基于稅務(wù)數(shù)據(jù)進(jìn)行小微信貸風(fēng)險(xiǎn)模型研究

劉聯(lián)盟

摘 要：小微企業(yè)或企業(yè)主的純信用貸款融資服務(wù)一直是金融機(jī)構(gòu)的難題，如何在風(fēng)險(xiǎn)可控的前提下擴(kuò)大業(yè)務(wù)規(guī)模是亟待解決的，所以需要做一些基于稅務(wù)數(shù)據(jù)的風(fēng)控建模的研究，以作為重點(diǎn)解決信貸風(fēng)險(xiǎn)不對(duì)稱的問(wèn)題。當(dāng)前在風(fēng)險(xiǎn)模型策略中也更為注重量化分析，所以借此論文研究的機(jī)會(huì)進(jìn)行擬定題目方向的研究，提升自身的研究分析能力。本文從銀行等金融機(jī)構(gòu)的信用風(fēng)險(xiǎn)管理中稅務(wù)數(shù)據(jù)的價(jià)值入手，詳細(xì)闡述了其在建模方向的應(yīng)用，并提出了相應(yīng)的困難。

關(guān)鍵詞：風(fēng)控;模型;小微信貸;稅務(wù)

小微金融融資難，其本質(zhì)是源于三個(gè)不對(duì)稱，即信息不對(duì)稱，風(fēng)險(xiǎn)不對(duì)稱，成本收益不對(duì)稱。綜合國(guó)內(nèi)外學(xué)者對(duì)小企業(yè)融資模式的研究成果來(lái)看，大多是希望通過(guò)破解信息不對(duì)稱問(wèn)題，來(lái)解決其融資過(guò)程中遇到的問(wèn)題，其中風(fēng)險(xiǎn)控制又是關(guān)鍵。盡管近年來(lái)，我國(guó)商業(yè)銀行正在逐步推行流程銀行改革，大中小行業(yè)銀行也都在對(duì)線上化的信用貸款進(jìn)行了一定程度的嘗試，這些對(duì)小微企業(yè)的融資起到了部分促進(jìn)作用，但依然成效不大。為此，筆者認(rèn)為重點(diǎn)是從數(shù)據(jù)源著手，提高銀行風(fēng)險(xiǎn)模型和策略的決策能力來(lái)減輕小微企業(yè)信息不對(duì)稱問(wèn)題，依托銀稅互動(dòng)的背景，大力挖掘稅務(wù)數(shù)據(jù)在風(fēng)控領(lǐng)域的應(yīng)用價(jià)值，通過(guò)解決風(fēng)控和成本不平衡的難點(diǎn)逐步解決小微企業(yè)融資難題。

1 小微信貸的意義和價(jià)值

小微客群數(shù)量龐大、分布廣泛，他們貼近市場(chǎng)、貼近用戶，活躍在市場(chǎng)競(jìng)爭(zhēng)最為激烈的領(lǐng)域，是經(jīng)濟(jì)增長(zhǎng)和市場(chǎng)創(chuàng)新的微觀基礎(chǔ)。

在我國(guó)“以票管稅“的大環(huán)境 下，發(fā)票信息與稅務(wù)信息緊密相連。在各類小微企業(yè)融資模式中，稅務(wù)信息模式在風(fēng)控效果提升、成本與效果兼顧兩方面均具備優(yōu)勢(shì)，成為當(dāng)前各金融機(jī)構(gòu)越來(lái)越重視的模式。具體而言，稅務(wù)信息具備覆蓋的企業(yè)面廣、信息維度多且與風(fēng)控效果相關(guān)性大、信息準(zhǔn)確度高、電子化存儲(chǔ)方便等優(yōu)勢(shì)。其中，稅務(wù)數(shù)據(jù)的信息維度優(yōu)勢(shì)尤為突出，這其中包含企業(yè)主營(yíng)商品分析、繳稅記錄、稅務(wù)信用等級(jí)、采購(gòu)商品分析、銷售額排名區(qū)間、水電支出等信息。

