九卦|“数字化”小微贷款靠不靠谱?

作者：刘波 

来源：云上言

编辑：郑斌

近一年多，小微贷款的形势很好，余额激增而不良却一直维持在低位。

这与政府加大向金融机构开放申贷企业的税务、工商、司法、电力数据相关，与监管对银行“小微再贷款”、“小微转贷款”的政策支持相关，更与监管对银行的“小微业务两增两控”考核相关。

这些举措，确实能大幅拉动针对小微企业的信贷投放，尤其是政府数据的开放，对小微企业贷款的数字化转型起到了巨大的推动作用。然而，贷款是双向的，贷的出去也要收得回来，政策的刺激能决定小微贷款能做多大，而不良率决定了小微贷款能走多远。

2020年，突如其来的疫情，让小微贷款不良率持续飙高，不光是小微贷款，整个银行的信贷资产逾期率都在直线上升。

疫情向下，传统的信贷模式受阻，金融机构愿意也好，不愿也好，都在做数字化转型，可以说是疫情倒逼出了数字化决策的小微贷款的发展。肯定很多人会问，目前我国的小微贷款的数字化技术是不是靠谱？

从风险数据上来看，一年多过去，形势远比预料的好，准确的说，从去年7月开始，逾期率就开始大幅下降，11月就基本恢复到了疫情前的水平，今年以来，风险表现更是达到近几年最好水平。光看数字，这几乎是一张完美答卷，但我们这些答卷者却不敢贪天之功，所有的业务策略和风控策略都只是技术细节，而真正起决定作用的是货币政策这个大势，而我们只是跟着大势走了一遭罢了。

2017年12月末，我国广义货币（M2）余额167.68万亿元。2018年12月末，我国广义货币（M2）余额182.67万亿元，较2017年增长14.99万亿元。2019年12月末，我国广义货币（M2）余额198.65万亿元，较2018年增长15.98万亿元。

2020年，疫情向下，政府启动了“六稳六保”工作，作为配套措施，人民银行加大了货币投放。2020年12月末，我国广义货币（M2）余额218.68万亿元，较2019年增长20.03万亿元。

这20.3万亿元投向了哪里？2020年，我国社会融资规模增量累计为34.86万亿元，比上年增长9.19万亿元。其中，对实体经济发放的人民币贷款增加20.03万亿元。

20万亿是个什么概念呢？这个数字太大，我们很难有直观的体验，作个简单的对比吧。2020年我国社会消费品零售总额是39.19万亿元，这里面包含了全国民众线下线下所有的商品交易。2021年2月末，我国短期消费信贷余额是8.49万亿元，这里面包含了包括信用卡在内所有信贷余额。这就是20万亿元的概念。

随着货币投放的加大，企业手上有钱了，不管它赚不..，短期来看，它的资金流动性变好了，小微企业贷款的不良率应声而降。问题被海量的货币掩盖了，在此情境下我们讨论小微贷款的数字化技术是不是靠谱，缺乏依据，需要更长的周期去追踪正常货币政策下的风险结果。

从负责阿里贷款到负责淘宝天猫贷款再到参与筹建网商银行、新网银行，这10年来，我带着团队累计差不多放了1万亿元小微贷款。在我看来，中国市场上目前靠谱的小微企业贷款模式只有五种。

  根据2019年6月23日，央行和银保监会首次发布的《中国小微企业金融服务报告（2018）》，截止2019年5月末，全国金融机构单户授信1000万元以下小微企业贷款不良率为5.9%。这里面还包含了大量的抵押贷款，若是去除，不良会更高。

小微贷款很难，目前没有普适的方法论。市场上还没有出现快速做大，但几年后风险依然较低的机构。当年的民生、平安、浦发、广发都给我们提供了失败的案例。当然，平安普惠虽然风险数据偏高，但在商业模式上不能叫失败，它是用高定价覆盖了高风险。只是这种模式，越来越不被监管所容忍，也就不详谈了。

这两年，在监管的强考核下，小微贷款的增速增量成了银行管理层的头等大事。传统的线下模式，产能有限，无法满足增速要求，尤其是中小银行，还要面对大行在考核压力客群下沉的市场竞争环境，能守住原来的老客户已属不易，更遑论高速增长。

小微贷款的数字化风控，一再被提及。模式的升级迭代，几乎成了唯一解药。凡事过犹不及，当整个市场都在谈论大数据风控，都在吹捧机器学习时，危机已经悄然而至。

不仅是金融科技公司在谈，整个银行圈也在谈。城商行、农商行觉得这是弯道超车的机会，国有大行害怕错失新技术的窗口，金融科技公司对谁都在鼓吹。尤其在疫情发生后，金融业的无接触服务从之前的可选项一下子变成了必选项，出门不谈点大数据，都不好意思见人。

