“大數據+信貸工廠”普惠金融模式研究

吳敏 劉姣 林志峰

摘? ?要：商業銀行發展普惠金融業務普遍面臨審核難度大、運營成本高、信用風險大、貸后管理難等問題，如何破解普惠金融發展難題顯得尤為重要。本文結合理論研究及銀行實踐經驗首次提出了“大數據+信貸工廠”這一發展普惠金融的創新模式，主要介紹了該模式的概念、特點與優勢，并結合H銀行的樣本數據，分析論證了該模式下的核心風控模型能夠有效區分“好客戶”和“壞客戶”，對于識別客戶風險、加強風險管理有積極作用，同時，研究了由“大數據+信貸工廠”創新模式代替傳統模式發展普惠金融的比較優勢，實證分析證明該創新模式能夠顯著降低運營成本，提高風控水平，增加業務收入和毛利潤，提升規模化增長水平，增強該普惠金融創新模式的可復制推廣能力。最后提出應進一步加強頂層設計、構建成本可負擔商業可持續的普惠金融長效機制、提升普惠金融業務的風險管理能力相關政策建議。

關鍵詞：普惠金融；大數據；信貸工廠；效益評價模型；金融科技；風險評估

DOI：10.3969/j.issn.1003-9031.2023.11.007

中圖分類號：F830? ? ? ? ? ? ?文獻標識碼：A? ? ?文章編號：1003－9031（2023）11－0071－17

一、引言

普惠金融（Financial Inclusion）的概念自2005年聯合國進行廣泛宣傳后引入我國，隨之受到國內社會大眾的廣泛關注和討論。發展普惠金融契合服務實體經濟、服務人民生活的理念，黨中央和國務院一直高度重視普惠金融的發展。2015年國務院印發了《推進普惠金融發展規劃（2016－2020年）》，對普惠金融工作進行了頂層設計，發展普惠金融正式確立為國家戰略規劃。發展普惠金融也面臨諸多困難，中國人民銀行發布的《中國普惠金融指標分析報告（2021）》，指出在全球經濟增長放緩、內外部環境更趨復雜嚴峻的背景下，普惠金融服務的廣度和深度仍然不足，居民家庭和個人的金融狀況需要得到更多關注，普惠金融的風險防范化解需要不斷加強。普惠金融的重點服務對象為小微客戶和中低收入群體，這類客戶通常具有資金需求額度小、資金占用周期短、需求頻率高、資金需求較急的特點，通常也難以提供有效抵押物和真實可信的財務數據，商業銀行運用傳統的業務模式發展普惠金融普遍面臨審查難度大、運營成本高、信用風險大、貸后管理難等特點，難以同時實現可獲得性、可負擔性和風險可控的均衡，即難以同時解決“普”“惠”“險”的問題（郭正江等，2021），商業銀行基于成本和風險的考量，對中低收入客戶群體存在“惜貸”行為。因此，如何創新普惠金融業務模式、破解普惠金融發展難題顯得尤為重要。

國內外專家學者對掣肘普惠金融發展的關鍵因素進行了研究，普遍認為信息不對稱是關鍵因素之一，容易導致普惠金融的業務成本增加或者信用風險難以控制。隨著大數據、云計算等為代表的信息技術飛速發展，商業銀行可以充分借助大數據技術，對客戶數據進行全面分析和挖掘，增強對客戶的識別與了解（Manyika J，2011），減少信息不對稱的問題，提高企業的決策效率和準確度，從而降低運營成本，提高生產效率，減少信用風險。“信貸工廠”是指銀行參照工廠“流水線”的標準化模式對信貸業務的全流程環節進行標準化批量處理，借助“信貸工廠”模式對傳統信貸模式進行變革與優化，能夠提高審批效率，降低運營成本（林春山，2009）。

結合已有文獻研究可知，目前學術界對大數據和信貸工廠的研究還存在部分局限：第一，目前學術界還沒有將大數據技術和“信貸工廠”相結合的模式研究，二者對普惠金融的共同作用機理研究還未涉及，“大數據+信貸工廠”普惠金融模式有什么特點與優勢？其核心業務模型是否能夠精準識別客戶、控制風險？這些還鮮有研究。第二，“大數據+信貸工廠”模式是否有助于提升銀行普惠金融業務的經濟效益？商業銀行怎樣有效地結合運用大數據技術與“信貸工廠”的優勢創新普惠金融模式？上述問題的回答有助于破解長期困擾商業銀行普惠金融發展的難題，為我國普惠金融的模式創新提供有益的參考借鑒，也是本文亟待研究的焦點問題。

