模型介绍
物流供应链中主体如物流公司总包方一般会在交通发达城市,所以模型主要用户是城市商业银行。针对第三方物流公司发放贷款,模型可筛选申请贷款企业进行风险准入,量化评估企业的信用评分并根据评分计算出信贷额度。
企业基本信息:如实际运行所在地,分支机构数量,注册资本,工商注册年限,公司人数等。
企业经营能力:如运营车辆数,自有车辆占比,近一年订单数及金额,近一年订单离散度等。
企业的成长性信息:如车辆年华增长率,订单数及金额年华增长率,新客户增长率等。
供应链稳定性:如近一年上游的企业数量,近一年上游户均订单数及订单额,平局回单周期等。
企业信用历史:纳税信用等级,工商处罚记录,涉诉金额等。
企业法人的信用历史:是否存在违约记录,是否存在担保等。
企业司法体系:如涉诉信息金额是否达到注册资本的10%,企业的涉案数量,金额,原因等。
企业黑名单:企业是否命中网贷黑名单,企业是否命中严重违法失信企业名单。
个人黑名单:个人是否命中网贷黑名单,是否命中失信公告等。
个人司法体系:身份证是否命中法院失信被执行人名单,身份证命中犯罪通缉名单等。
个人信用记录:个人近两年申请同类平台数量,近半年信用卡逾期次数等。
模型首先对客户进行风险准入筛选,过滤掉风险极高的客户,有效减少债务违约风险,然后使用第三方物流公司内部和外部上百维数据,原始数据经过一系列数据清洗、WOE编码,IV值筛选特征等特征工程处理,以逻辑回归算法建立评分卡模型,输出该客户信用评分,评分越高客户信誉度越好。然后,评分授信模型根据评分及客户的订单总额等信息给出最终的授信额度。
风险准入模型和信用评分授信模型一起用于个第三方物流公司贷前风控环节,帮助银行过滤掉风险极高的客户,将风险敞口控制在合理范围内,经验证模型取得了较好效果,且根据后续行方数据对模型进行了更新升级以适应外部变化。
模型的难点在于设计除企业司法体系,行业体系,及企业法人是否命中各种黑名单外,还设计了通过大数据度量企业的“小微”信用。比如最早开发票月份至今时间来判断企业的实际运营时间,较长运营时间代表了更高的企业信誉;再如最晚发票距今时间是否大于某个值,从中判断企业此次贷款是否有真实的业务需求等等。由于物流供应链是一个涉及大小企业不一、很多个体承包小企业和很多信息不足的卡车司机等组成的体系,很难通过某些固有指标来评价其风险。此外,没有统一完善的系统来记录下物流各个环节的票据,很难查看出企业真实运营情况。天云根据第三方物流信息综合服务平台所记录的大数据研究物流供应链金融的各个环节,找到影响不同类型实体守信的制约条件,并且通过企业在近两年平时的表现来考察其真实的经营状态。