目前，全球正在加速向数字化转型，数据资产也正日益成为推动和加快数字经济发展的重要战略资源，数字要素、数字技术正在重构新业态、新模式。同时，工程机械行业下行周期的筑底过程还在继续，内需支撑仍然偏弱，市场调整的压力仍在持续。因行业市场下滑，设备购买方设备出租率不足、租金下滑、回款率下降等因素造成第一还款来源弱化，其他还款来源难以补充，使工程机械企业的信用风险加大。

信用销售业务本质上是承担风险从而获得销售设备的收入、回款、利润，核心是信用风险管理，信用风险的本源是信息不对称。在数字化浪潮与工程机械行业下行的大背景下，对工程机械传统信用风险管理模式既是大挑战，也是大机遇。如何基于打造数据驱动的风控能力与风控体系，穿透信息不对称制约，值得每家工程机械企业深入思考并躬身践行。

01、信息不对称与信用风险

按照信息经济学理论，信用风险产生的微观基础是信息不对称。信息不对称是指市场的交易双方在信息获取、处理和使用方面存在差异，掌握信息比较充分的一方处于比较有利的地位，而信息贫乏的一方处于比较不利的地位。由于信息的专业性、隐蔽性以及搜寻成本的存在致使交易双方往往占有不对称的信息，而信息渠道的不同、信息量的多寡会造成交易双方承担的风险和收益不同，处于信息量劣势的一方会具有较大风险。

信息不对称根据交易契约签订时间节点的不同，分为事前信息不对称与事后信息不对称，在事前信息不对称情况下，占有信息优势的一方隐藏了信息，在事后信息不对称情况下占有信息优势的一方隐藏了行动。信息不对称发生在交易契约签订前，引发“逆向选择”问题；发生在交易契约签订后，引发“道德风险”与“委托-代理”问题。

对工程机械企业而言，交易前并不能全面、实时、准确地掌握设备购买方的资信与还款能力信息，如资产负债、外部履约、经营能力等情况；在合同履约过程中，企业经营、设备运营、收入回款、偿债能力等也难以监测。在交易前后，设备购买方存在利用自身信息优势，单纯从个人利益最大化出发，隐藏关键信息，由此引发逆向选择、道德风险等问题，形成信用风险。

02、传统信息不对称的解决机制设计与存在问题

1.解决逆向选择的信号显示机制

市场信号显示是指为了解决逆向选择问题，占据信息优势的一方将自身的优质信息显示出来，通过某种方式向处于信息劣势的人发出市场信号以增强对方信心的行为。通过信号显示机制，可以利用有效的优质信息形成对设备购买方的信用风险识别。

工程机械购买群体一般为中小微企业，提供的资产信息有限，也很难提供相对完整、真实的财务报表数据，在资信评审环节，存在较多的关键信用信息缺失，影响市场信号显示机制的有效发挥。

2.解决逆向选择的信号甄别机制

市场信号甄别是指在进行市场交易之前，信息劣势方首先利用相关合同与机制设计让信息优势方发出显示自身某些特征的信号，方便信息劣势方判断，从而改变自身在市场交易中处于信息劣势的行为。工程机械企业可设计首付比例与价格折扣关联的合同条款，高首付比例的客户享受的价格折扣高，从而区分出不同信用等级的设备购买方。

对工程机械企业来讲，该机制的发挥难点在于风险定价，不同资信等级对应价格、商务条件应用需要合理测算、量化定价。

3.解决道德风险问题的风险共担与利益共享机制

针对道德风险，机制设计一般为合理的激励机制，风险共担与利益共享，从而通过内生动力解决委托-代理问题。工程机械企业可在合同中约定违约条款，如违约金，对于有历史违约记录的设备购买方复购时将面临价格、融资利率上升等违约后果；设备购买方提前支付款项，享受利息减免，正常履约复购时给予一定价格、利率折扣。

该机制在引导设备购买方履约方面能够发挥一定的作用，但企业经营、设备运营均存在较大的不确定性，如果不能提前预测、预警违约风险，相应的风控措施较为被动、滞后。

03、基于数据驱动的信用风险控制

信用风险的不确定性在于发生与否、发生时间、影响范围、影响方向、持续时间、影响程度的不确定性。为缓释信息不对称引致的信用风险，工程机械企业要基于经济学的理论机制设计数字化工具箱，推动信用风险管理由经验分析向数据分析、前瞻性预测转变，实现风险识别-风险量化-风险评估-风险监测-风险报告的高效闭环管控。

