不断提高，在一定程度上缓解了小微融资难的问题。
在政策推动以及数字技术的加持下，小微信贷业务迅猛发展，根据银保监会的数据显示，截至2022年年末，普惠型小微企业贷款余额超过23万亿元，近5年年均增速约25%，贷款利率也在持续下降。难能可贵的是，小微信贷业务在快速发展的过程中保持了较低的风险水平。从公开的数据看，截至2022年4月末，银行业普惠型小微企业贷款不良余额达4476.21亿元，不良率为2.18%。这进一步激发了商业银行发展小微信贷业务的积极性和主动性，形成了良性循环。可以说，当前商业银行小微信贷业务正处于历史上最好的发展时期。
（二）大型银行发力小微信贷，中小银行业务空间受到挤压。在小微信贷业务发展形势一片大好之下，我们也应该看到背后的隐忧。大型银行携技术、渠道、资金成本等优势大力推进小微信贷的同时，业务虹吸效应明显，大量优质小微企业纷纷从城商行、农商行等中小银行转到大型银行，使得一些原本以经营小微信贷业务为主的中小银行受到冲击。优质的小微企业转向大型银行，中小银行只能进一步下沉，做一些资质更差的客群。虽然对于小微企业来说，有利于进一步提高信贷的可得性，但对于风控能力相对较弱的中小银行来说，无疑加大了业务风险。
（三）小微信贷业务模式呈多元化发展。目前，国内小微信贷业务模式大体上可以分为线上生态模式、线上贷款模式、线下贷款模式。
第一种线上生态模式，主要是互联网银行基于线上商业生态打造的小微信贷业务互联网闭环模式。这一模式的优点是银行可以掌握企业的资金流、信息流和物流信息的闭环，有针对性地为企业提供满足其在电商平台经营资金需求的信贷额度，在合适的时间为有需求的企业提供信贷资金。但这一模式可复制性不强，需要银行具有强大的平台生态掌控能力，在国内只有少数几家诞生于平台生态之内的互联网银行具备这方面的天然条件。
第二种线上贷款模式，主要是国有大型商业银行推出的纯线上办理的信贷模式。其优点是打破了银行长期以来人工审批的模式，极大提升了贷款办理效率，提高了贷款覆盖面，改善了用户体验；缺点是银行掌握的企业信息相对有限，无法像第一种模式一样形成闭环，无法在对的时间给对的企业提供对的贷款，贷款业务风险相对第一种模式要高，体验也不如第一种模式。
第三种模式就是传统的线下贷款模式。目前，大多数中小银行仍然采取传统的线下申请、调查、人工审批的信贷工厂模式。但也有少数银行引进了德国国际项目咨询公司（IPC）微贷技术，对传统线下模式进行了优化。
《金融时报》记者：随着数字时代的来临，小微信贷的发展趋势如何？
黄丁聪：在数字时代，人们的生产生活方式发生了巨大的变化，小微信贷的发展也必然会带着时代的烙印。从趋势上来看，主要集中在四个方面。
（一）应用数据多元化。商业银行本身属于技术密集型行业，经过多年业务发展沉淀了海量的数据。大数据概念兴起以后，一些商业银行加大对数据价值的挖掘力度，在数据治理与应用方面走在了社会的前列，为数字金融业务创新奠定了数据基础，小微信贷业务成为受益者之一。
数字时代，数据量越大、数据维度越丰富，数据汇聚发生的化学反应就越显著，数据价值就越大。其核心是多维、异构数据在有效融合基础上的挖掘应用。随着《中共中央国务院关于构建数据基础制度更好发挥数据要素作用的意见》的出台，税务、社保、进出口、运营商、电商交易、电力、水务、煤气、物流等各类企业经营数据的合规开放共享将全面加速，势必为小微信贷大数据智能风控体系提供更加全面和丰富多元的数据，推动小微信贷业务更好更快地发展。
