案例名稱

中小型科技企業風險評價模型與風險預警研究

案例簡介

通過對科技型企業的實力、潛力和風險進行評價，幫助行方構建一套適用于科技型企業貸前、貸中、貸后的風險評價體系，深化行方在科技型企業風險評估、風險管理、金融科技等方面的建設。研究綜合運用了特征分析、問卷調查、機器學習等方法，從行業現狀、財務實力、創新能力等六大維度、51個細分指標對企業進行客觀評價，利用機器學習算法構建了貼合行內風控體系，可實現對科技型企業進行風險評價、批量篩查與動態監測的風險評價模型。

創新技術/模式應用

本項目基于銀行原有企業評價數據指標，引入本應科技企業科技創新評價指標，打造一套尊重金融創新規律、符合科技型企業發展特征、面向銀行風險管理的科技型企業風險評價模型，有效拓寬科技型企業評價維度、挖掘科技型企業創新潛力、評估科技型企業潛在風險。

評價維度上，在原有銀行指標評價體系基礎上豐富了企業科技維度評價?？萍紕撔麓嬖谳^大的不確定性，與普通企業對比，科技型企業發展具有獨特的路徑和特征，銀行采用的傳統財務數據模型難以滿足對科技型企業成長和特征的全面評估需求。本應科技依據專利、論文、項目信息、工商信息、融資信息等多源異構數據，進行結構化處理，挖掘復雜網絡關系，結合算法模型，搭建出一套科技型企業評價指標體系。本項目利用科技型企業評價指標體系中技術布局、研發穩定性、研發效率、高管技術能力、董監高穩定性等指標對企業技術、團隊、投融資能力、社會認可度展開多維評價。

差異修正上，有意識地控制行業差異對模型的影響，使評價模型更加符合科技型企業發展內在規律。采用本應科技行業分類方法，通過技術集群與產業領域的映射，根據企業技術情況進行對應的行業分類。在建模過程中，修正行業差異影響，使得評價模型表現更加符合不同行業下的科技企業特征。

算法模型上，采用精度和效率較高的算法模型進行建模研究。運用XGBoost進行模型搭建和工程實現，通過XGBoost算法在確保效率和精度的標準下挖掘數據信息中可能存在的線性和非線性關系。模型構建后，XGBoost能夠輸出的對應指標的特征重要性，描述模型中貢獻度較高的關鍵指標，可以應用于銀行對科技型企業的風險管理。

項目效果評估

· 解決的難點與解決方法

難點：

科技型企業不確定性的特征為傳統的信用評估模型與風險評價技術帶來了嚴峻的挑戰，在成熟市場與新興市場競爭突圍戰中作用凸顯的技術研發能力難以得到刻畫。

解決路徑：

通過本次研究，在一定程度上幫助銀行加強對科技企業的評判能力，建立了一套區別于通用信貸準入與評價體系、可揭示科技企業實力、潛力和風險的評價模型，模型充分把握科技企業核心實力評價方法、潛力評價方法和風險衡量方法的實質，基于多維大數據，建立一套符合適用于銀行金融服務場景下的科技企業評價模型。具體來說，模型實現了在“科技型企業評分計算、科技型企業分層分級管理與科技型企業風險識別與監控”三方面的應用。

· 應用成果

通過利用本應科技運用以科技大數據為基礎的多維數據先進融合技術、基于非線性動力學系統的科技企業評價模型和計算技術與知識圖譜推理技術所搭建的科技型企業評價對目標客戶群體進行篩查，行方在一年內累計為500余家科技型企業發放貸款，信用貸占比超過30%，貸款總額超過數十億元，大大縮短了行方在對科技型企業提供金融服務時所耗費的人力成本、時間成本和審批成本。本次研究成功極大程度上鼓勵行內業務人員對有發展潛力的科技型企業開展信貸業務，解決了銀行中傳統“唯財務、唯抵押、唯資產”的授信評價方法，用銀行挖掘科技型企業發展潛力，促進我國中小科技型企業獲得更優質的金融服務支持，進一步促進我國科技產業發展。

· 優化方向

增加樣本企業數量和質量，特別是擴大更有利于建模研究“壞客戶”樣本數據、提高模型的預測能力；增加客戶的歷史信息和財務數據、人才及團隊數據等，拓展模型的通用性；進一步開展科技型企業的成長規律的研究，加強對科技型企業中長期還款能力的研判，監督落實企業數據采集的管理要求，保證數據的完整性，加快針對科技型企業信息采集和評價標準建設。

項目牽頭人

李泓青

項目團隊成員

何博瑞、李衛寧、律宇丹、楊真、于秋怡

責任編輯：韓希宇