2019年3月，中国建设银行在2018年度业绩发布中，提出了普惠金融的“五化”模式，即批量化获客、精准化画像、自动化审批、智能化风控、综合化服务，同年，其普惠贷款余额及增速领先同业，其中“自动化审批”显然引起了更多关注。银行贷款的审核一直以来都是风控重地，也是各家银行专业化的体现，特别是政府已经出台了一系列政策支持银行投放小微贷款，要求做好普惠金融，更是提出2019年国有大行力争总体实现“普惠型小微企业贷款余额较年初增长30%以上”，发挥“头雁”效益。而中国人民银行发布的《2018年金融机构贷款投向统计报告》中显示，普惠金融领域贷款余额为13.39万亿元，占比仅为9.8%，同比增长13.8%，仅略高于金融机构人民币各项贷款余额同比增长率。小微金融，这个被动的痛点一下子成为需要银行主动触碰的难点。
结构化行业面临非结构化需求挑战
金融，从数据的角度看，是一个非常结构化的行业，简单来说，金融服务依赖于能分类、贴标签的高度结构化信息。譬如有过还款记录的人，再次借款（包括循环使用一定额度）的审核流程会简单得多，只要第一张信用卡还款记录良好，你就会被贴上类似“及时还款”的标签，算法就会自动推荐第二张信用卡，“有借有还再借不难”说的就是这个道理。实际上人类大量的经济活动，本身就自带特征和含义，有大量标签，譬如你的固定收入（银行掌握你的工资卡信息）、买车买房等都能成为“信用贷”的优质客户。
然而，随着金融服务广度和深度的拓展，这个高度依赖于结构化信息的行业，正在面临越来越多非结构化信息和需求的挑战。
具体到信贷领域，对大型企业的审批要比小企业在信息搜集、整理、调查评价、建模等很多具体环节和细节上容易得多。因为大型企业一般都有保存良好、遵守一般会计准则的财务信息，而这些记录良好、有规律的财务信息是银行核贷模型的关键，是结构化的关键输入。
对于小微企业和个体工商户而言，特别是夫妻店、老婆店，很多小企业的会计和出纳都是妻子，她们可能会采用“家庭记账”，从上游购买原材料，就像她去菜市场买菜一样，只是内容发生了变化，她可能采用同一张银行卡（现在甚至是微信、支付宝等第三方支付平台），她甚至可能并不能严格区分企业经营的财务记录和自己的家庭消费记录，有时甚至仅凭惊人的记忆力（有研究指出，中国的人情社会让妇女能够轻松地“认人记账”），而不是有个账本。不论是银行放贷，还是券商服务新三板，小微企业的这些不连续、无固定规律和统一格式的“账本”，是更依赖结构化思维的金融服务的首要难题。同样的，在个人贷款领域，审核城市房贷也要比审核农民购买牛羊的贷款来得容易得多，这些牛羊真正用于农业再生产了吗？是否能够保证未来有足够的收入持续还款？这往往需要银行工作人员隔一段时间就上门拜访，主要是数牛数羊，理论上说，这些牛羊成为银行贷款的抵押品。
简单而言，小微企业和个体工商户极不规范的财务信息、农业生产经营本身的不稳定性等，最终都体现在大量的非结构化信息上，这是金融服务小微和个体工商户、服务“三农”面临的现实难题。
金融科技的能与不能
从理论上来说，金融是一门研究和利用数据的学科，科技与金融的不断结合，能够不断深化对数据的探究，进而延展金融服务。具体到银行信贷服务，人工智能往往能够发现人类很难发现的隐性联系，也能够比人类更快地积累经验，从而在贷款核发等具体工作环节上大大提高效率。
人类通常根据强特征（strong features）作出判断和预测，人工智能则同时会考虑弱特征（weak features），譬如经典的啤酒和尿布的关系，再譬如某个银行的人工智能系统发现在周三取得贷款的借款人往往能更快偿还贷款，那么这一经验可以不断地被运用到贷款核发实践中，只要这条经验不断自我强化，就会成为自动审批的一个规则。在这个银行特定的环境和场景中，我们并不需要知道其中的因果关系，绝大多数时候也可能并不存在因果关系，而是在特定条件下的强相关关系而已。然而，对于银行而言，在自动审批贷款这件事情上，能够发现并运用好这些强相关关系就已经足够了。