（二）业务流程线上化。现阶段，小微信贷业务流程线上化方面存在一些不足之处。一是流程线上化的银行覆盖度有限。目前，国内仅有一些技术实力较强、数据资源较为丰富的大型银行实现了业务线上化，大量的中小银行仍然沿用线下作业模式。二是流程线上化不够彻底。一些大型银行只是实现了部分业务的线上化，像开户、抵押、超过一定额度的授信还是要通过线下办理。
我们可以预期，未来数字技术普及应用，线上小微贷款模式不再是大型银行和互联网银行所独有，所有银行的小微信贷模式都将实现流程线上化。随着数据的全面开放共享，通过实时连接多元数据，银行可以实现小微企业开户真实性的智能审查、授权申请人真实性的智能审核、小微贷款的智能审批，支持小微企业在线增信提额、在线抵押，从而实现小微信贷业务全流程线上化，让小企业真正享受一键贷款的便捷，进一步降低交易成本。
（三）用户体验一体化。商业银行现有的小微信贷产品大多存在产品多、流程差异大、流程复杂等问题。这是以银行为中心的产物，并未真正站在用户视角上来设计产品和交互体验，导致很多小微企业搞不清楚应申请哪个产品，即使申请了也会为复杂的流程所困扰。
从用户需求角度来看，小微企业的核心需求就是资金需求。因此，对小微企业用户来说，最简单、快速地拿到贷款资金就是最好的体验。随着银行数字化转型的推进，未来小微信贷产品将回归信贷的本质，从用户需求出发，通过集增信、风险缓释办理等为一体的线上信贷便捷申请流程，让用户实现一站式办理、一键式申请、一体化体验。
（四）小微贷款场景化。与消费贷款相比，现有小微信贷线上模式主要还是在银行端申请，缺乏和场景的紧密结合。一方面，对小微企业来说，申请不够便捷，不少企业甚至不知道银行有线上小微信贷产品；另一方面，对银行来说，难以有效把控小微企业贷款资金用途，不利于业务风险管控。
未来，随着《“十四五”数字经济发展规划》（国发〔2021〕29号）的实施，产业数字化进程加快，小微企业经营活动将逐步进入数字化时代，营销、设计、制造、采购、运输等经营场景实现全面数字化是大势所趋。故而小微信贷出现在小微企业经营场景之中也成为必然。融入场景的小微信贷模式，将更好地实现需求与供给的快速匹配，随时随地、即想即得，无感的小微信贷模式成为现实。
传统小微信贷风控模式的痛点
《金融时报》记者：“小微金融不可能三角”是世界性难题，风险可控、成本控制与规模增长三大要素之间的彼此限制难以突破。您认为传统小微信贷风控模式有哪些痛点？
黄丁聪：对于小微企业来说，传统小微信贷风控模式的痛点首先是申请材料过多。小微企业申请贷款，需要提交大量材料，大多数小微企业员工少，管理不规范，准备材料需要花费较大的人力和物力。
其次，风险缓释措施要求高。按照银行传统授信模式，往往要求小微企业提供房屋、土地等固定资产抵押或提供担保作为风险缓释手段。但对于很多小微企业来说，企业办公场地、厂房甚至办公设备都是租的，无法提供相应的资产办理抵（质）押登记。很多企业主只能抵押自己或家人的房产，一旦经营不善，企业主将会倾家荡产。另外，小微企业要找到合适的担保人也并不容易，找担保公司要向担保公司提供相关材料，支付担保费用；找关联企业或者朋友，也要支付一些隐性成本。
最后，审批时间太长。从申请到放款的时间快则一个月，慢则三个月甚至更长时间，这和小微企业用款急切的需求特征是不匹配的。小微企业在供应链中大多处于相对弱势的地位，快速完成订单是其持续获得订单的关键。为了维护客户关系，一些小微企业在银行贷款审批期间，不得不先通过民间融资方式解决眼下用款需求，待银行放款后，再用贷款资金归还民间借款，这无形中增加了小微企业贷款的成本。
宋梦超：从银行的视角来看，作为在小微贷款中处于强势地位的银行，传统小微信贷风控模式也有痛点，主要体现在业务成本高、潜在操作风险高、不良率高、员工满意度低等方面。
