澳门科技大学 黄昊泽 崔凯 吕宇宁

工银澳门金融科技部 邓乐驰

  中小企业是澳门经济发展的中坚力量。2023年，在澳门企业中，中小企业数量占比超过90%。中小企业的健康发展离不开银行的支持。近十年来，澳门中小企业的用信率升幅达到16.7%，资金需求在不断增加，但中小企业授信渗透率仍维持在较低水平，根据澳门金融管理局官网数据，2023年下半年授信渗透率仅为15.6%。这说明，中小企业融资难的问题仍普遍存在，金融活水难以高效直达中小企业。

  经实地调研发现，澳门中小企业申请贷款程序繁琐，银行传统授信流程复杂(如图1所示)，主要原因有两方面：一方面，便捷化的贷款申请平台缺失，使得中小企业难以便捷获得贷款所需资料和贷款进度的及时反馈;另一方面，澳门地区银行普遍存在采集数据维度单一、缺少标准化的审批流程、数智化转型缓慢等问题。“低效率”导致了中小企业融资难的困境，也影响了澳门地区银行支撑实体经济高质量发展的步伐，银行迫切需要以智能化技术作为解决问题的密钥。

  为解决澳门中小企业融资难的堵点，研究团队提出了构建“澳盾一号”中小企业数智化风控信用平台(以下简称“澳盾一号”)。澳盾一号通过采集具有澳门地方特色的多维度生态数据，采用ResNet神经网络深度学习算法构建底层模型，优化贷款审批流程，准确评估企业的信用风险和还款能力，实现小额贷款秒批秒贷。同时，澳盾一号能够快速处理大量的数据，对多维度数据进行自适应评估，准确筛选出通过贷款准入标准的客户，提供信用评分、额度建议并构建预警指标，进一步构建全行业统一的标准化模型，满足针对澳门地区乃至粤港澳大湾区的客群需求。

  中小企业通过澳盾一号可以更便捷地提交贷款申请和数据授权，并得到快速反馈和评估。澳盾一号通过打通信息壁垒，构建信息交互渠道，简化借款人的放贷手续，降低银行的不良贷款率和坏账率，助力澳门地区银行由“不敢贷”转变为“放心贷”;降低中小企业融资成本，解决澳门中小企业融资难等问题。

  一、基于澳门地方特色数据场景，实现多维度数据采集

  神经网络的训练需要大量的数据集，为了满足信用评级网络的训练，平台需要对以往的贷款历史数据进行采集，具体包括银行内部数据、客户上传数据、“互联网+第三方”数据和商圈生态数据等。本质上澳盾一号模型是一个多分类模型，使用交叉熵损失函数进行训练。基于澳门地方数据生态拟定的多维数据集如图2所示。

  其中，“互联网+第三方”数据与商圈生态数据在澳门征信实践中尚未有过应用实例。

  “互联网+第三方”数据：一方面，银行可以与第三方或互联网服务公司合作，经过企业的授权后，获取股东的澳门钱包(MPay)中MCoin(可用于兑换各类商户现金券及产品，作为客户消费能力的参考)数量以及其他支付软件的信用评分等。另一方面，澳门中小企业中餐饮食肆业和零售商户占比最大。为提高服务效率，它们往往会使用扫码点餐、外卖、线上排队系统等，银行可以与相关服务提供方达成合作协议，提取商户真实的销量信息，有效拓展数据深度。

  商圈生态数据：自珠澳两地通关后，访澳旅客数量大幅回升，各大商圈游客络绎不绝。通过与商圈达成合作协议，采取大商圈包围小商户的方法，在取得商户的授权后，精准识别商圈内的商户空间布局，分析潜在客流量。同时，获取商户租金与水电费缴交详情，细化信用风险;实时监测商户的客流量，真实还原商户经营状况，提高信用评估准确度。

  二、智能化底层模型，构建标准化审批流程

  在多维度数据的支撑下，澳盾一号采用神经网络模型进行数据分析。近年来，ResNet系列神经网络模型在金融科技、医学和遥感领域得到广泛应用，其中包括ResNet18、ResNet34、ResNet50、ResNet101和ResNet152等典型模型。考虑到银行应用对实用性的强调，ResNet50在算法优化和计算负担方面相对于其他典型模型具有明显优势，在准确率、检测时间和参数量方面表现出优异性能。相较于经典深度卷积神经网络模型如VGG和Inception系列，ResNet系列模型更简单且性能更强。鉴于此，澳盾一号选择了ResNet50网络模型作为平台的主要模型。

