吳敏 劉姣 林志峰

摘? ?要：商業(yè)銀行發(fā)展普惠金融業(yè)務(wù)普遍面臨審核難度大、運(yùn)營(yíng)成本高、信用風(fēng)險(xiǎn)大、貸后管理難等問題，如何破解普惠金融發(fā)展難題顯得尤為重要。本文結(jié)合理論研究及銀行實(shí)踐經(jīng)驗(yàn)首次提出了“大數(shù)據(jù)+信貸工廠”這一發(fā)展普惠金融的創(chuàng)新模式，主要介紹了該模式的概念、特點(diǎn)與優(yōu)勢(shì)，并結(jié)合H銀行的樣本數(shù)據(jù)，分析論證了該模式下的核心風(fēng)控模型能夠有效區(qū)分“好客戶”和“壞客戶”，對(duì)于識(shí)別客戶風(fēng)險(xiǎn)、加強(qiáng)風(fēng)險(xiǎn)管理有積極作用，同時(shí)，研究了由“大數(shù)據(jù)+信貸工廠”創(chuàng)新模式代替?zhèn)鹘y(tǒng)模式發(fā)展普惠金融的比較優(yōu)勢(shì)，實(shí)證分析證明該創(chuàng)新模式能夠顯著降低運(yùn)營(yíng)成本，提高風(fēng)控水平，增加業(yè)務(wù)收入和毛利潤(rùn)，提升規(guī)?；鲩L(zhǎng)水平，增強(qiáng)該普惠金融創(chuàng)新模式的可復(fù)制推廣能力。最后提出應(yīng)進(jìn)一步加強(qiáng)頂層設(shè)計(jì)、構(gòu)建成本可負(fù)擔(dān)商業(yè)可持續(xù)的普惠金融長(zhǎng)效機(jī)制、提升普惠金融業(yè)務(wù)的風(fēng)險(xiǎn)管理能力相關(guān)政策建議。

關(guān)鍵詞：普惠金融；大數(shù)據(jù)；信貸工廠；效益評(píng)價(jià)模型；金融科技；風(fēng)險(xiǎn)評(píng)估

DOI：10.3969/j.issn.1003-9031.2023.11.007

中圖分類號(hào)：F830? ? ? ? ? ? ?文獻(xiàn)標(biāo)識(shí)碼：A? ? ?文章編號(hào)：1003－9031（2023）11－0071－17

一、引言

普惠金融（Financial Inclusion）的概念自2005年聯(lián)合國(guó)進(jìn)行廣泛宣傳后引入我國(guó)，隨之受到國(guó)內(nèi)社會(huì)大眾的廣泛關(guān)注和討論。發(fā)展普惠金融契合服務(wù)實(shí)體經(jīng)濟(jì)、服務(wù)人民生活的理念，黨中央和國(guó)務(wù)院一直高度重視普惠金融的發(fā)展。2015年國(guó)務(wù)院印發(fā)了《推進(jìn)普惠金融發(fā)展規(guī)劃（2016－2020年）》，對(duì)普惠金融工作進(jìn)行了頂層設(shè)計(jì)，發(fā)展普惠金融正式確立為國(guó)家戰(zhàn)略規(guī)劃。發(fā)展普惠金融也面臨諸多困難，中國(guó)人民銀行發(fā)布的《中國(guó)普惠金融指標(biāo)分析報(bào)告（2021）》，指出在全球經(jīng)濟(jì)增長(zhǎng)放緩、內(nèi)外部環(huán)境更趨復(fù)雜嚴(yán)峻的背景下，普惠金融服務(wù)的廣度和深度仍然不足，居民家庭和個(gè)人的金融狀況需要得到更多關(guān)注，普惠金融的風(fēng)險(xiǎn)防范化解需要不斷加強(qiáng)。普惠金融的重點(diǎn)服務(wù)對(duì)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(diǎn)，通常也難以提供有效抵押物和真實(shí)可信的財(cái)務(wù)數(shù)據(jù)，商業(yè)銀行運(yùn)用傳統(tǒng)的業(yè)務(wù)模式發(fā)展普惠金融普遍面臨審查難度大、運(yùn)營(yíng)成本高、信用風(fēng)險(xiǎn)大、貸后管理難等特點(diǎn)，難以同時(shí)實(shí)現(xiàn)可獲得性、可負(fù)擔(dān)性和風(fēng)險(xiǎn)可控的均衡，即難以同時(shí)解決“普”“惠”“險(xiǎn)”的問題（郭正江等，2021），商業(yè)銀行基于成本和風(fēng)險(xiǎn)的考量，對(duì)中低收入客戶群體存在“惜貸”行為。因此，如何創(chuàng)新普惠金融業(yè)務(wù)模式、破解普惠金融發(fā)展難題顯得尤為重要。

國(guó)內(nèi)外專家學(xué)者對(duì)掣肘普惠金融發(fā)展的關(guān)鍵因素進(jìn)行了研究，普遍認(rèn)為信息不對(duì)稱是關(guān)鍵因素之一，容易導(dǎo)致普惠金融的業(yè)務(wù)成本增加或者信用風(fēng)險(xiǎn)難以控制。隨著大數(shù)據(jù)、云計(jì)算等為代表的信息技術(shù)飛速發(fā)展，商業(yè)銀行可以充分借助大數(shù)據(jù)技術(shù)，對(duì)客戶數(shù)據(jù)進(jìn)行全面分析和挖掘，增強(qiáng)對(duì)客戶的識(shí)別與了解（Manyika J，2011），減少信息不對(duì)稱的問題，提高企業(yè)的決策效率和準(zhǔn)確度，從而降低運(yùn)營(yíng)成本，提高生產(chǎn)效率，減少信用風(fēng)險(xiǎn)。“信貸工廠”是指銀行參照工廠“流水線”的標(biāo)準(zhǔn)化模式對(duì)信貸業(yè)務(wù)的全流程環(huán)節(jié)進(jìn)行標(biāo)準(zhǔn)化批量處理，借助“信貸工廠”模式對(duì)傳統(tǒng)信貸模式進(jìn)行變革與優(yōu)化，能夠提高審批效率，降低運(yùn)營(yíng)成本（林春山，2009）。

結(jié)合已有文獻(xiàn)研究可知，目前學(xué)術(shù)界對(duì)大數(shù)據(jù)和信貸工廠的研究還存在部分局限：第一，目前學(xué)術(shù)界還沒有將大數(shù)據(jù)技術(shù)和“信貸工廠”相結(jié)合的模式研究，二者對(duì)普惠金融的共同作用機(jī)理研究還未涉及，“大數(shù)據(jù)+信貸工廠”普惠金融模式有什么特點(diǎn)與優(yōu)勢(shì)？其核心業(yè)務(wù)模型是否能夠精準(zhǔn)識(shí)別客戶、控制風(fēng)險(xiǎn)？這些還鮮有研究。第二，“大數(shù)據(jù)+信貸工廠”模式是否有助于提升銀行普惠金融業(yè)務(wù)的經(jīng)濟(jì)效益？商業(yè)銀行怎樣有效地結(jié)合運(yùn)用大數(shù)據(jù)技術(shù)與“信貸工廠”的優(yōu)勢(shì)創(chuàng)新普惠金融模式？上述問題的回答有助于破解長(zhǎng)期困擾商業(yè)銀行普惠金融發(fā)展的難題，為我國(guó)普惠金融的模式創(chuàng)新提供有益的參考借鑒，也是本文亟待研究的焦點(diǎn)問題。