首先是业务成本高。由于小微企业客户数远超大型企业客户数，银行需要投入的成本高于大型企业。就拿人力投入来说，一名客户经理往往只负责对接、维护几家大型企业，开展营销、尽职调查、贷后管理等相关工作。而要以同样的工作标准来维护小微企业客户，需要配置客户经理数量也远超大型企业。
其次，潜在操作风险高。传统授信模式主要依赖人工调查和审批，主观因素较多，对银行内控提出了较高要求。如何保证客户经理调查的真实性及审批人审批的客观性是传统授信模式下银行内控面临的最大挑战。
再次，小微贷款不良率高。我国小微企业平均存续周期只有不到3年，抗风险能力较弱，信贷风险相较于大中型企业要高得多，因此银行不得不创新风控手段，以期降低整体业务风险，但效果却不尽如人意。比如，前些年推出的小微联保联贷模式，旨在提高银行风险控制能力的同时，降低小微企业准入门槛，但最终并未取得良好的风控效果，反而加剧了业务集中的风险。
最后，员工满意度低。一是成本收益不成正比。对客户经理来说，按照传统授信模式，做小微信贷和大企业信贷花费的时间、精力是一样的，而收益却不在一个数量级。二是小微信贷尽职免责缺位。按照银行传统的责任认定方式，客户经理、审批人都需承担相应的责任，一旦出现信贷损失，银行往往会对相关人员进行追责，使得从事小微信贷业务人员产生畏惧心理。
大数据智能风控体系的创新应用
《金融时报》记者：基于以上痛点，大数据模型如何应用于小微信贷智能风控？与消费信贷数字风控的差异体现在哪些方面？
宋梦超：简单来说，大数据模型就是利用一些数学算法总结历史特征，预测未来或者推断可能性。小微信贷大数据智能风控的核心是大数据模型的体系化应用，结合大数据智能风控业务流程节点来说，可以划分为三大类型。
第一类是基础支持模型，主要包括风险传染模型、区域风险指数模型、行业风险指数模型、企业竞争力模型等，这类模型既能独立使用，又可作为其他风控模型的输入变量；既可用于贷前审批场景，也可用于贷后风险管理场景。第二类是贷前审批模型，主要包括企业需求推估模型、反欺诈模型、信用评价模型、授信额度测算模型、定价模型等，适用于贷前审批准入场景，可评估企业是否能够获得准入及准入的额度等。第三类是贷后风险管理模型，主要包括企业贷后风险预警模型、催收评分模型等，适用于贷后对小微企业风险及时监测预警及对逾期小微企业开展精细化催收管理。
黄丁聪：和消费信贷相比，小微信贷业务特征鲜明，包括经营性、波动性、与企业主的强关联性等，这些特征是设计小微信贷业务大数据智能风控体系的重要基础。
（一）经营性特征。小微企业规模虽然小且不规范，但从事的是生产经营活动，收入来源于生产经营创造的价值，这是其持续经营的基础，也是其主要还款来源，因此，小微企业作为银行授信的主体对象，首先是要能长期存活，这就决定了我们要关注企业生产经营状况，毕竟良好的经营是企业长期存续的基础，企业生产经营一旦出现异常，不仅会导致无法还款，还会引发企业走向破产。和个人相比，影响小微企业长期存续的因素要多得多，个人主要受疾病、意外事件等影响，而小微企业既受企业主知识、性格、健康等个人因素影响，还要受所处区域经济发展水平和营商环境、所属行业的发展趋势及产业上下游企业的影响，而且受黑天鹅事件的影响程度也要远超个人。
（二）波动性特征。据统计，中国小微企业平均存续期仅为3年左右，而在存续周期内，小微企业经营情况也存在很大的波动性。尤其处于初创阶段的小微企业，本身体量小，获得或丢掉一个订单都可能导致其经营业绩出现大幅波动。而对稳定发展社会中的大部分个人而言，收入、资产曲线整体呈线性增长，波动性相对小微企业要小得多。因此，从信贷的角度来说，对小微企业授信要在接受其波动性的基础上，透过现象看本质，从波动中找出有发展潜力的优质企业，这和个人消费信贷有着本质的不同。
