中国经济增速已降至30多年来的最低水平，但如果国内近4000万家中小企业（SME）能够克服融资难题，它们便可成为推动经济活力的强大引擎。数字创新者能否弥合中小企业的融资缺口？
中国政府无疑一直在努力。自2005年以来，决策者一直致力于扩大中小企业以及低收入家庭获得金融服务的渠道。相关措施包括设立8000多家小额信贷公司、提高银行对中小企业的年度贷款要求，并在2018年和2019年每年强制将中小企业贷款的平均利率降低一个百分点。
然而，尽管做出了这些努力，中国仅有20%的中小企业曾向银行借款。原因之一在于，中小企业数量众多，但由于规模较小且地域分散，往往难以找到；更重要的原因则是，许多银行无法有效地对中小企业实行基于市场的风险定价。
鉴于中国中小企业的平均存活时间不足五年，不能断言向其放贷没有风险。但强制要求降低中小企业的借贷成本，意味着银行无法通过利率来抵消较高的风险，而政府也未提供补偿性补贴。
大型银行或许已通过交叉补贴做出调整，而小型银行则没有这一选择。对它们而言，向中小企业放贷意味着其资产负债表的健康状况将面临风险。此外，银行员工还须对任何不良贷款承担终身责任。因此，许多银行并不愿冒险增加不良贷款（NPL），而是干脆在达到监管要求的问题上弄虚作假。
然而，即便监管机构不强制要求中小企业执行人为压低的利率，银行也难以实现有效的风险定价。传统信用评分模型侧重于借款人的财务记录和固定资产（抵押品），以及任何隐性的政府担保。而中小企业通常并不具备上述任何条件。
因此，未来的挑战有两个方面。为鼓励银行增加放贷，中国当局必须允许更为灵活的贷款利率，而不是强制施行过低的利率要求，以免银行资产负债表变得脆弱。与此同时，银行需要找到对中小企业进行风险评估的有效方法。
一种富有创新性的方法侧重于“线下软信息”，即企业家的社会行为与人际关系。浙江省的泰隆银行、台州银行和民泰银行等小型商业银行，已在运用这一方法指导其中小企业贷款业务。
但中小企业风险评估领域真正的革命正发生在线上。技术平台记录用户的数字足迹；云计算实现相关信息共享；机器学习则提升了速度、效率和准确性。
根据北京大学数字金融研究中心与国际清算银行的研究，此类基于技术的信用评分模型在更好地预测中小企业贷款的违约风险，其优势至少体现在三个方面。第一，新模型纳入了行为变量和网络指标，这些指标比资产负债表信息更为稳定。第二，它们使用部分实时交易数据（包括现金流和经营环境相关数据），而非更新滞后得多的财务指标。第三，机器学习方法能比银行传统的线性模型更好地捕捉各个变量之间的非线性交互关系。
数字技术的“长尾”特性带来了额外优势。平台一旦建立，服务新增客户的边际成本几乎为零。目前，中国两大主要移动支付服务商（阿里巴巴旗下的支付宝和腾讯旗下的微信支付）各自拥有约十亿客户。
当然，数字技术的运作速度也很快。率先采用这一方法的网络银行——微众银行、网商银行和新网银行——几乎可以即时处理贷款申请。网商银行的中小企业贷款业务形成了“310”模式：填写在线申请表格耗时不到三分钟；一经批准，资金在一秒钟内即可到账借款人的支付宝账户；整个流程无需任何人工干预。
借助数字创新，微众银行、网商银行和新网银行目前各自每年发放约一千万笔中小企业或个人贷款，而各家银行的员工人数仅为1000至2000人。它们的不良贷款率仅维持在1%左右。
诚然，仍有挑战需要克服，首当其冲的是数据不平等问题。但相较于仅依赖既往财务记录的传统银行，使用更多元数据的网络银行所面临的这一制约要小得多。微众银行更多地使用社交媒体数据；网商银行严重依赖电子商务记录；而作为开放银行体系的新网银行，则从其他科技平台获取信息。因此，即便没有信用记录的人，也可能基于例如某条社交媒体记录而获得融资。
至于完全没有数字足迹的客户，网络银行一直在探索帮助客户建立数字足迹的策略。例如，网络银行可以向在线上没有任何数据记录的借款人发放极小额的贷款。随着借款人逐步还款并与银行保持沟通，他或她也就建立了自身的数字足迹。
中国长期以来高度重视提升中小企业的融资可得性。如今，网络银行正提供国家所需的解决方案。这不仅可能为经济增长和创新带来助力，也将推动更广泛的普惠金融发展，无论在中国还是在其他地区。
