用结果导向的“归因法”，能否在过程中控制用信风险？

现实工作中，金融机构在信用审查通过之后即开始用信的过程。一个合同周期结束之后就会知道此笔用信的质量结果，可以判定是正常的用信还是非正常的用信，比如逾期、欠息或者形成坏账。对于非正常的用信结果，在后期需要分析成因，然后得出一系列共性的原因再去调整前面信用审查的模型因子，使得后面的信用审查可以规避或者拒绝类似的用信申请，提高用信质量和收益。

在商业银行互联网贷款的管理中，因为非正常用信呈现的离散和偶发的特点，我们把这种分析不良资产成因的方法称之为“归因法”。只在出现了非正常用信结果才去做归因分析，我们称之为“结果导向”。这种分析方法采用了数学中概率论的原理，很多金融机构使用的是一种小样本采样模型和计算机学习的算法。很明显，如果不出现非正常用信结果，一般情况是不会去调整信用审查模型中的相关因子。所以对现有的银行互联网贷款这种批量作业形式中只能通过“结果分析推导原因”，无法做到在过程中控制用信质量。

反观产业数字金融场景下的信用审查和用信质量控制，则是“过程导向”的机制。在产业数字化场景中因为大量的使用了工业物联网（IIOT）技术和设备，通过第三方产业数字化平台在工业传感器的根结点引出数字信号，金融机构按照事先设定的风险分析模型判断和分析有可能造成生产经营异常的原因，通过支付控制来及时止损或者及时提示风险成因进行人工干预。这样就可以把用信风险的过程控制放到了产业现场的最初阶段。所以说，在产业数字化场景中是过程导向的信用风险控制，显然比结果导向的用信质量控制要先进得多。

可能有人要问，那么在信用审查的阶段，如何获取生产场景中的历史传感器数据呢？这就是产业数字化平台的作用了。产业数字化平台是一个第三方的独立机构，其存在的意义是给大量的产业场景提供数字化的服务。比如数字化第三方物流交付平台、设备预测性维护平台和环境状况监测平台等很多平台机构，这些平台的主要业务是服务于产业场景的日常生产调度和工艺控制。

产业数字化平台会将实时采集的数据进行清洗、标注和留存备份，用于工艺场景的即时和历史分析及相关的其他应用。这些海量数据即构成了实质上的“产业数字资产”。随着区块链和加密脱敏技术的使用，这些数据的可信度足以胜过生产经营结果出现后人工填制的财务报表。用这些历史形成的即时留存的IIOT数据，通过金融机构的信用审查模型，结合金融机构可以取得的外部征信数据和支付数据，就可以得出完整的信用审查结论。

信用测算的基本原理是用历史测算未来，只有把信用审查的触角深入到历史的真实过程中才能排除主体信用和交易信用测算中的原始数据造假行为，还企业信用的本来面目。金融机构把工业场景中“采购原材料的钱（信用）--投入生产线的物--销售产品收入的钱（信用）”的闭环转换逻辑理解和应用了之后，在用信过程中控制风险就很容易实现了。

本文作者：左杨农 ，66云链董事、高级顾问，江阴恒阳物流集团高级顾问，中物联“物联网技术与应用专业委员会专家组”专家，万联网获授权发布