二、文獻(xiàn)綜述

（一）發(fā)展普惠金融的難點(diǎn)及意義

普惠金融的概念，是指遵循機(jī)會(huì)平等和商業(yè)可持續(xù)原則，通過合理的可負(fù)擔(dān)成本，為有金融服務(wù)需求的社會(huì)各階層群體提供適當(dāng)、簡(jiǎn)捷、有效的金融服務(wù)，普惠金融具有包容性、便捷性、可獲得性和商業(yè)可持續(xù)性四大特征。發(fā)展普惠金融具有較大的經(jīng)濟(jì)意義和社會(huì)效益，學(xué)者對(duì)此已展開了豐富的研究。Karlan and Zinman（2010）、Dupas and Robinson（2011）認(rèn)為發(fā)展普惠金融能夠帶動(dòng)就業(yè)、刺激消費(fèi)和投資，特別是中低收入群體獲得的普惠金融服務(wù)越多，則更能刺激個(gè)體及家庭的消費(fèi)，提高投資意愿和收入水平。Mandira and Jesim（2011）重點(diǎn)研究了普惠金融發(fā)展對(duì)宏觀經(jīng)濟(jì)增長(zhǎng)的影響，研究發(fā)現(xiàn)一個(gè)國(guó)家的金融普惠程度越高，則其經(jīng)濟(jì)社會(huì)發(fā)展程度、金融平等程度、城市化水平越高。因此研究促進(jìn)普惠金融發(fā)展的有效模式非常有必要。

基于信息不對(duì)稱理論，在市場(chǎng)經(jīng)濟(jì)活動(dòng)中，由于掌握信息的數(shù)量、獲得信息渠道的差異，各主體將承擔(dān)不同的風(fēng)險(xiǎn)和收益。信息不對(duì)稱是普惠金融發(fā)展難的重要原因之一，銀行因?yàn)樾畔⒉粚?duì)稱原因容易產(chǎn)生“惜貸”或“拒貸”行為，要想解決普惠金融業(yè)務(wù)的難點(diǎn)問題，需要加強(qiáng)銀行對(duì)客戶信息全面的收集和分析，盡量減少信息不對(duì)稱的程度。

交易成本高是普惠金融發(fā)展難的另一個(gè)重要原因。根據(jù)?？怂梗↗.K.Hicks）和尼漢斯（J.Niehans）提出的交易成本創(chuàng)新理論，在經(jīng)濟(jì)活動(dòng)中交易成本處處存在，影響著企業(yè)的效率水平，降低交易成本是金融創(chuàng)新的支配因素和主要?jiǎng)訖C(jī)。小微客戶或者中低收入等弱勢(shì)群體因?yàn)樾刨J資金需求額度小，加之缺乏抵質(zhì)押物及全面的財(cái)務(wù)報(bào)告，客戶信息收集和業(yè)務(wù)審查相對(duì)更為復(fù)雜，單筆業(yè)務(wù)平均交易成本相對(duì)較高，銀行出于經(jīng)濟(jì)效益和規(guī)模效應(yīng)的考慮，會(huì)產(chǎn)生“惜貸”行為，故交易成本高的特點(diǎn)阻礙了普惠金融業(yè)務(wù)的發(fā)展。

（二）大數(shù)據(jù)技術(shù)對(duì)普惠金融的作用機(jī)理

大數(shù)據(jù)具有大規(guī)模、高速度和多樣性三大特征（chen et al.，2012；McAfee and Brynjolfsson，2012），已經(jīng)成為一種重要的商業(yè)資本和經(jīng)濟(jì)投入。大數(shù)據(jù)的收集、處理與運(yùn)用可以統(tǒng)稱為大數(shù)據(jù)技術(shù)，掌握這門技術(shù)這需要強(qiáng)大的決策力、洞察發(fā)現(xiàn)力和流程優(yōu)化能力。

大數(shù)據(jù)技術(shù)向金融領(lǐng)域滲透融合，釋放出巨大的創(chuàng)新活力和經(jīng)濟(jì)價(jià)值，基于客戶特征的大數(shù)據(jù)采集、分析和挖掘，并結(jié)合人工智能算法和機(jī)器學(xué)習(xí)算法，成為金融機(jī)構(gòu)進(jìn)行客戶風(fēng)險(xiǎn)識(shí)別、優(yōu)化風(fēng)險(xiǎn)管理的重要方式，受到金融機(jī)構(gòu)的青睞。大數(shù)據(jù)已發(fā)展成為一種新型的生產(chǎn)要素，將互聯(lián)網(wǎng)、大數(shù)據(jù)、云計(jì)算等信息技術(shù)運(yùn)用于普惠金融實(shí)踐，能夠顯著提高對(duì)目標(biāo)客戶的識(shí)別度，從而彌補(bǔ)傳統(tǒng)普惠金融的不足（宋玉茹，2022），商業(yè)銀行可以充分借助大數(shù)據(jù)技術(shù)，對(duì)客戶數(shù)據(jù)進(jìn)行分析和挖掘，增強(qiáng)對(duì)客戶的分析與風(fēng)險(xiǎn)識(shí)別，減少信息不對(duì)稱程度，降低交易成本，有助于精準(zhǔn)營(yíng)銷、客戶分類和風(fēng)險(xiǎn)管理（ManyikaJ，2011；Strivastava and Gopalkrishnan，2015；óskarsdóttir M，2019），通過應(yīng)用大數(shù)據(jù)和人工智能的技術(shù)能夠簡(jiǎn)化信貸審批流程，強(qiáng)化風(fēng)險(xiǎn)管理，提升普惠金融程度（Che chang Chang，2019）。大數(shù)據(jù)技術(shù)的應(yīng)用可以優(yōu)化企業(yè)的業(yè)務(wù)流程和組織架構(gòu)，使其信息傳遞更為高效，減少摩擦成本，實(shí)現(xiàn)更為高效的管理模式和業(yè)務(wù)模式，提升審查效率（Brynjolfsson et al.，2011）。

（三）“信貸工廠”模式對(duì)普惠金融的作用機(jī)理

“信貸工廠”模式最先由新加坡的“淡馬錫”公司提出，國(guó)內(nèi)由中國(guó)建設(shè)銀行和中國(guó)銀行率先引進(jìn)試點(diǎn)，后在全國(guó)推廣開來。“信貸工廠”模式是指銀行參照工廠“流水線”的標(biāo)準(zhǔn)化模式對(duì)信貸業(yè)務(wù)的全流程環(huán)節(jié)進(jìn)行標(biāo)準(zhǔn)化批量處理?！靶刨J工廠”模式的主要特點(diǎn)，即業(yè)務(wù)的標(biāo)準(zhǔn)化、批量化處理，該特點(diǎn)貫穿了信貸業(yè)務(wù)的全流程（Wilson，2010）。

“信貸工廠”模式是對(duì)傳統(tǒng)信貸模式的一種變革與優(yōu)化，與傳統(tǒng)業(yè)務(wù)模式相比在產(chǎn)品營(yíng)銷、業(yè)務(wù)辦理和經(jīng)營(yíng)模式等方面具有一定的比較優(yōu)勢(shì)（Fullerton，2009）?！靶刨J工廠”模式由于其標(biāo)準(zhǔn)化性質(zhì)有利于減少業(yè)務(wù)信息在人員和流程之間傳遞的成本和摩擦，同時(shí)人員標(biāo)準(zhǔn)化分工又減少了對(duì)前臺(tái)人員的經(jīng)驗(yàn)和學(xué)歷要求，能夠優(yōu)化組織架構(gòu)管理、降低運(yùn)營(yíng)成本、提升業(yè)務(wù)辦理效率，優(yōu)化信貸服務(wù)體驗(yàn)，有助于銀行擴(kuò)大信貸業(yè)務(wù)規(guī)模實(shí)現(xiàn)規(guī)模效應(yīng)，在強(qiáng)化風(fēng)險(xiǎn)管控的前提下能夠提升銀行的經(jīng)濟(jì)效益（林春山，2009；安麗娟和李昕，2010；楊曉璐，2011）。