二、文獻綜述

（一）發展普惠金融的難點及意義

普惠金融的概念，是指遵循機會平等和商業可持續原則，通過合理的可負擔成本，為有金融服務需求的社會各階層群體提供適當、簡捷、有效的金融服務，普惠金融具有包容性、便捷性、可獲得性和商業可持續性四大特征。發展普惠金融具有較大的經濟意義和社會效益，學者對此已展開了豐富的研究。Karlan and Zinman（2010）、Dupas and Robinson（2011）認為發展普惠金融能夠帶動就業、刺激消費和投資，特別是中低收入群體獲得的普惠金融服務越多，則更能刺激個體及家庭的消費，提高投資意愿和收入水平。Mandira and Jesim（2011）重點研究了普惠金融發展對宏觀經濟增長的影響，研究發現一個國家的金融普惠程度越高，則其經濟社會發展程度、金融平等程度、城市化水平越高。因此研究促進普惠金融發展的有效模式非常有必要。

基于信息不對稱理論，在市場經濟活動中，由于掌握信息的數量、獲得信息渠道的差異，各主體將承擔不同的風險和收益。信息不對稱是普惠金融發展難的重要原因之一，銀行因為信息不對稱原因容易產生“惜貸”或“拒貸”行為，要想解決普惠金融業務的難點問題，需要加強銀行對客戶信息全面的收集和分析，盡量減少信息不對稱的程度。

交易成本高是普惠金融發展難的另一個重要原因。根據希克斯（J.K.Hicks）和尼漢斯（J.Niehans）提出的交易成本創新理論，在經濟活動中交易成本處處存在，影響著企業的效率水平，降低交易成本是金融創新的支配因素和主要動機。小微客戶或者中低收入等弱勢群體因為信貸資金需求額度小，加之缺乏抵質押物及全面的財務報告，客戶信息收集和業務審查相對更為復雜，單筆業務平均交易成本相對較高，銀行出于經濟效益和規模效應的考慮，會產生“惜貸”行為，故交易成本高的特點阻礙了普惠金融業務的發展。

（二）大數據技術對普惠金融的作用機理

大數據具有大規模、高速度和多樣性三大特征（chen et al.，2012；McAfee and Brynjolfsson，2012），已經成為一種重要的商業資本和經濟投入。大數據的收集、處理與運用可以統稱為大數據技術，掌握這門技術這需要強大的決策力、洞察發現力和流程優化能力。

大數據技術向金融領域滲透融合，釋放出巨大的創新活力和經濟價值，基于客戶特征的大數據采集、分析和挖掘，并結合人工智能算法和機器學習算法，成為金融機構進行客戶風險識別、優化風險管理的重要方式，受到金融機構的青睞。大數據已發展成為一種新型的生產要素，將互聯網、大數據、云計算等信息技術運用于普惠金融實踐，能夠顯著提高對目標客戶的識別度，從而彌補傳統普惠金融的不足（宋玉茹，2022），商業銀行可以充分借助大數據技術，對客戶數據進行分析和挖掘，增強對客戶的分析與風險識別，減少信息不對稱程度，降低交易成本，有助于精準營銷、客戶分類和風險管理（ManyikaJ，2011；Strivastava and Gopalkrishnan，2015；óskarsdóttir M，2019），通過應用大數據和人工智能的技術能夠簡化信貸審批流程，強化風險管理，提升普惠金融程度（Che chang Chang，2019）。大數據技術的應用可以優化企業的業務流程和組織架構，使其信息傳遞更為高效，減少摩擦成本，實現更為高效的管理模式和業務模式，提升審查效率（Brynjolfsson et al.，2011）。

（三）“信貸工廠”模式對普惠金融的作用機理

“信貸工廠”模式最先由新加坡的“淡馬錫”公司提出，國內由中國建設銀行和中國銀行率先引進試點，后在全國推廣開來。“信貸工廠”模式是指銀行參照工廠“流水線”的標準化模式對信貸業務的全流程環節進行標準化批量處理。“信貸工廠”模式的主要特點，即業務的標準化、批量化處理，該特點貫穿了信貸業務的全流程（Wilson，2010）。

“信貸工廠”模式是對傳統信貸模式的一種變革與優化，與傳統業務模式相比在產品營銷、業務辦理和經營模式等方面具有一定的比較優勢（Fullerton，2009）。“信貸工廠”模式由于其標準化性質有利于減少業務信息在人員和流程之間傳遞的成本和摩擦，同時人員標準化分工又減少了對前臺人員的經驗和學歷要求，能夠優化組織架構管理、降低運營成本、提升業務辦理效率，優化信貸服務體驗，有助于銀行擴大信貸業務規模實現規模效應，在強化風險管控的前提下能夠提升銀行的經濟效益（林春山，2009；安麗娟和李昕，2010；楊曉璐，2011）。

三、“大數據+信貸工廠”普惠金融模式介紹

（一）概念及特點

“大數據+信貸工廠”普惠金融模式就是利用大數據、互聯網等信息技術貫穿普惠金融業務全流程，參照制造業“工廠化”方式，對銀行信貸審批的組織架構和業務流程進行切片化、標準化改造，從而使前臺、中臺、后臺作業崗位聚焦切片職責，實現產品標準化、職責切片化、作業流程化、風險分散化、管理集約化、隊伍專業化，最終達到大幅提高審批效率、大幅降低單筆作業成本、整體降低信貸風險、優化信貸審批流程、提升客戶體驗的效果。

