互聯網金融的崛起給了中小微企業方便的融資渠道，但是很多中小微企業之間存在相互擔保、循環擔保等復雜的擔保關系情況，抱團成“擔保群”，對整個銀行業產生了嚴重的風險。正如之前有專家的文章指出，“互相擔保在未來一段時間內，還將成為小微企業獲取銀行貸款的重要方式。因此梳理、分析、防范和化解擔保圈風險，已成為穩定經濟增長，維護金融穩定的重要方面。”

　　而隨著大數據技術的發展，很多研究都采用了大數據中的復雜社交網絡技術來挖掘并分析擔保群, 其中有從宏觀的角度分析了全國的擔保群分布，并發現擔保群的地區性特征；也有深入發現核心客戶，以及建立風險傳播模型。

　　本文利用人行征信和商業銀行的既有數據，從鏈路形態的角度入手，先歸納了“相互擔保”、“循環擔保”、“金字塔”、“倒金字塔”等9種擔保關系的鏈路形態，然后在每個“擔保群”（通過“社區發現”算法發現）中自動化地智能識別出這些形態，并對每種鏈路形態的風險特征進行了統計，以發現風險程度高的鏈路形態，同時發現風險程度高的“擔保群”。

　　之前的研究很多分析全國的擔保群，其數量往往成千上萬，分析起來還需要很多人工干預。因此智能識別出風險程度高的“鏈路形態”以及“擔保群”，能節省人工干預時間，提高效率，更快地發現并預警風險，減少未知的損失。

擔保群鏈路形態的定義

　　通過業務經驗總結，歸納出了以下九種擔保鏈路形態：

圖1 九種鏈路形態

        （1）普通擔保：整個擔保群只有兩個成員，即一對一的擔保。

　　（2）長鏈擔保：整個擔保群的成員組成一條連鎖的長鏈。

　　（3）金字塔形：整個擔保群由一個企業為根向外擔保多個企業，被擔保者再擔保下一級，形成一棵樹。

　　（4）倒金字塔形：與金字塔形相反，所有的擔保關系最終都匯集到一個企業身上。

　　（5）多保一：“擔保群”中只要出現5個以上客戶給同一客戶擔保的情況就算存在此形態。

　　（6）一保多：“擔保群”中只要出現一客戶同時給5個以上客戶擔保的情況就算存在此形態。

　　（7）相互擔保：“擔保群”中只要出現兩個客戶相互擔保的情況就算存在此形態。

　　（8）循環擔保：“擔保群”中只要出現多個客戶形成環的情況就算存在此形態。

　　（9）復雜混合：沒有固定的形態，通過計算“擔保群”的復雜度來發現復雜的情況，復雜度計算公式為：關系數/(成員數-1)。比如復雜度為3的意思是客戶之間關系的數量是客戶數量（減一后）的3倍。

識別擔保群中的鏈路形態

　　擔保數據主要來源于人行征信數據和商業銀行的授信系統中的對公客戶的擔保相關數據，通過對兩兩客戶擔保關系的整合，匯總了業務、擔保金額和不良擔保金額等字段，一共采集得到65462條擔保關系，涉及78370個客戶的樣本數據。

　　采用社交網絡分析方法來分析65462條擔保關系，采用社區發現算法中穩定性和效率都比較高的Louvain模塊度算法發現找出“擔保群”。結果中一共發現了16870個“擔保群”。

　　對所有16870個“擔保群”使用Python和R編寫程序，智能地識別出9種鏈路形態，每個“擔保群”可以同時包含多種形態。得到的分布結果如下：

圖2 擔保群鏈路形態統計

　　“普通擔保”的擔保群雖然最多，但是其每個擔保群只有兩個客戶，所以只有20%的客戶是普通的擔保關系。

　　統計中發現比較有意思的地方是，“倒金字塔形”的數量遠遠超過“金字塔形”的數量，同時“多保一”的數量也顯著高于“一保多”的數量，說明客戶的擔保關系中，一個客戶被很多人擔保（或間接被擔保）的情況非常常見，風險集中程度高，是值得關注的點。

　　一個“倒金字塔形”擔保群至少有3個客戶，而“普通擔保”只有2個客戶，所以從客戶數量上看參與“倒金字塔形”的客戶數遠超過“普通擔保”的客戶數。

　　1、長鏈擔保的擔保群

　　下圖是典型的一個長鏈擔保的擔保群，5個客戶一個擔保一個連成長龍。

圖3 長鏈擔保的例子

　　2、金字塔形和倒金字塔形的擔保群

　　下圖是典型的金字塔形和倒金字塔形的擔保群，金字塔的根客戶以及倒金字塔的最終集中客戶都紅圈標示了出來。右圖的形狀并不是很漂亮的一級一級金字塔，而更像是一條長鏈，四周有分支的節點加入進來的感覺。