三、“大數(shù)據(jù)+信貸工廠”普惠金融模式介紹

（一）概念及特點(diǎn)

“大數(shù)據(jù)+信貸工廠”普惠金融模式就是利用大數(shù)據(jù)、互聯(lián)網(wǎng)等信息技術(shù)貫穿普惠金融業(yè)務(wù)全流程，參照制造業(yè)“工廠化”方式，對(duì)銀行信貸審批的組織架構(gòu)和業(yè)務(wù)流程進(jìn)行切片化、標(biāo)準(zhǔn)化改造，從而使前臺(tái)、中臺(tái)、后臺(tái)作業(yè)崗位聚焦切片職責(zé)，實(shí)現(xiàn)產(chǎn)品標(biāo)準(zhǔn)化、職責(zé)切片化、作業(yè)流程化、風(fēng)險(xiǎn)分散化、管理集約化、隊(duì)伍專業(yè)化，最終達(dá)到大幅提高審批效率、大幅降低單筆作業(yè)成本、整體降低信貸風(fēng)險(xiǎn)、優(yōu)化信貸審批流程、提升客戶體驗(yàn)的效果。

大數(shù)據(jù)技術(shù)和信貸工廠是相輔相成、相互促進(jìn)的，沒有大數(shù)據(jù)技術(shù)全流程深度融合，業(yè)務(wù)流程在各個(gè)環(huán)節(jié)就做不到職責(zé)的切片化、標(biāo)準(zhǔn)化和高效化，在傳統(tǒng)的普惠金融業(yè)務(wù)模式下，從前臺(tái)信貸員到中臺(tái)審批每個(gè)環(huán)節(jié)都要具有信貸知識(shí)和經(jīng)驗(yàn)，有了技術(shù)支持后，數(shù)據(jù)和信貸工作經(jīng)驗(yàn)由系統(tǒng)來把控和不斷完善，不同崗位可以聚焦到自己相應(yīng)負(fù)責(zé)的切片化工作上，標(biāo)準(zhǔn)化程度更高，從而業(yè)務(wù)更加高效。反過來，信貸工廠的作業(yè)方式，又能更好地促進(jìn)大數(shù)據(jù)技術(shù)應(yīng)用，專業(yè)化、標(biāo)準(zhǔn)化、數(shù)字化的數(shù)據(jù)、流程、經(jīng)驗(yàn)和非標(biāo)準(zhǔn)化的作業(yè)方式相比，讓大數(shù)據(jù)應(yīng)用可以持續(xù)改進(jìn)和提高，二者的結(jié)合能夠產(chǎn)生質(zhì)變的效果。

（二）運(yùn)行流程及比較優(yōu)勢(shì)

“大數(shù)據(jù)+信貸工廠”普惠金融模式的運(yùn)行流程主要包括前臺(tái)、中臺(tái)和后臺(tái)相關(guān)工作，充分利用大數(shù)據(jù)作為技術(shù)輔助支撐，把相關(guān)工作切片化，使得每一個(gè)崗位的工作更加標(biāo)準(zhǔn)化和專業(yè)化，該模式運(yùn)行流程詳見圖1。

傳統(tǒng)的普惠金融信貸模式主要基于相對(duì)少量的客戶信息如征信和銀行流水等，風(fēng)險(xiǎn)判斷和信貸決策主要依靠人員經(jīng)驗(yàn)，同時(shí)業(yè)務(wù)流程上大多未能形成標(biāo)準(zhǔn)化、切片化的職責(zé)分工，人員的專業(yè)化水平及主觀性會(huì)較大影響業(yè)務(wù)實(shí)踐效果，具有不穩(wěn)定性，且容易產(chǎn)生“道德風(fēng)險(xiǎn)”。與傳統(tǒng)模式相比，“大數(shù)據(jù)+信貸工廠”模式具有較大優(yōu)勢(shì)，能夠解決普惠業(yè)務(wù)的難點(diǎn)問題，從各業(yè)務(wù)流程的視角而言，該模式的優(yōu)勢(shì)主要包括以下幾個(gè)方面。

第一，實(shí)現(xiàn)標(biāo)準(zhǔn)化、易操作的前臺(tái)移動(dòng)展業(yè)。因?yàn)橛辛诵畔⒓夹g(shù)做支撐，能夠降低對(duì)客戶經(jīng)理的經(jīng)驗(yàn)要求，可進(jìn)行批量化培訓(xùn)和上崗，且能實(shí)現(xiàn)標(biāo)準(zhǔn)化、易操作的移動(dòng)展業(yè)?？蛻艨梢酝ㄟ^移動(dòng)互聯(lián)網(wǎng)渠道自主完成貸款申請(qǐng)，客戶經(jīng)理采用移動(dòng)展業(yè)模式獲客，借助大數(shù)據(jù)平臺(tái)實(shí)現(xiàn)信息關(guān)聯(lián)與共享，能夠?qū)崿F(xiàn)信息快速錄入、自動(dòng)核驗(yàn)，節(jié)省人力，提升客戶體驗(yàn)。

第二，實(shí)現(xiàn)中臺(tái)的專業(yè)化集中審批。中臺(tái)工作采用工廠化的流程將待審批的貸款申請(qǐng)隨機(jī)分配到專業(yè)的審批人員，進(jìn)行批量化、集中專業(yè)審批。通過引入第三方公信力較高的數(shù)據(jù)源（人行征信、公安、司法、社保、學(xué)信網(wǎng)等），借助大數(shù)據(jù)平臺(tái)、客戶風(fēng)險(xiǎn)評(píng)分模型和授信額度模型等實(shí)現(xiàn)對(duì)客戶信息的真實(shí)性核查，在提高審批效率的同時(shí)，有效的減少了材料造假風(fēng)險(xiǎn)及信息不對(duì)稱風(fēng)險(xiǎn)，風(fēng)險(xiǎn)程度較高或較低的客戶由系統(tǒng)自動(dòng)完成拒絕或通過操作，對(duì)其他客戶依據(jù)大數(shù)據(jù)分析給出參考額度及風(fēng)險(xiǎn)提示內(nèi)容，提高審批效率。

第三，實(shí)現(xiàn)后臺(tái)的集中風(fēng)險(xiǎn)管理。通過收集分析客戶異常交易、收支情況、關(guān)聯(lián)人情況、第三方征信等數(shù)據(jù)信息構(gòu)建風(fēng)險(xiǎn)預(yù)警模型和智能監(jiān)測(cè)系統(tǒng)，進(jìn)行實(shí)時(shí)風(fēng)險(xiǎn)預(yù)警，同時(shí)安排專業(yè)團(tuán)隊(duì)進(jìn)行統(tǒng)一的集中催收和集中訴訟，實(shí)現(xiàn)集中、動(dòng)態(tài)、專業(yè)的風(fēng)險(xiǎn)管控。

