智慧商业
DOI:10.19699/j.cnki.issn2096-0298.2019.19.022
大数据背景下情景化小微企业信用评估研究综述
①
哈尔滨工业大学管理学院 常太星
2019年，小微企业融资万众瞩目，其信息不对称、风险利润不成正比等问题也逐渐凸显，各金融机构正试图应用大数据手段摘 要：
以化解这一难题。但是小微企业数据沉淀渠道多样，可得性和有效性均受限制，数据场景化信用评估对于这一业务良性发展至关重要。本文从我国小微企业信用评估数据情景出发，结合学界信用评估方法的研究成果，试图为我国小微企业融资机构发展提供有益建议与启示。
大数据 企业信用评估 情景化关键词：
F279.23 文献标识码：A 文章编号：2096-0298(2019)10(a)-022-02中图分类号：
2018年6月20日，在国务院常务会议上明确了要进一步缓解
“小微企业融资难、融资贵”问题的措施，各部门利好政策频出，小微企业融资口径增长不断上升，但小微企业融资缺口依然巨大。小微企业自身数据沉淀不足，工商、税务等部门的信息孤岛导致应用于小微企业信用评估研究的数据缺失严重，风控难度极高，相关金融机构发展步履蹒跚。目前，我国金融机构试图从数据场景进行突破，尝试POS贷、发票贷、SaaS贷等新方案，结合学界各类基于大数据的信用评估方法实现对小微企业可靠、高效的信用评估。综上，本文对小微企业数据情景、评估方法、发展挑战三方面进行归纳，为相关机构提供有益建议与启示。
1 小微企业信用评估的数据情景
数据，一直作为小微企业信用评估的核心问题阻碍小微企业融资业务的有序发展。情景化信用评估作为解决数据问题的方法之一，正成为各类金融机构解码小微企业数据难题的方案之一。其中，POS贷、发票贷、SaaS贷等立足于银行、企业税务、企业记账存销数据情景的信贷解决方案，已在业界开始广泛使用。本文总结上述情景数据来源、可靠性等特征如表1所示。
从表1中可以发现，政策导向下，目前服务于小微企业融资的金融机构数量随着数据情景的多样化而不断上升，分属于“银税改革”、中小企业服务软件的企业累积的小微企业数据将为其数据变现提供新思路，成为“活水”流入行业当中。同时，融资机构依然面临着数据欺诈、数据零散、非结构化数据处理等行业及评估层面的重重困难。但随着数据维度的丰富化，交叉验证的难度逐步下降，小微企业融资难的困境也将随着更多“活水”的涌入而不断化解，而应用“活水”解决问题则需要依靠可靠的信用评估模型。
①基金项目：国家重点研发计划项目(2017YFB1401800)；哈长城
市群综合科技服务平台研发与应用示范，2017/12-2022/02。
作者简介：常太星(1994-)，男，汉族，山西人，硕士，学生，主要从
事应用经济学、大数据征信方面的研究。
2 企业信用评估及评估模型
信用评估，又称资信评估、信用评估，为社会提供资信信息或
表1 中小企业信用评估的常见数据场景
数据情景
数据来源
应用时间
数据
应用方法通过大数据进行流
银行pos机
POS机流水，关注流水
2015年至今
金额、流水记录发生时间
是否存在关联交易度上限比较高、使用等)甄别并据此评能力
金融科技公司制作名义利率低，借款额相关工具采集小微度上限较高，使用期
发票贷
发票采集助手等工具采集的发票
2014年至今
发票对应销售数据以反企业的税务数据，限较长，一般为6～36映企业的真实经营状况贷款机构应用相关个月，一般授信于从事
模型评估借款主体和民生相关的制造业、的还款能力
利用金蝶、用友、浪潮、掌握小微企业销
SaaS贷
金蝶、用友、浪潮等SaaS企业服务软件
2015年至今
餐饮业等企业成本限制，数据易造
美团、惠农时贷、闻达普
利用企业服务软件用户受SaaS系统应用
管家婆、畅捷通、二维火量、物流、退换货比假，需要严格的交叉体小微用户的经营数据模型评估借款主体低，单笔贷款金额较
的还款能力
高，速度较快
平安银行(首发)、新网银行“好事贷”、邮储银行、宜信发票贷等
期限较长、名义利率
估借款主体的还款较低
业务特色
参与机构
招商银行“POS商户贷”、水贷”、光大银行“POS快贷”、华夏银行“刷卡贷”、中信银行“POS网络贷”等
水记录有效性(如，免担保、审批较快，额民生银行“畅易贷—流
POS贷
等SaaS软件获取大量实例等数据应用相关验证；但，名义利率较惠等
022
2019年10月 www.chinabt.net
Copyright©博看网 www.bookan.com.cn. All Rights Reserved.智慧商业
为单位自身提供决策参考。随着科技的发展，大数据和大数据处理方法的出现对信用评估行业都产生了深远的影响，学者们在企业信用评估方面的研究也取得了重大进展。具体有以下几点。 (1)企业信用评估标准。学者们在进行研究时，综合考虑企业信息获取的难度和广度，主要有产生了以下两种标准：一是采用“信用风险度”来衡量企业面临的信用风险；二是以不良贷款率和贷款违约率来衡量信用风险。企业信用评估的多样性表明了企业可以采用多种信用评估方法。
(2)企业信用评估模型。在这一研究方面，学者们构建的模型也各不相同。在M.D.Odom(1990)对银行贷款违约风险的研究中，
而V.Gestelle(2003)首次采用了神经网络模型对风险进行评价[1]。
随着研究的深入，张维首次运用向量机方法进行信用风险研究[2]。[3]
庞素琳(2005)研究了PNN(2004)等人研究和发展了分类树方法，
肖斌卿(2009)比模型在上市企业信用评分和分级方面的可行性[4]。