当然，需要强调一下“特定条件”。“特定条件”存在于海量数据中，由人工智能去发现，而不是存在于人脑中，由人类经验去发现。然而感知“特定条件”的细微变化，则是人类认知的擅长，算法还无法对经济环境、目标客群、风控政策等因素的改变做出快速反应。譬如金融危机期间，华盛顿互惠银行（WaMu）的首席风险官卡斯卡特就发现银行很多抵押模型的基础都是近5年的历史数据，但是，2007年的某一天后，经济形势发生了变化，在这个背景下，这些5年模型就显得“无可救药地过分乐观”了。卡斯卡特和PhD分析师组成的团队在做了大量调查工作后发现，曾经作为财富标志的第二房屋所有权，在新的经济背景下，却已经变为极其准确的贷款违约的标志。
因此，在自动化审批这件事情上，银行需要时刻保持警醒，在未来很长一段时间内，依然将是人类和机器的有效配合，让人做人做的事，机器做机器的事。自动化审批，不应仅是一个数据系统，而是一个基于数据、基于人类经验和判断的生态体系。
普惠金融与自动化审批
在建行的年度报告中，自动化审批被用到了普惠金融上，这就更加触动人心了。普惠金融，简单而言就是既“普”又“惠”且可持续的金融服务，在人类社会的绝大多数时间里，普惠金融实际上并未真正实现过，或者说，金融要做到“普”很容易，因为这是金融的本质，让一切变得可衡量、可交易、可配置，但是并不能保证“惠”，譬如高利贷在任何社会都会存在，但是这种金融服务并不“惠”。
“惠”定义的是普惠金融的服务成本，这种成本对于获得者来说是可负担的，同时对于提供者来说则是商业可持续的。简化到银行与小微企业信贷之间，由于供给与需求之间一直存在信息不对称的问题，就带来了风险，银行也必然会要求更高的回报率，“惠”自然就很难达到。对于银行来说，既要提升风控效果，又要降低风控成本，而小微企业又很难提供有效的评估信息，这就进入了僵持的状态。
从我国的现实情况来看，普惠金融的重点服务对象是农村及偏远地区低收入群体、中小微企业、城镇弱势群体。这些群体有一个共同的特点就是服务成本太高，从商业可持续性来看，银行很难有积极性主动提供普惠金融服务（见表格）。
从银行角度来说，如果能够更多地依靠科技而不是人工，则能较大程度降低核贷成本，特别是如果同时又能够得到结构化的数据，将小微企业的信用“标准化”，那么就能更大幅度地降低成本（图1）。实际上，缓解了小微企业信息不对称的问题，银行也就更愿意放贷了。显然，自动化审批能够降低人工成本，但是，还需要解决数据的问题。
 图1 小微企业信息不对称与银行风控 |
从数据的相对可得性出发，在普惠金融的三类服务对象中，银行必然会首选中小微企业。传统的解决方式主要是供应链金融，就是那些与大企业上下游有直接供求关系的中小企业，更容易获得银行的信贷服务，因为可以通过供应链上的资金流、物流、信息流来授信，实际上这是基于大企业的“信用溢出”，是一种信用增持，而不是中小企业自身的信用，依然很难解决大量中小企业的信贷难问题。但是，我们发现电商平台通过线上化的供应链服务信息，真正做到了信息的自动化处理和识别，当然，在这里我们可以认为电商平台首先解决的其实是信息不对称的问题，对于传统银行与大量小微企业和个体工商户来说，电商模式也依然难以复制推广。
2015年，网商银行的成立采用了纯线上的发展模式，特别是在小微信贷领域实现了“310”，其中“0”就是指全流程零人工干预。这主要是基于其核心资源就是阿里电商的海量数据，这些长期积累的大量淘宝、支付宝及余额宝用户和大量的交易记录，使得网商银行能够建立有别于传统银行的模型，识别商户经营属性、判断交易有效性、预测商家经营能力，实现信贷管理全流程无人化，也就自然实现了自动化审批。
自动化审批与批量化获客
很显然，数据是自动化审批的基础，数据的质量直接决定了自动化审批的质量，即便模型再精确，当数据输入发生了错误，那么结果肯定也不理想。因此，贷前身份核查、资料的真实性审核等依然需要人工辅助，我们需要保证机器输入的数据是准确无误的。
而数据的质量问题，恰恰是小微企业和个体工商户、“三农”贷款多年来的症结。银行与小微之间存在信息不对称的问题，简单而言，银行服务小微的成本过高而贷款利率又不能太高，银行自然失去了动力，惜贷在所难免。
