黄益平：以大科技风控解绑贷款抵押，减震宏观经济
通过研究比较可以得出结论，在中小微企业贷款中，大科技风控比传统银行风控更可靠。
近日，北京大学数字金融研究中心分别与BIS（国际清算银行）、IMF(国际货币基金组织)联合发布了大科技信贷相关研究论文，一经发布引发国内外关注、讨论热潮。
北京大学国家发展研究院副院长黄益平认为，作为金融数据风控的一部分，大科技信贷是指大型科技公司利用大的科技生态系统和数据风控模型，为中小微企业或个体工商户提供信贷服务，以及创新的信用风险管理框架。
相比传统的银行信贷风控，大科技信贷突破的是在没有央行征信数据的情况下（目前绝大部分人没有央行征信数据），通过对大科技平台的数据足迹进行分析，同样可以得出可靠的信用评估，甚至结果会更好一些。
在上述研究论文中，通过比较样本发现，大科技信贷与规模小、信用历史短的中小微企业的适配度更高。为此，黄益平认为，大科技信贷可能为普惠金融找到一条可行的路径。
那么，大科技信贷背后的风控逻辑有何创新，大科技信贷触碰了传统金融的哪些机制？以及大科技信贷能否应对经济周期的变化？针对上述疑问，《财经》记者独家专访了黄益平，以求对大数据风控模型有更为深入的理解。
黄益平向《财经》记者表示，在大科技信贷的背景下，部分信贷决策和房价之间的绑定关系能够解脱出来，一定意义上取消了伯南克所说的金融加速器的机制。从这一角度来看，金融体系的稳定性得到提高，但与此同时，信贷政策对现金流的反应就变得更大一些。
实时变量的多数据风控模型
《财经》：在具体的业务中，相比传统的银行信贷风控，大科技信贷在具体的风控模型中表现出了怎样的独特优势和价值？
黄益平：总体来讲，传统银行使用财务数据抵押资产的方式进行贷款，此外还有一种“关系型贷款”，意思是银行根据企业家的人品、社会地位以及社会关系进行贷款。那么，线上贷款可参考的信息数据更多，不过并非对这些数据直接参考，而是进行相应地处理。
在具体的信贷风控中，我们的研究论文对数据和模型两个不同的风控要素进行了比较，银行传统风控数据主要包括企业的业务状况、财务状况，以及企业主的性别、年龄、教育；传统的打分模型则是对上述数据变量进行打分加总。这种评定标准存在两个弊端，一是对数据要求比较高，通常只适用于具有一定规模的成熟企业；二是财务数据大部分来自企业的财务报表，财务报表起码是一季度发布一次，因此财务数据具有一定的滞后性。
大数据风控模型的数据是来自大科技平台实时监测的线上数据，这些数据在一定程度上可以认为是行为变量，这些变量由商业、金融、社交、娱乐等多方面行为数字足迹组成。透过这些变量信息，信贷机构可以全方位地观察借款人的行为与交易，从而间接判断借款人的财务状况、经济活动、社会及网络地位与行为特征。
相较于传统风控模式，大数据风控数据更具多元性和实时性，在一定程度上更有利于信贷机构作出及时有效的风险评估，同时还利于信贷机构实时监测借款人的状况，及时对风险因素做出反应。
此外，在传统的打分卡模型中，每一个变量都是独立的，即使进行了汇总，也只能得出“1+1=2”的效果，而机器学习模型更加擅长于处理数量庞大的数据，更能够抓住一些复杂的非线性关系以及解释变量之间的交互作用，达到“1+1>2”的效果。
《财经》：小微企业贷款难、贷款贵是存在已久的问题，在你看来，传统信贷风控与上述问题构成怎样的关系？
黄益平：传统信贷风控模型与小微企业贷款难有直接关系，因为在这种风控模型下，数据要素收集工作量大、成本高，银行无利可图。
大数据风控优势体现在两个方面：第一，与传统信贷看重滞后的财务数据不同，大数据风控的数据具有实时性，基本反映企业当前的状况；大数据大多反映行为变量，相比于财务数据的可变性，行为变量具有更高的稳定性。我们通过比较得出一个结论，大科技风控比传统银行风控更可靠。
需要补充一点，大科技信贷突破的是在没有央行征信数据的情况下（目前绝大部分人没有央行征信数据），通过对大科技平台的数据足迹进行分析，同样能得出可靠的信用评估，甚至结果会更好一些。通过比较样本发现，大科技信贷与规模小，信用历史短的中小微企业的适配度更高。
解绑贷款抵押，减震宏观经济
《财经》：从你们的研究来看，大科技信贷会更多地关注行为变量和实时数据，但是，另一方面会不会导致新的不稳定机制？
