随着“数字中国”的建设，国家持续推进信用信息共享，为普惠金融的数字化转型提供了新机遇。工商银行深入贯彻落实党中央发展普惠金融的战略，遵循总行党委“做真、做实、做好、做活、做持久”总体要求，坚持在发展普惠、服务实体中诠释对“金融工作政治性、人民性”的理解，紧抓“数字中国”建设新机遇，依托“数字工行”建设，全面深化数字化创新应用，通过推行“1+N”数字化风控体系，让普惠服务更精准、更流畅、更聪明，全方位提升普惠金融服务质效，加强数据增信，全面助力小微企业发展。
中国工商银行普惠金融事业部副总经理兼网络融资中心总经理 周杨
“1+N”数字化风控体系
“1+N”数字化风控体系以多源数据融合应用为基础，利用大数据技术和机器学习算法，研发了高效稳定、适应性强的风控模型，实现了普惠业务精细化管理和高效运营。
1.通过多维度数据融合实现普惠客户精准画像。整合行内与行外数据资源，对不同维度数据交叉验证，多角度综合评估客户风险，构建小微客户信贷指标库，实现了从侧重单一维度数据衡量客户风险到融合应用多维度数据精准刻画客户风险全貌的转变。
2.通过风险计量实现获客标准统一。基于小微企业“人企合一”的特点，深入挖掘企业及企业主经营流水、征信、互联网行为等强风控信息，通过主风控主模型“1”统一量化客户风险指标，提供客户企业级核心风险评价结果，强化客户主体风险特征、弱化单一场景概念，统一了全行开放式获客标准。引入税务、财务、押品等丰富的场景数据，研发场景模型“N”，辅助判断客户风险并提供授信额度依据。在此基础上，将风控主模型“1”与特色场景模型“N”进行融合，打造普惠客户专属“1+N”风控评分，提升客户入口端风险识别精准性，减少信息不对称性。
3.通过差异化风控策略实现精细化管理。遵循“以客户为中心”的管理理念，基于客户精准画像和“1+N”模型表现，制定差异化风控策略，实现普惠客户“千人千策”的精细化管理。审批准入方面，按照客户特征进行差异化施策，适应不同普惠业务形态需要；建立快速迭代机制，在宏观经济环境变化、政策调整等情况下，结合宏观面变化趋势和专家经验，灵活调整准入策略。授信定价方面，以“1+N”模型评分为基准，结合客户风险、经营情况、融资需求和产品特点，制定综合化授信、差异化定价策略。
模型体系构建原理与过程
通过整合行内外数据资源，优先选取对于企业及企业主覆盖广、价值高、效果好的人行征信、行内资产流水、互联网行为等维度数据，从信贷表现、营收能力、欺诈共债等角度，研发兼具通用性和有效性的主风险模型“1”；结合普惠产品业态，利用押品、税务、商户等特色场景指标构建特色场景模型“N”，进行辅助授信；在此基础上应用AR加权投票、集成等模型融合技术，打造“1+N”融合评分模型，有效提升普惠业务精准服务能力。
1.建立主风控模型“1”。围绕企业与企业主征信信息、我行掌握的客户交易信息和通过互联网收集的客户行为信息三大类核心风控数据，分别搭建客户征信、经营评价、企业主互联网行为风险评估子模型，并对三个子模型结果融合进一步形成风控主模型“1”，作为普惠客户风控主标尺。风控主模型“1”综合了强风险变量，具有通用性强的特点，针对不同客群识别效果稳定。
征信模型主要反映企业与企业主信贷表现。聚焦客户贷款、负债、公共信息等数据，围绕客户融资需求、负债程度、还款历史、欺诈负面等维度信息，搭建企业和企业主信贷评估指标体系，累计衍生企业主征信指标2000余个，企业征信指标1000余个。
