大数据背景下租赁公司风险控制研究

林萍

[摘 要]当前宏观环境复杂多变，租赁行业竞争激烈，租赁公司面临众多外部的和内部的风险挑战，利用大数据技术可以有效避免风险事件的发生。但目前租赁公司大数据风险控制平台还处于发展初期，普遍存在数据收集广度、数据挖掘深度、决策支持力度不足的问题。租赁公司应该通过增加投入、建立风险数据库标准和建立模型分析等手段提高数据的收集广度和挖掘深度，还可以通过大数据、云计算、人工智能技术的应用来提升风险决策支持力度。文章通过借鉴互联网金融公司、商业银行的大数据风险控制经验，对租赁公司的风险控制提出对策及建议，以供参考。

[关键词]大数据;租赁;风险控制

[DOI]10.13939/j.cnki.zgsc.2020.35.189

近年来，随着经济产业结构的升级，租赁作为一种新的经济业务展现了很强的生命力。租赁可以分为融资租赁和经营租赁，两种形式的租赁在形式上不同，但都对推动资产的更新换代、实现技术进步和产业升级产生了积极的作用。但是，在租赁业务实现过程中也同时伴随着风险，尤其是融资租赁公司，因一个项目违约导致整个公司破产的例子也不罕见。随着大数据、云计算、人工智能等互联网新技术的发展，租赁行业又发生了新的变革。文章旨在探讨大数据的应用对风险控制起到的深远影响，对如何用好大数据的利器降低租赁公司风险，实现平稳运行提出有益的建议。

1 大数据背景下租赁公司风险概述

当前宏观经济环境复杂多变，租赁行业竞争激烈，租赁公司面临众多的风险挑战。首先，从外部环境来看，近年来宏观经济面临下行压力，利率、汇率波动频繁，大量的租赁公司从银行借款，银行利率直接影响了租赁公司的资金成本和毛利率。同时，大量的租赁公司客户由于经济持续下行导致的业务萎缩，资金回笼不畅引发租赁合同违约。其次，从租赁行业市场环境看，仍然存在许多客户用欺诈手段骗取资金行为。部分客户通过会计手段粉饰财务报表，甚至提供虚假抵押物所有权证明、虚假印章等骗取租赁公司信任，最终导致风险事件的发生。从内部环境看，许多租赁公司对自身的财务风险把控不足，有的盲目扩张导致资产负债率过高，有的资金错配导致流动性风险。因此，应对风险挑战是关系到租赁公司生存和发展的大事。

然而，风险是一种未来的不确定性，存在风险的同时也往往伴随着巨大的机遇。近年来，由于智能手机的推广和移动数据网络的升级，移动互联网的发展极为迅速，智能手机让上网的便捷性大大提高，因此互联网大数据的容量变得更加庞大。而云计算、人工智能等新技术手段的出现，使得互联网变得更智能化，能解决更多的问题。由于大量现实世界的信息会通过智能手机、电脑、摄像头、GPS定位系统等电子终端上传到互联网大数据，因此大多数现实的租赁风险也能从智能化的互联网中找到解决方案。汇率、利率的变动信息，客户的真实财务状况，抵押物的权利情况等均可在互联网大数据中找到相关信息，如果能发掘利用，可以很大程度上避免风险事件的发生，使风险成为发展机遇。

2 大数据背景下租赁公司风险控制存在的问题

当前租赁公司的风险控制还处于从人工风险控制模式到大数据风险控制模式的转型期。人工风险控制模式下，通过租赁公司风险控制人员人工调查发现风险，虽然偶尔会用到网络上的风险数据，但还称不上是利用了大数据。在向大数据风险控制模式转变的转型期，租赁公司风险控制平台还存在至少三个方面的不足。

2.1 风险数据收集广度不足

租赁公司风险数据分为内部数据和外部数据。内部数据涉及战略风险、财务风险、运营和操作风险，如公司自身的资产负债率、资本结构、客户信息、项目信息等;外部数据包括市场和产业风险，如某上市公司客户的股票市场价格、某客户所处产业的宏观政策导向等。目前租赁公司在这两个维度的数据收集广度都不足。

首先，现实中许多中小型租赁公司的风险控制部门未建立信息化系统，风险控制主要依赖人工上网收集风险数据或实地尽职调查，一些大型租赁公司虽有风险控制系统，但数据库使用的数据大多是依靠人工收集录入的数据，数据范围狭窄;其次，租赁风险数据共享不足。租赁行业尚未制定统一风险数据标准，各租赁公司的风险数据互通性差，形成了数据孤岛，这也影响了数据广度。

2.2 风险数据挖掘深度不足

大数据能解决问题的重要步骤是从数据（Data）中发掘信息（Information），数据是信息的载体，信息是数据的含义，而目前能真正从大数据中进行深度挖掘的租赁公司少之又少。

首先，当前大量违约风险的发现还依赖人工，通过人工分析客户财务数据、行业经营数据、技术数据来发现风险隐患，每个人能够处理的信息量是有限的，所以往往人工挖掘只能发现比较明显的风险问题，无法把大量风险信息综合考虑。其次，深度挖掘的前提是对数据进行分类整理，去除无用数据，把核心数据用数据库的标准重构。目前这项工作在很多租赁公司进展缓慢，缺少既精通数据库语言又懂得风险控制的复合型人才来开展。最后，深度挖掘需要对数据的内在逻辑关系进行长期性的持续研究，将研究结果用模型、指标、公式等形式固定下来。公司风险数据的风险指标体系还不成熟，能够通过建立风险模型进行数据研究的公司也不多。

