对银行授信审批工作的思考

欧阳秀子

金融科技的飞速发展大大加快了模型、大数据、量化方法在银行授信审批领域的运用。然而在授信审批这个银行风险管理的核心领域，“机控”始终没有完全替代“人控”。对那些信息不完全、信息不对称程度高、创新力度大、预期高度不确定的授信业务，到底应该更多地服从技术理性，还是应该主要听从专业判断，对银行授信审批工作而言，仍然是两难选择。授信审批实际上是理性分析和直觉判断互相作用和影响，共同推进决策的过程。这样的理性与直觉互动的决策逻辑也是银行授信审批工作改革创新的重要考量。

一、引言

一直以来，信用风险管理都是一家商业银行的核心技能。银行的信贷审批人员必须仔细分析客户借款用途的真实性、融资额度的合理性、真实还款能力，在此基础上做出是否同意授信的审慎决策。这样的专家型审批模式尽管常常引发争议，但仍在银行业通行多年。直至20世纪80年代，银行开始重视并引进或自行开发新的信用风险管理的模型、技术，之后便蓬勃发展、方兴未艾。尤其是近年来，金融科技的飞速发展更是大大加快了各种模型、大数据、量化方法在银行授信审批领域的运用。然而对银行业管理实践的大致观察就能发现，在授信审批这个银行风险管理的核心领域，系统始终没有完全替代人工，而且各家银行对金融科技实际运用的广度和深度存在不小的差异。这种差异是源自银行管理者的主观认知、选择偏好，或是不同银行的信贷文化，还是“机控”与“人控”运作机理方面的内生性差异？到目前为止，对上述问题的回答总体上语焉不详。授信审批领域运作、管理方式的变革对商业银行而言无疑是一项基础性的重大创新，改革的机会成本巨大，不容有任何闪失。鉴于此，在新的经济、技术环境下进一步厘清银行授信审批方法的内在机理和管理逻辑应该是当务之急。

二、银行授信审批方法的演进

在银行诞生以来，银行授信审批工作绝大多数时间遵循的是专家型模式，其本质是一个程式化的、劳动密集型工作过程。信贷审批人员从分析企业的借款用途开始，通过了解企业基本情况、分析企业财务报表、测算企业还款能力、评判企业所处行业的结构和发展趋势、考察企业战略等多种方式来评估企业的信用风险。在这个过程中，审批人员的专业能力和经验判断是至关重要的，决定了银行是否能够从企业所提供的信息中及时发现问题，从而有效地控制风险。20世纪下半叶，由于管制放松、信用市场发展、包括资产证券化在内的一系列金融创新等原因，市场涌现出偏量化的信用风险管理模型的开发热潮，考埃特等（1998）将其划分为两类［1］：一类是自60年代开始的，借助会计和市场价值数据的建模，如Z计分模型和ZETA信用风险模型、用于违约预测的神经网络模型、计算机化的信贷审批决策支持系统、基于市场风险溢价的违约贷款模型等。另一类是自90年代开始的，完全基于市场数据的建模，如KMV公司的EDF模型等。这些模型在银行内部评级、信用风险管理中得到了广泛运用，但直接用于授信审批的较少，更多的是作为授信审批的辅助工具使用。近年来，随着大数据、人工智能在金融领域的广泛应用，国内银行在授信审批领域也进行了一系列的研究和探索实践。比如，通过大数据挖掘技术，验证授信企业主背景及经营管理真实性，提升银行风险识别能力（连育青，2016）［2］，深入探讨大数据在授信审批工作中应用的必然性和可行性（中国工商银行江苏省分行课题组，2017［3］；赵德川和杨立焜，2020［4］），将大数据、区块链、人工智能、物联网等新技术嵌入授信审批流程，搭建“金融科技+授信审批制”的新模式（陆岷峰，2020）［5］，将信用风险计量、贷款审批作为重要应用场景的基于“大数据+AI”的智能风控平台架构（李小庆，2021）［6］等等。而且相比对公业务，由于金融科技公司互联网贷款的推波助澜，银行在零售客户授信审批方面的自动化、系统化走得更快、更远，银行授信审批工作中新技术、模型、系统的广泛运用似乎势不可挡。但值得注意的是，在银行授信审批领域，“机控”始终没有完全替代“人控”，到目前为止，尤其在对公授信业务方面，专家型审批模式在银行业仍然占据主流地位。

