数据要素视角下创新中小微企业信贷风险评估方式的实践路径

摘 要：中小微企业是支撑国民经济的重要力量，对于稳定增长、扩大就业、促进创新具有重要意义。中小微企业本身的信用信息缺失严重，且信用风险较高，其发展受到融资难、融资贵等因素的限制。随着数字经济的蓬勃发展，数据作为新型生产要素正赋能各行各业，不断发挥其特有的创新驱动作用。因此，本文通过分析中小微企业信贷风险评估方式的研究现状和数据要素的特点，剖析数据要素驱动中小微企业信贷风险评估方式创新的现实问题与实践路径具有极强的现实意义。研究发现，数据要素驱动中小微企业信贷风险评估方式创新作用形成主要面临信用风险评估体系创新不足、银行与中小微企业间的信息不对称以及数据孤岛和信息系统建设不全面的问题。为此，本文提出应构建数据驱动的中小微企业信贷风险评估模型、优化中小微企业数据管控和动态预警机制、加强数据安全和信息系统建设，为中小微企业创造良好的融资环境，促进信贷业务的可持续发展，实现银企共赢。

关键词：新生产要素；中小微企业；信贷风险评估；数据信息；数字普惠金融

中图分类号：F276.3 文献标识码：A 文章编号：2096-0298（2024）09（b）--05

1 理论基础及文献综述

1.1 中小微企业信贷风险评估方式的研究现状

随着科技的飞速发展，金融行业正日益融入人工智能、云计算及大数据等尖端信息技术的浪潮中，这些前沿技术正逐步渗透并重塑金融业的多个维度与环节。其中，数字普惠金融作为金融科技的重要分支，致力于通过技术手段降低金融服务门槛，提高金融服务的覆盖率和可得性，特别是针对中小微企业和个体工商户等长尾客户群体。然而，这些企业通常缺乏完善的财务报表和信用记录，导致传统金融机构在为其提供贷款时面临较大的信用评估和风险控制挑战。因此，创新中小微企业信贷风险评估方式，建立健全风险管控及预警机制显得尤为迫切。

本文通过对中小微企业进行信用风险评估，不仅可以了解企业的经营状况、财务状况及信用历史，以帮助企业和银行更好地识别风险，防范风险，还可以帮助银行更好地为那些信用评价等级高的中小微企业提供便捷的服务，从而帮助中小微企业减少融资成本，提高融资通过率，降低信用风险。

在企业信用评估方面，传统的金融机构会根据中小微企业提供的经营状况、财务状况等方面综合评价。Fitzpatridk（1932）[1]是最早研究企业风险评估的学者，其提出的一系列早期信用风险评估模型，为后续的企业信用评估研究奠定了坚实的理论基础。随着机器学习的不断兴起，许多学者将其应用于企业信用评估领域中。Lingyun Song等（2024）[2]提出了一个多结构级联图神经网络框架（MS-CGNN）用于企业信用风险评估，实验结果表明，MS - CGNN在真实的ECR数据集上取得了最先进的性能。王培培等（2024）[3]利用KMV-CatBoost算法训练企业信用债券违约风险评估模型，增强了模型的泛化能力，提高风险识别的准确率。刘思佳等（2024）[4]建立了麻雀搜索优化支持向量机（SSA-SVM）互联网上市企业信用评估模型，与传统支持向量机、逻辑回归、随机森林模型进行对比，实验结果表明SSA-SVM模型最优。

不仅如此，许多学者专门对中小微企业的信用风险评估进行了相关研究，因中小微企业与银行之间的信息不对称以及潜在的道德风险等诸多问题，导致中小微企业面临融资难的困境。如何有效评估中小微企业的信用风险是化解这一难题的关键。陈继强等（2022）[5]提出了一种基于模糊信息分解的中小微企业信用评估组合模型，并结合XGBoost模型和Logistic回归模型，使其具有较高的分类性能和良好可解释能力；李淑锦等（2022）[6]为研究宏观经济变量，采用弹性网络和动态COX构建ENet-COX模型评估中小微企业信用风险，实验结果表明模型准确度高达86.63%；Minhuan Gong（2017）[7]采用模糊神经网络对中小微企业信用评级模型进行了研究，测试结果显示，其建模过程比BP神经网络更准确，测试结果更优。