（三）与企业主的强关联性。小微企业主对于企业经营管理具有绝对的掌控力。因此，在小微信贷业务风控中必须高度关注企业主对于企业经营的影响。企业主的性格、知识水平、社会阅历等潜移默化地影响企业文化及经营情况，从而对信贷风险产生影响。在小微信贷业务风控体系建设中，需要将企业主与企业视为一个整体来进行评估，并贯穿整个小微信贷的生命周期，包括信息真实性核验认证、申请反欺诈、信用评价、额度计算、增信、贷后风险预警、催收等各个信贷风控节点，都不能忽视对企业主的评估。事实上，也正是基于小微企业和企业主紧密相关这一特征，一些互联网平台及技术领先的银行才能将小微企业参照零售信贷的模式进行创新探索。
《金融时报》记者：从哪些维度可以创新小微信贷大数据智能风控体系？
宋梦超：在过往的实践中，我们一直在探索创新小微信贷大数据智能风控体系，持续提升风控的精准度。目前看来，可以从客户细分、目标细分、数据拓展、特征深挖、创新算法等维度进行尝试。
第一个维度是客户细分。不同行业、区域、生命周期的企业，其资金需求和风险表现可能存在很大的差别，如果用同样一套评价标准对这些企业进行评价可能是不合适的。例如，夏天的资金流水增加对于雪糕销售商可能是一种比较好的表现，但对于保暖内衣生产商反而是一种异常的表现。因此，我们需要针对不同行业、区域、生命周期的企业进行客户细分，在分群的基础上进行大数据建模，力求更加精准地识别符合该行业、区域、生命周期表现的企业资金需求及风险表现规律。
第二个维度是目标细分。当前，银行主流的大数据风控主要依赖于单一的反欺诈及信用评分卡模型，这和大数据模型解决目标问题越精确、效果越好的特点是相悖的。依靠单一的信用模型、反欺诈模型来解决风控问题，还是比较粗放的，容易出现误判，拒绝率也往往会偏高。所以，需要针对小微信贷风控中面临的问题进一步细分，再针对每个细分问题建立模型，提升整体风控精准度，减少误判，降低拒绝率。
第三个维度是数据拓展。银行自有数据主要是金融资产、贷款、支付等方面的数据，数据维度有限，尤其是小微企业经营数据、企业主行为数据相对缺乏，依靠银行自有数据进行风控存在局限性。可以结合小微企业的特征，大力推进税务、社保、进出口、企业主信用评估等外部数据的引入，以拓宽对小企业进行量化风险评估的数据维度，夯实大数据智能风控体系的基础。
第四个维度是特征深挖。传统信用评分中采用的特征大多以稠密的静态类特征为主，而对于客户的动态规律类、社交关系类及稀疏类等特征的挖掘程度还远远不够。模型效果的上限极大地受限于候选特征池的信息含量，因此，扩展特征池可以有效提升最后模型的表现效果。
第五个维度是创新算法。当前的大数据风控中，大多以使用传统的逻辑回归方法构建评分卡模型。事实上，不同的算法在解决一些特定问题上具有不同的优势，如图算法在处理社交关系上具有天然优势。因此，提升风控精准度需要进一步扩展新算法、新技术的应用，包括无监督学习算法、图算法等，甚至有可能的话，可以尝试自研相应的算法。
实现小微信贷业务可持续发展的路径
《金融时报》记者：下一步，商业银行小微信贷业务可持续发展的路径是什么？如何强化模型和数据风险管理，确保业务可持续发展？
黄丁聪：要实现小微信贷业务的可持续发展，商业银行应转向以客户为中心，深刻洞察小微企业的经营行为和需求，创新数字化营销与服务，打造以小微企业需求为中心的一站式办理业务模式，形成体系化、生态化的大数据风控模型体系，提升风控精准度，为真正踏实经营的小微企业提供满足其需求的信贷服务，陪伴小微企业成长。