三、授信审批的两难

授信审批工作受银行内部授信政策的刚性约束。银行授信政策的规定通常具体而明确，内容涵盖行业投向、集中度、担保、期限、客户、产品、渠道、经济资本占用、限制和禁止领域等多方面维度。如此详细的规定本应大大减少对审批结果的分歧和争议。然而银行的授信审批工作始终面临两大挑战，即信息不对称问题和创新业务。借款企业与银行之间的信息不对称是常态，当信息不对称的程度非常高时，就容易产生逆向选择问题。银行授信审批人员由于不能掌握足够的企业信息而无法做出授信决策，这也是中小企业融资难、融资贵的重要原因。而创新业务的一大特点就是对现有制度、规则、政策的突破，这常常使授信审批人员难以找到对应的政策、制度规定而缺乏决策依据。科创企业的授信就是这方面的典型样本。基于科创企业的特性和风险特征，加上自身面临着严格的风险偏好约束，使得银行在科创企业融资场景中只能选择有所为而有所不为。银行在对科创企业的授信审批方面，采取了一些“区别对待”的做法，比如一定程度上弱化企業财务状况、成立年限、担保来源等传统信贷评价指标，根据科创企业的不同发展周期作相应的授信安排，探索投贷联动的创新模式等。但这些“区别对待”的做法并没有从根本上解决银行风险偏好与科创企业信用风险特征无法匹配的老问题。

近年来，银行不断加大对客户、资产资源的争夺力度，将竞争领域拓展到较低评级客户，中小企业、科创企业、创新业务更是早已成为各家银行争夺的主战场之一。而对授信审批工作来说，尽管有新的技术、模型、系统的帮助，但两大挑战问题并没有得到根本解决。当一笔费尽心血、精心准备的授信业务方案被否决时，到底多少是理性分析的成分，多少是审批人员的主观判断问题，营销人员常常会产生质疑，授信审批部门与营销前台很难达成共识。这种意见分歧如果长期存在，不仅妨碍营销效率和营销人员的积极性，还会对银行经营管理政策、意图向基层的有效传导产生不可低估的负面影响。

客观地说，传统的专家型授信审批模式存在一些缺陷。最大的问题在于，不同的审批人员对同样的业务往往有不同的判断，关注的问题重点也不尽相同，这种情况不仅存在于不同银行之间，就是在同一家银行的总行与分行、不同分行之间也常常发生，很容易给营销人员无所适从之感。授信审批中使用模型的风险同样不容忽视，无论是从外部引进还是自行构建，银行在基础模型、模型数据、使用环境等方面都可能存在模型风险问题（尚金峰，2005）［7］。模型风险来源于模型的全生命周期，包括模型设计方法不当，研发过程中的样本数据不正确或不具代表性，模型参数分布、参数估计方法、变量关系设定、模型运用环境等假设错误，模型采用的技术方法的缺陷，以及具体IT实施中的差错等（黄志凌，2020）［8］。另外，对银行授信审批人员来说，类似于科创企业的经营管理信息很多是意会知识，无法通过企业的会计报表或信息披露来获取，也不可能在公开市场上轻易获得（青木昌彦，2001）［9］。此时还是需要依赖审批人员对一些不易标准化或量化的信息（比如企业家素质、品格、行业技能等）进行专业判断。从银行管理实际操作的角度，对那些信息不完全、信息不对称程度高、创新力度大、预期高度不确定等带有很大挑战性的业务，到底应该更多地服从技术理性，还是应该主要听从专业判断，对授信审批工作而言，其实仍然是一个两难选择。