实际上，不论是人工智能还是人类信贷审批员，从当前业内先进的做法来看，基本逻辑并未发生改变，依然是基于人类易于用因果关系链条去理解的“强特征”，而机器更擅长的“弱特征”在稳健的传统银行尚无实践。也就是说，当前的自动化审批依然建立在人类易于理解的数据关系上。一般来说包含下述三类数据：一是银行自身长期积累的数据和案件经验，并将这些数据和经验模型化，成为风控模型最为重要的一部分；二是借助大数据行业的经验，主要是来自互联网企业的交易和信用数据；三是以税务数据为核心的工商、司法、知识产权以及企业POS交易、水电费等多维信息。判断这些多维数据是否能够成为授信关键数据的核心在于，一个数据或一组数据的结合本身是否能够准确反映企业的生产经营情况，这就绕过了财务数据，这也是大数据思维的体现（图2）。
 图2 多维数据例示 |
譬如建行打造的“小微快贷”产品体系，除了传统的抵押、质押贷款之外，还支持小微企业信用贷款和平台（引流）贷款模式。其中，信用快贷中的“快e贷”就是以企业在建行平台上的存款、理财等金融资产为信用判断依据，而“云税贷”则是依据税务系统的纳税信息，按企业缴税额度的相应倍数放大而给予企业一定的授信额度。“云电贷”则是建行与国家电网平台合作推出的贷款授信模式，引入小微企业在国网平台上的电费缴费信息，要求企业近24个月缴纳电费总额在10万元（含）以上，并且无电费欠缴记录等。“云电贷”既包含电费专享额度专项用于缴纳电费，又包括自主支用额度，用于企业生产经营周转、自主使用。截至2018年末，建行的“小微快贷”累计为55万客户提供了超过7100亿元贷款。
民生银行在国内较早从事小微金融服务，2015年，民生银行就推出了基于小微企业纳税信息的“（纳税）网乐贷”，目前的基本要求是纳税超过1年，近12个月实际缴税不低于8000元且无欠缴记录。
一些城商行也涉足了批量化获客和自动化审批领域。渤海银行于2017年前后通过蚂蚁金服线上引流，也达到了批量化获客的效果。但是，线上借款客群与传统银行借款客群之间存在较大差异，银行原有的信贷审核规则难以满足新客群要求，因此需要将第三方数据、银行规则及征信数据有机结合起来，最后才能做到自动化审批。
我们很容易发现，实践中的自动化审批与批量化获客是密不可分的。而且上文讨论过，当前的自动化审批主要还是运用人类能够用因果关系快速了解的“强特征”，尚未用到机器擅长的“弱特征”，理论上还是属于起步阶段。与人工审批相比，当下自动化审批的最大优势在于快而准，那么，怎样的场景最需要提速呢？答案显而易见，就是批量化获客。因为一旦前端出现了批量化获客，中后台面临的挑战就是闲时和忙时之分，而且，银行很难自主控制获客的具体时间，很显然，审批最好是每周7天、每天24小时都能够及时处理，并快速反馈。这是人类信贷员不可能做到的，这恰恰就是机器自动化审批的优势所在。
另外一个特征也很容易发现，那就是批量化获客是自带场景的，譬如上文提到的“云电贷”就与电力消费密切相关。因此，从需求的源头上来说，那些场景性强的金融服务更容易实现批量化获客，也更需要自动化审批。按照这个思路，我们果然发现长安汽车金融已经实现了自动化信贷审批，使客户信贷批复时间由2个小时缩短到秒级，提升总体效率50%，降低人工成本25%，2017年对汽车产业年度信贷投放累计近千亿元。
综上所述，自动化审批是人工智能为代表的科技与具体金融服务的深度结合，但目前依然是以金融逻辑而不是以科技应用为本。自动化审批并不能自动替代小微信贷的难点问题，但其与批量化获客的结合及对大数据的深度挖掘和应用，能够弥补小微企业财务信息记录不规范、经营信息缺失等问题，同时嵌入了场景理念，运用具有“强特征”但在传统银行信贷领域尚未开发应用的诸如税务、水电费等信息为依托，为小微企业量身打造多样化的授信体系。在一定程度上能够较为有效地缓解银行与小微企业之间信息不对称的难题，从而帮助传统银行加大对小微企业的信贷支持力度。（作者单位：中国邮政集团公司邮政研究中心金融研究中心）
