项目名称：阳光878商务中心
所属商圈：酒仙桥商圈
出租面积：：整体面积2280平
一层出租面积500平可分割【空调】：中央空调
所属区位：东四环
【层高】：一层3.2米，二层3.8米项目优势：北邻著名艺术区798，南邻颐醍港商业城，独门独院，主体为一栋两层框架结构工业厂房建筑。整栋建筑为两层，面积约2280㎡，一层高3.2米，二层高3.8米。一楼包含设计师书房、接待大堂、 路演大厅、展示厅、材料馆、会议室等，二层主要为各类工作室的办公区。设计楼独立进出大门，配套有停车场，1000平户外艺术休闲区。
阳光878商务中心都有哪些企业入驻？开发商，物业，租赁部？
北京大风车教育科技发展有限公司，北京零点远景网络科技有限公司，大师工坊（北京）控股有限公司，北京零点有数数据科技股份有限公司，北京零点市场调查有限公司，北京胖达悦食科技有限公司，北京开元融资租赁有限公司，北京十二栋商贸有限公司，北京联创聚兴科技有限公司，凯世星球（北京）科技有限公司，北京东方联合科技有限公司，悠活省吧（北京）网络科技有限公司，北京凤凰文化产业有限公司，赛克斯特（北京）汽车租赁有限公司，北京华泰德佳科技有限公司，北京康智乐思网络科技有限公司，北京融言科技有限公司等
北京融言科技有限公司前身为北京乡邻有信信息科技 有限公司，2014年至2019年，在河北保定、沧州及山东潍坊地区开展农村金融实践。2018年和北京农业融资担保公司开展合作。自2019年起，为银行机构提供风险管理咨询及风险模型输出，标杆案例包括成都地区某银行、汕头地区某银行及海南地区某银行。
流动资金贷款管理暂行办法》 、《个人贷款管理暂行办法》、《固定资产贷款管理暂行办法》和《项目融资业务指引》，俗称三个办法一个指引，而《贷款通则》则是更早期的贷款指导文件。这几个文件是银行贷款管理所依据的核心文件。
从风险管理上看，银行机构需要克服三项主要风险：能力风险、道德风险、操作风险。其中，能力风险是指银行需要具备识别各项贷款风险的能力，是居于核心位置的；道德风险和操作风险，是指需要克服贷款过程中，内部各级人员的有意失职和操作失误的风险。
前面的这些监管文件，主要解决操作风险和道德风险问题，核心原则是“审贷分离”和“层层审批”。
在能力风险方面，层层审批和审贷分离，也能发挥一些作用。其指导思想是，一个人能力可能不足，多找几个人参与进来。执行中的问题在于：第一，一个人能力不足，多几个人，能力是否能补齐？如何保证能力强的一个人能在其中起到主要作用？如何保证正确的意见能被识别和采纳？第二，风险评价能否给力？能否客观化？如果无法客观化，意味着可以任意演绎，最终会流于形式。
上述监管办法，重点是对人的行为的管控。但对于到底该如何判断风险，缺乏方法上的指导。
随着数字化的深入，监管的方向会发生变化。
第一，对操作风险的监管，将转移到对数据技术的监管
技术对贷款操作环节，产生的影响是最大的。凡是操作风险的问题，长期看，必将通过技术系统来解决。比如，客户身份认证、客户授权等，都属于操作风险，这些已经通过数据技术得到了解决。因此，对操作风险的监管，将来会转移到对技术应用的监管上。
第二，针对能力风险，将通过推进风险逻辑的数字化来实现。
风险逻辑体系的建立，是风险管理数字化的核心内容。银行机构的评审会以及各级尽调和审批人员，面临的最大困惑就是，客户材料有很多，但大家解读标准不同，每个人都有一个思路和一种说法，难以辨识孰对孰错。这往往是风险逻辑不客观、不显性所导致的。无论对个人贷款还是企业贷款，风险逻辑的客观化和显性化（也就是量化），一定是正确的方向。如此才能实现贷款评估的阳光化，才能同时解决人员能力风险和道德风险问题。
在原有监管办法中，由于办法出台的时代背景，这方面没有涉及。融言科技认为，风险逻辑的数字化，以后会成为监管的重点推进领域。
总结：
融言科技认为，原有监管文件强调的是通过人员之间的制约和流程上的专业分工，实现对贷款风险的把控，属于对人的监管。未来，监管的方向将变更为对数据技术和逻辑方法的监管。
风险管理一直是银行机构的重心工作，但国内银行普遍受困于风险评估主观化、风险标准不统一、风险监测困难的问题。这些问题，核心在于缺乏客观化的风险管理方法。除了风险信息数据化程度不够之外，主要是对风险逻辑的研究不够，这些风险逻辑经过研究，显现出来，就能用于测量风险；这些逻辑方法构成了风险管理的芯片。融言科技在这方面有较多的研究和实践。
一、风险管理的未来方向
风险管理的目标是提高客观化程度，在未来主要会在两个方面进行升级。
1、风险信息的数字化