大數據技術和信貸工廠是相輔相成、相互促進的，沒有大數據技術全流程深度融合，業務流程在各個環節就做不到職責的切片化、標準化和高效化，在傳統的普惠金融業務模式下，從前臺信貸員到中臺審批每個環節都要具有信貸知識和經驗，有了技術支持后，數據和信貸工作經驗由系統來把控和不斷完善，不同崗位可以聚焦到自己相應負責的切片化工作上，標準化程度更高，從而業務更加高效。反過來，信貸工廠的作業方式，又能更好地促進大數據技術應用，專業化、標準化、數字化的數據、流程、經驗和非標準化的作業方式相比，讓大數據應用可以持續改進和提高，二者的結合能夠產生質變的效果。

（二）運行流程及比較優勢

“大數據+信貸工廠”普惠金融模式的運行流程主要包括前臺、中臺和后臺相關工作，充分利用大數據作為技術輔助支撐，把相關工作切片化，使得每一個崗位的工作更加標準化和專業化，該模式運行流程詳見圖1。

傳統的普惠金融信貸模式主要基于相對少量的客戶信息如征信和銀行流水等，風險判斷和信貸決策主要依靠人員經驗，同時業務流程上大多未能形成標準化、切片化的職責分工，人員的專業化水平及主觀性會較大影響業務實踐效果，具有不穩定性，且容易產生“道德風險”。與傳統模式相比，“大數據+信貸工廠”模式具有較大優勢，能夠解決普惠業務的難點問題，從各業務流程的視角而言，該模式的優勢主要包括以下幾個方面。

第一，實現標準化、易操作的前臺移動展業。因為有了信息技術做支撐，能夠降低對客戶經理的經驗要求，可進行批量化培訓和上崗，且能實現標準化、易操作的移動展業。客戶可以通過移動互聯網渠道自主完成貸款申請，客戶經理采用移動展業模式獲客，借助大數據平臺實現信息關聯與共享，能夠實現信息快速錄入、自動核驗，節省人力，提升客戶體驗。

第二，實現中臺的專業化集中審批。中臺工作采用工廠化的流程將待審批的貸款申請隨機分配到專業的審批人員，進行批量化、集中專業審批。通過引入第三方公信力較高的數據源（人行征信、公安、司法、社保、學信網等），借助大數據平臺、客戶風險評分模型和授信額度模型等實現對客戶信息的真實性核查，在提高審批效率的同時，有效的減少了材料造假風險及信息不對稱風險，風險程度較高或較低的客戶由系統自動完成拒絕或通過操作，對其他客戶依據大數據分析給出參考額度及風險提示內容，提高審批效率。

第三，實現后臺的集中風險管理。通過收集分析客戶異常交易、收支情況、關聯人情況、第三方征信等數據信息構建風險預警模型和智能監測系統，進行實時風險預警，同時安排專業團隊進行統一的集中催收和集中訴訟，實現集中、動態、專業的風險管控。

圖2以H銀行信用卡業務踐行“大數據+信貸工廠”模式為例，展示詳細的模式流程圖，在該模式下信用卡業務全流程依托大數據技術開發了各類業務管理系統，實現了標準化和切片化的職能分工，實現了智能化、高效化的業務運營。

四、基于Logistic回歸分析的風控模型研究

（一）模型的理論基礎

“大數據+信貸工廠”普惠金融模式充分依靠大數據技術構建風控模型來進行風險管理，這與過去主要依賴人工經驗識別風險并進行信貸決策的傳統普惠金融模式有本質區別。業內使用的風控模型種類較多，考慮到基于Logistic回歸分析的評分卡模型具備簡單、穩定、技術成熟、易于監測和部署等優點，本文主要研究基于Logistic回歸分析的評分卡風控模型，該模型基于大數據技術，利用客戶大量的、多樣化的、全面的數據刻畫其指標表現，通過風險量化成分值的方式來預測客戶違約可能性大小，然后通過劃線策略區分好壞客戶，從而達到客戶風險分類的風險管理目的。

（二）模型的開發流程

基于Logistic回歸分析的評分卡風控模型開發流程主要分為以下幾個步驟。一是需求調研，通過對業務目標的分析，結合對客戶數據的理解，深度研究分析確認項目目標。二是業務目標定義，根據業務需求目標定義好壞客戶的劃分標準，確定觀測窗口和表現窗口的范圍，針對匯總的可用數據確定樣本的篩選規則。三是數據準備，為模型開發進行數據提取和數據預處理，在基礎變量的基礎上采用一定方法生成衍生變量，并形成寬表，結合業務經驗，初步篩選模型變量。四是模型構建，綜合采用變量聚類、IV、隨機森林等方法對模型變量進行深入篩選構建模型，主要包括建模寬表、變量預處理、變量篩選及分項和模型擬合等過程。五是模型驗證，通過KS值、PSI值等指標對模型的效果進行驗證。六是上線監控，針對模型的擬合度及穩定性繼續監控，如果模型擬合度和穩定性變差，需要調整模型。