圖2以H銀行信用卡業(yè)務(wù)踐行“大數(shù)據(jù)+信貸工廠”模式為例，展示詳細(xì)的模式流程圖，在該模式下信用卡業(yè)務(wù)全流程依托大數(shù)據(jù)技術(shù)開發(fā)了各類業(yè)務(wù)管理系統(tǒng)，實(shí)現(xiàn)了標(biāo)準(zhǔn)化和切片化的職能分工，實(shí)現(xiàn)了智能化、高效化的業(yè)務(wù)運(yùn)營(yíng)。

四、基于Logistic回歸分析的風(fēng)控模型研究

（一）模型的理論基礎(chǔ)

“大數(shù)據(jù)+信貸工廠”普惠金融模式充分依靠大數(shù)據(jù)技術(shù)構(gòu)建風(fēng)控模型來進(jìn)行風(fēng)險(xiǎn)管理，這與過去主要依賴人工經(jīng)驗(yàn)識(shí)別風(fēng)險(xiǎn)并進(jìn)行信貸決策的傳統(tǒng)普惠金融模式有本質(zhì)區(qū)別。業(yè)內(nèi)使用的風(fēng)控模型種類較多，考慮到基于Logistic回歸分析的評(píng)分卡模型具備簡(jiǎn)單、穩(wěn)定、技術(shù)成熟、易于監(jiān)測(cè)和部署等優(yōu)點(diǎn)，本文主要研究基于Logistic回歸分析的評(píng)分卡風(fēng)控模型，該模型基于大數(shù)據(jù)技術(shù)，利用客戶大量的、多樣化的、全面的數(shù)據(jù)刻畫其指標(biāo)表現(xiàn)，通過風(fēng)險(xiǎn)量化成分值的方式來預(yù)測(cè)客戶違約可能性大小，然后通過劃線策略區(qū)分好壞客戶，從而達(dá)到客戶風(fēng)險(xiǎn)分類的風(fēng)險(xiǎn)管理目的。

（二）模型的開發(fā)流程

基于Logistic回歸分析的評(píng)分卡風(fēng)控模型開發(fā)流程主要分為以下幾個(gè)步驟。一是需求調(diào)研，通過對(duì)業(yè)務(wù)目標(biāo)的分析，結(jié)合對(duì)客戶數(shù)據(jù)的理解，深度研究分析確認(rèn)項(xiàng)目目標(biāo)。二是業(yè)務(wù)目標(biāo)定義，根據(jù)業(yè)務(wù)需求目標(biāo)定義好壞客戶的劃分標(biāo)準(zhǔn)，確定觀測(cè)窗口和表現(xiàn)窗口的范圍，針對(duì)匯總的可用數(shù)據(jù)確定樣本的篩選規(guī)則。三是數(shù)據(jù)準(zhǔn)備，為模型開發(fā)進(jìn)行數(shù)據(jù)提取和數(shù)據(jù)預(yù)處理，在基礎(chǔ)變量的基礎(chǔ)上采用一定方法生成衍生變量，并形成寬表，結(jié)合業(yè)務(wù)經(jīng)驗(yàn)，初步篩選模型變量。四是模型構(gòu)建，綜合采用變量聚類、IV、隨機(jī)森林等方法對(duì)模型變量進(jìn)行深入篩選構(gòu)建模型，主要包括建模寬表、變量預(yù)處理、變量篩選及分項(xiàng)和模型擬合等過程。五是模型驗(yàn)證，通過KS值、PSI值等指標(biāo)對(duì)模型的效果進(jìn)行驗(yàn)證。六是上線監(jiān)控，針對(duì)模型的擬合度及穩(wěn)定性繼續(xù)監(jiān)控，如果模型擬合度和穩(wěn)定性變差，需要調(diào)整模型。

（三）模型的評(píng)分計(jì)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(shù)，w稱為權(quán)值向量，b稱之為偏置，w·x為w和x的內(nèi)積。

某個(gè)事件發(fā)生的概率P和不發(fā)生的概率1-P之比，稱之為幾率Odds，其對(duì)數(shù)幾率回歸表達(dá)公式為：

基于Logistic評(píng)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(duì)應(yīng)的WOE（指標(biāo)權(quán)重）值，因變量Score是信用風(fēng)險(xiǎn)的量化得分，得分越高違約概率越低。

（四）模型的評(píng)價(jià)指標(biāo)

目標(biāo)定義。目標(biāo)定義影響評(píng)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(yè)務(wù)需求進(jìn)行定義。本文擬定的目標(biāo)定義為：好客戶為表現(xiàn)期內(nèi)未發(fā)生過逾期的客戶；壞客戶為表現(xiàn)期內(nèi)發(fā)生過M3+逾期的客戶；灰色客戶為不滿足表現(xiàn)期或表現(xiàn)期內(nèi)發(fā)生逾期但沒有達(dá)到過M3+的客戶。

樣本數(shù)據(jù)。本文樣本數(shù)據(jù)來自國(guó)內(nèi)H銀行2016年11月到2017年2月的實(shí)際業(yè)務(wù)數(shù)據(jù)12801筆，為了使實(shí)驗(yàn)樣本有足夠的表現(xiàn)期且具有代表性，剔除掉命中H銀行行內(nèi)準(zhǔn)入規(guī)則、反欺詐規(guī)則和高風(fēng)險(xiǎn)規(guī)則集后的966筆數(shù)據(jù)，剩余樣本數(shù)據(jù)合計(jì)11835筆最終被確定使用，由上述數(shù)據(jù)生成開發(fā)樣本及驗(yàn)證樣本，將寬表數(shù)據(jù)分為兩份數(shù)據(jù)集合，一份用來訓(xùn)練模型參數(shù)，另外一份用來測(cè)試模型的效果。

變量預(yù)處理及衍生變量生成。收集的數(shù)據(jù)主要包括申請(qǐng)表數(shù)據(jù)、人行征信數(shù)據(jù)、行內(nèi)數(shù)據(jù)和第三方機(jī)構(gòu)數(shù)據(jù)等變量。根據(jù)金融機(jī)構(gòu)的實(shí)踐經(jīng)驗(yàn)、金融業(yè)務(wù)特點(diǎn)和可用數(shù)據(jù)特征三個(gè)主要標(biāo)準(zhǔn)對(duì)數(shù)據(jù)進(jìn)行變量篩選，并結(jié)合眾多項(xiàng)目經(jīng)驗(yàn)總結(jié)匯總生成衍生變量，有效提取數(shù)據(jù)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(shù)等判斷變量的重要性，通過相關(guān)性分析排除變量間共線性，通過隨機(jī)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(dá)到降維的目的。變量集降維之后，需要將變量進(jìn)行細(xì)分箱，然后在滿足業(yè)務(wù)解釋的情況下把同類或者相近的細(xì)分箱進(jìn)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(jī)森林重要性排名100之后的變量，對(duì)候選變量進(jìn)行業(yè)務(wù)分析，去掉不符合業(yè)務(wù)預(yù)期和不具備模型預(yù)測(cè)能力的變量，例如姓名、生日、身份證號(hào)等變量，篩選出30個(gè)初始變量。

模型逐步回歸擬合。通過重復(fù)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(wěn)定性保證的前提下提升KS效果。選取相對(duì)表現(xiàn)最好的變量，輸出最終評(píng)分。最后結(jié)合業(yè)務(wù)專家經(jīng)驗(yàn)，確定模型變量共19個(gè)，詳見表1。

確定客戶評(píng)分。根據(jù)最終確定的模型變量，通過邏輯回歸方法進(jìn)行擬合，結(jié)合評(píng)分卡計(jì)算公式，最終得出客戶評(píng)分。