黄益平：我们对此还没有深入研究，所以并不能绝对地说大科技信贷的风控比传统银行的风控好，下结论的时候还是要保守一些。
大科技信贷潜在的风险可能会很多，只是目前我们还没有发现而已。目前来看，线上的风控本身就对监管提出了很多新要求，包括规范数据、维持市场共性竞争等等。客观而保守地看，我认为大科技信贷可能为普惠金融的发展找到了一条可行路径。
《财经》：如果将来金融周期和金融市场环境发生了变化，大科技信贷这套风控做法还会有效吗？对此是否做过评估？
黄益平：这应该也是监管部门现在普遍关注和顾虑的问题，在文章里面我们有尝试回答这个问题，但是我们还需要进一步研究分析来确认。即使金融周期发生改变，大数据风控模型相对于传统模型的相对优势应该还是会保持，原因就在于我刚才说的数据优势和模型优势。在IMF的文章里面，通过对2017年理财产品整治政策的影响来分析验证大数据风控模型的优势，我们发现大数据风控模型相较于传统模型的优势，不但没有缩小，反而还被放大了。
《财经》：前美联储主席伯南克曾提出金融加速器机制，指出抵押贷款可能导致经济主体当中的微小波动被放大，从而成为影响较大的事件，大科技信贷对这种机制构成怎样的影响？
黄益平：目前我国很多贷款都是住房抵押贷款，因此信贷政策和房价的弹性系数非常高，在金融加速器机制下，当经济遭受负面冲击时，房价、信贷与经济很容易形成恶性循环。
鉴于抵押贷款可能会内生很多金融不稳定的机制，我们在发表论文之前就曾做过弹性系数研究，研究发现传统银行质押贷款与房价的弹性系数非常高，大数据风控系统主要依据数据统计进行风险管理，在一定程度上减弱了企业对抵押品的依赖，进而减弱金融加速器机制。大数据风控的特点是用大数据分析替代传统抵押，优势在于信息更全、模型更好。
我们的研究结果显示，在大科技信贷的背景下，部分信贷决策和房价之间的绑定关系能够解脱出来，这两者之间的联系变得没有那么直接与明显，一定意义上消解了伯南克所说的金融加速器的机制。从这一角度来看，金融体系的稳定性得到提高，但与此同时，信贷政策对现金流的反应就变得更大一些。
大科技信贷是我们数字金融研究的一个板块，从规模来看，中国目前是大科技信贷规模最大的国家，尤其在疫情中显现特别明显，即便银行网点关门，银行依然在做信贷业务，这类信贷业务的特征就是完全通过线上信息开展。
因此一定程度上来说，大数据风控起到了一个稳定器的作用。
中国是大科技信贷规模最大的国家
《财经》：根据你们的研究，大科技信贷的起源是怎样的？
黄益平：大科技信贷的金融业务模式首创于中国。2009年，阿里巴巴组建团队开发阿里小贷业务，并于2010年6月发放第一笔贷款，这笔贷款就是中国科技信贷的开始。
当时，阿里小贷的原理和现在科技信贷的原理如出一辙，即依托平台所拥有的数据和数据挖掘算法对企业和个人信用进行评价，然后授权贷款，当时阿里小贷依托阿里巴巴电子商务平台，将客户在大科技生态系统里的相关数据映射为企业和个人信用评价，向无法在传统金融渠道获得贷款的弱势群体批量发放“金额小、期限短、随借随还”的小额贷款。
虽然大科技信贷的业务模式已经在许多国家落地，但是，那些大型科技公司开展信贷业务的时间都要比中国晚一些，所以，中国是该业务模式（大科技信贷）起源最早且目前规模最大的国家。
《财经》：对比传统贷款模式，大科技信贷对现阶段的中国金融体系最大的价值和意义是什么？
黄益平：目前，发展普惠金融仍然是各国政府普遍面临的挑战，普惠金融工作中最大的挑战就是解决小微企业“融资难”的问题。即便在金融服务业十分发达的英国，也只有大约50%的中小企业能够获得银行贷款，在中国，这个比例只有20%左右。
这源于我国金融体系的体征，一个是政府干预比较多；二是我们以银行为主的金融体系结构。尽管在过去十几年里，我国政府一直采取措施来改善中小企业“融资难”的问题，例如鼓励商业银行设立普惠金融业务部、定向为中小银行提供流动性支持以及行政性地要求银行提高中小企业贷款占比，但总体看来，我国中小微企业“融资难”的局面并没有得到根本性改变。
我们研究发现，通过对大科技平台数字足迹进行分析，能够对企业做出相对可靠的信用评估，这一特点与中小微企业贷款的适配度很高，有利于普惠金融的实现，对其他国家也具有借鉴意义。
本文来源：微信公号“财经五月花”