當(dāng)前情況下，提升風(fēng)控水平是破解小微信貸成本和風(fēng)控的兩難問(wèn)題的最佳手段，同時(shí)可以更好地提高貸款決策的有效性和科學(xué)性。金融結(jié)構(gòu)可以借助稅務(wù)數(shù)據(jù)來(lái)構(gòu)建的企業(yè)經(jīng)營(yíng)全景視圖來(lái)進(jìn)行風(fēng)險(xiǎn)控制、產(chǎn)品營(yíng)銷、業(yè)務(wù)創(chuàng)新等活動(dòng)，真正有效的發(fā)揮數(shù)據(jù)和資金價(jià)值，進(jìn)一步促進(jìn)經(jīng)濟(jì)發(fā)展，落實(shí)普惠金融建設(shè)。

2 基于稅務(wù)數(shù)據(jù)的風(fēng)控建模的實(shí)現(xiàn)

本文采用的是一個(gè)融合模型，即通過(guò)兩個(gè)機(jī)器學(xué)習(xí)模型建模，然后在進(jìn)行邏輯回歸建模。首先會(huì)介紹數(shù)據(jù)探索和處理過(guò)程，以及特征構(gòu)造等建模前的基礎(chǔ)內(nèi)容。然后介紹Logsitc Regression 的基本原理、數(shù)學(xué)模型以及主要的方法。之后詳細(xì)介紹了 Random? Forest、Xgboost 在融合模型中的應(yīng)用，對(duì)算法的原理及其實(shí)現(xiàn)方式進(jìn)行了詳細(xì)的闡述，并對(duì)必要環(huán)節(jié)的處理過(guò)程進(jìn)行解釋。主要包含以下幾個(gè)重要步驟：

2.1 數(shù)據(jù)探索

數(shù)據(jù)探索要弄清楚這些問(wèn)題：有哪兒些字段？樣本數(shù)據(jù)長(zhǎng)什么樣子？基本特征是什么？分布是什么樣？有什么特殊之處？數(shù)據(jù)之間有沒(méi)有關(guān)系（相關(guān)性分析）？樣本數(shù)據(jù)是否能滿足建模需求？

數(shù)據(jù)探索是在具有較為良好的樣本后，對(duì)樣本數(shù)據(jù)進(jìn)行解釋性的分析工作，它是數(shù)據(jù)建模的較為前期的部分。數(shù)據(jù)探索并不需要應(yīng)用過(guò)多的模型算法，相反，它更偏重于定義數(shù)據(jù)的本質(zhì)、描述數(shù)據(jù)的形態(tài)特征并解釋數(shù)據(jù)的相關(guān)性及其業(yè)務(wù)意義。通過(guò)數(shù)據(jù)探索的結(jié)果，我們能夠更好的開(kāi)展后續(xù)的數(shù)據(jù)挖掘與數(shù)據(jù)建模工作。

2.2 數(shù)據(jù)處理

對(duì)原始數(shù)據(jù)進(jìn)行處理是論述本文的一切的前提，這部分工作十分繁復(fù)，其中主要是對(duì)相關(guān)數(shù)據(jù)的抽取，對(duì)數(shù)據(jù)類型進(jìn)行處理，數(shù)據(jù)進(jìn)行歸一化處理，缺失值填充的方法評(píng)估，去除噪聲數(shù)據(jù)，對(duì)極值處理，并對(duì)確認(rèn)錯(cuò)誤的數(shù)據(jù)進(jìn)行修正或刪除。由此產(chǎn)生的高質(zhì)量的數(shù)據(jù)才能進(jìn)行下一步的特征構(gòu)造工作。

2.3 特征構(gòu)造

這部分涉及到如何構(gòu)造特征，特征作為模型效果的直接因素，在數(shù)據(jù)建模工作中占了大部分工作量，也是模型建設(shè)中最重要的工作，從多樣化的業(yè)務(wù)邏輯中尋找特征構(gòu)造方法，利用特征工程通用的技術(shù)方法去驗(yàn)證特征效果，并使用專業(yè)性知識(shí)構(gòu)造特征生成模型。由此構(gòu)造出有效且解釋性強(qiáng)的特征，不僅對(duì)模型效果有極大提升作用，還能對(duì)業(yè)務(wù)意義提供參考。

2.4 模型原理和模型構(gòu)建評(píng)估

2.4.1 Logistic? Resgression

Logistic? Resgression 是以概率學(xué)理論為基礎(chǔ)所衍生出的非線性回歸模型，針對(duì)解決二分類問(wèn)題的回歸模型，為了擬合因變量 y 與自變量（x1，x2，…，xn）之間關(guān)系而構(gòu)造的數(shù)學(xué)模型，是一種廣義的線性回歸分析模型，較常用于數(shù)據(jù)挖掘，醫(yī)學(xué)上的疾病分析和診斷，信貸評(píng)分卡等領(lǐng)域。