1.2 数据要素的定义、特征及作用

当前，数据要素作为新型生产要素，是实现产业数字化、智能化的基础，数据应用已经融入社会服务和企业生产的各个环节。2022年12月，中共中央、国务院发布了被称为“数据二十条”的《关于构建数据基础制度更好发挥数据要素作用的意见》以及2023年国家数据局成立以来，数据产权分置制度和公共数据授权运营机制日渐明晰，也为释放数据要素潜力奠定了良好的制度基础。

当前研究多聚焦于数据资源、数据资产以及数据资本等概念解析基础上，进一步分析“数据”作为新时代“生产要素”所具有的独特属性与特征[8]。中国信息通信研究院发布的《数据要素白皮书》[9]明确指出，“数据要素”这一概念在数字经济语境下，是指为满足特定生产需求，经过汇聚、整理及深度加工处理后的计算机数据资源及其所衍生的各种形态。这一界定强调了数据在数字经济中的核心地位及其作为关键生产要素的转化过程。目前，学界普遍认为数据要素具有虚拟性、价值不确定性、正外部性、非竞争性、动态演变性五大特征[10]。一是虚拟性。区别于资本、劳动力、土地等传统要素，数据要素在形态上呈现出虚拟性。二是价值不确定性。受到数据准确性和完整性的影响，数据的价值是不确定的，其依赖于多个参与主体协同合作、共享开放的数据生态系统。在这其中，数据的价值会受到整个环境和各个参与主体的影响。三是正外部性。当产品或服务的价值随着越来越多的人使用而增加时，就会产生网络效应。网络效应是指一种产品或服务的价值随着越来越多的用户采用而增加的现象，数据的网络效应可以给所有用户带来数据使用的良性循环。四是非竞争性。一个企业公开合法的经营数据、历史信用数据不是排他的，可以同时授权给多个主体使用。五是动态演变性。与传统要素不同，数据可以通过创新和新技术来改造和提高，并且数据是实时更新的，历史数据的价值可能会随着时间的推移而改变，这取决于数据的类型和市场需求。

2024年初，国家数据局等部门印发“数据要素×”三年行动计划，旨在加速推动数据在包括金融服务在内的12个关键领域内的深度融合与应用拓展。在金融服务领域，数据作为生产要素在信贷类和支付类金融服务中具有极强的应用价值和创新潜力，银行可充分利用数据要素进行信用风险评估，将数据要素价值转化为信用价值，创造适应中小微企业需求的金融产品，并且借助数据要素向中小微企业更精准地投放普惠金融产品，可有效提高金融服务效率，激发各类市场主体活力，促进金融有效支持实体经济。中小微企业信贷业务是数字普惠金融的重要组成部分，且目前中小微企业信贷风险评估方式具有较大的创新空间，本文从数据要素视角出发，探讨数据要素驱动中小微企业信贷风险评估方式创新的现实问题与实践路径。

2 数据要素视角下创新中小微企业信贷风险评估方式的现实问题

2.1 信用风险评估体系创新不足

中小微企业的信贷需求具有“短期、小额、分散”的特点，且中小微企业对资金流动性的要求更高。中小微贷款业务显著特征在于其经营模式的多元化。相较于银行提供的其他金融服务，中小微企业贷款项目通常呈现金额较小但伴随较高经营风险的特点。因此，能否在信用风险评估体系上实现突破性创新，以有效管理和降低信贷风险，成为推动中小微企业信贷业务稳健发展的关键。

当前，我国许多商业银行对中小微企业的信贷评估还是参照大型企业相关指标作为审核标准。在传统观念中，大型企业通常拥有稳定的经营状况和较强的还款能力，因此被视为银行的优质客户。相比之下，中小微企业由于规模较小、经营不稳定、信息透明度不高等原因，往往难以获得银行的青睐。为了简化操作流程和降低风险，商业银行往往采用统一的信贷评估标准，将中小微企业与大型企业置于同一框架下进行评估。