（三）模型的評分計算公式

二分類Logistic回歸模型滿足如下的條件概率分布：

其中，x∈Rn是輸入，Y∈{0，1}是輸出，w∈Rn和b∈R是參數，w稱為權值向量，b稱之為偏置，w·x為w和x的內積。

某個事件發生的概率P和不發生的概率1-P之比，稱之為幾率Odds，其對數幾率回歸表達公式為：

基于Logistic評分卡的分值可以寫成下列形式：

Score=A-B（β0+β1x1+…βpxp）? ? ? ? ? ? （4）

其中，變量x1，x2…，xp為自變量對應的WOE（指標權重）值，因變量Score是信用風險的量化得分，得分越高違約概率越低。

（四）模型的評價指標

目標定義。目標定義影響評分卡解決問題的有效性，好、壞客戶需要基于各階段遷移情況及業務需求進行定義。本文擬定的目標定義為：好客戶為表現期內未發生過逾期的客戶；壞客戶為表現期內發生過M3+逾期的客戶；灰色客戶為不滿足表現期或表現期內發生逾期但沒有達到過M3+的客戶。

樣本數據。本文樣本數據來自國內H銀行2016年11月到2017年2月的實際業務數據12801筆，為了使實驗樣本有足夠的表現期且具有代表性，剔除掉命中H銀行行內準入規則、反欺詐規則和高風險規則集后的966筆數據，剩余樣本數據合計11835筆最終被確定使用，由上述數據生成開發樣本及驗證樣本，將寬表數據分為兩份數據集合，一份用來訓練模型參數，另外一份用來測試模型的效果。

變量預處理及衍生變量生成。收集的數據主要包括申請表數據、人行征信數據、行內數據和第三方機構數據等變量。根據金融機構的實踐經驗、金融業務特點和可用數據特征三個主要標準對數據進行變量篩選，并結合眾多項目經驗總結匯總生成衍生變量，有效提取數據信息。

變量降維、分箱及篩選。變量的篩選一般使用IV值（Information Value）、Gini指數等判斷變量的重要性，通過相關性分析排除變量間共線性，通過隨機森林、GBDT（Gradient Boosting Decision Tree，梯度下降樹）等方法挑選重要程度較高的變量最終達到降維的目的。變量集降維之后，需要將變量進行細分箱，然后在滿足業務解釋的情況下把同類或者相近的細分箱進行合并，即粗分箱。在粗分箱階段，去掉未滿足粗分箱三條原則的候選變量、單變量分析IV值低于0.02的變量和隨機森林重要性排名100之后的變量，對候選變量進行業務分析，去掉不符合業務預期和不具備模型預測能力的變量，例如姓名、生日、身份證號等變量，篩選出30個初始變量。

模型逐步回歸擬合。通過重復逐步回歸和消除共線性步驟，嘗試加入剔除變量看是否可以在穩定性保證的前提下提升KS效果。選取相對表現最好的變量，輸出最終評分。最后結合業務專家經驗，確定模型變量共19個，詳見表1。

確定客戶評分。根據最終確定的模型變量，通過邏輯回歸方法進行擬合，結合評分卡計算公式，最終得出客戶評分。

（五）實證分析結果

1.KS值分析

KS值用來判斷模型區分風險的優劣程度，屬于非常重要的判斷指標，表2為KS值的評價標準，KS值在51%～75%之間說明模型效果顯著，根據同行經驗，訓練集和測試集的KS值之差絕對值小于5%說明模型穩定性較好，在辨識好壞客戶的效果上是顯著的。為了檢驗本文評分卡模型的效果，本文運算得出訓練集和測試集的KS值，同時為了對比運用大數據技術的模型與僅運用人行征信數據模型的效果差異，本文也選擇了僅引用人行征信變量通過同樣的模型構建流程來構建模型，并運算出測試集的KS值。基于大數據技術的評分卡模型的訓練集和測試集的KS值分別為57.12%和56.65%，說明模型對客戶風險的區分能力強，訓練集和測試集的KS值差值為0.47%，差值小說明模型穩定性好。同時，基于大數據技術的評分卡模型的KS值比基于人行征信變量的評分卡模型的KS值高10.35%，說明前者對客戶的風險區分能力更強，風險控制效果更好。

2.評分分布及穩定性評估

根據申請評分卡對模型開發樣本人群進行評分，將評分由低到高進行排序，然后根據申請評分相同的分數段分進行分組，查看客戶在不同分數區間內的分布情況。模型評分結果如圖3所示，壞賬戶的分布呈左偏正態分布，隨著分數的增加逾期率在逐步遞減，表現出了評分的有效區分能力；客群的評分區間在300至1000之間，其中低分數段人群的壞賬率較高，隨著分數的增高，壞賬率呈現逐漸降低的趨勢，這說明評分卡存在排序功能，并能有效的對策略應用提供參考，更好的實現自動審批功能。通過分布圖也可以看出訓練集和驗證集在各個分數段的人數占比基本趨勢是一致的，這表明評分分布是穩定的。