2.3 风险控制系统决策支持力度不足

智能的风险管理系统不但能发现风险，还能对风险问题提出策略和解决方案。目前风险管理系统主要功能还处于风险发现功能。发现风险后如何解決则移交到公司管理层，由管理层决定采取行动来化解风险。这些行动包括：要求客户提供增信措施增加抵押物价值，要求客户提前还款，改变还款计划，提起诉讼，债务重组等。这些决策的正确性依赖管理者对现有数据的分析计算，而当风险问题暴露后，往往管理者决策的时间紧迫，很难在有限的时间做出最有利的决策。

3 大数据背景下完善租赁公司风险控制的措施

根据以上分析，目前的大数据风险控制系统存在数据收集广度、数据挖掘深度、决策支持力度不足的三大问题。因此，要完善租赁公司的大数据风险控制系统，有以下的着力点。

3.1 增投入、建标准、促整合，提高数据广度

首先，增加资金人员的投入。加大资金投入购买相应的数据服务器网络平台等硬件设施，招聘数据收集方向的计算机专业人才，如现在流行的“爬虫”工程师，突破种种限制从互聯网中获得所需要的数据。其次，建立风险数据库的标准。必要时租赁行业协会应出面建立概念框架，明确要收集数据的时间空间范围以及数据排列字段等。在标准建立后，可以实现租赁公司之间的资源共享，这种共享对风险控制有重大意义，如果一个客户在两个租赁公司同时以同一资产做抵押就能马上被发现。最后，整合各大数据平台信息。和风险相关的各类数据平台有成百上千家，并且一直在上升，这些平台中比较常见的有万得资讯、中登网、金税三期系统、人民银行征信中心网站、天眼查平台等。万得资讯提供海量的金融市场资讯、宏观经济、行业发展情况、客户股票价格变动等权威数据，中登网提供了客户的抵押、担保信息，对租赁客户的资产抵押担保登记变动的实时跟踪，有利于发现客户的异常。金税三期系统有客户开出的发票信息、纳税情况，能辨别客户虚假发票，从纳税信息分析客户财务状况。征信中心有客户的贷款存量、贷款违约等信用情况。通过整合尽可能多的平台数据，能大大提高风险数据的广度。

3.2 建模型、定指标、作比对来提高数据挖掘深度

其一，利用数理统计手段，建立各类风险评估数据模型，如贝叶斯模型、VAR模型、蒙特卡洛模型等。可以对宏观风险建立模型，研判汇率、利率的变化方向和变化幅度对公司业务的影响，还可以对单个客户建立违约概率模型来研判潜在客户质量，这种研判建立在现有客户的特征，如年龄、收入、房产状况等数据建立的模型上。其二，制定各类风险控制指标体系。可以制定客户违约评分指标体系，根据公司客户在金融机构贷款还款情况、在租赁公司的租金支付情况给客户评分，进而甄别客户质量，还可以制订财务预警指标体系，如短期偿债能力、资产负债率指标等。其三，利用大数据进行数据比对，找出风险点。未来风险控制大数据也能通过交叉比对客户的各类信息，对异常数据发出风险提示。这类信息的来源渠道很广泛，可以是权威官方机构公布的数据，也可以是非正式的信息。这些数据遍及方方面面，如宏观政策、经济指标、行业平均毛利、行业平均能耗量、行业产品成交均价、客户的各类财务指标、非财务指标等，既可以把客户和行业平均水平做比对，也可以把客户自身的各类指标互相比对，从中找到一些在人工风险控制模式下容易被忽略的风险点。

3.3 大数据、云计算、人工智能三者并用，提升风险决策支持力度

大数据、云计算、人工智能并称为互联网三大技术，三者有层层递进的关系。基于大数据之上的云计算，能够快速地计算出数据隐藏的内涵，而基于大数据和云计算的人工智能能够做出类似人的自我学习进化的动作，人工智能在医疗、教育、财务等各个领域都展现出了惊人的作用。在风险决策中，对客户风险策略的制定离不开金融工程的建模和概率计算。但目前这种计算对相关人员的金融学、数学水平、计算水平要求较高，一般的租赁公司还缺少相关的人才资源。这时大数据、云计算和人工智能可以发挥计算和建模的优势，在较短时间内计算出合理的决策方案。首先通过人工智能的学习能力，建立模型并根据情况不断改进。其次把海量的大数据代入模型中。最后通过云计算所具备的强大计算能力得出最优解决方案。

4 结语

随着大数据等新技术在租赁行业的深化发展，大数据风险控制平台必定对租赁风险控制产生越来越重要的作用。租赁公司应把握发展时机，多措并举，大力提升大数据平台的广度、深度和决策支持力度。通过大数据风险控制平台提升公司的风险管理水平，为公司的稳定发展保驾护航。

参考文献：

[1]华挺，宋颖达.金融租赁公司流动性风险研究[J].运筹与管理，2019（9）：157-167.

[2]彭小辉.大数据在互联网金融风控中的应用研究[J].中外企业家，2020（8）：79.

[3]舒奎.大数据在金融风险管理中的应用研究[J].时代金融，2020（6）：72-74.

[4]梅崇秀.基于大数据背景下的银行智能风控体系建设[J].中外企业家，2020（6）：82.

[5]马楠蓝，李雨芹，曹云，等.基于数据挖掘的房贷信用风险评估系统设计[J].湖北农机化，2020（1）：147.