因大多数中小微企业的财务状况、经营规模和盈利能力很难达到银行放贷标准，这种无差异化的信贷管理模式一方面导致中小微企业贷款的可获得性较差，大量有发展潜力的中小微企业被排除在信贷市场之外，从而限制了其成长和扩张。此外，中小微企业通常缺乏足够的抵押品和担保，在申请贷款时面临更高的门槛和更严格的审核条件，进一步加剧了融资难、融资贵的问题。

另一方面，未充分考虑中小微企D23XkvbIvYJapx/mU5bD0A==业独特的发展特点和风险特征，中小微企业通常具有灵活性高、创新性强、市场适应能力强等优势，但同时面临着经营不稳定、信息不对称、抗风险能力弱等挑战。银行在评估中小微企业信用风险时，如果仅依赖传统的财务指标和抵押担保手段，很难全面准确地反映其真实风险情况。这种评估方法的局限性可能导致银行对中小微企业的信贷决策过于保守或过于激进，从而增加了信贷风险。

2.2 银行与中小微企业间的信息不对称

在银行与中小微企业之间的信贷业务中，信息不对称是一个长期存在且显著影响信贷风险的核心问题。这一问题不仅源于两者在资金运作中的不同角色和地位，还涉及市场环境、制度设计、技术限制等多方面因素。

首先，银行与中小微企业间双方角色和地位不对等。中小微企业作为资金的实际使用者，对项目的运营情况、资金的具体流向、还款意愿、潜在风险以及企业的财务状况等信息有着最直接的掌握。这些信息对于银行来说，是评估信贷风险、确定贷款额度、制定还款计划的重要依据。然而，银行无法直接参与或完全监控资金的具体运作，它们往往只能依赖企业提供的财务报表、经营计划等有限的信息来做出决策。这种信息获取的不对等性，使得银行在信贷业务中处于相对弱势的地位。

其次，市场环境的变化是导致信息不对称的重要原因。在竞争激烈的市场环境中，中小微企业为了获得更多的资金支持，可能会故意隐瞒或虚报相关信息，以获取更有利的贷款条件。同时，一些企业还可能利用信息不对称的漏洞，进行非法融资、违规操作等行为，进一步加剧了信息不对称的程度。

再次，制度设计的不完善是导致信息不对称的重要因素。一方面，我国尚未建立起完善的信用体系，企业信用信息的收集、整理、共享等方面存在诸多障碍，使得银行难以获取全面的企业信用信息[11]。另一方面，银行在信贷业务中的风险管理和内部控制也存在不足，缺乏有效的风险识别和评估机制，难以准确判断企业的还款能力和风险水平。

最后，技术限制是导致信息不对称的一个重要原因。尽管近年来金融科技的发展为银行提供了更多的信息获取手段，但由于技术门槛高、投入成本大等原因，许多银行在信息技术方面的投入仍然不足，难以充分利用大数据、人工智能等先进技术来分析和评估企业的信用状况。

2.3 数据孤岛和信息系统建设不全面

中小微企业的运营状况和盈亏数据是银行信贷风险评估中的核心考量因素，这些数据作为新兴的生产资料，其共享与流通特性对于信贷决策至关重要。然而，当前商业银行内部的信息管理体系尚不完善，这阻碍了数据的顺畅流动、有效整合及深度利用。中小微企业贷款的风险管理方面，银行尚未构建起专门针对这类企业运营特征的数据库系统，导致难以实时监控与追踪其数据动态，进而限制了利用大数据技术进行风险量化分析的能力。此外，贷后管理环节也因缺乏对企业经营数据的深度整合与分析，使得银行信息系统的风险预警功能显得不够精准与科学，从而在一定程度上制约了银行对中小微贷款风险进行科学、有效的管理。

首先，中小微企业的经营数据流通创新受阻。中小微企业缺乏统一的数据标准和技术规范，不同银行和企业之间的数据格式和质量存在差异，导致数据难以实现互通互操作，形成了“数据孤岛”现象，限制了数据的流通与整合，阻碍了跨企业、跨领域的协作与创新。同时，由于缺乏数据库支持，银行在获取中小微企业数据信息时存在困难，无法有效地收集、整合中小微企业的各类数据。因此，银行在评估中小微贷款风险时，往往缺乏充分的数据支持，难以进行准确的量化型分析。