（五）實(shí)證分析結(jié)果

1.KS值分析

KS值用來判斷模型區(qū)分風(fēng)險(xiǎn)的優(yōu)劣程度，屬于非常重要的判斷指標(biāo)，表2為KS值的評(píng)價(jià)標(biāo)準(zhǔn)，KS值在51%～75%之間說明模型效果顯著，根據(jù)同行經(jīng)驗(yàn)，訓(xùn)練集和測(cè)試集的KS值之差絕對(duì)值小于5%說明模型穩(wěn)定性較好，在辨識(shí)好壞客戶的效果上是顯著的。為了檢驗(yàn)本文評(píng)分卡模型的效果，本文運(yùn)算得出訓(xùn)練集和測(cè)試集的KS值，同時(shí)為了對(duì)比運(yùn)用大數(shù)據(jù)技術(shù)的模型與僅運(yùn)用人行征信數(shù)據(jù)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(gòu)建流程來構(gòu)建模型，并運(yùn)算出測(cè)試集的KS值?；诖髷?shù)據(jù)技術(shù)的評(píng)分卡模型的訓(xùn)練集和測(cè)試集的KS值分別為57.12%和56.65%，說明模型對(duì)客戶風(fēng)險(xiǎn)的區(qū)分能力強(qiáng)，訓(xùn)練集和測(cè)試集的KS值差值為0.47%，差值小說明模型穩(wěn)定性好。同時(shí)，基于大數(shù)據(jù)技術(shù)的評(píng)分卡模型的KS值比基于人行征信變量的評(píng)分卡模型的KS值高10.35%，說明前者對(duì)客戶的風(fēng)險(xiǎn)區(qū)分能力更強(qiáng)，風(fēng)險(xiǎn)控制效果更好。

2.評(píng)分分布及穩(wěn)定性評(píng)估

根據(jù)申請(qǐng)?jiān)u分卡對(duì)模型開發(fā)樣本人群進(jìn)行評(píng)分，將評(píng)分由低到高進(jìn)行排序，然后根據(jù)申請(qǐng)?jiān)u分相同的分?jǐn)?shù)段分進(jìn)行分組，查看客戶在不同分?jǐn)?shù)區(qū)間內(nèi)的分布情況。模型評(píng)分結(jié)果如圖3所示，壞賬戶的分布呈左偏正態(tài)分布，隨著分?jǐn)?shù)的增加逾期率在逐步遞減，表現(xiàn)出了評(píng)分的有效區(qū)分能力；客群的評(píng)分區(qū)間在300至1000之間，其中低分?jǐn)?shù)段人群的壞賬率較高，隨著分?jǐn)?shù)的增高，壞賬率呈現(xiàn)逐漸降低的趨勢(shì)，這說明評(píng)分卡存在排序功能，并能有效的對(duì)策略應(yīng)用提供參考，更好的實(shí)現(xiàn)自動(dòng)審批功能。通過分布圖也可以看出訓(xùn)練集和驗(yàn)證集在各個(gè)分?jǐn)?shù)段的人數(shù)占比基本趨勢(shì)是一致的，這表明評(píng)分分布是穩(wěn)定的。

3.PSI（Population Stability Index）指標(biāo)分析

PSI指的是群體穩(wěn)定性貢獻(xiàn)指數(shù)，反映了驗(yàn)證樣本在各個(gè)分?jǐn)?shù)段的分布與建模樣本分布的穩(wěn)定性，圖3顯示本文模型運(yùn)算PSI指標(biāo)值為0.0035。結(jié)合表3關(guān)于PSI參考值的說明，在行業(yè)內(nèi)一般認(rèn)為模型PSI指標(biāo)值小于0.1就說明模型具有較好的穩(wěn)定性，因此可以判斷本文模型是穩(wěn)定的。

4.假陽性率和假陰性率指標(biāo)分析

根據(jù)通過率表和拒絕率表的交叉結(jié)果本文設(shè)定自動(dòng)拒絕劃線為500分，設(shè)定自動(dòng)通過劃線為600分，表4和表5分別為自動(dòng)審批拒絕劃線為500分時(shí)的混淆矩陣及自動(dòng)審批通過劃線為600分時(shí)的混淆矩陣，根據(jù)表達(dá)式計(jì)算出自動(dòng)審批通過劃線600分時(shí)的假陽性率為4.86%，假陰性率為39.87%，說明自動(dòng)通過劃線審批確保60.13%的好客戶自動(dòng)審批通過，排除95.14%的壞客戶；根據(jù)表達(dá)式計(jì)算出自動(dòng)拒絕劃線500分時(shí)的假陽性率為49.19%，假陰性率為7.94%，說明自動(dòng)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(dòng)審批不通過的客戶中好客戶占比39.87%，其中80.09%會(huì)通過人工方式審批。從假陽性率和假陰性率指標(biāo)分析來看，本文模型能夠有效的識(shí)別“好客戶”與“壞客戶”，智能審批的準(zhǔn)確率較高。

綜上所述，從以上模型評(píng)估的指標(biāo)結(jié)果分析來看，基于大數(shù)據(jù)技術(shù)的評(píng)分卡風(fēng)控模型具有較好的信用風(fēng)險(xiǎn)評(píng)估能力，通過該模型能夠有效的識(shí)別“好客戶”與“壞客戶”，模型的風(fēng)險(xiǎn)預(yù)測(cè)能力較強(qiáng)、穩(wěn)定性較好。

五、效益評(píng)價(jià)分析模型研究

（一）模型的理論基礎(chǔ)

“大數(shù)據(jù)+信貸工廠”普惠金融模式的經(jīng)濟(jì)效益如何，需要結(jié)合業(yè)務(wù)數(shù)據(jù)進(jìn)行實(shí)證分析，目前學(xué)術(shù)界可借鑒參考的針對(duì)金融機(jī)構(gòu)具體的普惠金融效益評(píng)價(jià)方法較為缺乏，本文擬結(jié)合層次分析法和模糊數(shù)字方法，構(gòu)建針對(duì)普惠金融信貸模式實(shí)施效果的效益評(píng)價(jià)分析模型。通過模糊數(shù)學(xué)方法的引入，對(duì)評(píng)價(jià)指標(biāo)進(jìn)行量化處理，使得不同評(píng)價(jià)對(duì)象的指標(biāo)得分更加客觀。層次分析法是Salty在1974年提出的綜合評(píng)價(jià)方法，能夠把一個(gè)復(fù)雜的評(píng)價(jià)問題層層拆解構(gòu)建層次分明的指標(biāo)體系結(jié)構(gòu)，通過指標(biāo)間進(jìn)行重要性判斷，求得歸屬于某個(gè)父節(jié)點(diǎn)指標(biāo)下同層子節(jié)點(diǎn)指標(biāo)的不同指標(biāo)間的權(quán)重，最后根據(jù)加權(quán)計(jì)算出每個(gè)指標(biāo)的權(quán)重值，結(jié)合專家評(píng)價(jià)法根據(jù)不同的指標(biāo)的特征給指標(biāo)一個(gè)分值，這樣通過指標(biāo)權(quán)重和指標(biāo)分值，可以計(jì)算出最終評(píng)價(jià)對(duì)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(xué)習(xí)并參考了其部分方法理論。

（二）模型的構(gòu)建方法

明確指標(biāo)集合。指標(biāo)集合是層次分析法中的指標(biāo)體系中的評(píng)價(jià)指標(biāo)，每個(gè)指標(biāo)的權(quán)重值為層次總排序的權(quán)重值。