较了模糊神经网络和BP神经网络对判别小微企业信用等级的有
而顾婧(2013)对高效性，表明模糊神经网络的判别有效性更高[5]。[6]
近年来，一些学科技公司信用评估的研究是基于VPRS模型的。
者开始采用KMV模型研究如何对企业信用进行评估：例如，企业的信用评分是不断变化的，可以通过数据挖掘建立模型预测这种变化过程，在这方面的研究中，Adaboost模型的企业信用分级有效性更高。李杰(2016)等人建立了层次分析模型研究企业信用分级，
游发现通过数据挖掘得到的模型指标能有效提升模型的精度[7]。
德创等人(2018)改进了xgboost算法的方法，在加入模糊隶属度的基
[8]
础上，提出模糊xgboost。黄志刚等人(2019)融合机器学习模型与传统评分卡模型构建了多源数据信用评估普适模型[9]。
(3)不同企业的信用差异研究。不同的企业的信用是存在很大差异的，学者们在这一方面进行了大量的研究：杨秀云采用KMV模型研究企业的信用风险，比较了地区因素和行业因素对企业信
[10]
李晟等对银行信用进行研究，他们将银行分为国有银用的影响；
许多学者还研行和非国有银行，研究了银行性质对信用的影响[11]；
究了不同模型对企业信用评估的有效性，例如 ，帅青红等人建立了决策树模型和Logistic模型衡量企业的信用评级，并对比了两个模
[12]
针对小企业信用，王磊采用Logistic模型、随机森林等型的精度，
不同方法来评估企业的信用等级，并研究了不同模型对企业信用评估的差异[13]。
综上所述，为了构建更加精确的模型以刻画企业信用，应当着重关注以下几点。
(1)充分利用大数据发展过程中数据挖掘与不同领域交互的契机，在建立信用风险模型的过程中，可以运用神经网络、随机森林、决策树等研究手段以精确评估企业的信用风险。
(2)模型选择对企业信用刻画也有重要的影响，因此，在研究中应当考虑不同模型结果的差异性，通过模型比较选择最有效的信用评估模型。
(3)数据的可得性和有效性也是研究需要考虑的问题，例如，小微企业的相关数据容易出现数据缺失、数据有效性差等问题。目前处理数据问题的方法主要有SMOTE等方法。
Wisdom Business
对小微企业信用数据进行采集和进一步使用时，由于缺乏法律约束而可能出现不规范行为；二是信用数据共享机制不健全，数据孤岛的问题仍然严重；三是情景化信用评估指标体系尚需完善，非结构化数据如何衍生出有效的分析特征有待业务与分析手段的进一步融合；四是信用评估监管体系建设滞后，“重复监管”与“监管漏洞”问题并存。
国内小微企业数量已超过7300万家，企业平均存活时间不足美国小微企业的30%，小微企业融资行业风险较高，但随着政策引导，各类挑战将得到逐步缓解，有赖于有效的小微企业情景化信用评估，大浪淘沙，小微企业情景化融资终将逐步走向有序发展的道路。
参考文献
[1] M.D.Odom.Sharda R.A.Neural Networks for
Bankruptcy Prediction[C].Iaternational Joint Confer ence on Neural Networks,IEEE,1990,27(24).
[2] T.V.Gestel.B.Baesens.J.Garciaetal. A Suppory
Vector Machines Approach to Credit Scoring Financiewezen,2003(2).
[3] 张维,李玉霜,王春峰.递归分类树在信用风险分析中的应用[J].
系统工程理论与实践,2004(3).
[4] 庞素琳.概率神经网络信用评价模型及预警研究[J].系统工程
理论与实践,2005(5).
[5] 肖斌卿,杨旸.基于模糊神经网络的小微企业信用评估研究[J].
管理科学学报,2009,19(11).
[6] 顾婧,周宗放.基于可变精度粗糙集的新兴技术企业信用风险
识别[J].管理工程学报,2013,24(1).
[7] 李杰.基于相对熵的组合赋权法在农户信用评价中的应用[C].
中国企业运筹学第十三次学术年会,2016．
[8] 游德创,莫赞.基于模糊xgboost算法的银行信用评价研究[J].
信息通信,2018(2).
[9] 黄志刚,刘志惠.多源数据信用评估普适模型栈框架的构建与
应用[J].数量经济技术经济研究,2019(4).
[10] 杨秀云,蒋园园,段珍珍.KMV模型在我国商业银行信用
风险管理中的适用性分析及实证检验[J].财经理论与实践,2016(37).
[11] 李晟,张宇航.中国上市商业银行信用风险分析及比较：基于
KMV模型及面板数据[J].中央财经大学学报,2016(10).
[12] 帅青红,方玲,匡远竞.基于决策树与Logistic的上市公司
信用评估比较研究[J].西南民族大学学报(人文社会科学版),2013(5).
[13] 王磊,范超,解明明.数据挖掘模型在小企业主信用评分领域
的应用[J].统计研究,2014(10).
3 大数据背景下小微企业情景化信用评估挑战
目前，小微企业的大数据情景化信用评估面临的挑战主要有以下几方面：一是大数据的安全与隐私问题。目前我国法律对于企业信用数据的保护缺乏直接规定，在这种情况下，信用评估机构在
www.chinabt.net 2019年10月
023
Copyright©博看网 www.bookan.com.cn. All Rights Reserved.
因篇幅问题不能全部显示，请点此查看更多更全内容