导读 我国纺织业有着几千年的历史，是国民经济不可或缺的重要组成部分，中国作为世界纺织大国随着产业互联的发展，其背后的纺织行业供应链金融如何赋能产业是非常值得大家探讨的话题。一方面纺织产业有着很长的供应链条，并且链条上各种生产要素错综复杂；另一方面金融如何服务好产业链上的客户，并做好风险管控是一项富有挑战性又很有价值的事情。

本次分享题目是《纺织产业供应链金融大数据风控体系》，主要内容有以下四个方面：

1. 纺织产业供应链简介

2. 大数据风控模型体系

3. 风控模型应用案例

4. 机遇和挑战

分享嘉宾｜于溦 致景科技 风控模型负责人

编辑整理｜罗傲雪 慧科

出品社区｜DataFun

01 纺织产业供应链简介

首先介绍一下纺织产业供应链，让大家有一个全面的了解。衣服大家都非常熟悉，但是在一件衣服背后是一个非常庞大的纺织产业，这个产业的链条非常长，从上游具有大宗属性的棉花、纱线、化纤到中游的坯布、印染再到下游的成品布、服装、销售，在整个链条上的各类生产要素众多，并且整个产业链受到国内外等多种因素的影响，具有非常高的复杂性。

在如此复杂的纺织产业链上如何让金融产品服务好客户，并做好风险防控具有非常大的挑战，需要关注以下四个方面风险：政策风险、行业风险、经营性风险和道德性风险。

  • 政策风险：一些重要的事件比如限电政策对行业影响比较大，去年华东地区的限电政策造成华东地区的的织厂、服装厂的减产；此外国际形势对纺织产业链影响也很大的，譬如广东的佛山、东莞主要以成品布、成衣的出口为主，由于受中美贸易关税、棉花减产等重大国际事件的影响，造成企业经营周转出现问题；

  • 行业风险：产业链中不同类型的企业受到行业不同政策的影响，譬如印染行业属于高污染，受环保政策影响很大，因此需要重点关注环保政策；纱线、化纤等原材料则受国内外期货影响很大；而终端服装行业则属于季节周期性行业；

  • 经营风险：针对企业类型的授信主体，企业的经营受到上游原材价格和下游需求的影响很大，此外企业在生产中设备老化、事故等，都会造成企业经营风险；

  • 道德风险：譬如企业主的行业口碑、不良嗜好或者客户经理的串通骗贷等行为属于要考虑的道德风险；

这四类风险是供应链金融在服务不同客户时所面临的挑战。为了应对上述挑战，根据行业的实践总结出一套纺织行业大数据风控体系。

02 大数据风控模型体系

1. 风控体系

根据对供应链风控逻辑的梳理和行业的不断实践，总结了一套纺织行业的“1+D”大数据风控体系。

纺织行业分为棉、纱、布、衣等多种场景，并且不同场景下企业的经营模式大致分类供应商和贸易商，供应商一般具有实体工厂，采购原材料进行加工生产，贸易商主要以商品贸易为主。根据企业的经营模式不同，风险防控的逻辑也不相同。

  • “1”为授信主体：授信主体分为企业和个人。需要综合衡量企业和企业主的相关资信情况，譬如是否有担保、是否具有相关资质，、信用等级或信用评级等；

  • “D”为内外部数据：这部分未数据赋能，其中包括企业的内部数据如采购数据、销售数据、仓储数据、以及基于 IOT 设备的物联网数据；外部数据如企业工商数据、司法数据、资金流水等，通过这些数据从多维度评估“1”的信用情况；

  • “+”为风控抓手：供应链金融是基于交易提供的金融服务，因此确定交易的真实性非常重要，其中涉及四流合一、货物的管控、IOT设备的监控。通过信息流、资金流、商流、物流等信息为抓手来确认交易的真实性；通过对仓储货物的管控、IOT 设备运行数据对企业的货物和开工情况进行评估，以此作为风控的抓手进行风险防控；

以上就是是针对纺织行业供应链的“1+D风控体系”，为了更好的执行这个框架，在落地中共分为四个模块：数据、模型库、策略图谱和系统。在这四个模块中，数据是尤为重要是后续工作的基础；在数据的基础上通过不同的算法构建模型库和规则库；基于模块化模型库和规则库根据不同的场景和产品去构建准入、定额、定级、支用的风险策略，形成策略图谱；最后需要一套系统化、流程化、智能化的系统来承载，提高工作效率。下面就对各个模块做具体介绍。