（一）推进数字化营销与服务创新工作。一方面，基于企业主的生活、工作场景，联合专业数字化营销机构和平台，共建精准营销模型，开展有针对性的数字化品牌宣传、产品营销推广，让更多企业了解银行互联网信贷产品；另一方面，基于人工智能技术打造智能交互机器人，引入虚拟数字人，为小微企业提供类似真人一对一的服务体验；创新交互式业务办理方式，帮助小微企业解决贷款申请、还款等相关问题，通过智能外呼开展还款提示、催收等业务，提升服务效率，降低企业交易成本和银行服务成本，破解客户服务难题。
（二）大力推进基于隐私计算的数据采集工作。随着《数据安全法》《个人隐私信息保护法》《征信业务管理办法》等法律法规的出台，对银行使用外部数据提出了更高的合规要求。银行可以探索隐私计算技术在数据合作中的运用，基于隐私计算“数据可用不可见”的特性，破解数据合作方之间的数据共享合规问题及信任问题，与产业链核心企业、政府部门及其他合规数据源开展深入的数据合作，实现跨行业、跨机构数据的聚合，充分释放数据生产力，为破解企业“贷不到、贷不满、贷过头、贷不长”等问题夯实数据基础。
（三）着力创新打造以小微企业需求为中心的业务模式。首先，从产品流程上来说，从客户需求出发，整合一体化业务流程，为客户做减法，让客户可以实现一站式的贷款申请。其次，基于大数据精准识别小微企业所处生命周期、行业特征，推断小微企业资金需求金额、使用周期等，以此作为企业授信额度测算、贷款期限确定的依据之一，解决客户“贷过头、贷不长”的问题。同时，也可以将需求识别结果作为小微企业申请行为欺诈识别的重要依据，增强银行的反欺诈能力。最后，为小微企业提供在线增信服务。当小微企业获得的授信不足以满足其资金需求或申请贷款被拒时，可通过在线方式存入相应资产数据证明，银行通过人工智能技术进行真实性的交叉核验，并将结构化后的数据输入增信模型，重新调整授信结果，解决客户“贷不满”及需要重新申请抵押贷款而带来的体验不佳问题。
（四）构建体系化的风控屏障，提升风控精准度。就现阶段的大数据技术特点而言，解决目标问题越精确效果越好。因此，大数据模型越精细，覆盖的风险问题维度就越全面，对小微企业的风险画像就越准确，风控精准度就越高。商业银行需要将风控问题细化拆解，针对每个问题建立对应的细化模型，准备充足的数字风控“零件”，再将这些“零件”根据实际业务情况进行灵活组装，建成更灵活、快速、精准的大数据智能风控体系。
宋梦超：我们在《重新定义风控》一书中谈到了强化模型和数据风险管理的问题。总体而言，一方面，要建立模型风险管理体系，防范模型引发的风险。引发模型风险的原因众多，包括模型质量、模型部署、突发事件等都有可能造成模型偏移，因此需要建立覆盖模型全生命周期的风险管理体系，以防范模型引发的风险。对于在自动审批环节中起到审批职责的反欺诈、信用评估、额度管理等模型应尽可能地准备替代模型，一旦触发模型变更条件，需要第一时间进行模型切换，确保业务连续性。
另一方面，建立健全数据风险管理体系，切实防范数据风险。数字时代，数据是银行的核心生产要素，其涉及面较广。数据引发的风险会波及互联网小微信贷等对数据强依赖的业务，银行需要针对数据合规、数据质量、数据中断、数据解释性、数据欺诈、数据理解等可能引发相应风险问题的各个方面。从数据采集、流动、应用等相关环节入手，建立对应的风险管理制度和规范，明确风险管理范围及各相关职能部门职责，强化数据全流程监控，建立应急机制，探索人工智能技术在数据风险管理领域的应用，提高数据风险管理效率和能力。