構(gòu)建模糊評(píng)價(jià)矩陣。根據(jù)模糊數(shù)學(xué)方法，對(duì)每個(gè)評(píng)價(jià)對(duì)象每一個(gè)指標(biāo)的分值進(jìn)行量化，形成模糊評(píng)價(jià)矩陣。對(duì)于n個(gè)評(píng)價(jià)對(duì)象，指標(biāo)數(shù)量為m的模糊評(píng)價(jià)矩陣R，如下所示。

其中，rij是評(píng)價(jià)對(duì)象j在i個(gè)指標(biāo)的量化得分值，量化得分值由隸屬度函數(shù)計(jì)算得到。

（三）效益評(píng)價(jià)指標(biāo)體系的確定

1.評(píng)價(jià)指標(biāo)構(gòu)成

本文根據(jù)普惠金融業(yè)務(wù)普遍的效益評(píng)價(jià)目標(biāo)，結(jié)合專家調(diào)查評(píng)價(jià)的建議，采用層次分析法分析篩選評(píng)價(jià)指標(biāo)，評(píng)價(jià)指標(biāo)體系共2個(gè)層級(jí)9個(gè)指標(biāo)，由上而下形成遞階結(jié)構(gòu)?？紤]到指標(biāo)的可衡量和可操作性，最終經(jīng)過多輪篩選，本文擬選擇以下效益評(píng)價(jià)指標(biāo)體系。

2.指標(biāo)權(quán)重計(jì)算

本文邀請(qǐng)到30名精通業(yè)務(wù)的專家進(jìn)行打分，對(duì)各指標(biāo)的重要程度進(jìn)行判斷，假設(shè)各專家的重要性一致，則采用算術(shù)平均的方式得到準(zhǔn)則層P及指標(biāo)層L各元素之間相對(duì)重要性的比較值。

總排序權(quán)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(píng)價(jià)矩陣

根據(jù)模糊綜合評(píng)價(jià)的方法，上述已經(jīng)得出指標(biāo)權(quán)重向量，還需要模糊評(píng)價(jià)矩陣數(shù)據(jù)，就可通過模糊綜合計(jì)算式（6）計(jì)算出評(píng)價(jià)對(duì)象的綜合評(píng)分，根據(jù)各評(píng)價(jià)對(duì)象的評(píng)分高低就可以區(qū)分判斷出評(píng)價(jià)對(duì)象的優(yōu)劣。為了得出模糊評(píng)價(jià)矩陣，需要對(duì)評(píng)價(jià)體系指標(biāo)進(jìn)行模糊評(píng)價(jià)。以人力成本率指標(biāo)為例，人力成本率符合值越小越佳指標(biāo)，適用其對(duì)應(yīng)的公式，假設(shè)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(jì)算出某年某業(yè)務(wù)條線的指標(biāo)隸屬度值。所有年份（n年）的所有指標(biāo)隸屬度值，利用所有指標(biāo)的隸屬度值可以構(gòu)成一個(gè)9*n模糊評(píng)價(jià)矩陣。

4.模糊綜合評(píng)價(jià)得分

綜上所述，本文可應(yīng)用各指標(biāo)的權(quán)重值及隸屬度值進(jìn)行“大數(shù)據(jù)+信貸工廠”模式的效益評(píng)價(jià)，假設(shè)某t年的隸屬度值為向量XT（Xc1，Xc2，...Xc9），則某t年的效益評(píng)價(jià)得分計(jì)算公式如下：

其中，Yt為某年某業(yè)務(wù)的效益評(píng)價(jià)得分；WTc為各評(píng)價(jià)指標(biāo)的權(quán)重值，R為各指標(biāo)的隸屬度值。通過上述計(jì)算公式可以計(jì)算出某一年某項(xiàng)業(yè)務(wù)具體的效益評(píng)價(jià)得分，可以對(duì)同一業(yè)務(wù)不同年份的效益評(píng)價(jià)進(jìn)行縱向的對(duì)比，也可以對(duì)同一年份不同業(yè)務(wù)的效益評(píng)價(jià)進(jìn)行橫向的對(duì)比，通過構(gòu)建上述效益評(píng)價(jià)模型，可以對(duì)“大數(shù)據(jù)+信貸工廠”模式的實(shí)踐效果進(jìn)行客觀量化的評(píng)價(jià)。

六、“大數(shù)據(jù)+信貸工廠”模式的實(shí)踐效果

（一）基于H銀行零售貸款樣本數(shù)據(jù)的實(shí)證分析

1.樣本選擇

H銀行自2016年開始逐步探索將“大數(shù)據(jù)+信貸工廠”模式運(yùn)用于零售貸款條線，在前端報(bào)件營(yíng)銷、中端集中審批和貸后管理及服務(wù)方面充分運(yùn)用了該創(chuàng)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(yùn)用該創(chuàng)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(shù)據(jù)進(jìn)行縱向?qū)Ρ确治?，納入統(tǒng)計(jì)樣本中的借款人在行業(yè)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(diǎn)，主要選取500萬元以下的零售貸款樣本數(shù)據(jù)進(jìn)行分析。

2.實(shí)證分析結(jié)果

從運(yùn)營(yíng)成本、風(fēng)險(xiǎn)控制水平、收入和利潤(rùn)水平以及規(guī)模化增長(zhǎng)水平四個(gè)評(píng)價(jià)維度分別進(jìn)行具體分析，根據(jù)第五部分普惠金融效益評(píng)價(jià)分析模型，可進(jìn)行業(yè)務(wù)效益的整體綜合評(píng)價(jià)，根據(jù)普惠金融效益評(píng)價(jià)分析模型的公式，將零售業(yè)務(wù)條線2016年至2019年末的貸款樣本數(shù)據(jù)進(jìn)行處理計(jì)算后，得出零售業(yè)務(wù)條線效益模糊屬性值矩陣，如表7所示。

從運(yùn)營(yíng)成本、風(fēng)險(xiǎn)控制水平、收入和毛利潤(rùn)水平以及規(guī)?；鲩L(zhǎng)水平四個(gè)評(píng)價(jià)維度共9個(gè)評(píng)價(jià)指標(biāo)來看，表7中顯示2016年至2019年期間9個(gè)評(píng)價(jià)指標(biāo)均有所改善，具體表現(xiàn)為：運(yùn)營(yíng)成本顯著下降，其中人力成本率和管理成本率降幅顯著；風(fēng)控水平得到有效提升，不良率和損失率降幅較大，維持在業(yè)內(nèi)較低的水平；盈利能力顯著提升，收入和毛利潤(rùn)逐年增幅較大；規(guī)?；鲩L(zhǎng)水平較高，借助大數(shù)據(jù)技術(shù)對(duì)前臺(tái)人員的學(xué)歷和經(jīng)驗(yàn)要求降低，人均產(chǎn)能水平提高，該創(chuàng)新模式更易復(fù)制推廣。綜上所述，從單個(gè)指標(biāo)的縱向?qū)Ρ惹闆r來看，H銀行零售貸款業(yè)務(wù)實(shí)施“大數(shù)據(jù)+信貸工廠”模式相比傳統(tǒng)業(yè)務(wù)模式效果更好。

下面進(jìn)行綜合效益的評(píng)價(jià)分析。根據(jù)零售業(yè)務(wù)條線效益模糊屬性值矩陣，通過前述介紹的隸屬度值計(jì)算方法，得出零售業(yè)務(wù)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(jì)算零售業(yè)務(wù)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(duì)零售貸款業(yè)務(wù)條線進(jìn)行效益評(píng)價(jià)計(jì)算綜合得分，零售業(yè)務(wù)條線2016年至2019年綜合效益評(píng)價(jià)得分分別為16.52分、38.46分、65.41分和88.08分，樣本期間內(nèi)綜合效益評(píng)分顯著提升，從計(jì)量模型的統(tǒng)計(jì)結(jié)果來看，H銀行零售貸款業(yè)務(wù)自從“大數(shù)據(jù)+信貸工廠”模式實(shí)施后業(yè)務(wù)綜合效益逐年提升，成效顯著。