3.PSI（Population Stability Index）指標分析

PSI指的是群體穩定性貢獻指數，反映了驗證樣本在各個分數段的分布與建模樣本分布的穩定性，圖3顯示本文模型運算PSI指標值為0.0035。結合表3關于PSI參考值的說明，在行業內一般認為模型PSI指標值小于0.1就說明模型具有較好的穩定性，因此可以判斷本文模型是穩定的。

4.假陽性率和假陰性率指標分析

根據通過率表和拒絕率表的交叉結果本文設定自動拒絕劃線為500分，設定自動通過劃線為600分，表4和表5分別為自動審批拒絕劃線為500分時的混淆矩陣及自動審批通過劃線為600分時的混淆矩陣，根據表達式計算出自動審批通過劃線600分時的假陽性率為4.86%，假陰性率為39.87%，說明自動通過劃線審批確保60.13%的好客戶自動審批通過，排除95.14%的壞客戶；根據表達式計算出自動拒絕劃線500分時的假陽性率為49.19%，假陰性率為7.94%，說明自動拒絕劃線審批能夠把50.81%的壞客戶排除在外，只把7.94%的好客戶漏掉，自動審批不通過的客戶中好客戶占比39.87%，其中80.09%會通過人工方式審批。從假陽性率和假陰性率指標分析來看，本文模型能夠有效的識別“好客戶”與“壞客戶”，智能審批的準確率較高。

綜上所述，從以上模型評估的指標結果分析來看，基于大數據技術的評分卡風控模型具有較好的信用風險評估能力，通過該模型能夠有效的識別“好客戶”與“壞客戶”，模型的風險預測能力較強、穩定性較好。

五、效益評價分析模型研究

（一）模型的理論基礎

“大數據+信貸工廠”普惠金融模式的經濟效益如何，需要結合業務數據進行實證分析，目前學術界可借鑒參考的針對金融機構具體的普惠金融效益評價方法較為缺乏，本文擬結合層次分析法和模糊數字方法，構建針對普惠金融信貸模式實施效果的效益評價分析模型。通過模糊數學方法的引入，對評價指標進行量化處理，使得不同評價對象的指標得分更加客觀。層次分析法是Salty在1974年提出的綜合評價方法，能夠把一個復雜的評價問題層層拆解構建層次分明的指標體系結構，通過指標間進行重要性判斷，求得歸屬于某個父節點指標下同層子節點指標的不同指標間的權重，最后根據加權計算出每個指標的權重值，結合專家評價法根據不同的指標的特征給指標一個分值，這樣通過指標權重和指標分值，可以計算出最終評價對象的得分。王蓮芬和許樹柏（1989）在書中具體描述了層次分析法的具體理論及方法，本文學習并參考了其部分方法理論。

（二）模型的構建方法

明確指標集合。指標集合是層次分析法中的指標體系中的評價指標，每個指標的權重值為層次總排序的權重值。

構建模糊評價矩陣。根據模糊數學方法，對每個評價對象每一個指標的分值進行量化，形成模糊評價矩陣。對于n個評價對象，指標數量為m的模糊評價矩陣R，如下所示。

其中，rij是評價對象j在i個指標的量化得分值，量化得分值由隸屬度函數計算得到。

（三）效益評價指標體系的確定

1.評價指標構成

本文根據普惠金融業務普遍的效益評價目標，結合專家調查評價的建議，采用層次分析法分析篩選評價指標，評價指標體系共2個層級9個指標，由上而下形成遞階結構。考慮到指標的可衡量和可操作性，最終經過多輪篩選，本文擬選擇以下效益評價指標體系。

2.指標權重計算

本文邀請到30名精通業務的專家進行打分，對各指標的重要程度進行判斷，假設各專家的重要性一致，則采用算術平均的方式得到準則層P及指標層L各元素之間相對重要性的比較值。

總排序權重向量為：

W（L2）=（0.2211，0.1089，0.1005，0.0495，0.1188，0.2412，0.04，0.04，0.08）（7）

3.模糊評價矩陣

根據模糊綜合評價的方法，上述已經得出指標權重向量，還需要模糊評價矩陣數據，就可通過模糊綜合計算式（6）計算出評價對象的綜合評分，根據各評價對象的評分高低就可以區分判斷出評價對象的優劣。為了得出模糊評價矩陣，需要對評價體系指標進行模糊評價。以人力成本率指標為例，人力成本率符合值越小越佳指標，適用其對應的公式，假設T1-T3年的值分別為XT1，XT2，XT3，則隸屬度上限al為max（XT1，XT2，XT3）*1.1，隸屬度下限al為max（XT1，XT2，XT3）*0.9，則T1年的隸屬度值為：