四、银行授信审批的核心逻辑

简单的生活常识告诉我们，人们的决策过程常常既有理性分析的成分，又包含直觉判断，并且两者相互纠缠、影响，对决策发生的具体作用并不容易清楚地区分。不少学者对此进行了研究。Klein（1999）就将决策方式看作一个连续的谱系，纯粹的理性分析和单纯的直觉判断分别处于这个谱系两端的极端情形［10］。在Klein看来，当面临时间紧急、具体事项不明朗、决策因素复杂多变的情形时，反复的分析和多方面的考虑是低效甚至无效的，反而是根据常识或过去类似经验做出地决策更有效。Gigerenzer（2008）认为符合逻辑推理并非个人决策的主要目标。人们的决策往往是根据个人认知和所处环境状况做出其认为合理的判断和选择［11］。按照Gigerenzer的说法，决策结果本身是否合理有效并不重要，重要的是决策选择能否和对应的工作任务、环境状况有效匹配。沿着这样一条思考路径，问题的核心就不在于理性分析和直觉判断谁更有效，而是在什么样的场景下，哪一种方法更有效。比如，对应复杂的、创新的、专业度高，以及非结构化的、信息不完全、不确定性高、时间压力大等的决策情形，往往离不开专家意见。Gassmaier et al.（2008）则强调了决策人与任务、环境的互动特征［12］，指出决策人的专业水准不是一个绝对概念，而是以任务为参照系的相对概念。某一领域的专家在另外一个领域很可能是“门外汉”。同时，任务的创新或复杂程度也不是一个绝对概念，而是相对决策人因人而异的。因此，决策人与任务、环境的共同演化才是问题的核心。Akinci和Sadler（2012）分析了理性分析和直觉判断发生作用的两种不同机制［13］：一是决策人将认知能力作为稀缺资源，将直觉判断作为成本较低的决策方式，因而遇到一般问题时首先使用直觉判断，只有在必要时才使用理性分析。二是理性分析和直觉判断是平行作业的，當两种方法产生的意见存在不一致时，可能会导致决策人的思想矛盾，形成竞争关系，但也可能被决策人进行整合，形成互补关系。Marevsky等（2018）进一步研究了理性分析和直觉判断的互动机制，发现人的认知系统可以自动实现各种信息碎片之间不一致的最小化，以便对相关信息作整体处理；同时对一系列信息又天然存在一定的偏好，通过这些偏好对信息作不同程度的修正。当需要决策时，人脑会汇集收到的信息和记忆中存储的信息，形成一个临时网络，该网络的节点由不同内容的信息点组成，通过一定的选择规则激活相关节点，最后得到一个网络的稳定态，即所谓一致性最大化的最优决策。在这样一个过程中，人脑对信息的识别、判断、选择均服从自动控制系统，其中理性分析的作用在于帮助实现信息一致性的最大化［14］。Adinolfi（2021）对前人的相关研究成果进行了全面的梳理整合，认为人们的决策在很大程度上是决策人与决策对应的任务及所处环境互动的结果，过程中不断接收各方面信息反馈，并同时进行信息识别、选择、加工，从而形成一个持续演化的学习路径［15］。

授信审批人员的决策很大程度上也符合这样一个动态的人与任务、环境的共同演化过程。首先，审批人员潜移默化地受到一些底层信息的影响和约束。这些底层信息既有认知层面的，如个人价值观、银行风险管理政策和信贷文化、对经营机构的看法等，也有行为层面的，如银行的授信工作流程、与经营机构的交流沟通等。然后，审批人员会对客户或经营机构提供的、企业公开披露的、自己收集的各种信息进行分析识别，并且与营销人员、经营单位、相关专业人员反复沟通，沟通内容不仅包括信用风险，还包括贷款的定价、风险缓释方法、特别的放款条件、贷后的管控措施等（这个过程中往往同时包含一系列的理性分析和直觉判断）。审批人员在形成自己的初步审查意见后，提交贷审会讨论，若得到通过，就从个人决策转换成了集体决策意见。值得注意，的是审批人员提交初步审查意见的过程也并不简单，其也会反复考虑、权衡贷审会成员可能提出的各种问题和态度反应，以及贷审会可能的讨论结果，特别是他们直接上级的意见。如此的过程多次重复，审批人员的理性分析思维和直觉经验判断得到持续积累和强化，从而形成一家银行一段时期内相对固定的授信审批文化和工作路径。