银行贷款决策所依据的信息，在传统模式中，有文字的，有数字的；有行内采集的，也有外部数据源提供的；有原始材料，也有加工后的信息。这些信息，首先都需要电子化，形成数字和标签，然后通过特定数据逻辑，将信息归纳后呈现出来，用于风险决策的信息依据。这方面的技术工具，最简单的是一些数据可视化的软件工具，将信息归纳后，通过图表的形式表现出来，有助于人的快速理解。还有一些是利用知识图谱的概念，用图表形式将信息之间的关联关系呈现出来，例如股权关系、自然人之间的家庭关系、上下游合伙伙伴关系等，这些关系的归纳和展示，用于精准营销的情况较多，也能用于风险决策的参考。美国的Palantir公司，就是利用这种关联关系的技术，和美国情报部门合作，在反恐方面有过突出表现。
另外，为了支持应用层面的数据需求，往往需要对系统内部的数据资源进行“治理”。从数据治理到数据呈现，是信息由里到外进行数字化的完整过程。
2、风险评估的逻辑化
风险评估的逻辑化，是风险管理的最终目标。贷款额度越小，越容易实现评估的逻辑化。逻辑化是实现自动化决策的前提。自动评估目前在信用卡审批和小金额的消费金融领域，已经基本实现；未来在企业贷款领域，风险的逻辑化程度也会越来越高，决策会越来越客观。风险评估的逻辑化，往往涉及数据和风险决策模型。数据涉及内部数据和外部数据的连接和管理。涉及到模型的，就需要根据信贷产品的结构、流程、数据资源和客户情况，形成风险逻辑并量化。量化的风险评估模型，能避免人员的主观性和道德风险。在数据充分和逻辑严密的情况下，风险模型要优于人员的分析判断。现实中，由于数据往往不全面，准确度也有限，因此在模型设计上，要考虑到这些问题，在能掌握的有限数据的前提下，努力在风险逻辑上进行加强。同时要考虑到模型的天花板，在查准率和查全率方面作出平衡。
二、风险管理客观化带来的改变
1、对所有贷款业务，改变拍脑袋决策的模式，建立全面的风险逻辑标准。
2、把尽调报告上的语言文字信息，尽可能多的转化为数字信息和标准化信息，把沉睡的信息利用好。
3、实现风险管理的集中化。把管具体项目，变为管逻辑标准。通过客观的风险逻辑体系，来观察每一笔贷款业务，实现对个体和全局风险的掌握。
三、风险管理的“芯片”：风险逻辑的量化
关于信用风险，有很多理论框架，比如5C理论，比如关于还款能力和还款意愿的理论，这些都是从不同角度去描述。但究竟如何测量信用风险，如何把风险用数字形式精确表现出来，一直是一个难点。直到1974年莫顿模型的出现，在理论上说明信用风险是可以测量的。莫顿模型证明，企业信用风险，主要取决于资产负债率和企业资产价值的波动性。实践中，莫顿模型在上市公司的信用风险测评上，取得了较大突破。但在非上市企业中，有较大的实施障碍。直至今日，人们对信贷风险的量化方法，还是不统一的，有KMV模型、信用矩阵模型、评分卡模型、逻辑回归模型、机器学习模型等。这些常用的量化方法，大部分是由理论分析的逻辑框架推导而来，包括KMV模型也是理论得来的。少部分，如机器学习里应用的很多模型（如神经网络等），纯粹是由数据之间的数学关系得来的，很难找出理论依据。这些方法在实践应用中，各自有发挥作用的领域。
1、大型企业信用测评
所谓大型企业，主要特点是以上市公司为主，其财务数据是透明和公开的，也是比较可信的。大型企业的风险评估方法，历史早期比较有影响力的是Z评分模型。后来，穆迪、标普、惠誉等专业信用评级机构，也都形成了自己的方法体系。
（1）评分卡的应用
大型企业的数据比较充分，也容易收集。但由于企业规模大，评估起来相对复杂，因此大企业的风险分析，目前一直是定性为主，定量为辅。企业信用评级实践中，定量分析的主要方式是评分卡，将企业信息分解成财务风险、宏观风险、行业风险、业务模式、政策风险、公司治理等模块，在评级模块中，财务风险一般占的权重最高，大约在30%到40%。然后每个模块给与不同权重，每个模块内部又分为若干具体的评价指标，每个评价指标有不同的权重或分值，所有这些项目汇总在一起，得出总的分值或是转化成信用矩阵，并对应到具体的评级级别和违约概率。不同行业会有不同的评分卡设置，甚至同一行业内不同公司的相关评分设置都是可以灵活调整的。所以，评分卡模型主要依据的是专家经验、过往案例以及基本的统计分析。当然，最终评级结果除了受评分的影响之外，还要依据分析师和评级专家的判断做出调整。评分卡模型是评级公司通用的工具，各家公司的差异在于板块划分、权重、具体量化指标的设置不同，也就是分析角度上的差异。从实践结果来看，世界几家著名评级机构对同一家公司的评级总体是一致的。这也说明，他们的评级方法是成熟和稳定的。