同理可以計算出某年某業務條線的指標隸屬度值。所有年份（n年）的所有指標隸屬度值，利用所有指標的隸屬度值可以構成一個9*n模糊評價矩陣。

4.模糊綜合評價得分

綜上所述，本文可應用各指標的權重值及隸屬度值進行“大數據+信貸工廠”模式的效益評價，假設某t年的隸屬度值為向量XT（Xc1，Xc2，...Xc9），則某t年的效益評價得分計算公式如下：

其中，Yt為某年某業務的效益評價得分；WTc為各評價指標的權重值，R為各指標的隸屬度值。通過上述計算公式可以計算出某一年某項業務具體的效益評價得分，可以對同一業務不同年份的效益評價進行縱向的對比，也可以對同一年份不同業務的效益評價進行橫向的對比，通過構建上述效益評價模型，可以對“大數據+信貸工廠”模式的實踐效果進行客觀量化的評價。

六、“大數據+信貸工廠”模式的實踐效果

（一）基于H銀行零售貸款樣本數據的實證分析

1.樣本選擇

H銀行自2016年開始逐步探索將“大數據+信貸工廠”模式運用于零售貸款條線，在前端報件營銷、中端集中審批和貸后管理及服務方面充分運用了該創新模式。鑒于H銀行的零售貸款條線主要從2016年開始逐步運用該創新模式，故主要選取了零售貸款條線2016年至2019年的零售貸款數據進行縱向對比分析，納入統計樣本中的借款人在行業分布和收入上具有分散性，能夠代表各類普惠金融的客群，考慮到普惠金融金額小而分散的特點，主要選取500萬元以下的零售貸款樣本數據進行分析。

2.實證分析結果

從運營成本、風險控制水平、收入和利潤水平以及規模化增長水平四個評價維度分別進行具體分析，根據第五部分普惠金融效益評價分析模型，可進行業務效益的整體綜合評價，根據普惠金融效益評價分析模型的公式，將零售業務條線2016年至2019年末的貸款樣本數據進行處理計算后，得出零售業務條線效益模糊屬性值矩陣，如表7所示。

從運營成本、風險控制水平、收入和毛利潤水平以及規模化增長水平四個評價維度共9個評價指標來看，表7中顯示2016年至2019年期間9個評價指標均有所改善，具體表現為：運營成本顯著下降，其中人力成本率和管理成本率降幅顯著；風控水平得到有效提升，不良率和損失率降幅較大，維持在業內較低的水平；盈利能力顯著提升，收入和毛利潤逐年增幅較大；規模化增長水平較高，借助大數據技術對前臺人員的學歷和經驗要求降低，人均產能水平提高，該創新模式更易復制推廣。綜上所述，從單個指標的縱向對比情況來看，H銀行零售貸款業務實施“大數據+信貸工廠”模式相比傳統業務模式效果更好。

下面進行綜合效益的評價分析。根據零售業務條線效益模糊屬性值矩陣，通過前述介紹的隸屬度值計算方法，得出零售業務條線效益模糊量化得分值矩陣。把隸屬度值矩陣的值帶入式（9）計算零售業務條線的模糊量化得分值，其中2016年得0.1652分，2017年得0.3846分，2018年得0.6541分，2019年得0.8808分。換算成百分制對零售貸款業務條線進行效益評價計算綜合得分，零售業務條線2016年至2019年綜合效益評價得分分別為16.52分、38.46分、65.41分和88.08分，樣本期間內綜合效益評分顯著提升，從計量模型的統計結果來看，H銀行零售貸款業務自從“大數據+信貸工廠”模式實施后業務綜合效益逐年提升，成效顯著。

（二）基于H銀行信用卡業務樣本數據的實證分析

1.樣本選擇

H銀行自2017年開始逐步探索將“大數據+信貸工廠”模式運用于信用卡業務，在前端報件營銷、中端集中審批和貸后管理及服務方面充分運用了該創新模式。信用卡條線主要選取了2017年至2019年的零售貸款數據進行縱向對比分析，研究該模式在信用卡條線的實施效果。納入統計樣本中的借款人在行業分布和收入上具有分散性，業務額度小而分散，能夠代表各類普惠金融的客群。

2.實證分析結果

從運營成本、風險控制水平、收入和利潤水平以及規模化增長水平四個評價維度分別進行具體分析，根據第五部分普惠金融效益評價分析模型，可進行信用卡業務效益的綜合評價，根據普惠金融效益評價分析模型的公式，將信用卡業務條線2016年至2019年的業務樣本數據進行處理計算后，得出信用卡業務條線效益模糊屬性值矩陣，如表8所示。