其次，商业银行内部信息管理系统的功能不完备，特别是在中小微企业贷款风险管理领域。中小微企业因其特殊的经营模式和财务状况，其风险特征与传统大型企业存在显著差异。然而，当前商业银行的信息管理系统往往缺乏针对中小微企业的专门设计，未能充分考虑中小微企业的实际运转状况。这导致银行在获取、整理和分析小微企业数据信息时面临诸多困难。因此，银行在评估中小微贷款风险时，往往只能依赖于有限的、不完整的数据，这大大降低了风险评估的准确性和有效性。

最后，商业银行在贷后管理层面上，其信息系统风险预警职能也存在不足。风险预警是信息管理系统的重要功能之一，它能够帮助银行及时发现潜在的风险隐患，并采取相应的风险管理措施。然而，当前商业银行的信息系统在风险预警方面还存在诸多问题。一方面，系统可能未能全面覆盖中小微贷款的风险点，导致某些潜在风险被忽视；另一方面，系统的预警机制可能不够科学、不够精准，无法准确反映中小微贷款风险的实际情况。这在一定程度上制约了商业银行对中小微贷款风险的科学管理。

3 数据要素视角下创新中小微企业信贷风险评估方式的实践路径

3.1 构建数据驱动的中小微企业信贷风险评估模型

数据要素作为一种新型生产要素，可以为数字普惠金融注入新动能，银行应该全面树立数据思维[12]，通过数据驱动提高中小微企业信贷风险评估与管理质效。

一方面，银行可充分挖掘企业相关数据的价值信息，多维度评估企业信用，弥补传统信贷评估方式的缺陷。高速公路通行数据作为交通数据的重要组成部分，蕴含着丰富的企业运营信息。这些数据不仅反映了企业的物流运输活动，还间接体现了企业的生产经营状况、市场扩张能力和信用水平。采用机器学习、数据挖掘等技术，将人车关系核验、车辆信息核验、高速通行费查询、ETC拉黑停卡次数查询等转化为评估企业信用的依据，作为企业征信领域的一种补充，可以帮助银行构建更为全面、更精准的信用评价体系，从而有效缓解中小微企业和个体工商户贷款难题。因此，银行利用高速公路通行数据对中小微企业贷款客户进行信用评估和风险控制，成为交通数据要素在数字普惠金融领域的重要应用之一。

另一方面，银行可整合不同的数据资源，构建智能风控模型，并利用数据要素优化信贷流程降本增效。银行可以通过整合收集到的企业运营数据、财务数据、市场数据、供应链数据以及特定行业数据（如高速公路通行数据）等，形成一个全面、多维度的数据体系。基于整合后的数据资源利用机器学习、深度学习等技术构建智能风控模型，从而更准确地评估中小微企业的信贷风险，降低不良贷款率。此外，银行还可以利用数据要素优化信贷流程。传统的信贷流程通常存在繁琐、耗时长、人工干预多等问题，这不仅降低了信贷效率，还增加了业务成本。通过数据要素的应用，银行可以实现信贷流程的自动化和智能化。例如，通过自动化审批系统，银行可以自动完成客户信息的录入、审核和审批等环节，减少人工干预和等待时间，提高审批效率。

3.2 优化中小微企业数据管控和动态预警机制

以数据要素驱动中小微企业信贷风险评估方式创新，优化中小微企业数据管控和动态预警机制是其中关键。中小微企业的经营特性，其系统性风险十分凸显，所以降低风险的集中度，加强数据管控，整合数据资源构建银行的中小微企业信贷基础数据库十分重要。银行可借此减少其与中小微企业之间信息不对称的情况，加强风险管控。此外，企业办理贷款业务后，银行应采取多元化手段强化贷后监管工作，持续跟踪并动态把握企业的经营动态与信用状况变动，适时调整授信策略并采取风险预警措施，有效防范并化解潜在风险。

