本文共字，预计阅读时间。

案例名称

中小型科技企业风险评价模型与风险预警研究

案例简介

通过对科技型企业的实力、潜力和风险进行评价，帮助行方构建一套适用于科技型企业贷前、贷中、贷后的风险评价体系，深化行方在科技型企业风险评估、风险管理、金融科技等方面的建设。研究综合运用了特征分析、问卷调查、机器学习等方法，从行业现状、财务实力、创新能力等六大维度、51个细分指标对企业进行客观评价，利用机器学习算法构建了贴合行内风控体系，可实现对科技型企业进行风险评价、批量筛查与动态监测的风险评价模型。

创新技术/模式应用

本项目基于银行原有企业评价数据指标，引入本应科技企业科技创新评价指标，打造一套尊重金融创新规律、符合科技型企业发展特征、面向银行风险管理的科技型企业风险评价模型，有效拓宽科技型企业评价维度、挖掘科技型企业创新潜力、评估科技型企业潜在风险。

评价维度上，在原有银行指标评价体系基础上丰富了企业科技维度评价。科技创新存在较大的不确定性，与普通企业对比，科技型企业发展具有独特的路径和特征，银行采用的传统财务数据模型难以满足对科技型企业成长和特征的全面评估需求。本应科技依据专利、论文、项目信息、工商信息、融资信息等多源异构数据，进行结构化处理，挖掘复杂网络关系，结合算法模型，搭建出一套科技型企业评价指标体系。本项目利用科技型企业评价指标体系中技术布局、研发稳定性、研发效率、高管技术能力、董监高稳定性等指标对企业技术、团队、投融资能力、社会认可度展开多维评价。

差异修正上，有意识地控制行业差异对模型的影响，使评价模型更加符合科技型企业发展内在规律。采用本应科技行业分类方法，通过技术集群与产业领域的映射，根据企业技术情况进行对应的行业分类。在建模过程中，修正行业差异影响，使得评价模型表现更加符合不同行业下的科技企业特征。

算法模型上，采用精度和效率较高的算法模型进行建模研究。运用XGBoost进行模型搭建和工程实现，通过XGBoost算法在确保效率和精度的标准下挖掘数据信息中可能存在的线性和非线性关系。模型构建后，XGBoost能够输出的对应指标的特征重要性，描述模型中贡献度较高的关键指标，可以应用于银行对科技型企业的风险管理。

项目效果评估

· 解决的难点与解决方法

难点：

科技型企业不确定性的特征为传统的信用评估模型与风险评价技术带来了严峻的挑战，在成熟市场与新兴市场竞争突围战中作用凸显的技术研发能力难以得到刻画。

解决路径：

通过本次研究，在一定程度上帮助银行加强对科技企业的评判能力，建立了一套区别于通用信贷准入与评价体系、可揭示科技企业实力、潜力和风险的评价模型，模型充分把握科技企业核心实力评价方法、潜力评价方法和风险衡量方法的实质，基于多维大数据，建立一套符合适用于银行金融服务场景下的科技企业评价模型。具体来说，模型实现了在“科技型企业评分计算、科技型企业分层分级管理与科技型企业风险识别与监控”三方面的应用。

· 应用成果

通过利用本应科技运用以科技大数据为基础的多维数据先进融合技术、基于非线性动力学系统的科技企业评价模型和计算技术与知识图谱推理技术所搭建的科技型企业评价对目标客户群体进行筛查，行方在一年内累计为500余家科技型企业发放贷款，信用贷占比超过30%，贷款总额超过数十亿元，大大缩短了行方在对科技型企业提供金融服务时所耗费的人力成本、时间成本和审批成本。本次研究成功极大程度上鼓励行内业务人员对有发展潜力的科技型企业开展信贷业务，解决了银行中传统“唯财务、唯抵押、唯资产”的授信评价方法，用银行挖掘科技型企业发展潜力，促进我国中小科技型企业获得更优质的金融服务支持，进一步促进我国科技产业发展。

· 优化方向

增加样本企业数量和质量，特别是扩大更有利于建模研究“坏客户”样本数据、提高模型的预测能力；增加客户的历史信息和财务数据、人才及团队数据等，拓展模型的通用性；进一步开展科技型企业的成长规律的研究，加强对科技型企业中长期还款能力的研判，监督落实企业数据采集的管理要求，保证数据的完整性，加快针对科技型企业信息采集和评价标准建设。

项目牵头人

李泓青

项目团队成员

何博瑞、李卫宁、律宇丹、杨真、于秋怡

[Source]

本文系未央网专栏作者发表，属作者个人观点，不代表网站观点，未经许可严禁转载，违者必究！

本文为作者授权未央网发表，属作者个人观点，不代表网站观点，未经许可严禁转载，违者必究！

本文版权归原作者所有，如有侵权，请联系删除。