從運營成本、風險控制水平、收入和毛利潤水平以及規模化增長水平四個評價維度共9個評價指標來看，2017年至2019年期間多個評價指標的模糊量化得分均逐年增長，具體表現在：運營成本顯著下降，其中人力成本率和管理成本率降幅顯著；風控水平表現尚可，從樣本數據來看不良率和損失率指標仍維持在業內較低的均值水平；盈利能力顯著提升，收入和毛利潤逐年增幅較大；規模化增長水平較高，借助大數據技術對前臺人員的學歷和經驗要求降低，人均產能水平提高，該創新模式更易復制推廣。綜上所述，從單個指標的縱向對比情況來看，H銀行信用卡業務實施“大數據+信貸工廠”模式相比傳統業務模式效果更好。

下面進行綜合效益的評價分析。根據信用卡業務條線效益模糊屬性值矩陣，通過前述介紹的隸屬度值計算方法，得出信用卡業務條線效益模糊量化得分值矩陣。把隸屬度值矩陣的值帶入式（9）計算信用卡業務條線的模糊量化得分值，2017年至2019年模糊量化得分分別為0.2773分，0.5219分和0.7621分。換算成百分制對信用卡業務條線進行效益評價、計算綜合得分，信用卡業務條線2017年至2019年綜合得分分別為27.73分、52.19分和76.21分，樣本期間內綜合效益評分顯著提升，從計量模型的統計結果來看，H銀行信用卡業務自從“大數據+信貸工廠”模式實施后業務綜合效益逐年提升，成效顯著。

七、研究結論與政策建議

（一）研究結論

本文結合相關理論研究及銀行實踐經驗詳細闡述了“大數據+信貸工廠”普惠金融模式的概念、特點與優勢，并選取了H銀行2016—2019年的零售貸款條線及信用卡業務條線的樣本數據對該模式的實踐效果進行研究論證。

第一，基于Logistic回歸分析的風控模型是H銀行“大數據+信貸工廠”普惠金融模式的核心業務模型之一，通過KS值指標、評分分布及穩定性指標、PSI指標、假陽性率和假陰性率指標進行綜合分析，論證該模型能夠幫助銀行精準區分“好客戶”和“壞客戶”，有效識別客戶風險的高低，有助于提升銀行普惠金融業務的風險管理水平及業務效率。

第二，基于效益評價分析模型的實證分析結果，銀行運用“大數據+信貸工廠”普惠金融模式代替傳統普惠金融模式，能夠顯著提升普惠金融業務的經濟效益水平，具體包括可以顯著降低運營成本，人力成本率和管理成本率降幅顯著；可以有效提高風控水平，不良率和損失率穩定控制在業內較低水平，總體呈下降趨勢；有利于提升盈利能力，增加業務收入和毛利潤；同時還可以提升規模化增長水平，增強該普惠金融模式的可復制推廣能力。

第三，“大數據+信貸工廠”普惠金融模式的核心在于數字技術的驅動以及“信貸工廠”的工作流程機制優化，通過融入數據技術、決策科學、場景元素，以金融數據模型的決策流程優化人工操作的工作流程，實現審批決策智能化、作業流程電子化、操作環節標準化，能夠提升智能審批的比例并降低單筆業務成本，有效識別客戶風險，從而實現普惠金融業務的規模化風控，提升普惠金融業務的整體質量和效率。

（二）政策建議

第一，加強頂層設計，推進普惠金融業務高質量發展。首先，要逐步擴大全國普惠金融業務試點范圍，總結普惠金融的優秀案例及先進經驗，在全國范圍內進行有效的推廣學習，切實發揮普惠金融的“示范作用”，構建普惠金融相關參與方良性互動、優勢互補、合作共贏的良好局面，并為完善頂層設計提供更加可靠的現實依據。其次，要高度重視數字金融科技對發展普惠金融的關鍵性作用，推動建設普惠金融數字基礎設施建設，持續推進金融基礎數據庫、金融科技共享平臺、人行征信數據庫、各地融資信用服務平臺等的建設，豐富數據來源，強化數據支撐，為普惠金融發展提供技術、系統和數據支持，推動各類型金融機構提升數字金融技術水平，提升數據分析挖掘和建模能力，強化數字化獲客和風控能力。最后，要進一步加強金融知識普及教育，提升普惠金融服務群體特別是偏遠地區人群及弱勢群體的的金融知識水平和金融素養，減少普惠金融業務中的“金融排斥”，將更多經濟主體納入金融服務體系，同時完善客戶投訴和處理機制，切實保護消費者數據和資金安全。