（2）KMV模型
在量化分析上，穆迪公司走的更前沿一些。穆迪公司在收购KMV公司后，在其基础上，形成了改进后的KMV模型，并用于商业用途。KMV模型起源于莫顿的理论，KMV模型是说当企业未来一段期限后（如一年），企业资产的市场价值低于一个临界值时，就容易发生违约。这个临界值，指的是按某种口径统计的企业债务。
这个理论从道理上非常浅显，实际就是说当企业“资”不抵“债”时，违约风险会高。当然，KMV模型真正的贡献在于将这个逻辑进行量化的方式。KMV模型利用股票市场的价格，间接实现了对企业资产的估值。并根据股票价格的历史波动数据，对企业资产的波动风险间接进行了量化，在假定企业债务不变的情况下，测算出企业未来一定时期后，“资”不抵“债”的概率。
KMV模型主要应用于已上市企业，对于未上市企业，主要难点在于对企业资产的市场价值的评估。未上市企业，财务数据不透明，且没有公开交易市场，企业资产价值没有统一的定价标准。所以，KMV模型，在未上市企业评估上理论上可行，但操作上太复杂。
评分卡模型和KMV模型理论上是相通的，KMV是根据股票市场的反映来描述企业未来风险，认为股票市场已经把企业的所有风险涵盖了。而评分卡模型，则根据企业的全面数据，对企业风险按照一种逻辑体系进行精细分析。
（3）量化方法对大企业评级的作用
在实践中，无论穆迪还是标普，都没有完全依赖定量方法，而是把定量方法作为一个工具。主要原因在于，这些大企业的风险分析，涉及面较广，要求也比较精细，有些重要信息难以简单的量化或是量化标准不稳定。
到目前为止，几家著名评级公司都形成了完整和稳定的逻辑体系，并实施了量化工具。正是这些量化分析框架，才让信用评级工作有方法可依据。评级方法的稳定性、客观性、可解释性，是评级公司开展公开市场评级业务的核心原则。
2、小微企业信用测评
小微企业介于大企业和个人之间。和个人数据相比，小企业数据的收集难度大，准确度不高。而和大企业相比，小微企业主的个人数据对企业信用影响较大。
（1）IPC模式，面向信用数据缺乏的群体。IPC起源于德国，主要应用于缺乏信用数据的个人及微型企业，依靠信贷员对客户信息进行现场采集，并按照一套风险分析流程，出具贷款决策。事实上，IPC这么多年一直在演进，到目前为止，并没有专门定义到底怎样的风控操作才是IPC技术。大体上看，凡是成功的IPC案例，基本都依赖于两个方面。一是高度依赖于信贷员的能力，需要信贷员掌握全面的风险分析逻辑。为此，IPC非常强调对信贷员的培训，有详细的信贷风险分析指导手册。二是高度依赖于信贷员管理制度，要让信贷员形成责任感和保持工作积极性。IPC的人员培训，主要集中在客户负债和客户还款来源的探查方面。这些内容，是由经验总结而来的，这也是IPC最核心的东西。难点在于，人员的分析能力有很大差异，有些道理大家似乎都能听懂，但应用的实践并不简单，人员之间的差异也比较大。因此，IPC的可复制性一直饱受诟病。
IPC的一些成功案例表明，面对客观数据缺失的群体，如果有一些信贷员能够把基本的风险逻辑理解并运用到位，是可以较为准确地测度出客户的风险情况的，这说明，这个客户群体的风险逻辑是一致的。如果把这些逻辑进一步量化，用模型来实现，对人员的依赖会大幅降低，可复制性会更强。
（2）美国富国银行模式，面向经营数据不完备的小微群体。在小微企业贷款领域，把小微企业当做个人来对待，更强调企业主的个人信用特征，从而一定程度上规避了经营数据存在的各种问题。富国银行由此创立的“企业通”，对于10万美金以内的额度，做到了纯线上审批和放款。富国银行的信贷模型，是以专家经验及传统统计方法结合得出的。对于贷款额度稍大一些的小企业贷款，除线上程序外，富国银行仍然保留人工审查程序。富国银行的实践表明，越是小企业，它的经营信息收集成本越高、数据的不稳定性也越高，而企业主个人信息相对稳定。把风险分析重点放在个人身上，反而起到了更好的作用。
（3）电商在线贷款模式，面向经营数据较丰富的电商群体。美国的Kabbage和Ondeck瞄准电商发放贷款，他们采用的数据基本都是电商交易平台提供的交易类数据，再结合其他三方数据。中国的阿里巴巴等电商企业，也根据所掌握的网上店铺交易数据，推出了网商店主贷款，实现在线审批和在线发放。阿里贷款模式中，除了交易数据的作用，消费者通过支付宝向店主支付的资金，也是一种变相的抵押。
从中长期看，随着产业互联网的发展和区块链技术的应用，企业信息数字化的进程将大大加快，中小企业信用模型的数据瓶颈也会被打开。