2.4.2 Random Forest

Random Forest算法是由多個(gè)基模型組成的分類算法?；跊Q策樹(shù)用隨機(jī)的方式建立一個(gè)森林，在得到森林之后，當(dāng)有一個(gè)新的輸入樣本進(jìn)入的時(shí)候，就讓森林中的每一棵決策樹(shù)分別進(jìn)行判斷。既然 Random? Forest 是一種多模型組合算法，那它一定是由元分類器組成的，它的元分類器是 CART 樹(shù)。每次進(jìn)行訓(xùn)練的樣本集沒(méi)有使用全集，而是使用抽樣的方法，抽樣方法是 Bagging 方法抽取有差異的子集，在樹(shù)的分支時(shí)也采用隨機(jī)選擇分裂特征的方式。通過(guò)使用以上方法，增強(qiáng)了 Random? Forest 算法較好的抗噪能力，并且由此也使得其分類效果十分優(yōu)秀。

2.4.3 Xgboost

Xgboost 將通用 Tree? Boosting 算法進(jìn)行了工程化實(shí)現(xiàn)，梯度提升決策樹(shù)（Gradient Boosting Decision Tree，GBDT）是 Tree Boosting 算法的代表，而它也被稱為 MART（Multiple Additive Regression Tree）。

2.4.4 模型構(gòu)建

通過(guò)之前生成的特征變量，進(jìn)行變量的必要篩選和入模調(diào)整，構(gòu)建一整套違約預(yù)測(cè)模型，對(duì)融合模型和單模型進(jìn)行效果對(duì)比，并對(duì)模型中必要的模塊的實(shí)現(xiàn)方法及過(guò)程進(jìn)行論述。

2.4.5 模型評(píng)估

效果評(píng)估方式包含KS檢驗(yàn)和ROC檢驗(yàn)：

1）KS檢驗(yàn)主要是驗(yàn)證模型對(duì)違約對(duì)象的區(qū)分能力，一般用在模型預(yù)測(cè)建模的信用樣本的信用評(píng)分后，將樣本按違約率與非違約率分成兩部分，然后用KS值來(lái)檢驗(yàn)兩組樣本的信用評(píng)分是否具有顯著性差異。

2）ROC曲線及AUC系數(shù)主要用來(lái)檢驗(yàn)違約預(yù)測(cè)模型對(duì)客戶進(jìn)行正確的排序能力。ROC曲線重點(diǎn)描述在一定累計(jì)好客戶比例下的累計(jì)壞客戶的比例，模型的分別能力越強(qiáng)，ROC曲線越往左上角靠近。AUC值表示ROC曲線下方的面積。AUC越高則模型的風(fēng)險(xiǎn)區(qū)分能力也就越強(qiáng)，AUC的最大值是1，也即是理論上的完美信用違約模型。

3 當(dāng)前遇到的困難和后續(xù)展望

3.1 當(dāng)前遇到的困難

一是對(duì)稅務(wù)數(shù)據(jù)的業(yè)務(wù)含義認(rèn)識(shí)上的片面性，導(dǎo)致無(wú)法構(gòu)造出一些十分有價(jià)值的變量，可能致使最終模型效果無(wú)法達(dá)到預(yù)期;二是數(shù)據(jù)實(shí)證分析遇到阻滯，影響論文寫(xiě)作的階段性推進(jìn);三是企業(yè)上下游數(shù)據(jù)因普通發(fā)票開(kāi)具的信息以及接收到的信息不完整，上下游的統(tǒng)計(jì)數(shù)據(jù)可能會(huì)與企業(yè)實(shí)際交易情況存在細(xì)微的誤差。

3.2 后續(xù)展望

綜上所述，通過(guò)本文的研究，給出了利用稅務(wù)數(shù)據(jù)對(duì)小微信貸領(lǐng)域的風(fēng)控模型進(jìn)行分析和挖掘的一個(gè)思路和方向，并取得了初步的成果，但是由于本人知識(shí)面的狹窄和經(jīng)驗(yàn)上的不足，該研究并不完美，還存在著許多需要完善的地方，有待未來(lái)繼續(xù)努力。未來(lái)可以進(jìn)一步研究的內(nèi)容包括：