首先，构建中小微企业信贷基础数据库是加强中小微企业数据管控的关键。随着云计算的快速发展，打破了传统技术架构的高壁垒，加速创新技术的普及和应用，可帮助企业减少信息基础设施投入、降低软硬件运维人力成本、消除软件合规问题、保障数据安全。“云原生”数据库通过云计算技术，实现数据的实时更新、动态存储和高效处理，为银行提供全面、准确的企业信息。通过整合内外部数据资源，包括企业的经营数据、财务数据、信用记录等，银行能够形成一个多维度的企业信息画像，从而更准确地评估企业的信贷风险。这种数据库的云原生特性使其具备高度的可扩展性和灵活性，能够应对中小微企业复杂多变的风险状况。

其次，强化动态预警体系是深化贷后管理、有效削减信贷风险的重要环节。对内，需构建贷后动态风险管理预警模型，此模型依托高效的数据整合与分析系统，该系统全面汇聚银行内部资源，如资金结算、账户管理等部门提供的中小微企业现金流状况、账户余额、交易频率等核心数据，并结合外部市场信息进行深度剖析，以形成精准的动态风控预警机制。对外，应积极拓宽信息获取途径，通过建立与司法、税务、工商等权威机构的全面信息交互平台，实现数据共享，从而增强对客户非现场监控的广度与深度。这一举措旨在实时追踪客户及其关联方的最新风险动态，包括但不限于经营状况波动、潜在风险预警信号及负面舆论等，确保信息获取的及时性与全面性。随后，将收集到的关键信息在内部进行高效流转与共享，为后续的信贷策略调整与风险管理决策提供有力支撑[13]。

3.3 加强数据安全和信息系统建设

加强数据安全和信息系统建设是数据要素驱动中小微企业信贷风险评估方式创新的重要方式。数据安全是信贷风险评估的基石，它涵盖了数据的完整性、保密性、可用性和可控性等方面。而信息系统建设对于加强数据安全、提升中小微企业信贷风险评估效率具有关键作用。一个安全、高效、稳定的信息系统能够支持银行快速获取、处理和分析企业数据，提高风险评估的准确性和效率。

一方面，数字经济时代背景下，产业数字化进程逐步推进，金融等各领域加速构建数字产业链，而数据安全关乎企业安全、公众安全、国家安全。数据安全是信贷风险评估的基石，它涵盖了数据的完整性、保密性、可用性和可控性等方面。中小微企业在信贷风险评估中，涉及大量敏感数据，如企业财务报表、经营数据、信用记录等。这些数据的安全保障对于确保风险评估结果的准确性和可靠性至关重要。为了加强数据安全，银行需要采取一系列措施，如建立严格的数据访问权限管理、实施数据加密技术、定期进行安全审计和风险评估等。同时，银行还需要加强员工的数据安全意识培训，确保员工在处理敏感数据时能够遵守相关安全规定和操作流程。

另一方面，构建一个健全且高效的信息管理体系，对于风险评估决策者而言，是获取全面信贷风险概览、精准把握小微企业风险态势的关键。这一体系的有效性，直接关联到银行信贷信息收集的精准度、信息流通的顺畅度以及信息内容的完整性。为此，银行内部应秉持“科技引领、资源共享、普惠服务”的理念，构建技术创新平台，推动业务全面数字化转型。同时，加强内部数据管理，致力于提升数据利用效率与数据质量，确保决策基础坚实可靠。在外部环境中，银行需打破信息壁垒，积极融入外部数据生态系统，实现数据资源与信贷管理信息的跨界共享。通过拓宽数据收集渠道，构建数据共享与合作机制，不仅能够显著降低银行在风险管理方面的成本投入，还能促进社会信用体系的进一步完善与发展，为构建更加透明、高效的经济环境贡献力量[14]。