经营评价模型是通过挖掘企业及企业主在行内留存的资产、交易流水、行内信贷表现和基础信息等数据，提炼客户风险特征，累计提炼企业和企业主行内经营指标1500多个。包括：基础信息，围绕企业开户年限、行业地区，以及企业主年龄、关联亲属及企业等维度构建基础信息指标体系；交易流水信息，围绕企业结算、转账、用途、三方支付等维度深挖客户行内资金流向信息，构建资金流向用途指标体系；资产信息，围绕资产持有及波动等维度，深挖客户在行内的资产存款、中间业务等产品的资质情况；行内信贷表现，围绕企业的行内贷款情况、还款表现，以及企业主行内贷款和信用卡使用等借贷行为信息，挖掘客户行内信贷评估指标。
互联网评分模型主要反映在开放式获客模式中客户的欺诈风险。通过引入手机APP行为、运营商行为以及P2P平台、互金平台等客户互联网行为数据，从支付能力、借贷意向、偿债压力水平、团伙欺诈、个人共债等角度衡量企业和企业主的外部风险表现，研发企业主互联网评分模型。
2.建立特色场景模型“N”。主要通过研究收集的客户特色数据，对客户的风险状况进行补充评估和交叉验证，更精准评估客户的经营情况及融资需求，制定差异化的授信定价策略。目前，我行特色模型“N”包括数十个模型、百余条风控规则，对夯实普惠业务风控发挥着至关重要作用，主要几个特色模型简介如下。
场景模型实现不同客群的差异化准入。主要应用客户代发、税务、财报、电力、银联收单、海关等体现小微企业经营状况的数据建立对应场景模型，交叉验证客户结算流水的真实性与经营稳定性。以财务模型为例，通过挖掘企业资产负债表、现金流量表和利润表数据，开发出由财务量化评价模型、财务异常识别模型、财报可信度分层模型共同组合的财务评价模型。
押品模型形成普惠客户增信的强效手段。押品作为第二还款来源，对于化解业务风险有着重要作用。依托外部数据资产，通过大数据技术、机器学习模型等手段，建立我行的城市房产评分模型、小区变现评分模型和押品变现能力评估模型，结合押品模型的综合评价结果，可以差异化评估押品价值、抵押率。
债项模型实现债务风险量化评价。通过收集借款人财务状况、管理水平、行业市场、现金流量预测以及具体债项特征、融资方式、避险措施等多方面信息，搭建普惠客户债项风险评价模型，实现债务风险量化评价，准确识别、计量、监测和控制客户信用风险，补充了主模型“1”的评价维度。
3.建立“1+N”融合模型。通过整合行内、行外数据资源，以稳定有效的主模型“1”为风控主标尺，特色模型“N”辅助刻画客户风险，搭建“1+N”融合模型风险评分体系，实现不同分档客户的风险表现确定相应风险等级，制定准入策略。
模型应用典型案例
工行商户贷是为小微商户打造的开放式信用类融资产品，客户可通过手机银行等渠道实现全线上办理，依托“1+N”融合模型体系，完成商户贷模型全面升级优化。该产品自2022年9月在全行推广以来，广受市场欢迎，已经成为工行数字普惠的重要创新产品，其主要亮点如下。
数据层面，通过挖掘商户在行内的经营流水，引入银联收单数据，扩充丰富了商户在他行的收单情况，更加全面准确地还原商户的经营状况，为小微商户提供了数据增信。
模型层面，依托“1+N”融合模型体系，综合商户行内外收单交易数据，提炼收单稳定性、增长趋势、收单异常等特征，结合商户主消费能力及偏好、资金流向、用卡健康度等信息，打造“商户场景准入模型”；通过挖掘收单交易对手集中度，交易金额等信息，打造“刷单套现识别模型”，融合成为特色模型“N”。在此基础上，通过双轨矩阵进行融合，形成商户贷款“1+N”融合模型决策体系。
授信层面，通过融合内、外部数据准确还原商户经营业态，综合评价商户风险表现、行业特点实现精准授信，有效提升小微商户支持力度。
（栏目编辑：马俊）