圖4 金字塔形（左）和倒金字塔形（右）的例子

　　3、多保一和一保多的擔保群

　　 下圖中核心的節點有很多對外的擔保關系，是一個典型的擔保公司，而值得注意的是他所擔保的客戶都同時還被其他的人擔保，所以這些客戶能同時滿足多保一的形態。

圖5 同時包含多保一和一保多的擔保群

　　4、相互擔保的擔保群

　　下圖中的擔保群成員數量雖然只有5個，但擔保關系已經比較錯綜復雜，而且其中還有一個“相互擔保”，存在一定的風險隱患。

圖6 相互擔保的擔保群

　　5、循環擔保的擔保群

　　下圖中的擔保群同時存在兩個“循環擔保“的環路！而且兩個環路共用一條邊兩個節點。

圖7 循環擔保的擔保群

　　6、復雜混合的擔保群

　　根據復雜度的計算公式，關系數/(成員數-1)。本次分析中復雜度最高的“擔保群”為5。如下圖所示，雖然只有5個客戶，但是5個客戶兩兩之間全部都有相互擔保的關系！意味著所有的10條邊都是相互擔保的關系，而且任意的3個以上客戶之間都能組成“循環擔保”的環路。浙江溫州的一些中小企業間構成的擔保群，很多復雜度都比較高。

圖8 復雜混合的例子

鏈路形態的風險特征統計

　　各種鏈路形態的“擔保群”中出現不良擔保關系的比例（不良關系數/總人數）如下所示：

圖9 各鏈路形態的不良擔保關系比例

　　普通擔保的不良比例低在預期中，長鏈擔保的不良比例低是由于數據總量太少，沒有統計意義。

　　多保一、循環擔保和兩兩互保的不良比例非常高，是總體不良比例的兩倍以上。循環擔保和兩兩互保問題嚴重是在預期中的，而多保一形態是之前被忽視的，值得未來在風控方面的關注。

　　“擔保群”的復雜度與不良比例的關系如下所示：

圖10 復雜度與不良擔保關系比例

　　總體上看復雜度越高則不良的比例也越高，但是并不是完全線性，可能與“擔保群”的成員數也有關系，因為隨著成員數增加，而擔保關系數沒有同比增加的話，復雜度的值會下降。

 總結

　　本文采用社交網絡分析方法來分析人行征信數據和商業銀行授信數據中的擔保關系，使用Python和R編寫程序，智能識別出“相互擔保”、“循環擔保”、“一保多”、“多保一”等9種鏈路形態以及其中潛在風險情況。節省人工干預時間，提高效率，更快地發現并預警風險，減少未知的損失。

　　分析過程中重要的發現有如下幾點：

　　（1）客戶風險方面：客戶中80%都不是普通擔保關系。同時復雜度越高的擔保群，不良的比例也越高；浙江溫州的一些中小企業間構成的擔保群，很多復雜度都特別高。

　　（2）擔保群風險方面：多保一形態的問題的不良發生率比較高，甚至超過相互擔保和循環擔保，是風控方面需要關注的形態。

　　（3）貸前授信方面：很多擔保群都存在相互擔保和循環擔保的情況，甚至出現客戶兩兩之間全是相互擔保關系，提示當前的銀行授信流程的審核標準比較寬松，應當適度提高門檻，最好能在審批前查清楚客戶之前的擔保關系以及其他的股權高管等等關聯關系。

　　（4）貸后監控方面：“倒金字塔形”的數量遠遠超過“金字塔形”的數量，說明擔保關系中，一個客戶被很多人擔保（或間接被擔保）的情況非常常見，所以很多的擔保業務繞來繞去很可能集中到一個人的身上，像這樣風險集中程度高的客戶需要重點監控。同時有必要把風險集中程度高的客戶，以及復雜度特別高的擔保群中的客戶都重點排查，并發現有沒有地區性特征、區域性風險等等。

　　（5）展望建議：對客戶的擔保關系以及其他的各種關聯關系可以全部整合起來，做成熟的智能產品，自動化的發現客戶抱團，鏈路形態，風險集中的客戶等等，對授信和貸后的工作會有極大的提升。

（文章來源：金融電子化雜志）

掃碼即可手機
閱讀轉發此文