4 结语

当前，数据要素是数字经济深化发展的核心引擎，是最具时代特征的生产要素。对普惠金融而言，数据要素正驱动其提质增效、创新发展。本文通过分析中小微企业信贷风险评估方式的发展现状和数据要素的特点，系统性剖析了数据要素驱动中小微企业信贷风险评估方式创新的现实问题，包括信用风险评估体系创新不足、银行与中小微企业间的信息不对称、数据孤岛和信息系统建设不全面等。同时，文章创新地提出了其解决方法和实践路径，包括构建数据驱动的中小微企业信贷风险评估模型、优化中小微企业数据管控和动态预警机制、加强数据安全和信息系统建设等。

展望未来，银行应在激活数据价值、赋能中小微企业方面扮演“核心引擎”的角色，主动携手政府机关、多元企业及社会各界，共同推动数据要素技术的深度融合、业态的持续创新和技术的不断突破，致力于打造一个健康繁荣的数据要素生态体系。在这一体系中，数据要素将作为核心驱动力，全面激发社会经济发展的新活力，力求实现数据价值分配的帕累托最优状态[15]，确保各参与方利益最大化。

作为数据的主要应用者，银行应积极拥抱数据要素的红利，不仅要在内部深化数据应用，提升服务效率与质量，还要将这份力量外溢至实体经济，特别是聚焦于那些在中国社会主义市场经济体系中占据重要位置的中小微企业。通过精准的数据分析与服务定制，银行将加大对普惠金融的投入力度，确保金融服务惠及更广泛的社会群体，助力中小微企业健康成长，共同构建一个充满活力、高效运转的数字化经济新生态，为经济的持续健康发展贡献力量。

参考文献

FitzpatrickPJ.AcomparisonoftheRatios of Successful Industrial Enterprises with those of Failed Companies[J].Certified PublicAccountant，1932（2）：598-729.

Lingyun S ，Haodong L， Yacong T， et al.Enhancing Enterprise Credit Risk Assessment with Cascaded Multi-level Graph Representation Learning[J].Neural Networks，2024，169475-484.

王培培，周小平，陈佳佳，等.基于KMV-CatBoost增强的企业信用债券违约风险评估模型[J].上海师范大学学报（自然科学版中英文），2024，53（2）：247-253.

刘思佳，陈英伟，梁亚玲.基于SSA-SVM模型的我国互联网上市企业的风险评估[J].内蒙古科技与经济，2024（2）：83-86.

陈继强，张峰，张丽娜，等.基于模糊信息分解的中小微企业信用评估组合模型[J].模糊系统与数学，2022，36（5）：142-150.

李淑锦，吴王滢.基于ENet-COX模型的中小企业信用风险评估研究[J].杭州电子科技大学学报（社会科学版），2022，18（3）：32-40.

Gong M .Research and application of credit rating model in small and micro enterprises based on fuzzy neural network[J].Journal of Discrete Mathematical Sciences and Cryptography，2017，20（4）：817-834.

王雪，夏义堃，裴雷.国内外数据要素市场研究进展：系统性文献综述[J].图书情报知识，2023，40（6）：117-128.

中国信息通信研究院.数据要素白皮书（2022）[R/OL].[2023-03-20].www-caict-ac-cn-s.hutb.yitlink.com：8444/kxyj/qwfb/bps/202301/t20230107_413788.htm.（China Academy of Information and Communication Technology.Data Elements White Paper（2022）[R/OL].[2023-03-20].www-caict-ac-cn-s.hutb.yitlink.com：8444/kxyj/qwfb/bps/202301/t20230107_413788.htm.）

张明，路先锋，吴雨桐.数据要素经济学：特征、确权、定价与交易[J].经济学家，2024（4）：35-44.

刘星.信用体系建设与商业银行健康发展探究[J].投资与创业，2024，35（5）：188-190.

孙海丹.大数据时代小微企业财务风险预警机制与实践探析[J].河北企业，2024（5）：87-89.

陈应棋，沈庭芝.浅谈我国商业银行贷后管理现状与应对策略[J].商业经济，2023（11）：181-183.

白文元.数字化转型下商业银行小微企业信贷风险管理研究[J].金融文坛，2023（8）：88-90.

曹建秀，叶颖豪，林志聪.数据要素赋能银行数字化发展实践与探究[J].金融科技时代，2024，32（4）：6-11.