（二）基于H銀行信用卡業(yè)務(wù)樣本數(shù)據(jù)的實(shí)證分析

1.樣本選擇

H銀行自2017年開始逐步探索將“大數(shù)據(jù)+信貸工廠”模式運(yùn)用于信用卡業(yè)務(wù)，在前端報(bào)件營(yíng)銷、中端集中審批和貸后管理及服務(wù)方面充分運(yùn)用了該創(chuàng)新模式。信用卡條線主要選取了2017年至2019年的零售貸款數(shù)據(jù)進(jìn)行縱向?qū)Ρ确治?，研究該模式在信用卡條線的實(shí)施效果。納入統(tǒng)計(jì)樣本中的借款人在行業(yè)分布和收入上具有分散性，業(yè)務(wù)額度小而分散，能夠代表各類普惠金融的客群。

2.實(shí)證分析結(jié)果

從運(yùn)營(yíng)成本、風(fēng)險(xiǎn)控制水平、收入和利潤(rùn)水平以及規(guī)模化增長(zhǎng)水平四個(gè)評(píng)價(jià)維度分別進(jìn)行具體分析，根據(jù)第五部分普惠金融效益評(píng)價(jià)分析模型，可進(jìn)行信用卡業(yè)務(wù)效益的綜合評(píng)價(jià)，根據(jù)普惠金融效益評(píng)價(jià)分析模型的公式，將信用卡業(yè)務(wù)條線2016年至2019年的業(yè)務(wù)樣本數(shù)據(jù)進(jìn)行處理計(jì)算后，得出信用卡業(yè)務(wù)條線效益模糊屬性值矩陣，如表8所示。

從運(yùn)營(yíng)成本、風(fēng)險(xiǎn)控制水平、收入和毛利潤(rùn)水平以及規(guī)?；鲩L(zhǎng)水平四個(gè)評(píng)價(jià)維度共9個(gè)評(píng)價(jià)指標(biāo)來看，2017年至2019年期間多個(gè)評(píng)價(jià)指標(biāo)的模糊量化得分均逐年增長(zhǎng)，具體表現(xiàn)在：運(yùn)營(yíng)成本顯著下降，其中人力成本率和管理成本率降幅顯著；風(fēng)控水平表現(xiàn)尚可，從樣本數(shù)據(jù)來看不良率和損失率指標(biāo)仍維持在業(yè)內(nèi)較低的均值水平；盈利能力顯著提升，收入和毛利潤(rùn)逐年增幅較大；規(guī)模化增長(zhǎng)水平較高，借助大數(shù)據(jù)技術(shù)對(duì)前臺(tái)人員的學(xué)歷和經(jīng)驗(yàn)要求降低，人均產(chǎn)能水平提高，該創(chuàng)新模式更易復(fù)制推廣。綜上所述，從單個(gè)指標(biāo)的縱向?qū)Ρ惹闆r來看，H銀行信用卡業(yè)務(wù)實(shí)施“大數(shù)據(jù)+信貸工廠”模式相比傳統(tǒng)業(yè)務(wù)模式效果更好。

下面進(jìn)行綜合效益的評(píng)價(jià)分析。根據(jù)信用卡業(yè)務(wù)條線效益模糊屬性值矩陣，通過前述介紹的隸屬度值計(jì)算方法，得出信用卡業(yè)務(wù)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(jì)算信用卡業(yè)務(wù)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(duì)信用卡業(yè)務(wù)條線進(jìn)行效益評(píng)價(jià)、計(jì)算綜合得分，信用卡業(yè)務(wù)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(nèi)綜合效益評(píng)分顯著提升，從計(jì)量模型的統(tǒng)計(jì)結(jié)果來看，H銀行信用卡業(yè)務(wù)自從“大數(shù)據(jù)+信貸工廠”模式實(shí)施后業(yè)務(wù)綜合效益逐年提升，成效顯著。

七、研究結(jié)論與政策建議

（一）研究結(jié)論

本文結(jié)合相關(guān)理論研究及銀行實(shí)踐經(jīng)驗(yàn)詳細(xì)闡述了“大數(shù)據(jù)+信貸工廠”普惠金融模式的概念、特點(diǎn)與優(yōu)勢(shì)，并選取了H銀行2016—2019年的零售貸款條線及信用卡業(yè)務(wù)條線的樣本數(shù)據(jù)對(duì)該模式的實(shí)踐效果進(jìn)行研究論證。

第一，基于Logistic回歸分析的風(fēng)控模型是H銀行“大數(shù)據(jù)+信貸工廠”普惠金融模式的核心業(yè)務(wù)模型之一，通過KS值指標(biāo)、評(píng)分分布及穩(wěn)定性指標(biāo)、PSI指標(biāo)、假陽性率和假陰性率指標(biāo)進(jìn)行綜合分析，論證該模型能夠幫助銀行精準(zhǔn)區(qū)分“好客戶”和“壞客戶”，有效識(shí)別客戶風(fēng)險(xiǎn)的高低，有助于提升銀行普惠金融業(yè)務(wù)的風(fēng)險(xiǎn)管理水平及業(yè)務(wù)效率。

第二，基于效益評(píng)價(jià)分析模型的實(shí)證分析結(jié)果，銀行運(yùn)用“大數(shù)據(jù)+信貸工廠”普惠金融模式代替?zhèn)鹘y(tǒng)普惠金融模式，能夠顯著提升普惠金融業(yè)務(wù)的經(jīng)濟(jì)效益水平，具體包括可以顯著降低運(yùn)營(yíng)成本，人力成本率和管理成本率降幅顯著；可以有效提高風(fēng)控水平，不良率和損失率穩(wěn)定控制在業(yè)內(nèi)較低水平，總體呈下降趨勢(shì)；有利于提升盈利能力，增加業(yè)務(wù)收入和毛利潤(rùn)；同時(shí)還可以提升規(guī)?；鲩L(zhǎng)水平，增強(qiáng)該普惠金融模式的可復(fù)制推廣能力。

第三，“大數(shù)據(jù)+信貸工廠”普惠金融模式的核心在于數(shù)字技術(shù)的驅(qū)動(dòng)以及“信貸工廠”的工作流程機(jī)制優(yōu)化，通過融入數(shù)據(jù)技術(shù)、決策科學(xué)、場(chǎng)景元素，以金融數(shù)據(jù)模型的決策流程優(yōu)化人工操作的工作流程，實(shí)現(xiàn)審批決策智能化、作業(yè)流程電子化、操作環(huán)節(jié)標(biāo)準(zhǔn)化，能夠提升智能審批的比例并降低單筆業(yè)務(wù)成本，有效識(shí)別客戶風(fēng)險(xiǎn)，從而實(shí)現(xiàn)普惠金融業(yè)務(wù)的規(guī)?；L(fēng)控，提升普惠金融業(yè)務(wù)的整體質(zhì)量和效率。