2. 数据底座

大数据的风控体系里最核心的是数据，整个数据底座共分为四个层：

  • 数据源：根据“1+D的风控体系”需求针对多场景、多产品的需求汇聚企业内外部的数据，不断丰富数据的种类和维度，满足风险防控的需要。

  • 基础层：在基础主要是对原始的数据做加工汇总，形成基础的数据服务。基于数据源的数据构建金融数仓，并对数据进行治理，保证数据的可用性、丰富性、一致性；在金融数仓的基础上提供如 360 画像标签、指标体系、特征库、知识图谱等数据服务。

  • 数据产品层：在数据基础服务之上，根据业务的需要建设包括管理驾驶仓、智能预警、模型中心（评分卡模型、催收模型、风险传导、多头借贷、产能预测）、AI 中心等数据产品，提供数据应用的价值。此外我们也在探索隐私计算、联邦学习在金融风控场景的应用，并取得了一定的成果。

  • 应用层：是具体的业务场景包括金融服务、风险防控、客户洞察等。

3. 模型库和规则库

第二部分是风控模型库和规则库。

由于产业链上场景不同，客户的经营模式和能获得的数据各不同，我们一直在思考风控模型如何能够快速适用在新的场景中，通过对场景的归类整理，从而对模型、风控规则进行了组件化处理，这样在新的场景下，应用不同模型、规则组件进行组装，可以实现快速适配。模型库、规则库也是按“1+D风控体系“进行建设：

  • “1”主体信用：包括主体信用 A、B、C 卡模型和基于客户画像、客户分层、主体定级的规则；

  • “+”交易抓手：一方面基于真实交易构建交付能力、销售能力等模型；另一方面通过物流等信息实现货物估值和货物监控规则；

  • “D”内外数据：基于底座的数据构建不同数据来源的原子模型，如产能预测、风险传导、工商模型等；

通过这样一套模型库和规则库就可以支持后续的风控策略图谱建设。

在构建模型库的过程会涉及到相关的算法，包括有监督学习和无监督学习，具体应用的算法可以参考 PPT 材料。

4. 风控系统

基于风控的需要，我们研发了一套可配置的风控系统来承载数据、模型和策略。系统的两个核心功能是流程引擎和规则引擎。

  • 流程引擎：在不同场景中的授信主体种类较多，每个场景的准入流程各不相同，因此需要一个可配置化的流程引擎来应对纺织业的复杂场景。

  • 规则引擎：系统的另一个核心是规则引擎， 该引擎可实现规则的部署、灰度测试、回测等功能保障营销、准入、贷中、贷后风控规则的快速部署和决策。

03 应用案例

下面通过一个行业案例介绍下纺织行业风控的实践。

在整个产业链里织厂是处在产业链的中游，在我国有几万家坯布的生产厂商，这些工厂年产值在几千万不等，上图是一家织厂的实景图，我们通过在织机上安装 IOT 设备，采集机器的转速、圈数、开功率等参数传回云服务器，根据这些数据进行生产仿真建模，并通过模型的结果来指导企业的经营生产和进行风险防控形成数据价值的闭环。

在纺织产业布的场景中，纺织厂的授信的主体是生产制造型企业，其授信服务是基于工厂原材料采购的真实交易，为客户提金融服务之前，首先是要为客户确定相应的授信策略，而授信的额度是其中关键的一步，授信额度如果过高，可能造成企业过度采购或虚假采购等风险的发生，额度过低则不能满足企业正常经营的需要，因此授信额度是授信生命周期中风险控制的关键。经过对织厂的调研，一家织厂原材料采购占总支出的大约 60-70%，其它支出用于水、电、员工工资等。因此对原材料支出的预测对合理确定授信额度非常有帮助。

  • 传统授信定额：通常是根据企业过往一年的交易流水计算资金需求，而在中小微企业中，财务管理通常很不规范，账目不够清晰，所以通过这种方式确定额度不够准确，经常造成授信额度不够或太多被挪作他用；

  • 动态授信定额：为了更精准合理确定授信定额，我们使用工厂设备的 IOT 数据，通过算法预测企业未来一段时间内的机器开工效率和工厂的开工率，继而推算出原材料的采购需求量。结合原材料价格得到企业未来一个段时间原材料采购资金需求，达到动态调整企业的授信额度；

