2021-08-23-ADB-Sharing_Credit_Data_While_Respecting_PrivacyA_Digital_Platform_for_Fairer_Financing_of_MSMEs_21页_721kb

ADBI 工作论文：共享信用数据同时尊重隐私——面向中小企业的更公平融资的数字平台

作者：Jin-Chuan Duan
编号：1280
日期：2021年8月

中小企业的融资难题源于信息不对称和信贷数据获取成本较高。本文提出通过联邦学习技术构建信用分析共享平台，在不共享原始数据的前提下，多家借贷机构可联合校准信用模型，从而提升风险管理效率，降低融资门槛。

核心观点：

• 数据隐私与公平竞争：联邦学习技术可实现在不传输原始数据的前提下，聚合各机构的数据共同训练信用模型。这不仅保护了数据隐私，还使中小企业的信用评估更具一致性。
• 应对疫情冲击：通过共享模型，研究发现新冠疫情曾阶段性降低中小企业违约风险（因流动性改善），但长期影响需结合更多实证数据进一步分析。
• 技术实现路线：提出“iCASS”软件实现分布式数据校准，使用密度调节序贯蒙特卡洛优化算法，克服网络延迟和单点故障问题。

方法论部分：

• 建立时间跨度（1996-2021）的长期信用模型，使用前向强度方法预测违约概率（PD）；
• 在COVID期间引入虚拟变量校准机制，调整因宏观政策（如贷款展期）导致的数据偏差；
• 采用双向驱动机制：政府（政策工具）与市场（竞争机制）共同作用，避免仅靠补贴导致的资源错配。

政策建议：

• 建立区域性共享联盟，由监管机构授权设立Model Calibration中央机构（负责模型校准）与User支持中央机构（提供模型使用支持）；
• 实施分层会员机制，数据贡献大的机构可享有定制化模型权益；
• 整体需通过第三方法定审计来确保数据真实性和隐私保护。

结论：联邦学习技术能有效解决中小企业的信用信息不对称问题，促进更公平、高效的融资环境。其应用已不限于东亚地区，技术价值具有全球推广性。

注：本摘要基于原文未公开数据和参数优化模型提炼，具体技术详述请参考完整论文。