（二）政策建議

第一，加強(qiáng)頂層設(shè)計(jì)，推進(jìn)普惠金融業(yè)務(wù)高質(zhì)量發(fā)展。首先，要逐步擴(kuò)大全國(guó)普惠金融業(yè)務(wù)試點(diǎn)范圍，總結(jié)普惠金融的優(yōu)秀案例及先進(jìn)經(jīng)驗(yàn)，在全國(guó)范圍內(nèi)進(jìn)行有效的推廣學(xué)習(xí)，切實(shí)發(fā)揮普惠金融的“示范作用”，構(gòu)建普惠金融相關(guān)參與方良性互動(dòng)、優(yōu)勢(shì)互補(bǔ)、合作共贏的良好局面，并為完善頂層設(shè)計(jì)提供更加可靠的現(xiàn)實(shí)依據(jù)。其次，要高度重視數(shù)字金融科技對(duì)發(fā)展普惠金融的關(guān)鍵性作用，推動(dòng)建設(shè)普惠金融數(shù)字基礎(chǔ)設(shè)施建設(shè)，持續(xù)推進(jìn)金融基礎(chǔ)數(shù)據(jù)庫(kù)、金融科技共享平臺(tái)、人行征信數(shù)據(jù)庫(kù)、各地融資信用服務(wù)平臺(tái)等的建設(shè)，豐富數(shù)據(jù)來源，強(qiáng)化數(shù)據(jù)支撐，為普惠金融發(fā)展提供技術(shù)、系統(tǒng)和數(shù)據(jù)支持，推動(dòng)各類型金融機(jī)構(gòu)提升數(shù)字金融技術(shù)水平，提升數(shù)據(jù)分析挖掘和建模能力，強(qiáng)化數(shù)字化獲客和風(fēng)控能力。最后，要進(jìn)一步加強(qiáng)金融知識(shí)普及教育，提升普惠金融服務(wù)群體特別是偏遠(yuǎn)地區(qū)人群及弱勢(shì)群體的的金融知識(shí)水平和金融素養(yǎng)，減少普惠金融業(yè)務(wù)中的“金融排斥”，將更多經(jīng)濟(jì)主體納入金融服務(wù)體系，同時(shí)完善客戶投訴和處理機(jī)制，切實(shí)保護(hù)消費(fèi)者數(shù)據(jù)和資金安全。

第二，創(chuàng)新普惠金融發(fā)展模式，構(gòu)建成本可負(fù)擔(dān)、商業(yè)可持續(xù)的普惠金融長(zhǎng)效機(jī)制。商業(yè)銀行可以參考借鑒“大數(shù)據(jù)+信貸工廠”普惠金融模式的核心機(jī)制，結(jié)合自身的經(jīng)營(yíng)優(yōu)勢(shì)及本地市場(chǎng)特點(diǎn)，建立成本可負(fù)擔(dān)、商業(yè)可持續(xù)的普惠金融長(zhǎng)效機(jī)制模式。大型商業(yè)銀行可有效運(yùn)用自身在品牌、客戶、人員、技術(shù)及資金等多方面的優(yōu)勢(shì)，建立普惠金融業(yè)務(wù)事業(yè)部體制，形成從總行到分支行的普惠業(yè)務(wù)專業(yè)化流程機(jī)制及專業(yè)化人才隊(duì)伍，構(gòu)建包括核算機(jī)制、風(fēng)險(xiǎn)管理機(jī)制、資源配置機(jī)制和考核評(píng)價(jià)機(jī)制在內(nèi)的綜合服務(wù)機(jī)制，加快推進(jìn)數(shù)字化轉(zhuǎn)型，構(gòu)建數(shù)字化線上普惠金融產(chǎn)品體系，形成以“模型+算法”為驅(qū)動(dòng)的數(shù)字普惠金融運(yùn)營(yíng)模式。中小型商業(yè)銀行可以發(fā)揮自身“下沉市場(chǎng)、深耕當(dāng)?shù)?、貼近客戶”的運(yùn)營(yíng)優(yōu)勢(shì)，構(gòu)建“總行選客+網(wǎng)點(diǎn)獲客+線上合作引流”以及“線上自動(dòng)決策+線下輔助決策”為特征的普惠金融運(yùn)營(yíng)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(wù)滿意度，與大型商業(yè)銀行形成客群的分層經(jīng)營(yíng)，實(shí)現(xiàn)差異化競(jìng)爭(zhēng)。

第三，樹立風(fēng)險(xiǎn)底線思維，提升普惠金融業(yè)務(wù)的風(fēng)險(xiǎn)管理能力。普惠金融業(yè)務(wù)的穩(wěn)健發(fā)展必須堅(jiān)守風(fēng)險(xiǎn)底線，將業(yè)務(wù)風(fēng)險(xiǎn)控制在合理健康水平。首先，商業(yè)銀行應(yīng)充分運(yùn)用大數(shù)據(jù)、人工智能、區(qū)塊鏈等技術(shù)在客戶風(fēng)險(xiǎn)識(shí)別、額度控制、貸后風(fēng)險(xiǎn)預(yù)警、風(fēng)險(xiǎn)處置等方面的優(yōu)勢(shì)，建立健全普惠金融業(yè)務(wù)風(fēng)控體系，完善風(fēng)險(xiǎn)處置手段，建立風(fēng)險(xiǎn)分散機(jī)制，將普惠金融業(yè)務(wù)的不良率控制在合理健康水平。其次，逐步完善新時(shí)代普惠金融監(jiān)管模式，監(jiān)管層面應(yīng)加強(qiáng)監(jiān)督與指導(dǎo)，密切關(guān)注金融機(jī)構(gòu)普惠金融業(yè)務(wù)的整體風(fēng)險(xiǎn)狀況，細(xì)化區(qū)域、行業(yè)、機(jī)構(gòu)等方面的微觀監(jiān)控，加強(qiáng)組合風(fēng)險(xiǎn)監(jiān)測(cè)、 預(yù)警和預(yù)判，對(duì)苗頭性、傾向性、個(gè)案性風(fēng)險(xiǎn)及時(shí)指導(dǎo)處置，切斷風(fēng)險(xiǎn)傳播源頭，避免發(fā)生區(qū)域性的大面積風(fēng)險(xiǎn)暴露。最后，建議監(jiān)管機(jī)構(gòu)指導(dǎo)商業(yè)銀行逐步建立常態(tài)化的普惠金融不良資產(chǎn)快速處置機(jī)制，由于普惠貸款一般具有“小而分散、少有抵質(zhì)押物”的特點(diǎn)，一旦出現(xiàn)風(fēng)險(xiǎn)，處置的時(shí)間成本及人力成本較高，建議對(duì)該類型貸款的核銷政策進(jìn)行適度的差異化監(jiān)管，指導(dǎo)商業(yè)銀行逐步建立常態(tài)化的普惠貸款不良資產(chǎn)快速處置機(jī)制，降低銀行的風(fēng)險(xiǎn)處置壓力及不良率指標(biāo)壓力。

參考文獻(xiàn)：

[1]安麗娟，李昕.“信貸工廠”模式的 SWOT 分析[J].經(jīng)濟(jì)研究導(dǎo)刊，2010（4）：53.

[2]林春山.“信貸工廠”模式的運(yùn)作機(jī)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(shù)據(jù)技術(shù)破解普惠金融“不可能三角”的理論邏輯、實(shí)踐基礎(chǔ)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(xiàn)實(shí)意義[J].財(cái)經(jīng)理論與實(shí)踐，2006（142）：15-18.

[5]宋玉茹.數(shù)字普惠金融對(duì)經(jīng)濟(jì)高質(zhì)量發(fā)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(guó)人民大學(xué)出版社，1989.

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

[8]李萬超，楊鷺，宋光宇，等.金融科技對(duì)銀行業(yè)普惠金融的影響分析[J].金融經(jīng)濟(jì)，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，F(xiàn)ang-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.