  信用评级神经网络由三部分构成：数据编码器模块、特征提取网络和评级结果生成器。本文将对前两部分进行介绍。

  1.数据编码器模块

  用于AI网络的原始数据长度不统一、类型多，无法直接被应用于神经网络计算当中，因此需对所需不同数据进行编码，形成统一的尺寸，从而匹配神经网络的输入向量形式。例如银行的流水信息长度为I流水，表示商户的分类信息定义为I商户类型，其中I流水的数据长度远大于I商户类型。通过数据编码模块，将流水信息和商户分类信息映射到相同的长度(Iencoder)，从而可以拼合为一个向量输入到神经网络当中。

  对于银行的流水信息，不同商户因行业类型不同，流水情况也不尽相同，交易金额波动很大，不利于提高神经网络模型分析的准确度。因此，需要先对输入数据进行归一化处理，统一输出数据的量纲，之后对输入流水数据进行编码，调整并确保输入数据的尺寸与特征提取网络所需输入尺寸相同。

  对于企业工商信息等其他属性信息，同样需要根据所需的分类信息进行编码，以匹配神经网络的输入。AI信用评级网络架构(如图3所示)中，经过编码器形成的向量具有相同的通道数量，可以直接拼接成一整个向量，便于神经网络对所有的信息进行全局特征提取和特征融合。特征图像的每一行或几行保护同一种数据来源，以此方便结果定位。

  2.特征提取网络

  特征提取网络是神经网络的主干部分，对输入的所有信息进行提取。如传统的数学模型一样，特征提取网络对信息的关键特征进行提取，例如流水信息中的高额交易总数、流水总量等有效信息，通过卷积、池化操作以及非线性变换，对这些数据进行特征提取、特征映射。输出结果为一个高维度向量，不仅包含了所需要的流水、工商信息的重要特征，还可对这些特征进行压缩。通过多头感知机对这些特征值进行重新加权求和，可以获取最终所需要的商户信用评级以及推荐贷款额度。

  澳盾一号拟采用的特征提取网络为ResNet50。ResNet50由5个残差块组成，每个残差块内包括一系列的卷积层、批量归一化层和ReLU激活函数。这些残差块使用恒等映射连接，通过1×1、3×3和1×1的卷积核进行特征提取，其中1×1卷积用于降低通道数量，3×3卷积用于捕获空间特征，最后的1×1卷积用于提高通道数量。在每个阶段之间，池化层用于采样，以逐渐减小特征图的尺寸。ResNet的残差结构使得神经网络可以增加网络的深度，有效地解决梯度消失、梯度爆炸等导致网络无法收敛的问题，因此在图像分类等计算机视觉任务中ResNet50性能显著提升，成为一种常用的特征提取网络。

  同时，ResNet50可以用于提取图像数据的特征表示(如图4所示)，使用其卷积层输出的特征表示作为输入。这些特征表示捕获了图像中的视觉信息，例如财务报表、企业资产、信用历史、行业信息、设备等，这些信息对银行贷款决策有帮助。

  三、AI优化贷款审批流程，实现小额贷款秒批秒贷

  相较于澳门地区银行传统信贷流程，澳盾一号能有效缩短银行审批以及与客户对接的时间，快捷高效地助力“一站式”贷款申请与审批。澳盾一号可以快速替代传统流程中的贷款审批、资料补充、贷后风险识别等步骤，将原来的11个节点减少为6个节点，由现场递交材料变为线上申请，从长时间的人工审批缩短到T+1甚至是T+0系统秒批，由人工现场贷后和数据录入变为系统自动化实时处理，可极大提高效率。AI优化后的贷款授信流程如图5所示。

  在贷款业务全流程中，对比传统模式澳盾一号具有以下特点：

  在申请环节，客户可以直接在线上提出贷款申请，无需线下网点现场办理，简化了流程，提升了客户体验。

  在审批环节，澳盾一号通过四大数据模块和审批模型，全方位抓取客户信息，可以在T+0完成贷款额度、利率测算和审批，较传统人工审批极大地提高效率。

  在贷后环节，澳盾一号定期更新和提取行业、客户等相关信息，对客户贷款风险管理进行系统自动化处理，节省了大量人工现场贷后和系统数据录入处理的时间，保障中小企业授信业务量、质并举发展。

  在数字化转型背景下，澳门银行业将与当地中小企业深度融合，共同构筑澳门繁荣的数字经济生态，助力澳门经济适度多元化发展，更好地融入国家发展大局。下一步，澳盾一号将进一步赋能境外数据场景应用，为工商银行境外分行提供数字化信贷支持。

  (本文为2023年“工行杯”全国大学生金融科技创新大赛特等奖作品。)