第二，創新普惠金融發展模式，構建成本可負擔、商業可持續的普惠金融長效機制。商業銀行可以參考借鑒“大數據+信貸工廠”普惠金融模式的核心機制，結合自身的經營優勢及本地市場特點，建立成本可負擔、商業可持續的普惠金融長效機制模式。大型商業銀行可有效運用自身在品牌、客戶、人員、技術及資金等多方面的優勢，建立普惠金融業務事業部體制，形成從總行到分支行的普惠業務專業化流程機制及專業化人才隊伍，構建包括核算機制、風險管理機制、資源配置機制和考核評價機制在內的綜合服務機制，加快推進數字化轉型，構建數字化線上普惠金融產品體系，形成以“模型+算法”為驅動的數字普惠金融運營模式。中小型商業銀行可以發揮自身“下沉市場、深耕當地、貼近客戶”的運營優勢，構建“總行選客+網點獲客+線上合作引流”以及“線上自動決策+線下輔助決策”為特征的普惠金融運營模式，審批上做到“鏈條短、政策活、效率高”，提高普惠金融客戶的服務滿意度，與大型商業銀行形成客群的分層經營，實現差異化競爭。

第三，樹立風險底線思維，提升普惠金融業務的風險管理能力。普惠金融業務的穩健發展必須堅守風險底線，將業務風險控制在合理健康水平。首先，商業銀行應充分運用大數據、人工智能、區塊鏈等技術在客戶風險識別、額度控制、貸后風險預警、風險處置等方面的優勢，建立健全普惠金融業務風控體系，完善風險處置手段，建立風險分散機制，將普惠金融業務的不良率控制在合理健康水平。其次，逐步完善新時代普惠金融監管模式，監管層面應加強監督與指導，密切關注金融機構普惠金融業務的整體風險狀況，細化區域、行業、機構等方面的微觀監控，加強組合風險監測、 預警和預判，對苗頭性、傾向性、個案性風險及時指導處置，切斷風險傳播源頭，避免發生區域性的大面積風險暴露。最后，建議監管機構指導商業銀行逐步建立常態化的普惠金融不良資產快速處置機制，由于普惠貸款一般具有“小而分散、少有抵質押物”的特點，一旦出現風險，處置的時間成本及人力成本較高，建議對該類型貸款的核銷政策進行適度的差異化監管，指導商業銀行逐步建立常態化的普惠貸款不良資產快速處置機制，降低銀行的風險處置壓力及不良率指標壓力。

參考文獻：

[1]安麗娟，李昕.“信貸工廠”模式的 SWOT 分析[J].經濟研究導刊，2010（4）：53.

[2]林春山.“信貸工廠”模式的運作機理研究[J].新金融，2009（10）：51-53.

[3]郭正江，何九仲，黃杰，翟海濤.大數據技術破解普惠金融“不可能三角”的理論邏輯、實踐基礎與路徑選擇[J].浙江金融，2021（10）：18-24.

[4]彭真善，宋德勇.交易成本理論的現實意義[J].財經理論與實踐，2006（142）：15-18.

[5]宋玉茹.數字普惠金融對經濟高質量發展的影響研究[J].海南金融，2022（4）：2022（4）：58-59.

[6]王蓮芬.許樹柏.層次分析法引論[M].北京：中國人民大學出版社，1989.

[7]楊曉璐.“信貸工廠”模式的探索與應用[J].金融財稅，2011（1）：77-78.

[8]李萬超，楊鷺，宋光宇，等.金融科技對銀行業普惠金融的影響分析[J].金融經濟，2022（5）：51-62+76.

[9]]Chen H C，Ｒ H L Chiang，V C Storey.Business Intelligence and Analytics： From Big Data to Big Impact[J].MIS Quarterly，2012（4） ：1165-1188．

[10]Che-Chang Chang，Fang-Tzu Chen.Applying Data Mining in order to Motivate Inclusive Finance[J].Proceedings of the 4th International Conference on Humanities Science，Management and Education Technology，2019：3-20.

[11]Dupas P，Robinson J.Why Dont the Poor Save More？Evidence from Health Savings Experiments[R].NBER Working Paper，2011.

[12]Fullerton.Temasek Fullerton SEM promotion and introduction of credit model replcation.[M].Singapore：Medo Press，2009：12-50.

[13]Karlan D，Zinman J.Expanding Credit Access：Using Randomized Supply Decisions to Estimate the Impacts[J].Review of Financial Studies，2010（1）：433-464.

[14]McAfee A，E Brynjolfsson.Strategy ＆ Competition Big Data：The Management Ｒevolution[J].Harvard Business Review，2012（10）：60-68．

[15]Manyika J，Chui M，Brown B，et al.Big data：the next frontier for innovation， competition，and productivity[J].Analytics，2011（7）：52-78．

[16]Mandira S，Jesim P.Financial Inclusion and Development[J].Journal of International Development，2011（7）：613-628.

[17]óskarsdóttir M，Bravo C，Sarraute C，et al.The value of big data for credit scoring： Enhancing financial inclusion using mobile phone data and social network analytics[J].Applied Soft Computing，2019（74）：26-39.

[18]Stivastava U，Gopalkrishman S.Impact of Big Date Analytics on Banking Sector：Learning for Indian Banks[J].Procedia Computer Science，2015（50）：634-652.

[19]Wilson N G.The evolution soverigh wealth funds：Singapors Temasek Holdings[J].Journal of Financial Regulation and compliance，2010，18（1）6-14.