在产能预测模型中，主要使用三方面的数据：

（1）IOT 设备相关数据：如设备开机时长、设备运行效率、工厂开工率、工厂机台平均无故障运行时间 MTBF 等数据；

（2）企业经营相关数据：如工厂、机台、员工的基本属性，工厂的排班信息，工厂进销存等数据；

（3）产业链、自然环境等数据：如原材料价格、大宗商品的期货和现货价格，产业集中度、区域工厂开工率等数据。此外还有天气和温度数据，这个在纺织行业里非常重要，比如天气寒冷，对冬装的需求就会较大，因此冬装布料的需求就会增加，织厂的开工率就会提高。

在进行产能预测模型的研发中，我们借鉴了产业界比较成熟的实践，采用了集成学习算法和深度学习算法。预测织机未来一个月每天的效率值是一个回归问题，采用了时间序列模型并进行多步预测。

根据工厂设备前 30 天的开工效率情况，预测企业未来 30 天的的设备开工效率情况。为了实现预测机台未来 30 天每天的机台效率，模型架构采用多步预测，即训练时使用机台观察点前 m-1 月的每天的变量特征 x1_m-1，……，xn_m-1 和的观察点当天的机台的运行效率值 Y 进行模型的训练；在模型预测时，采用 t 天的数据去预测第 t+30 天的机台效率，预测 30 步，即预测未来 30 天的机台效率。

产能预测模型主要有以下三个应用场景：

  • 授信定额：通过模型预测出每个机台未来 30 天每天的开机效率，根据“产量=机台效率*24H*车速/纬密/100”计算出每天机器布匹的产量，在根据“原料耗量=坯布单台产量*坯布经纬克重*1.1”计算出对原材料的需求量，在根据原材料价格，计算出工厂对原材料的需求金额，根据这个需求金额和授信可用额度取最小值，对客户的额度支用进行动态的管理。

  • 贷中监控：通过预测的机台效率和实际机台效率的差异判断工厂的经营是否异常，从而设定贷款的预警规则，提示工厂的经营风险。

  • 产能匹配：根据预测效率计算出工厂产能与工厂最高产能之间的差异，可以计算出工厂未来一段时间空余的产能，从而进行需求的订单匹配，提高工厂的产能效率。

04 机遇和挑战

在产业互联的大潮中产业金融也面临着机遇和挑战。

1. 产业金融的机遇

国家政策鼓励：国家最近有密集出台相关政策，其中包括产业互联网发展指导政策以及金融赋能实体经济的扶持政策，因此在国家的鼓励扶持下，整个产业互联网发展态势会更好；

工业互联网加速工业变革：现在企业数字化的进程在加速，IOT 设备被大量的应用到产业中，这样会留存大量的工业数据，通过对这些数据的挖掘可以提供高供应链的效率，从而加速整个产业的向上升级；

产业金融新模式：传统企业授信是基于财务报表相关数据，而对于小微企业的财务制度不够完善的现状，通过 IOT 物联网数据和产业互联网平台的交易数据去评估一个企业的信用，可以更好的了解企业真实的生产情况和经营情况，这个就可以加大金融支持小微企业的力度，通过数据赋能创新产业金融的新模式。

2. 产业金融的挑战

产业数据化程度还有待提升：现在纺织行业的数字化程度还不高，很多小微的纺织厂还在使用传统的手工或者 Excel 记账，因此产业数字化还有很大提升空间;

需要更多先验经验：由于其 B 端小微的性质，在数据量和可用的建模样本上不如 C 端那么丰富，因此在建模过程中还需要更多先验经验辅助模型的构建；

需要更多人才投入：在国家政策鼓励的东风下，也需要更多的相关人才投身到产业中，提升纺织行业相关能力，助力中国从纺织大国成为纺织强国。

今天的分享就到这里，谢谢大家。

分享嘉宾

于溦

致景科技 风控模型负责人

哈尔滨工业大学硕士，平安国际智慧城市AI专家，负责构建平安法律知识图谱；平安银行科技开发中心智慧风控风险模型负责人，主要负责小微企业风控建模、物联网数据治理及金融知识图谱建设。致景科技，主要负责纺织产业供应链金融、小微企业风控建模、金融大数据。

声明：本文来自DataFunTalk，版权归作者所有。文章内容仅代表作者独立观点，不代表安全内参立场，转载目的在于传递更多信息。如有侵权，请联系 anquanneican@163.com。