文 | 刘俊锋
BBD高级模型经理，FRM持证人，西南财经大学经济学硕士
01.
企业关联网络的普遍性与其风险影响
随着市场经济的持续发展，企业跨地区和行业的经营生产行为日益普遍，企业不再是单一的个体，企业与企业、企业与个人之间的联系与交互作用愈加复杂，即便是大家认为的关联关系应该极为简单和稀疏的小微企业，其最基础的股权投融资和高管任职关联关系的丰富度也令我们意外。
我们通过BBD的全量企业基本信息库对全国除个体工商户外的6000余万企业，按照企业规模对其关联关系的丰富度进行统计分析（注：该企业规模的划分标准与工信部稍有不同，是BBD基于所在行业、企业注册资本、关联规模等客观指标进行的划分）发现，虽然存在对外投资的小微企业仅占小微企业总数的2%，客观反映出小微企业经营结构简单、对外扩张意愿低的特点，但近一半的小微企业存在由其股东及董监高所引申出的二度关联方，甚至有39%的小微企业存在由二度关联方引申出的关系更加稀疏的三度关联方。也就是说，如今，我们小微企业的关联圈已不再“小微”。
图1：公司股权与高管关联-各规模企业关联网络统计
为了更全面的了解企业各维度关联关系，我们可以将目标企业引申出的各类关联关系构建一个企业关联网络。一种较为简洁的本体设计为将各企业和企业相关自然人作为关联节点，经由各类关联关系进行链接，组成由关联节点-关联关系搭建的关联网络。传统关联网络所考察的关联关系类别包括：
1、公司股权与治理结构方面，包括企业投融资关系、自然人-企业的管理层关系、涉及大中型企业的集团关系、以及自然人间社会关系；
2、信贷行为方面，包括直接借贷关系、共同借款关系、担保与互保关系、以及涉及集团企业的集团授信；
3、经营交易方面，包括上游进货关联关系、下游销售关联关系、同行业竞争关系等。
在企业经营活动中，无论是小微，大中或是集团企业，都会在一定程度上受到上述各类别关联企业的影响，而往往不同类型、不同规模的企业，受关联网络的影响程度、受不同类型关联关系的影响程度都存在着差异。例如，大中型企业关联网络更加复杂，更容易受到关联网络内部的风险传导影响。
在信贷场景中，银行作为信贷发放主体，在授信评估时除了必须对授信主体企业的信贷风险进行评估以外，还需要对其关联企业的风险进行调查，以实现风险的全覆盖。目前，授信主体企业的风险调查方法已较为成熟，但对企业关联方的探寻，特别是对由不同维度的关联关系所构建的关联网络的分析和风险评估，都存在着较大的提升空间。对企业关联网络探寻不足，则可能会面临壳公司欺诈风险、关联公司隐藏风险、关联风险传导产生系统风险等问题。而当前实践与案例表明，除了以上三类公开或半公开关系，对隐藏关联关系的挖掘与关联网络搭建，在关联客户管理与风险识别方面也起到了至关重要的作用。
图2：基于多数据源构建企业关联网络
02.
一种隐藏关联关系的潜在风险与挖掘方法
一种常见而重要的隐藏关联关系，是“历史关联关系”，即当前时点企业与企业、企业与自然人之间无显性的关联关系，但历史上存在着较为紧密的关联。这种历史关联，尤其是公司股权与治理结构的历史关联，如果不是正常的变更或退出，则有可能包含潜在的欺诈风险。
我们通过BBD全量工商注册企业历史关联关系的溯源发现，相比历史关联企业的情况，存在历史关联自然人（含股东或董监高）的目标主体企业明显更为普遍，在大型企业中占比66%，小微企业中占比也有15%。但对于具有历史关联企业的目标主体，例如小微企业，虽然占比仅1%，但其平均关联的数量达到3.8个企业，因此，这也客观说明同时考察历史关联企业与历史关联自然人的必要性。
图3：各规模企业-历史关联自然人存在情况统计
图4：各规模企业-历史关联企业存在情况统计
在信贷风控评估中，以历史关联关系为代表的隐藏关联关系具有较明显的风险特征。一方面，随着当前线上大数据风控的应用普及，一些通用强规则，如对失信被执行人的拦截，被广泛应用于贷前筛查。因此，当有过这些不良记录的企业或自然人有信贷需求时，则会考虑替换为无不良记录的壳公司或自然人进行申请，从而绕开强规则，成功套取信贷资金。另一方面，对于某些包含众多关联企业、关联人的大型关联网络，是由少量核心自然人、核心企业因为各种原因而扩散形成。而当这类关联网络中的企业出现信贷需求时，斩断部分关联关系是一种常见的操作方式，这样就可以隐匿潜在的关联风险和关联网络过度授信风险。
对于这些隐蔽关联关系的挖掘，并非一件容易的事，需要多项技术的“加持”。依然以“历史关联关系”的挖掘为例，因为历史关联数据量更大，形成的关联关系更复杂，同时需要将时间维度加入关联网络中。那么为了构建起历史与当前关系相结合的关联网络，以下积累及技术步骤都必不可少：
1、数据积累方面，需要完整的历史关联关系存量数据，以及精确的关联关系变更记录数据；
2、从变更数据中清洗出相关的自然人、企业实体与该历史关系的存续时间段；
3、将这些解析出的自然人和企业，运用实体消歧算法和技术，结合历史与当前关联关系，进行实体的链接；
4、将历史的关联网络与当前的关联网络进行融合。
03.