1.风险识别。风险识别的第一步需要有良好的数据基础。工程机械企业一般都有自己的CRM、ERP、DMS等信息化系统，但主数据管理（MDM）存在管理规则不统一、信用管理相关数据字段缺失、信息未动态更新，甚至有些企业还存在线下表格管理，基础数据质量不能满足挖掘、分析要求，需要全面数据治理。

工程机械企业通过数据治理，提升设备购买方在企业内部交易、信用数据质量，并经过系统开发，整合、应用外部合规的三方数据，形成完整的内外部交易、履约数据，从而在资信评审阶段，通过系统资信扫描、数据库比对，识别出潜在的信用风险，形成购买方的360度风险视图，还原、刻画资产负债、现金流量、利润等三大报表，并作为后续增信措施、资信等级分级的重要参考依据，解决交易前信息不对称问题。

2.风险量化。有了数据基础，第二步要构建合适的量化分析模型。基于企业大样本的历史履约或违约数据，选取影响因素指标，构建被解释变量、解释变量、控制变量在内的违约概率计量分析模型。除了定量指标外，一些难以量化的指标如性别、年龄、区域、从业年限等可转变为虚拟变量，基于Logistic信用风险评估模型进行参数估计。

通过控制变量，加入解释变量回归分析估计参数值，根据参数值是否显著，判断解释变量是否对违约率形成影响，参数值显著后，根据参数值正值、负值判断对违约率的正向、负向影响，根据参数值的弹性系数值，判断对违约率的影响程度。根据回归分析结果，对影响违约率的指标纳入资信评审、评级模型，持续优化、迭代模型。

3.风险评估。有了量化基础，第三步要构建出工程机械企业的预期损失（EL）的估计模型。EL是一定时期内因设备购买方违约可能遭受的损失，包含三个要素，即违约概率（PD）、违约损失率（LGD）和风险敞口（EAD），EL= PD×LGD×EAD。

PD、LGD的计算可以使用逻辑回归、卡方检验的计量分析方法，结合信用历史、还款能力、收入水平、负债情况等数据进行测算。其中PD也可以根据历史违约情况与模型估计，构建信用等级标尺，其中信用等级与违约概率形成映射关系，如可形成A、B、C、D、E五类信用等级，也可对某类信用等级进一步细分（A类可分为AAA、AA、A），不同信用等级对应不同违约概率。同时，结合内外部交易、履约数据变化以及尽职调查中发现的资信变化，及时调整购买方的信用等级。

通过模型测算，发挥风险定价的核心作用，实现预期收入能够覆盖预期损失。对不同风险水平的设备购买方，制定不同的首付比例、保证金额比例、销售价格、融资利率、授信额度，实现差异化定价，平衡好风险与收益。预期损失高的购买方，将控制额度，收取相应的风险溢价，并严格制定审批规则，以规则的确定性应对未来信用变化的不确定性。

4.风险监测。传统的风险监测主要是监测购买方还款是否逾期，以及逾期金额、时长变化。随着工业物联网技术的发展，以及与移动互联网技术的充分融合，风险监测将“人”与“物”数据融合，形成新的风险识别视角。

通过物联网监测，形成风险判断的“三个匹配”，一是基于设备开工率、开工时长数据，提前分析、预警设备购买方近几期的款项支付能力，判断设备使用收入是否与还款金额匹配；二是基于设备开工率、开工时长，再结合市场租金、回款变化，判断设备购买方月支付金额是否与其工程收入匹配；三是基于物联网数据以及市场价格走势，判断设备残值是否与设备的待付金额匹配。同时，结合设备运营轨迹，监测设备的资产安全。

5.风险报告。工程机械行业是受宏观经济环境、固定资产投资等影响较大的周期性行业。工程机械行业的信用风险变化要在微观评估模型的基础上，结合宏观经济指标测算、分析，形成风险报告。在市场行情急剧异常变化时，要建立压力测试模型，对信用销售资产进行压力测试，判断资产是否能够有足够的韧性应对市场的突变。

在数据驱动的信用风险管理模式下，工程机械企业要让风控运行与数据形成有机联系，通过风险数据智能化、多维度识别与分析，形成风险全景图、风险地图，同时报告企业风险管理目标达成性、风险管理组织体系建设的完备性、重大风险应对策略有效性以及企业、产品线、区域、客户群体等维度的风险测评。

“终日寻春不见春，芒鞋踏破岭头云；归来偶把梅花嗅，春在枝头已十分”。数字化时代“春在枝头已十分”，工程机械企业要加快风险管理的数字化变革，从组织驱动向数据驱动转变，推动数字要素重塑信用风险管理模式，建立数据决策与行动机制，以确定性的基于数据驱动的风控体系应对未来风险的不确定性。