1）對(duì)數(shù)據(jù)的深度分析和使用，采集更多的數(shù)據(jù)，除了本文所使用的稅務(wù)基礎(chǔ)數(shù)據(jù)之外，還可以納入更多的與企業(yè)經(jīng)營(yíng)相關(guān)的數(shù)據(jù)，包括不限于水電費(fèi)用信息，企業(yè)進(jìn)銷項(xiàng)中更多維度的數(shù)據(jù)。此外對(duì)于數(shù)據(jù)的處理，需要研究更優(yōu)的數(shù)據(jù)清理方式，更加有效的消除異常數(shù)據(jù)，填補(bǔ)空缺數(shù)據(jù)。最后還要對(duì)小微企業(yè)的經(jīng)營(yíng)數(shù)據(jù)做深度分析，提高特征數(shù)據(jù)的粒度，尋到更多有效的與違約強(qiáng)相關(guān)的數(shù)據(jù)特征。

2）使用一些最新的算法來(lái)進(jìn)行違約預(yù)測(cè)，利用目前前沿的深度學(xué)習(xí)技術(shù)對(duì)違約模型進(jìn)行優(yōu)化。

4 結(jié)束語(yǔ)

綜上所述，小微信貸領(lǐng)域的數(shù)據(jù)模型的應(yīng)用還處在探索與發(fā)展階段，但是這也是當(dāng)前數(shù)據(jù)挖掘應(yīng)用領(lǐng)域的熱點(diǎn)研究方向。本文以作者實(shí)際經(jīng)驗(yàn)出發(fā)，介紹了在當(dāng)前國(guó)家政策的大力支持下，小微企業(yè)融資難、融資貴的現(xiàn)象依然一直存在，分析融資難的本質(zhì)原因分析，以及解決小微企業(yè)融資的現(xiàn)實(shí)意義，針對(duì)小微企業(yè)融資難的問(wèn)題，一方面，通過(guò)“銀稅互動(dòng)”、“銀商互動(dòng)”、對(duì)接產(chǎn)業(yè)中的交易數(shù)據(jù)、與正規(guī)持牌的第三方征信機(jī)構(gòu)合作等方式，不斷拓展充實(shí)小微企業(yè)的經(jīng)營(yíng)信息;另一方面，結(jié)合稅務(wù)數(shù)據(jù)和機(jī)器學(xué)習(xí)算法，動(dòng)態(tài)搜集企業(yè)經(jīng)營(yíng)的相關(guān)信息線索、提煉數(shù)據(jù)特征。豐富和完善企業(yè)信用評(píng)估的維度，將傳統(tǒng)的評(píng)分卡建設(shè)轉(zhuǎn)變?yōu)槿诤夏Ｐ偷臉?gòu)建，切實(shí)提高金融結(jié)構(gòu)的小微信貸風(fēng)險(xiǎn)把控能力。

企業(yè)的稅務(wù)相關(guān)數(shù)據(jù)中也存在很多值得挖掘的信息等待人們?nèi)グl(fā)現(xiàn)，盡管本論文的研究?jī)?nèi)容還有許多不足之處，但隨著未來(lái)研究的進(jìn)一步開(kāi)展，相關(guān)領(lǐng)域的研究必然會(huì)取得更大的突破，為數(shù)據(jù)建模在小微信貸領(lǐng)域的應(yīng)用取得更大的成果。

參考文獻(xiàn)

[1]姜強(qiáng)，趙蔚，王朋嬌，等.基于大數(shù)據(jù)的個(gè)性化自適應(yīng)在線學(xué)習(xí)分析模型及實(shí)現(xiàn)[J].中國(guó)電化教育，2015（1）：85-92.

[2]洪娟.大數(shù)據(jù)環(huán)境下商業(yè)銀行“小微貸”競(jìng)爭(zhēng)策略研究[J].南方金融，2014（03）：80-82.

[3]王妍.構(gòu)建大數(shù)據(jù)“云銀行”金融模式突破小微企業(yè)融資瓶頸[J].對(duì)外經(jīng)貿(mào)，2015（07）：114-116.

[4]李雅芹，楊慧中.一種基于Bagging算法的高斯過(guò)程集成建模方法[J].東南大學(xué)學(xué)報(bào)：自然科學(xué)版，2011，41（B09）：93-96.

[5]李航.統(tǒng)計(jì)學(xué)習(xí)方法[M].北京：清華大學(xué)出版社，2012.