关联风险识别场景——“系客户”挖掘与统一管理
通常，银行将由一种或多种强关联关系结合在一起，有着共同利益与共同行动的企业群体称为“系客户”，“系客户”中各企业间关系较为复杂，风险影响较大。而从中小银行到全国性商业银行，基于其存量客户所构建的企业关联网络通常较为稀疏，无法实现关联的穿透。
因此，银行希望结合行内的自有数据与外部数据进行整合，全面挖掘行内客户的关联网络，明确企业间的关联关系，识别客群中的“系客户”。银行内部积累的信贷相关数据包括个人与企业贷款及其贷款主体数据，而每笔贷款中，都可能包含共同借款人/企业，担保人/企业，抵押物产权共有人/企业。同时，对于上述涉及企业的部分，还可引申出企业的关联与隐藏关联网络，以及基于其他金融机构上报央行征信报告的担保与互保关系网络。此外，还有一部分账户资金来往记录在交易关系挖掘中也十分有价值。
将以上内部非空开/半公开数据与公开数据结合并进行挖掘探寻，完成“系客户”识别后，可以将其应用于定向的拓客营销、贷前关联客户统一授信、贷前风险关联客户反欺诈、贷后资金流向监控、贷后关联客户风险传导预警等方面。
图5：“系客户”在信贷业务中存在的风险
而从搭建关联网络到实际运用，还需要一个桥梁——重要风险关联节点识别。对这一概念，我们定义了两层含义：
1.重要：对整个关联网络的影响较大，处于关键节点位置；
2.风险：存在显性风险事件或隐性风险行为。
在这一环节中，我们首先需要对“重要关键节点”进行识别，即基于企业关联网络路径与模式的挖掘，找到最能够影响网络中其它节点的那些关键企业或关键人。如果这些重要关键节点发生异常情况或出现风险事件，将有较大概率广泛而强烈地对网络中其它节点造成影响。其次，我们将考察这些关键节点的潜在风险，包括公开、显性的风险事件，以及半公开、或更为隐性的授信、担保、交易等记录。
在针对“系客户”风险管理的运用方面，我们对贷前授信和贷后管理两个环节进行了深挖，包括：
1、贷前授信环节
关联网络企业整体授信：包括关联网络中重要节点的授信方案，以及全关联网络中整体授信方案。
关联欺诈风险识别：重点考察有疑似风险的重要节点，判断是否存在一致行动人与隐性关联交易，识别关联网络中的欺诈风险。
2、贷后管理环节
资金流向监控：在企业完成贷款支用后，识别企业的贷款流向是否包含关联企业与隐藏关联企业；在还款阶段，也需识别贷款企业还款的资金来源是否来自关联企业或隐藏关联企业。
关联客户风险传导预警：在贷后环节对企业及个人的风险监控中，一旦发现潜在风险，需根据该企业或个人在整个关联网络的重要程度，预测风险传导范围，并对受影响的关联企业按既定的规则进行风险预警。
04.
结语
BBD已深耕企业关联关系探寻与关联网络构建多年，同时也致力于搭建起针对小微企业信贷场景的全息风控体系，是最早将关联风险维度引入全线上小微信贷风控模型的大数据金融科技公司，并依靠隐性关联关系的反欺诈策略，关联圈生态评价指标，贷后关联关系的预警体系等方式，实现风控维度的全面覆盖和风险的前瞻性识别。
BBD在与数十家商业银行合作进行小微企业贷款产品的开发与运营过程中，也充分验证了企业关联风险的探寻与识别是小微企业风控的一个重要维度，并使得BBD合作开发小微信贷产品在3年贷款周期内的持续呈现良好的运营效果，不良率远低于行业水平。未来，BBD也将继续致力于关联网络的技术和行业应用的深耕，服务于更多的金融领域。