从银行授信审批人员的实际工作情形来看，强行划分哪些决策来自理性分析，哪些决策产生于直觉判断，不仅缺乏理论依据，实际意义也不大。两者实际上互相作用和影响，共同推进决策过程的进行。当然，对应不同类型的授信对象，由于信息数据的结构化程度、异质性、信息不完全、稳定性等方面的区别，两者作用程度还是会存在不小的差异。这也解释了银行授信审批工作中针对不同业务类型，在使用模型、系统方面的差异化。相比零售客户授信大面积的系统自动化审批，银行在企业客户授信审批中，对系统、模型的使用就相对谨慎很多，尤其是对集团关联客户、大额授信、非标业务、创新业务等的授信审批还是要依赖专家型模式。相比有事先明确制定准入标准的行政审批行为，银行授信审批不仅要兼顾风险和收益的权衡，还要一定程度上配合前台部门对优质客户的营销策略和潜在优质客户的培育、挖掘，审批的标准、依据不够明确、清晰的情形难以避免。在“机控”尚未完全替代“人控”之前，这样的理性与直觉互动的决策仍然是银行授信审批工作的核心逻辑，并且也是银行信用风险管理改革创新具体推进过程中人工智能技术的应用程度、审批人员的数量配备和专业化分工、审批队伍的分散与集中管理等决策中的一个重要考量。

五、结语

阿瑟（2014）曾概括了复杂经济的六大特征：大量行为主体分散的交互作用、没有全局性的控制者、存在很多层次和复杂缠结、系统连续适应性、永恒的创新、非均衡动力学，并指出对这种自适应非线性经济网络的数学和计算机建模方法仍然在发展过程中［16］。时至今日，在金融科技浪潮的裹挟之下，商业银行的经营生态已经发生了巨大变化，复杂经济的特征愈发明显。在银行纷纷谋求数字化转型的大背景下，授信审批领域技术与管理方法的革新似乎也是必然之举。但鉴于银行严格的风险偏好和内部控制要求，以及授信审批工作在银行风险管理中的极端重要性，同时我们又身处一个易变性、不确定性、复杂性、模糊性的时代，对授信审批工作模型化、自动化的理论和实践探索都还有大量的工作要做，现有的一些已经投入的技术应用也仍然需要时间和结果的验证，相关问题值得不同专业领域的学者和银行从业人员持续关注。

参考文献：

［1］［美］考埃特，爱特曼，纳拉亚南.演进着的信用风险管理［M］.石晓军，张振霞.译.北京：机械工业出版社，2001：160，169，197.

［2］连育青.运用大数据分析提升授信审批决策水平的思考［J］.财务与金融，2016（5）：11-14.

［3］中国工商银行江苏省分行课题组，岳小勇.商业银行授信审批的大数据应用模式研究［J］.金融纵横，2017（9）：11-16.

［4］赵德川，杨立焜.大数据在商业银行对公授信审批中的应用［J］.金融纵横，2020（10）：57-64.

［5］陆岷峰.金融科技背景下金融机构授信审批体制改革研究——以商业银行为例［J］.广西职业师范学院学报，2020（2）：15-20.

［6］李小庆.基于“大数据+AI”构建全程智能风控体系［J］.金融科技时代，2021（6）：25-29.

［7］尚金峰.商业银行内部评级体系构建的模型风险研究［J］.金融论坛，2005（11）：3-9，18.

［8］黄志凌.金融智能化不可忽视的模型风险［J］.武汉金融，2020（6）：3-10.

［9］青木昌彦.比较制度分析［M］.周黎安.譯.上海：上海远东出版社，2001：309.

［10］Klein，G.Applied Decision-making［M］.San.Diego，CA：Academic Press，1999.

［11］Gigerenzer，G..Gut Feelings：Short Cuts to Better Decision-making［M］.London：Penguin Books，2008.

［12］Gaissmaier，W.，Schooler，L.，J.，Mata，R.An Ecological Perspective to Cognitive Limits：Modeling Environment-mind Interactions with ACT-R［J］.Judgment and Dicision-making.2008，3：278-291.

［13］Akinci，C.，Sadler，E.Intuition in Management Research：A Historical Review ［J］.International Journal of Management Reviews.2012，14：104-122.

［14］Marevsky，J.N.，Broder，A.，Glockner，A.Some Metatheoretical Reflections on Adaptive Decision-making and the Strategy Selection Problem［J］.Journal of Behavioral Decision Making.2018，31（2）：181-198.

［15］Adinolfi，P.A Journey around Decision-making：Searching for the “Big Picture” across Disciplines［J］.European Management Journal.2021，39：9-21.

［16］  ［美］阿瑟.复杂经济学：经济思想的新框架［M］.贾拥民.译.杭州：浙江人民出版社，2018：146-148.

作者单位：上海银行驻行纪检监察组副组长，硕士，高级经济师。