疫情期间，我在线听了不少金融科技公司专家的论坛发言，不少人有真才实学，让我和自己的从业经验交相印证，获益良多。但更多人的观点和方法论让我越听越心惊，而这些发言者中，很多已经是金融科技上市公司的高管，他们服务的银行非常多，这让我不禁深深的担忧。银行小微业务朝数字化转型当然是方向，科学的数据化决策当然是很好的路径，但贩卖焦虑，甚至神话大数据风控，大可不必。

我的整个职业生涯都与数字化、大数据、银行、金融这几个关键词相伴。我当然不排斥大数据风控，从我的从业经历可以看出，我是它最早的尝试者和推动者之一。但今天，我发现自己已经听不懂这个市场上的某些专家在说些什么。金融业务的风险决策，是一个数学问题，但绝不仅仅是一个数学问题。决策树、朴素贝叶斯分类、支持向量机、逻辑回归、线性回归、随机森林……这些算法是工具，是方法，但不能也不应该是决策的全部。我看到很多的风控团队，有些甚至是国内一线机构的风控团队，清一色数学、统计学高学历技术专家，基本就是在电脑前研究算法，研究数据。他们给出的每一个判断，都有详细的数据支撑，他们每一次调整，都貌似接近当下最优解。你很难挑战他们，因为他们掌握数据，你个人的经验又怎么能挑战动辄几百万的数据样本呢？

但很多人不了解，同样的数据，解读是具备多角度的。由于数据本身具备复杂关联性，数据呈现的背后又有更多的原因，数据本身就会“骗人”。看似对，有时候要比明显的错危害大得多。科学的决策，不但需要适合的工具，还需要深刻了解你的业务场景，深刻了解你的客户，算法是为了决策服务，而不应该成为决策本身。

 这么说太抽象，举一些例子吧。主流银行（我不喜欢用传统银行这个词，主流银行更为准确）信贷风险控制，最看重两点：一是贷前审批控制违约概率（PD），二是贷后处置降低违约损失率（LGD）。为了控制违约概率，必然要求客户提供多项资料去证明有能力有意愿归还贷款，税务、发票、财务报表、银行流水、房产证、土地证都是为了佐证这件事。降低违约损失率的方法也很简单，就是寻找优质抵押品，由于中国的房价在去年以前稳定的上涨了二十年，在过去二十年里，房产抵押是最为吃香及稳妥的抵押物。我并不觉得复杂模型算法比这些简单直接的方法更高明，控制风险更有效。

简单说，要是能方便的获取到这些核心信息，很多时候没有必要获取客户各种弱关联相关数据，做复杂的风险相关性分析。数据是有成本的，数据的获取是需要客户授权的。如果一个客户几十K核心数据就能决策，干嘛非要分析上百兆的数据呢？单户上百兆数据，为了节省成本，还得研制复杂的数据路由规则，让单户数据成本可控。这么多数据标签要进入模型，得考虑缺失度容忍问题，否则模型运转不起来，运转起来效果可能也不好，这就需要一套复杂算法。

另外，还要考虑数据源的可替代性，否则一旦某个关键数据源出现问题，就是大瘫痪，这又是一整套复杂工程。所以说，复杂并不代表先进，简单并不代表不好，关键是匹配你的业务，匹配你能掌握的资源。数字化风控很好，但过度的吹，就变成了黑。 近几年，依靠税务和发票数据做数字化风险决策的小微贷款发展很快，我所在的银行也是市场参与者之一。风险数据非常好看，但头部机构的额度模型我是越来越看不懂，不光我看不懂，一大批做了十几年小微贷款的业内专家也看不懂。若用人工经验，我们看模型看的同样的数据，这样的销售额，这样的纳税额，这样的负债，这样的流动性，信用贷款是不大可能给出这样大的额度。这样的情况还不是个例，是普遍性的偏差。 

 我自然知道，模型看了海量的样本。我们这些人，不管履历再丰富，终其一生肉眼所见的客户样本，也及不上它一天的量。模型的决策，放在静止的当下看，一定比人工更准确。但是，模型所看的样本虽然广度性足够，时间却不够长。如果是针对消费信贷，由于其信贷周期短，几年时间，足够经历十几次借还款周期，时间跨度或许足够。对于小微贷款而言，客户的单次借贷周期更长，数字化决策发展的时间却比消费信贷更晚，我们还没有经历足够的小微贷款周期，尤其是处在近两年空前宽松的小微货币政策下，我们虽然乐观，但一定要保持足够的怀疑。